CN111797939A - 基于小波分析的无人图书馆深度学习智能识别系统与方法 - Google Patents

基于小波分析的无人图书馆深度学习智能识别系统与方法 Download PDF

Info

Publication number
CN111797939A
CN111797939A CN202010697693.XA CN202010697693A CN111797939A CN 111797939 A CN111797939 A CN 111797939A CN 202010697693 A CN202010697693 A CN 202010697693A CN 111797939 A CN111797939 A CN 111797939A
Authority
CN
China
Prior art keywords
data set
image
intelligent
layer
wavelet
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.)
Pending
Application number
CN202010697693.XA
Other languages
English (en)
Inventor
王新强
张彤
邵荣强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Binhai Xunteng Technology Group Co ltd
Tianjin Sino German University of Applied Sciences
Original Assignee
Tianjin Binhai Xunteng Technology Group Co ltd
Tianjin Sino German University of Applied Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Binhai Xunteng Technology Group Co ltd, Tianjin Sino German University of Applied Sciences filed Critical Tianjin Binhai Xunteng Technology Group Co ltd
Priority to CN202010697693.XA priority Critical patent/CN111797939A/zh
Publication of CN111797939A publication Critical patent/CN111797939A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30176—Document

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于小波分析的无人图书馆深度学习智能识别系统与方法，该系统包括智能学习终端和后台服务器；所述智能学习终端和后台服务器通过API接口通信；使用深度学习TensorFlow框架结合卷积神经网络和OpenCV框架实现对封面信息识别，将成功训练的模型使用迁移算法进行应用，实现对书脊信息的识别，避免依赖传统的RFID标签和条形码标签，降低了成本，无需人工操作，自动化程度高，能够做到精确识别，准确率高。

