CN111723726B - 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 - Google Patents
一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 Download PDFInfo
- Publication number
- CN111723726B CN111723726B CN202010553724.4A CN202010553724A CN111723726B CN 111723726 B CN111723726 B CN 111723726B CN 202010553724 A CN202010553724 A CN 202010553724A CN 111723726 B CN111723726 B CN 111723726B
- Authority
- CN
- China
- Prior art keywords
- packaging bag
- pulse
- desiccant
- drying agent
- neuron
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002274 desiccant Substances 0.000 title claims abstract description 153
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 94
- 239000012528 membrane Substances 0.000 title claims abstract description 63
- 230000001537 neural effect Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims description 64
- 230000000946 synaptic effect Effects 0.000 claims description 30
- 238000010304 firing Methods 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 210000000225 synapse Anatomy 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000036279 refractory period Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Basic Packing Technique (AREA)
- Auxiliary Devices For And Details Of Packaging Control (AREA)
Abstract
本发明公开了一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法,包括以下步骤:(1)采用摄像头对由电机驱动输送的干燥剂条带上的各干燥剂包装袋拍摄图像,得到各干燥剂包装袋对应的彩色干燥剂包装袋图像;(2)将步骤(1)中得到的彩色干燥剂包装袋图像转换为干燥剂包装袋灰度图,再将干燥剂包装袋灰度图转换为干燥剂包装袋二值图,并将干燥剂包装袋二值图编码成脉冲序列,然后将脉冲序列发送给基于脉冲神经膜系统的干燥剂包装袋识别模型,并使用基于脉冲神经膜系统的膜电位驱动学习算法进行在线图像分类,识别干燥剂包装袋是否完好、空包、半包和夹子等。本发明能快速、准确地识别干燥剂包装袋是否完好、空包、半包和夹子等。
Description
技术领域
本发明属于干燥剂包装袋识别技术领域,具体涉及一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法。
背景技术
干燥剂在各行各业都有着广泛的用途,生产干燥剂的重要性不言而喻。然而,干燥剂生产过程中经常出现空包、半包和夹子等一些不合格产品,为了避免不合格产品流入市场,就需要对每个生产出来的干燥剂包装袋进行检查。目前为了选出这些不合格产品,基本采用人工筛选的方式,容易出现漏检,且人工成本高。因此,亟需一种能够实现自动检测不合格干燥剂包装袋的方法。
传统的图像检测边缘算法利用检测目标区域的轮廓,计算轮廓的像素点个数,然后根据标准情况下各个轮廓的像素点数来进行对比,从而判断干燥剂包装袋是否出现空包、半包和夹子等不良产品,然而,这些图像边缘检测算法的检测干燥剂包装袋不良品的准确率不高。另外,在干燥剂包装袋的工业生产线上,传统的图像边缘检测算法的检测干燥剂包装袋的速度难以跟上生产干燥剂包装袋的速度。