Description

基于小波分析的无人图书馆深度学习智能识别系统与方法
技术领域
本发明涉及智能识别技术领域，特别涉及一种基于小波分析的无人图书馆深度学习智能识别系统与方法。
背景技术
图书馆的管理主要包括日常图书盘点和借还办理，目前图书馆管理方式主要为：RFID 无线射频识别技术和条形码技术，该设计通过在每本书上粘贴一个RFID标签，RFID标签成本在0.5元一个，管理成本比较昂贵。另一种采用条形码实现对书籍的管理，条形码必须使用胶布对条形码进行保护，防止潮湿空气或机械损伤，浪费大量的人力物力。
另外，条形码图书管理效率较低，适用于图书较少场景，环境影响大，当出现条形码缺失情况下，图书管理手续会很复杂容易出错。
RFID图书管理需要较大的成本，利用率不高，更换成本较大，而且RFID容易出现识别错误，图书序号出错、图书错位，图书遗漏等问题。
因此，传统的图书馆图书管理模式落后，找书困难，借还手续繁琐；人工图书馆管理在搜集、查找、借阅资料方面不仅速度慢而且出错率高，已经不能满足现代社会快速发展的要求。
发明内容
本发明的目的旨在至少解决所述的技术缺陷之一。
为此，本发明的一个目的在于提出一种基于小波分析的无人图书馆深度学习智能识别系统与方法。采用深度学习结合图像识别技术，通过封面进行识别和迁移学习，进而识别书脊信息。有效解决找书困难、借还手续繁琐，成本昂贵一系列问题，有效提升了图书馆管理效率，图书馆可自动完成书籍管理工作。
为了实现上述目的，本发明提供一种基于小波分析的无人图书馆深度学习智能识别方法，包括以下步骤：
S1，获取数据集，所述数据集包括全图书馆录入的馆藏图书封面信息或爬取的全球图书的封面信息；
S2，对数据集进行预处理，形成特征工程，对数据集进行相似性度量、探索性分析、数据归一化、异常值处理和缺失值处理操作；
S3、在TensorFlow框架下，采用卷积神经网络结合小波函数构建深度学习智能识别模型，利用处理后的数据集对构建好的识别模型进行训练；
S4、将训练好的识别模型进行迁移，利用移动设备获取书脊图像，将所述书脊图像输出
优选的，在S1中，获取数据集后，在数据集中分类出训练子集和测试子集；对获取的封面信息添加标签；所述标签包括关键字、类别、出版时间；所述关键字包括图书名称、出版社、作者。
在上述任意一项实施例中优选的，在S3中，在构建的深度学习智能识别模型包括
第一层，小波分析层，所述小波分层用于将图像分解为高频部与低频部，对高频部和低频部的系数进行求解，利用求解结果将图像进行重构；
第二层，卷积层，所述卷积层用于对重构后的图像初步提取图像特征；
第三层，池化层，所述池化层用于对卷积层中提取的图像特征进一步提取主要特征；
第四层，全连接层，所述全连接层用于将各部分特征汇总产生分类器，利用分类器进行识别。
在上述任意一项实施例中优选的，在所述小波分析层中，采用如下小波函数对图像进行分解：
Figure BDA0002591821220000021
Figure BDA0002591821220000022
其中，fk(x,y)为尺度函数，
Figure BDA0002591821220000023
为小波函数，Ck；n,m、
Figure BDA0002591821220000024
分别是尺度函数和小波函数的系数，
Figure BDA0002591821220000025
为尺度基，φi(2kx-n,2ky-m),i＝1,2,3为小波基。
在上述任意一项实施例中优选的，在S3和S4之间还包括，根据识别模型在遍历训练过程中过拟合、欠拟合过程影响类参数和子模型影响类参数对训练效果的影响，进行调参；
在上述任意一项实施例中优选的，在S5中，在遍历训练过程中采用TensorBoard汇总标量来衡量总体损失和准确性。
本发明还提供一种基于小波分析的无人图书馆深度学习智能识别系统，包括智能学习终端和后台服务器；
所述后台服务器用于获取并存储数据集，所述数据集包括全图书馆录入的馆藏图书封面信息或爬取的全球图书的封面信息；并对对数据集进行预处理，形成特征工程，对数据集进行相似性度量、探索性分析、数据归一化、异常值处理和缺失值处理操作；
在TensorFlow框架下，采用卷积神经网络结合小波函数构建深度学习智能识别模型，利用处理后的数据集对构建好的识别模型进行训练；
将训练好的识别模型进行迁移，利用移动设备获取书脊图像，将所述书脊图像输入迁移后的识别模型中，实现对书脊信息的识别；
所述智能学习终端包括机身和仿书籍形状的摄像头；所述机身内设有控制系统，所述控制系统中搭建所述迁移学习模型，所述仿书籍形状的摄像头用于获取书脊信息，并将所获取的书脊信息发送至控制系统，所述控制系统通过迁移学习模型实现对书脊信息的识别。
在上述任意一项实施例中优选的，所述智能学习终端和后台服务器通过API接口通信；所述控制系统将识别结果通过API接口发送至后台服务器，实现对全馆图书的盘点。
在上述任意一项实施例中优选的，在所述智能学习终端，还包括带驱动轮的底座，所述控制系统中预设规划路径，通过执行规划路径控制驱动轮，对书架上的书籍逐步进行扫描。
本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述智能识别方法的步骤。
根据本发明实施例提供的一种基于小波分析的无人图书馆深度学习智能识别系统与方法，相比于现有技术至少具有以下优点：
1、使用深度学习TensorFlow框架结合卷积神经网络和OpenCv框架实现对封面信息识别，将成功训练的模型使用迁移算法进行应用，实现对书脊信息的识别，避免依赖传统的RFID标签和条形码标签，降低了成本，无需人工操作，自动化程度高，能够做到精确识别，准确率高。
2、只需在书籍入库后，在规定路线进行自动巡检对书架的多层图书进行扫描检测，可以每小时扫描监测2.5万册图书，并开发了相应的API接口，与原有的图书馆系统相连，在每次图书馆关闭后，可以自动巡航，巡航一次即可盘点完一个中小型图书馆的一层，方便快捷。
3、采用小波分析，将图像分解为中间位置的低频部分和边缘位置的高频部分，通过对高频部分的单独处理，能避免在识别书脊信息时，由于书的厚度、光线遮挡等问题造成的图像干扰，同事也能有效的降低运动过程中，图像重影信息对识别造成的影响，图像更清晰，信息识别更准确。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一种基于小波分析的无人图书馆深度学习智能识别方法的流程图；
图2(a)为本发明一种基于小波分析的无人图书馆深度学习智能识别方法中小波分析前图像特征化处理图；
图2(b)为本发明一种基于小波分析的无人图书馆深度学习智能识别方法中小波处理后图像特征化处理图；
图3为本发明一种基于小波分析的无人图书馆深度学习智能识别方法的步骤S4中TensorBoard可视化神经网络模型层次图；
图4为本发明一种基于小波分析的无人图书馆深度学习智能识别方法的步骤S4中TensorBoard可视化训练模型误差和准确率分析图；
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1-4所示，本发明实施例的提供一种基于小波分析的无人图书馆深度学习智能识别方法，包括以下步骤：
S1，获取数据集，所述数据集包括全图书馆录入的馆藏图书封面信息或爬取的全球图书的封面信息；在S1中，获取数据集后，在数据集中分类出训练子集和测试子集；对获取的封面信息添加标签；所述标签包括关键字、类别、出版时间；所述关键字包括图书名称、出版社、作者。
S2，对数据集进行预处理，形成特征工程，对数据集进行相似性度量、探索性分析、数据归一化、异常值处理和缺失值处理操作；
S3、在TensorFlow框架下，采用卷积神经网络结合小波函数构建深度学习智能识别模型，利用处理后的数据集对构建好的识别模型进行训练；
在S3中，在S3中，在构建的深度学习智能识别模型包括
第一层，小波分析层，所述小波分层用于将图像分解为高频部与低频部，对高频部和低频部的系数进行求解，利用求解结果将图像进行重构；
第二层，卷积层，所述卷积层用于对重构后的图像初步提取图像特征；
第三层，池化层，所述池化层用于对卷积层中提取的图像特征进一步提取主要特征；
第四层，全连接层，所述全连接层用于将各部分特征汇总产生分类器，利用分类器进行识别。
在小波分析层中，小波分析的原理推导如下所示：
设{Vk}为多分辨率分析,为Vk关于Vk+1的补空间。图像为f(x,y),f(x,y)∈L2(R2),fN(x.y)是 f(x,y)在空间VN中的投影。对fe(x,y)∈Vk与gr(x,y)∈Wx,有fk+1(x,y)＝fk(x,y)+gk(x,y)。而 gk(x,y)∈Wk还可进一步分解为：
Figure BDA0002591821220000051
设{al,j},
Figure BDA0002591821220000052
是由两个一元分解序列生成的二元分解序列：
Figure BDA0002591821220000053
Figure BDA0002591821220000054
因为fk(x,y)∈Vk，fk(x,y)∈Vk，而
Figure 1
分别是空间Vk与Wk的Riesz基，故fk(x,y)∈Vk,gk(x,y)∈Wk可以写为：
Figure BDA0002591821220000056
Figure BDA0002591821220000057
其中，fk(x,y)为尺度函数，
Figure BDA0002591821220000058
为小波函数，Ck；n,m、
Figure BDA0002591821220000059
分别是尺度函数和小波函数的系数，
Figure BDA00025918212200000510
为尺度基，φi(2kx-n,2ky-m),i＝1,2,3为小波基。
所以本项目中图像分解算法为：