发明内容
本发明提供一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法,以解决现有干燥剂包装袋筛选人工依赖性大、易漏选等技术问题,能快速、准确地识别和检测干燥剂包装袋是否完好、空包、半包和夹子等。
为了解决上述技术问题,本发明采用如下技术方案:
一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法,包括以下步骤:
(1)采用摄像头对由电机驱动输送并拉伸为竖直状态的干燥剂条带上的各干燥剂包装袋拍摄图像,得到各干燥剂包装袋对应的彩色干燥剂包装袋图像;
(2)将步骤(1)中得到的彩色干燥剂包装袋图像转换为干燥剂包装袋灰度图,再将干燥剂包装袋灰度图转换为干燥剂包装袋二值图,并将干燥剂包装袋二值图编码成脉冲序列,然后将脉冲序列发送给基于脉冲神经膜系统的干燥剂包装袋识别模型,并使用基于脉冲神经膜系统的膜电位驱动学习算法进行在线图像分类,识别干燥剂包装袋是否完好、空包、半包和夹子等;
其中,脉冲神经膜系统的神经元模型为带阈值的神经元模型,在任意时刻t,该神经元的膜电位u(t)表示为:
其中,为第i个突触上的第j个脉冲的时间,/>为神经元响应后发出脉冲的时间,d为神经元响应后的不应期时间,d的取值为d=5ms,ωi为第i个突触的权重,urest表示静息电位,urest的取值为urest=0,ε为脉冲响应函数,且
其中,干燥剂包装袋二值图编码成脉冲序列时的编码方式采用相位编码,第i个编码神经元的膜电位振荡公式为Acos(ωt+φi),其中A为振幅,A的取值为A=0.5,ω为振荡相位角速度,ω的取值为ω=10π,φi为相位位移,φi表示为φi=φ0+(i-1)·Δφ,其中φ0为参考初始相位,φ0的取值为φ0=0,Δφ为常数相位差值,Δφ的取值为
其中,基于脉冲神经膜系统的干燥剂包装袋识别模型所采用的膜电位驱动学习算法具体为:
当神经元的运行时间是在脉冲期望输出时间集合Td内,则通过调整突触权重,使得神经元的膜电位u(t)大于激发阈值θ,激发阈值θ的取值为θ=1mv,为了保证神经元在时间集合Td内激发脉冲,误差函数定义为:
而神经元在时间集合Td内激发脉冲则表示识别的干燥剂包装袋为空包、半包或夹子等不良产品,则基于脉冲神经膜系统的干燥剂包装袋识别模型会发出一个停机信号给电机的控制系统,电机将会停止带动干燥剂条带,由人工从干燥剂条带中剪去不良产品;
通过梯度下降法来最小化神经元膜电位u(t)和激发阈值θ之间的误差,基于梯度下降法的突触权重更新规则表示为:
其中,β1为学习率,β1设置为β1=0.05;
上述误差函数和突触权重更新规则的含义为:当神经元的膜电位u(t)小于激发阈值θ时,而且神经元运行时间在脉冲期望输出时间集合Td内时,则希望突触权重增大,使得神经元的膜电位u(t)迅速增大,大于或等于激发阈值θ,突触权重改变的值为:
当神经元的运行时间在脉冲非期望输出时间集合NTd内,则通过调整突触权重,使得神经元的膜电位u(t)小于激发阈值θ,为了保证神经元在时间集合NTd内不发出激发脉冲,误差函数定义为:
而神经元在时间集合NTd内不激发脉冲则表示识别的干燥剂包装袋为完好产品;
基于梯度下降法的突触权重更新规则表示为:
其中,β2为学习率,β2设置为β2=0.05;
上述误差函数和突触权重更新规则的含义为:当神经元的膜电位u(t)大于激发阈值θ时,且神经元运行时间在脉冲非期望输出时间集合NTd内时,则希望突触权重变小,使得神经元的膜电位u(t)迅速减小,小于激发阈值θ,突触权重改变的值为:
进一步地,步骤(1)中,多个干燥剂包装袋连成干燥剂条带,干燥剂条带缠绕在多个转轴上,各转轴均水平且沿前后方向布置,最右端处的转轴通过步进电机驱动转动,干燥剂条带在步进电机的带动下通过各转轴而向右间歇式输送,干燥剂条带经过其中两个上下相邻的转轴之间而形成竖直的干燥剂条带,竖直干燥剂条带的正右侧处固定有镜头正对竖直干燥剂条带右侧面的摄像头,竖直干燥剂条带的正左侧处固定有光源射向竖直干燥剂条带左侧面的平行强光源,平行强光源与摄像头处于同一水平高度,平行强光源的大小与干燥剂条带上的干燥剂包装袋的大小相匹配。
进一步地,步骤(1)中,干燥剂条带上各干燥剂包装袋的输送速率为2个/s。
进一步地,步骤(2)中,基于脉冲神经膜系统的干燥剂包装袋识别模型对干燥剂包装袋的检测速度为4s/个。
相对于现有技术,本发明的有益效果为:
本发明中,先通过电机将干燥剂条带拉伸成竖直状态,然后经过摄像头拍照,获取每个干燥剂包装袋的状态图像,在取像的过程中,通过平行强光源消除干燥剂包装袋本身带来的噪声影响,取出的彩色图像转换为灰度图,再转换为二值图,将二值图编码成脉冲序列,最后使用基于脉冲神经膜系统的膜电位驱动学习算法来判定干燥剂包装袋是否存在空包、半包和夹子等不良产品,本发明能够克服外界环境干扰,准确地判断干燥剂包装袋是否存在质量问题,采用自动化控制和检测,避免利用人力来检测,检测速度大大提升,并且大量节省了人力成本;
本发明中,脉冲神经膜系统利用脉冲来对干燥剂包装袋进行信息编码和信息传递,因此能够大大提高处理信息的速度,基于脉冲神经膜系统的膜电位驱动学习算法是一种受生物神经元以脉冲形式处理信息和传递信息启发的算法,能够实现在线方式的学习,具有更强的学习能力,该基于脉冲神经膜系统的干燥剂包装袋识别模型能快速、准确地识别和检测干燥剂包装袋是否完好、空包、半包和夹子等,提高了干燥剂包装袋的生产效率;
本发明中,步进电机使得干燥剂条带呈间歇式运动,能够根据工位需求及干燥剂包装袋的大小,方便摄像头取像,且当干燥剂条带经过摄像头时,根据干燥剂条带上的黑色标记,实现对每一个干燥剂包装袋进行拍照;
本发明中,通过设置平行强光源,能够使得干燥剂包装袋中没有装料的部分呈白色,装料的部分呈黑色,消除了干燥剂包装袋上字体等其它干扰因素的影响;
本发明中,基于脉冲神经膜系统的干燥剂包装袋识别模型对干燥剂包装袋的检测速度为4s/个,能够完全匹配上电机传送干燥剂包装袋的速度。
附图说明
图1为本发明中干燥剂条带、转轴、电机、摄像头、平行强光源连接的结构示意图;
图2为本发明的流程方框图;
图3为本发明的网络结构图。
附图说明:1、干燥剂条带,2、转轴,3、平行强光源,4、摄像头,5、电机。
具体实施方式
一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法,包括以下步骤:
(1)采用摄像头4对由电机5驱动输送并拉伸为竖直状态的干燥剂条带1上的各干燥剂包装袋拍摄图像,得到各干燥剂包装袋对应的彩色干燥剂包装袋图像,干燥剂条带1上各干燥剂包装袋的输送速率为2个/s;
(2)将步骤(1)中得到的彩色干燥剂包装袋图像转换为干燥剂包装袋灰度图,再将干燥剂包装袋灰度图转换为干燥剂包装袋二值图,并将干燥剂包装袋二值图编码成脉冲序列,然后将脉冲序列发送给基于脉冲神经膜系统的干燥剂包装袋识别模型,并使用基于脉冲神经膜系统的膜电位驱动学习算法进行在线图像分类,识别干燥剂包装袋是否完好、空包、半包和夹子等;
其中,脉冲神经膜系统的神经元模型为带阈值的神经元模型,在任意时刻t,该神经元的膜电位u(t)表示为:
其中,为第i个突触上的第j个脉冲的时间,/>为神经元响应后发出脉冲的时间,d为神经元响应后的不应期时间,d的取值为d=5ms,ωi为第i个突触的权重,urest表示静息电位,urest的取值为urest=0,ε为脉冲响应函数,且
其中,干燥剂包装袋二值图编码成脉冲序列时的编码方式采用相位编码,第i个编码神经元的膜电位振荡公式为Acos(ωt+φi),其中A为振幅,A的取值为A=0.5,ω为振荡相位角速度,ω的取值为ω=10π,φi为相位位移,φi表示为φi=φ0+(i-1)·Δφ,其中φ0为参考初始相位,φ0的取值为φ0=0,Δφ为常数相位差值,Δφ的取值为
其中,基于脉冲神经膜系统的干燥剂包装袋识别模型所采用的膜电位驱动学习算法具体为:
当神经元的运行时间是在脉冲期望输出时间集合Td内,则通过调整突触权重,使得神经元的膜电位u(t)大于激发阈值θ,激发阈值θ的取值为θ=1mv,为了保证神经元在时间集合Td内激发脉冲,误差函数定义为:
而神经元在时间集合Td内激发脉冲则表示识别的干燥剂包装袋为空包、半包或夹子等不良产品,则基于脉冲神经膜系统的干燥剂包装袋识别模型会发出一个停机信号给电机5的控制系统,电机5将会停止带动干燥剂条带1,由人工从干燥剂条带1中剪去不良产品;
通过梯度下降法来最小化神经元膜电位u(t)和激发阈值θ之间的误差,基于梯度下降法的突触权重更新规则表示为:
其中,β1为学习率,β1设置为β1=0.05;
上述误差函数和突触权重更新规则的含义为:当神经元的膜电位u(t)小于激发阈值θ时,而且神经元运行时间在脉冲期望输出时间集合Td内时,则希望突触权重增大,使得神经元的膜电位u(t)迅速增大,大于或等于激发阈值θ,突触权重改变的值为:
当神经元的运行时间在脉冲非期望输出时间集合NTd内,则通过调整突触权重,使得神经元的膜电位u(t)小于激发阈值θ,为了保证神经元在时间集合NTd内不发出激发脉冲,误差函数定义为:
而神经元在时间集合NTd内不激发脉冲则表示识别的干燥剂包装袋为完好产品;
基于梯度下降法的突触权重更新规则表示为:
其中,β2为学习率,β2设置为β2=0.05;
上述误差函数和突触权重更新规则的含义为:当神经元的膜电位u(t)大于激发阈值θ时,且神经元运行时间在脉冲非期望输出时间集合NTd内时,则希望突触权重变小,使得神经元的膜电位u(t)迅速减小,小于激发阈值θ,突触权重改变的值为:
其中,步骤(1)中,如图1所示,多个干燥剂包装袋连成干燥剂条带1,干燥剂条带1缠绕在多个转轴2上,各转轴2均水平且沿前后方向布置,最右端处的转轴2通过步进电机5驱动转动,干燥剂条带1在步进电机5的带动下通过各转轴2而向右间歇式输送,干燥剂条带1经过其中两个上下相邻的转轴2之间而形成竖直的干燥剂条带1,竖直干燥剂条带1的正右侧处固定有镜头正对竖直干燥剂条带1右侧面的摄像头4,竖直干燥剂条带1的正左侧处固定有光源射向竖直干燥剂条带1左侧面的平行强光源3,平行强光源3与摄像头4处于同一水平高度,平行强光源3的大小与干燥剂条带1上的干燥剂包装袋的大小相匹配。
其中,步骤(2)中,基于脉冲神经膜系统的干燥剂包装袋识别模型对干燥剂包装袋的检测速度为4s/个。
Claims (4)
1.一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法,其特征在于包括以下步骤:
(1)采用摄像头对由电机驱动输送并拉伸为竖直状态的干燥剂条带上的各干燥剂包装袋拍摄图像,得到各干燥剂包装袋对应的彩色干燥剂包装袋图像;
(2)将步骤(1)中得到的彩色干燥剂包装袋图像转换为干燥剂包装袋灰度图,再将干燥剂包装袋灰度图转换为干燥剂包装袋二值图,并将干燥剂包装袋二值图编码成脉冲序列,然后将脉冲序列发送给基于脉冲神经膜系统的干燥剂包装袋识别模型,并使用基于脉冲神经膜系统的膜电位驱动学习算法进行在线图像分类,识别干燥剂包装袋为不良产品或完好产品,不良产品包括空包、半包和夹子;
其中,脉冲神经膜系统的神经元模型为带阈值的神经元模型,在任意时刻t,该神经元的膜电位u(t)表示为:
其中,为第i个突触上的第j个脉冲的时间,/>为神经元响应后发出脉冲的时间,d为神经元响应后的不应期时间,d的取值为d=5ms,ωi为第i个突触的权重,urest表示静息电位,urest的取值为urest=0,ε为脉冲响应函数,且
其中,干燥剂包装袋二值图编码成脉冲序列时的编码方式采用相位编码,第i个编码神经元的膜电位振荡公式为Acos(ωt+φi),其中A为振幅,A的取值为A=0.5,ω为振荡相位角速度,ω的取值为ω=10π,φi为相位位移,φi表示为φi=φ0+(i-1)·Δφ,其中φ0为参考初始相位,φ0的取值为φ0=0,Δφ为常数相位差值,Δφ的取值为
其中,基于脉冲神经膜系统的干燥剂包装袋识别模型所采用的膜电位驱动学习算法具体为:
当神经元的运行时间是在脉冲期望输出时间集合Td内,则通过调整突触权重,使得神经元的膜电位u(t)大于激发阈值θ,激发阈值θ的取值为θ=1mv,为了保证神经元在时间集合Td内激发脉冲,误差函数定义为:
而神经元在时间集合Td内激发脉冲则表示识别的干燥剂包装袋为不良产品,则基于脉冲神经膜系统的干燥剂包装袋识别模型会发出一个停机信号给电机的控制系统,电机将会停止带动干燥剂条带,由人工从干燥剂条带中剪去不良产品;
通过梯度下降法来最小化神经元膜电位u(t)和激发阈值θ之间的误差,基于梯度下降法的突触权重更新规则表示为:
其中,β1为学习率,β1设置为β1=0.05;
上述误差函数和突触权重更新规则的含义为:当神经元的膜电位u(t)小于激发阈值θ时,而且神经元运行时间在脉冲期望输出时间集合Td内时,则希望突触权重增大,使得神经元的膜电位u(t)迅速增大,大于或等于激发阈值θ,突触权重改变的值为:
当神经元的运行时间在脉冲非期望输出时间集合NTd内,则通过调整突触权重,使得神经元的膜电位u(t)小于激发阈值θ,为了保证神经元在时间集合NTd内不发出激发脉冲,误差函数定义为:
而神经元在时间集合NTd内不激发脉冲则表示识别的干燥剂包装袋为完好产品;
基于梯度下降法的突触权重更新规则表示为:
其中,β2为学习率,β2设置为β2=0.05;
上述误差函数和突触权重更新规则的含义为:当神经元的膜电位u(t)大于激发阈值θ时,且神经元运行时间在脉冲非期望输出时间集合NTd内时,则希望突触权重变小,使得神经元的膜电位u(t)迅速减小,小于激发阈值θ,突触权重改变的值为:
2.根据权利要求1所述的一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法,其特征在于步骤(1)中:多个干燥剂包装袋连成干燥剂条带,干燥剂条带缠绕在多个转轴上,各转轴均水平且沿前后方向布置,最右端处的转轴通过步进电机驱动转动,干燥剂条带在步进电机的带动下通过各转轴而向右间歇式输送,干燥剂条带经过其中两个上下相邻的转轴之间而形成竖直的干燥剂条带,竖直干燥剂条带的正右侧处固定有镜头正对竖直干燥剂条带右侧面的摄像头,竖直干燥剂条带的正左侧处固定有光源射向竖直干燥剂条带左侧面的平行强光源,平行强光源与摄像头处于同一水平高度,平行强光源的大小与干燥剂条带上的干燥剂包装袋的大小相匹配。
3.根据权利要求2所述的一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法,其特征在于步骤(1)中:干燥剂条带上各干燥剂包装袋的输送速率为2个/s。
4.根据权利要求1所述的一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法,其特征在于步骤(2)中:基于脉冲神经膜系统的干燥剂包装袋识别模型对干燥剂包装袋的检测速度为4s/个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553724.4A CN111723726B (zh) | 2020-06-17 | 2020-06-17 | 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553724.4A CN111723726B (zh) | 2020-06-17 | 2020-06-17 | 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723726A CN111723726A (zh) | 2020-09-29 |
CN111723726B true CN111723726B (zh) | 2023-09-19 |
Family
ID=72567089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010553724.4A Active CN111723726B (zh) | 2020-06-17 | 2020-06-17 | 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723726B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625088A (zh) * | 2021-08-17 | 2021-11-09 | 国网四川省电力公司电力科学研究院 | 基于学习脉冲神经膜系统的变压器故障诊断方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002074332A (ja) * | 2000-08-25 | 2002-03-15 | Japan Packaging Institute | 包装材及び包装体のシール不良検出方法及びシール不良検出装置 |
CN101663200A (zh) * | 2007-01-26 | 2010-03-03 | 多种吸附技术公司 | 吸附剂包装袋 |
CN105404902A (zh) * | 2015-10-27 | 2016-03-16 | 清华大学 | 基于脉冲神经网络的图像特征描述和记忆方法 |
CN106476425A (zh) * | 2016-10-18 | 2017-03-08 | 郑州轻工业学院 | 基于膜算法的凹版印刷机套色控制方法 |
US9984326B1 (en) * | 2015-04-06 | 2018-05-29 | Hrl Laboratories, Llc | Spiking neural network simulator for image and video processing |
CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
CN110333689A (zh) * | 2019-03-20 | 2019-10-15 | 广西壮族自治区机械工业研究院 | 一种用于包装码垛生产线的物联网数据采集分析系统 |
CN110826602A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于膜电位调控脉冲神经网络的图像分类方法、系统 |