Figure BDA00025918212200000511
Figure BDA00025918212200000512
由此可见使用上述小波分析，能将图像的边缘进行降噪处理，避免边缘噪声对数据集的影响，这对书脊信息识别是非常必要的，由于书籍薄厚不一，书脊的边缘在图像处理过程中容易形成比较尖锐的畸变信号，因而影响对整个数据集的分析。图2(a)和图2(b) 分别是对书脊信息小波过滤前后的对比图。小波变换将一幅图像分解为大小、位置、方向均不相同的分量，图像经二维小波分解后，轮廓主要体现在低频部分，细节主要体现在高频部分。由于机械手抓取图书时需要知道的是每本书的厚度，因此在做图像识别时应更多关注书脊的外部轮廓而非书脊上的文字细节信息。这可以通过对图像做小波增强处理来实现，本系统的做法是：对书脊图像进行两层分解，对分解系数进行处理，即使低频分解系数增强以突出轮廓，高频分解系数衰减以弱化细节，再对处理后的系数进行小波重构，最终得到轮廓增强的图像。
S4、根据训练模型在遍历训练过程中过拟合、欠拟合过程影响类参数和子模型影响类参数对训练效果的影响，进行调参；在S4中，在遍历训练过程中采用tensorboard汇总标量来衡量总体损失和准确性。
在本发明的一个实施例中，训练神经网络模型时。使用TensorFlow框架结合卷积神经网络对全球图书数据集进行模型训练。训练过程中建立特征工程和神经网络调参优化需要大量的测调和评估。神经网络模型结构和训练过程如图3和图4所示。
S5、将训练好的识别模型进行迁移，利用移动设备获取书脊图像，将所述书脊图像输入迁移后的识别模型中，实现对书脊信息的识别。
本发明还提供一种基于小波分析的无人图书馆深度学习智能识别系统，该智能识别系统用于执行如上述智能识别方法的步骤，包括智能学习终端和后台服务器；
所述后台服务器用于存储数据集，所述数据集包括全图书馆录入的馆藏图书封面信息或爬取的全球图书的封面信息；并对对数据集进行预处理，形成特征工程，对数据集进行相似性度量、探索性分析、数据归一化、异常值处理和缺失值处理操作；
采用使用TensorFlow框架，利用小波函数构建卷积神经网络，并将卷积结果进行池化，得到神经网络的训练模型，利用训练模型对数据集进行训练；
根据训练模型在遍历训练过程中过拟合、欠拟合过程影响类参数和子模型影响类参数对训练效果的影响，进行调参；将训练模型进行迁移，结合获取的书脊图像，调整参数得到迁移学习模型；
所述智能学习终端包括机身和仿书籍形状的摄像头；所述机身内设有控制系统，所述控制系统中搭建所述迁移学习模型，所述仿书籍形状的摄像头用于获取书脊信息，并将所获取的书脊信息发送至控制系统，所述控制系统通过迁移学习模型实现对书脊信息的识别，
所述智能学习终端和后台服务器通过API接口通信；所述控制系统将识别结果通过API 接口发送至后台服务器，实现对全馆图书的盘点。
进一步，在所述智能学习终端，还包括带驱动轮的底座，所述控制系统中预设规划路径，通过执行规划路径控制驱动轮，对书架上的书籍逐步进行扫描。
进一步，所述后台服务器在获取数据集后，在数据集中分类出训练子集和测试子集；对获取的封面信息添加标签；所述标签包括关键字、类别、出版时间；所述关键字包括图书名称、出版社、作者。
所述后台服务器在遍历训练过程中采用tensorboard汇总标量来衡量总体损失和准确性。
在构建的深度学习智能识别模型包括
第一层，小波分析层，所述小波分层用于将图像分解为高频部与低频部，对高频部和低频部的系数进行求解，利用求解结果将图像进行重构；
第二层，卷积层，所述卷积层用于对重构后的图像初步提取图像特征；
第三层，池化层，所述池化层用于对卷积层中提取的图像特征进一步提取主要特征；
第四层，全连接层，所述全连接层用于将各部分特征汇总产生分类器，利用分类器进行识别。
在所述小波分析层中，采用如下小波函数对图像进行分解：
Figure BDA0002591821220000071
Figure BDA0002591821220000072
其中，fk(x,y)为尺度函数，
Figure BDA0002591821220000073
为小波函数，Ck；n,m、
Figure BDA0002591821220000074
分别是尺度函数和小波函数的系数，
Figure BDA0002591821220000075
为尺度基，φi(2kx-n,2ky-m),i＝1,2,3为小波基。
在本发明的实施例中，只需在书籍入库后，在规定路线进行自动巡检对书架的多层图书进行扫描检测，可以每小时扫描监测2.5万册图书，并开发了相应的API接口，与原有的图书馆系统相连，在每次图书馆关闭后，可以自动巡航，巡航一次即可盘点完一个中小型图书馆的一层，方便快捷。采用小波分析，能有效的滤除运动过程中采集图像的噪声，图像更清晰，信息识别更准确。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。

Claims (10)

1.一种基于小波分析的无人图书馆深度学习智能识别方法，其特征在于，包括以下步骤：
S1，获取数据集，所述数据集包括全图书馆录入的馆藏图书封面信息或爬取的全球图书的封面信息；
S2，对数据集进行预处理，形成特征工程，对数据集进行相似性度量、探索性分析、数据归一化、异常值处理和缺失值处理操作；
S3、在TensorFlow框架下，采用卷积神经网络结合小波函数构建深度学习智能识别模型，利用处理后的数据集对构建好的识别模型进行训练；
S4、将训练好的识别模型进行迁移，利用移动设备获取书脊图像，将所述书脊图像输入迁移后的识别模型中，实现对书脊信息的识别。
2.根据权利要求1所述的识别方法，其特征在于，在S1中，获取数据集后，在数据集中分类出训练子集和测试子集；对获取的封面信息添加标签；所述标签包括关键字、类别、出版时间；所述关键字包括图书名称、出版社、作者。
3.根据权利要求1所述的识别方法，其特征在于，在S3中，在构建的深度学习智能识别模型包括
第一层，小波分析层，所述小波分层用于将图像分解为高频部与低频部，对高频部和低频部的系数进行求解，利用求解结果将图像进行重构；
第二层，卷积层，所述卷积层用于对重构后的图像初步提取图像特征；
第三层，池化层，所述池化层用于对卷积层中提取的图像特征进一步提取主要特征；
第四层，全连接层，所述全连接层用于将各部分特征汇总产生分类器，利用分类器进行识别。
4.根据权利要求3所述的识别方法，其特征在于，在所述小波分析层中，采用如下小波函数对图像进行分解：
Figure FDA0002591821210000011
Figure FDA0002591821210000012
其中，fk(x,y)为尺度函数，
Figure FDA0002591821210000013
为小波函数，Ck；n,m、
Figure FDA0002591821210000014
分别是尺度函数和小波函数的系数，
Figure FDA0002591821210000015
为尺度基，φi(2kx-n,2ky-m),i＝1,2,3为小波基。
5.根据权利要求1所述的识别方法，其特征在于，在S3和S4之间还包括，根据识别模型在遍历训练过程中过拟合、欠拟合过程影响类参数和子模型影响类参数对训练效果的影响，进行调参。
6.根据权利要求1所述的识别方法，其特征在于，在S5中，在遍历训练过程中采用TensorBoard汇总标量来衡量总体损失和准确性。
7.一种基于小波分析的无人图书馆深度学习智能识别系统，其特征在于，包括智能学习终端和后台服务器；
所述后台服务器用于获取并存储数据集，所述数据集包括全图书馆录入的馆藏图书封面信息或爬取的全球图书的封面信息；并对对数据集进行预处理，形成特征工程，对数据集进行相似性度量、探索性分析、数据归一化、异常值处理和缺失值处理操作；
在TensorFlow框架下，采用卷积神经网络结合小波函数构建深度学习智能识别模型，利用处理后的数据集对构建好的识别模型进行训练；
将训练好的识别模型进行迁移，利用移动设备获取书脊图像，将所述书脊图像输入迁移后的识别模型中，实现对书脊信息的识别；
所述智能学习终端包括机身和仿书籍形状的摄像头；所述机身内设有控制系统，所述控制系统中搭建所述迁移学习模型，所述仿书籍形状的摄像头用于获取书脊信息，并将所获取的书脊信息发送至控制系统，所述控制系统通过迁移学习模型实现对书脊信息的识别。
8.根据权利要求7所述的智能识别系统，其特征在于，所述智能学习终端和后台服务器通过API接口通信；所述控制系统将识别结果通过API接口发送至后台服务器，实现对全馆图书的盘点。
9.根据权利要求7所述的智能识别系统，其特征在于，在所述智能学习终端，还包括带驱动轮的底座，所述控制系统中预设规划路径，通过执行规划路径控制驱动轮，对书架上的书籍逐步进行扫描。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述智能识别方法的步骤。
CN202010697693.XA 2020-07-20 2020-07-20 基于小波分析的无人图书馆深度学习智能识别系统与方法 Pending CN111797939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010697693.XA CN111797939A (zh) 2020-07-20 2020-07-20 基于小波分析的无人图书馆深度学习智能识别系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010697693.XA CN111797939A (zh) 2020-07-20 2020-07-20 基于小波分析的无人图书馆深度学习智能识别系统与方法