CN111046865A (zh) * | 2019-12-12 | 2020-04-21 | 电子科技大学 | 基于膜电压驱动的spiking神经元监督学习模型的光学字符识别方法 |
WO2020099680A2 (en) * | 2018-11-18 | 2020-05-22 | Innatera Nanosystems B.V. | Resilient neural network |
CN111242900A (zh) * | 2019-12-31 | 2020-06-05 | 电子科技大学中山学院 | 一种产品合格确定方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10341669B2 (en) * | 2016-12-20 | 2019-07-02 | Intel Corporation | Temporally encoding a static spatial image |
US10878313B2 (en) * | 2017-05-02 | 2020-12-29 | Intel Corporation | Post synaptic potential-based learning rule |
CN110751067B (zh) * | 2019-10-08 | 2022-07-26 | 艾特城信息科技有限公司 | 一种结合生物形态神经元模型的动态表情识别方法 |
-
2020
- 2020-06-17 CN CN202010553724.4A patent/CN111723726B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002074332A (ja) * | 2000-08-25 | 2002-03-15 | Japan Packaging Institute | 包装材及び包装体のシール不良検出方法及びシール不良検出装置 |
CN101663200A (zh) * | 2007-01-26 | 2010-03-03 | 多种吸附技术公司 | 吸附剂包装袋 |
US9984326B1 (en) * | 2015-04-06 | 2018-05-29 | Hrl Laboratories, Llc | Spiking neural network simulator for image and video processing |
CN105404902A (zh) * | 2015-10-27 | 2016-03-16 | 清华大学 | 基于脉冲神经网络的图像特征描述和记忆方法 |
CN106476425A (zh) * | 2016-10-18 | 2017-03-08 | 郑州轻工业学院 | 基于膜算法的凹版印刷机套色控制方法 |
WO2020099680A2 (en) * | 2018-11-18 | 2020-05-22 | Innatera Nanosystems B.V. | Resilient neural network |
CN110333689A (zh) * | 2019-03-20 | 2019-10-15 | 广西壮族自治区机械工业研究院 | 一种用于包装码垛生产线的物联网数据采集分析系统 |
CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
CN110826602A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于膜电位调控脉冲神经网络的图像分类方法、系统 |
CN111046865A (zh) * | 2019-12-12 | 2020-04-21 | 电子科技大学 | 基于膜电压驱动的spiking神经元监督学习模型的光学字符识别方法 |
CN111242900A (zh) * | 2019-12-31 | 2020-06-05 | 电子科技大学中山学院 | 一种产品合格确定方法、装置、电子设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
Gesture Recognition Based on Fusion Features from Multiple Spiking Neural Networks;Huang L, Wu Q, Chen Y等;2015 Fifth International Conference on Communication Systems and Network Technologies;第1167-1171页 * |