Publications (1)

Publication Number Publication Date
CN111797939A true CN111797939A (zh) 2020-10-20

Family

ID=72807947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010697693.XA Pending CN111797939A (zh) 2020-07-20 2020-07-20 基于小波分析的无人图书馆深度学习智能识别系统与方法

Country Status (1)

Country Link
CN (1) CN111797939A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686157A (zh) * 2020-12-30 2021-04-20 上海书山智能科技有限公司 一种基于深度学习的图书定位和识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106556940A (zh) * 2016-11-10 2017-04-05 武汉精测电子技术股份有限公司 一种tft‑lcd屏自动光学检测中的背景抑制方法
CN108898155A (zh) * 2018-05-18 2018-11-27 浙江工业大学 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法
CN110909743A (zh) * 2019-11-25 2020-03-24 章志亮 图书盘点方法及图书盘点系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106556940A (zh) * 2016-11-10 2017-04-05 武汉精测电子技术股份有限公司 一种tft‑lcd屏自动光学检测中的背景抑制方法
CN108898155A (zh) * 2018-05-18 2018-11-27 浙江工业大学 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法
CN110909743A (zh) * 2019-11-25 2020-03-24 章志亮 图书盘点方法及图书盘点系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
方建军等: "基于小波分析和概率Hough变换的书脊视觉识别", 《计算机工程与科学》 *
李俊男: "基于深度学习的图书馆架序智能识别系统研究与设计", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
罗忠亮: "小波分析在医学超声图像去噪和增强中的应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
陈少平: "基于机器视觉的零件表面缺陷检测", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686157A (zh) * 2020-12-30 2021-04-20 上海书山智能科技有限公司 一种基于深度学习的图书定位和识别方法

Similar Documents

Publication Publication Date Title
CN111476292B (zh) 医学图像分类处理人工智能的小样本元学习训练方法
CN110321910B (zh) 面向点云的特征提取方法、装置及设备
CN106845510B (zh) 基于深度层级特征融合的中国传统视觉文化符号识别方法
CN106971152B (zh) 一种基于航拍图像的检测输电线路中鸟巢的方法
US8200025B2 (en) Image classification and search
Lategahn et al. Texture classification by modeling joint distributions of local patterns with Gaussian mixtures
CN110866564B (zh) 多重半监督图像的季节分类方法、系统、电子设备和介质
CN111368658B (zh) 一种自主航行中智能船舶外部目标的自动检测方法及系统
Giveki et al. A new content based image retrieval model based on wavelet transform
CN109710788A (zh) 图像样本标注和管理方法及设备
CN109492610B (zh) 一种行人重识别方法、装置及可读存储介质
CN114677646A (zh) 一种基于Vision Transformer的跨域行人重识别方法
CN111126361A (zh) 基于半监督学习和特征约束的sar目标鉴别方法
CN115147632A (zh) 基于密度峰值聚类算法的图像类别自动标注方法及装置
CN116664944A (zh) 一种基于属性特征知识图谱的葡萄园害虫识别方法
CN112232374A (zh) 基于深度特征聚类和语义度量的不相关标签过滤方法
Ying et al. Tyre pattern image retrieval–current status and challenges
Alfarraj et al. Multiresolution analysis and learning for computational seismic interpretation
CN111797939A (zh) 基于小波分析的无人图书馆深度学习智能识别系统与方法
Vaishali et al. Enhanced copy-move forgery detection using deep convolutional neural network (DCNN) employing the ResNet-101 transfer learning model
CN117422936A (zh) 一种遥感图像分类方法及系统
Oja Self-organizing maps and computer vision
CN111950556A (zh) 一种基于深度学习的号牌印刷质量检测方法
CN116863247A (zh) 一种融合全局和局部信息的多模态遥感数据分类方法
CN113158878B (zh) 一种基于子空间的异构迁移故障诊断方法、系统和模型

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201020