Ting fang Wu等.Spiking Neural P Systems With Polarizations.《IEEE transactions on neural networks and learning systems》.2017,第3349 - 3360页. * |
基于合作规则的脉冲神经膜系统的小通用性;俞洋, 吴庭芳, 贺娟娟;系统工程理论与实践;第37卷(第9期);第2465-2473页 * |
徐彦.基于梯度下降的脉冲神经元在线学习方法.《计算机工程》.2015,(第12期),第150-160页. * |
脉冲神经膜计算系统的研究进展及展望(英文);潘林强, 张兴义, 曾湘祥等;计算机学报;第31卷(第12期);第2090-2096页 * |
蔡元龙编.《模式识别》.西北电讯工程学院出版社,1986,第135-136页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111723726A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944504B (zh) | 木板识别及木板识别的机器学习方法、装置及电子设备 | |
JP7186304B2 (ja) | 欠陥検査装置 | |
US11127134B2 (en) | Film defect detection method and system | |
CN111723726B (zh) | 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 | |
US20220214243A1 (en) | System for in-line inspection of seal integrity | |
CN103257144A (zh) | 一种基于机器视觉的塑料瓶瓶口余料检测方法及装置 | |
CN104118609A (zh) | 贴标质量检测方法和装置 | |
CN111175248B (zh) | 智能化肉品质在线检测方法和检测系统 | |
Neethu et al. | Role of computer vision in automatic inspection systems | |
CN113879655A (zh) | 一种用于物流包装的标签智能贴标装置 | |
CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
Sanver et al. | An image processing application to detect faulty bottle packaging | |
CN108875845B (zh) | 一种药品分类装置 | |
CN111505013A (zh) | 基于深度学习的暖边间隔条机器视觉检测装置及方法 | |
CN114813761B (zh) | 一种基于双光频闪的薄膜针孔和亮斑缺陷识别系统及方法 | |
CN114384080B (zh) | 一种橡胶圈缺陷批量检测方法及检测系统 | |
CN211756981U (zh) | 一种基于卷积神经网络的咸鸭蛋品质分检装置 | |
KR20210009411A (ko) | 결함 검사 장치 | |
Kumarasinghe et al. | A Combination of Deep Learning and Segmentation Algorithms applied to Appearance Inspection Problem | |
Athari et al. | Design and Implementation of a Parcel Sorter Using Deep Learning | |
CN115780299A (zh) | 一种塑料瓶缺陷检测系统和方法 | |
JP2981857B2 (ja) | 包装容器の製函中の接着部材塗着状態判別装置、方法、システム及び接着部材塗着状態の判別を実行するためのプログラムを記録した媒体 | |
KR102666787B1 (ko) | 인공지능을 이용한 결함 검사방법, 장치 및 프로그램 | |
CN114345717A (zh) | 一种货物分拣装置 | |
CN115035119A (zh) | 一种玻璃瓶底瑕疵图像检测剔除装置、系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |