CN111899254A - 基于半监督学习自动标注工业产品外观缺陷图像的方法 - Google Patents
基于半监督学习自动标注工业产品外观缺陷图像的方法 Download PDFInfo
- Publication number
- CN111899254A CN111899254A CN202010804831.XA CN202010804831A CN111899254A CN 111899254 A CN111899254 A CN 111899254A CN 202010804831 A CN202010804831 A CN 202010804831A CN 111899254 A CN111899254 A CN 111899254A
- Authority
- CN
- China
- Prior art keywords
- data
- label data
- labeling
- label
- pseudo
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于半监督学习自动标注工业产品外观缺陷图像的方法,包括下列步骤:(a)采集产品外观缺陷图像构建数据集;(b)分离数据集中的已知标签数据图像和未知标签数据图像,使用已知标签数据图像构建训练集;(c)构建深度卷积神经网络分类模型并在已知标签训练集上训练,学习缺陷的深度特征;(d)训练过的深度卷积网络分类模型作为自动标注模型对未知标签数据进行标注,为其打上伪标签;(e)从伪标签数据中抽取预定量的数据并入已知标签数据构成的训练集中,组成新的训练集;(f)使用新训练集继续训练自动标注模型,训练后的模型对并入训练集中的伪标签数据进行重新标注,将其转换为新的已知标签数据;(g)重复步骤(e)和步骤(f)直至将伪标签数据全部标注为已知标签数据。本发明具有纹理特征、小波特征等更抽象,鲁棒性更好;对未知标签数据能进行自动标注,以及高效、准确,可以极大地降低人工标注成本的优点。
Description
技术领域
本发明属于机器视觉检测技术领域,更具体地,涉及一种基于半监督学习自动标注工业产品外观缺陷图像的方法。
背景技术
随着市场消费不断升级,3C、家电等行业相关产品需求急剧增加,同时也对其生产质量要求不断提高,尤其对外观质量要求格外突出,规模化、高精密工业产品的外观缺陷检测已成为当前产业内的显著问题之一。目前,基于机器视觉的缺陷图像检测已逐步取代人工视检成为主流的工业产品零部件外观检测方法,但是机器视觉检测方法需要预先使用大量已标注的零部件外观图像训练缺陷检测模型,待模型达到一定精度后才能部署到实际生产的检测流程中执行外观缺陷检测任务。因此,亟需零部件外观缺陷图像的自动标注方法来替代当前高成本、低效率的人工标注,进而保证生产效率与质量。
现有的图像自动标注技术以监督模型为主,基于人工构造图像的小波特征、纹理特征、轮辐特征等底层统计特征,分析图像在特征空间的相似性,对已有标签数据构建标注模型,再通过该模型直接对未知标签图像进行分类标注。但是工业产品的外观缺陷图像具有缺陷不明显、光学噪声大的特性以及缺陷类别图像不平衡等,因此现有图像自动标注技术并不能保证未知数据标注的准确性,无法有效取代人工图像标注过程。
发明内容
针对现有技术的不足或改进需求,本发明提供了一种基于半监督学习自动标注工业产品外观缺陷图像的方法,该方法对已有标签的数据构建深度特征与分类模型,然后通过实施多阶段半监督学习的方法逐步将未知标签数据与已有标签进行混合训练,最终实现工业产品产品缺陷图像的自动标注模型。
为实现上述目的,按照本发明,提供了一种基于半监督学习自动标注工业产品外观缺陷图像的方法,该方法包括下列步骤:
(a)采集产品外观缺陷图像构建数据集,数据集中每类缺陷图像必须保证有预定比例的已知标签数据图像;
(b)分离数据集中的已知标签数据图像和未知标签数据图像,使用已知标签数据图像构建训练集;
(c)构建深度卷积神经网络分类模型并在已知标签训练集上训练,学习缺陷的深度特征;
(d)训练过的深度卷积网络分类模型作为自动标注模型对未知标签数据进行标注,为其打上伪标签;
(e)从伪标签数据中抽取预定量的数据并入已知标签数据构成的训练集中,组成新的训练集;
(f)使用新训练集继续训练自动标注模型,训练后的模型对并入训练集中的伪标签数据进行重新标注,将其转换为新的已知标签数据;
(g)重复步骤(e)和步骤(f)直至将伪标签数据全部标注为已知标签数据,由此基于深度特征和多阶段半监督学习过程实现未知标签数据的自动标注。
进一步优选地,在步骤(a)中,数据集的构建过程包括下列步骤:
(a1)所述数据集由产品多种外观缺陷图像构成,每类缺陷的图像数量尽可能多和相近;
(a2)所述数据集中,对每类缺陷的图像进行预定量的人工标注,经过人工标注的图像占数据集图像总量的10%以上。
进一步优选地,在步骤(c)中,所述深度卷积神经网络分类包括卷积网络部分和全连接类别预测部分,所述卷积网络部分用于学习缺陷的深度特征,所述全连接类别预测部分用于分类,即生成数据标签。
进一步优选地,所述深度卷积神经网络分类模型采用随机梯度下降或批量随机梯度下降算法训练。
进一步优选地,所述伪标签是使用已知标签数据训练过的自动标注模型对未知标签数据进行预测标注的标签。
进一步优选地,步骤(e)中,新训练集构建包括下列步骤:
(e1)从所述伪标签数据中,随机抽样出部分伪标签数据;
(e2)抽样出伪标签数据量与已知标签数据量比例应该在大于0.2以及小于0.5的范围内;
(e3)将所述抽样出的伪标签数据加入到已知标签数据中组成新训练集。
进一步优选地,所述新的已知标签数据是将抽样出的伪标签数据通过再训练后的模型进行重新标注得到。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明通过深度卷积神经网络分类模型对外观缺陷图像进行深度特征提取、学习,并对外观缺陷图像进行标签预测,深度特征相比于人工构造的纹理特征、小波特征等更抽象,鲁棒性更好;
2、本发明通过生成伪标签和随机抽样过程,分步训练深度卷积神经网络分类模型,实现的多阶段半监督学习,逐步提升模型对缺陷特征构建的准确度,同时对未知标签数据进行自动标注。
3、本方法提供的自动标注方法整个过程高效、准确,可以极大地降低人工标注成本,有利于大数据集的建立。
附图说明
图1是按照本发明的优选实施例所构建的获取注塑制品类型的方法流程图。
图2是本发明的自动标注准确度结果示例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是按照本发明的优选实施例,所构建的基于半监督学习自动标注工业产品外观缺陷图像的方法流程图,如图1所示,为实现上述目的,本发明通过下述技术方案实现,其包括如下步骤:
1)构建工业产品外观缺陷图像数据集,数据集必须保证每个缺陷类别的图像中有已知标签数据图像;
2)使用已知标签图像数据单独构建初始训练集;
3)搭建深度卷积神经网络模型,所述网络模型利用叠加卷积层进行外观缺陷图像的深度特征提取并使用全连接层对训练集图像进行缺陷类别概率预测;
4)使用初始训练集步骤3)中搭建的模型进行训练,得到初始的自动标注模型,此时模型通过已知标签数据构建了各缺陷类别的初始深度特征;
5)使用步骤4)获得的模型对数据集中的未知标签数据进行缺陷类别预测即标注,将未知标签数据的模型预测值作为其伪标签;
6)从伪标签数据中抽样一部分数据,并入到初始训练集中得到新训练集;
7)使用步骤6)中得到的数据集重新训练步骤4)中得到的模型,获得深度特征更新后的标注模型;
8)使用步骤7)中的模型对步骤6)中抽取的伪标签数据进行重新标注,此时抽取的伪标签数据获得高置信度的自动标注标签,这部分数据可视为已知标签数据;
9)重复步骤6)至步骤8)直到所有未知标签数据通过模型自动标注为已知标签数据。
步骤1)中数据集,进行人工标注使每个缺陷类别图像的已知标签数据和未知标签数据图像的比例在1:10,即每个缺陷类别图像中有10%的图像具有标签。
步骤1)中已知标签数据的标注来源于人工标注以保证高可信度。
步骤2)中已知标签数据单独构建的初始训练集,用集合表示为:
步骤3)中深度卷积神经网络模型用H表示,其包括:卷积网络部分的深度、卷积核大小可以由使用者根据工业产品外观缺陷的标注难易程度合理设置,最终用于预测标签的全连接层中神经元个数则根据数据集中的实际缺陷种类确定,卷积网络部分也可以直接采用应用广泛的AlexNet、ResNet、DenseNet等经典网络结构。
步骤3)中深度卷积神经网络模型用于反向传播训练的损失函数L定义如下:
其中n为训练集中的已知标签数据量,m为训练集中的伪标签数据量,K为缺陷种类,损失函数分别计算两类数据的交叉熵。
步骤3)中深度卷积网络模型H,给出输入图像可能属于各类缺陷的概率,将概率最高的缺陷类作为输出的标签。
步骤4)中初始训练集D中只存在已知标签数据不存在伪标签数据,因此训练过程中损失函数计算时后半部分为0。
步骤4)中深度卷积网络模型训练可采用学习算法包括随机梯度下降法或者小批量随机梯度下降算法对模型的权重参数进行更新。通过在训练集上充分训练,卷积网络部分能够学习到各类缺陷线图像的特征表示。初始深度特征的构建是在高可信度已知标签数据下构建的,因此能够确保模型学习到的缺陷特征是正确且有效的。
步骤5)中使用步骤4)中训练后的模型对未知标签数据进行标注,将数据集中所有未知标签数据转换为伪标签数据:
yP=max(H(xP))
步骤6)中使用随机抽样的方式从伪标签数据中抽取m数量的伪标签数据,并入到训练集中,此时训练集更新为:
步骤6)中抽取的伪标签数据量m和已知标签数据量n的比例应当位于以下范围内:
步骤7)中模型在新训练集继续训练,此时损失函数后半部分不为0。由于已知标签数据量n大于伪标签数据量m,保证了损失函数前半部分在损失值中占主导地位,因此模型继续训练不会为了拟合伪标签数据而使深度特征完全改变,而是通过已有深度特征去识别伪标签数据中标注正确的部分,同时也进一步更新和泛化模型学习的深度特征。
步骤8)重新标注的具体过程为:将训练集中的伪标签数据部分输入步骤7)更新后的模型中,获得该部分伪标签数据的新标注。
步骤8)重新标注后,已知标签数据部分增加:
n←n+m
本发明采用已有标签数据的深度特征构建自动标注模型的基础,其次通过多阶段的半监督学习过程将未知标签数据进行逐步标注。本发明构建的深度特征相比于人工构造的特征,适应性更强,同时在半监督过程中逐步更新与泛化,是一种高效、高准确率的自动标注模型。
为模拟基于深度特征的半监督学习过程,本发明使用空调外壳缺陷图像数据集。数据集中共有4类缺陷,每类缺陷有300张。使用此数据集,分别保留每类10%的图像保留标签,剩余图像隐藏标签,训练本方法的自动标注模型。
图2给出了本发明方法对隐藏了标签的90%数据图像标注结果与此部分图像真实标签准确度结果。
Claims (7)
1.一种基于半监督学习自动标注工业产品外观缺陷图像的方法,其特征在于,包括下列步骤:
(a)采集产品外观缺陷图像构建数据集,数据集中每类缺陷图像必须保证有预定比例的已知标签数据图像;
(b)分离数据集中的已知标签数据图像和未知标签数据图像,使用已知标签数据图像构建训练集;
(c)构建深度卷积神经网络分类模型并在已知标签训练集上训练,学习缺陷的深度特征;
(d)训练过的深度卷积网络分类模型作为自动标注模型对未知标签数据进行标注,为其打上伪标签;
(e)从伪标签数据中抽取预定量的数据并入已知标签数据构成的训练集中,组成新的训练集;
(f)使用新训练集继续训练自动标注模型,训练后的模型对并入训练集中的伪标签数据进行重新标注,将其转换为新的已知标签数据;
(g)重复步骤(e)和步骤(f)直至将伪标签数据全部标注为已知标签数据,由此基于深度特征和多阶段半监督学习过程实现未知标签数据的自动标注。
2.根据权利要求1所述的基于半监督学习自动标注工业产品外观缺陷图像的方法,其特征在于:在步骤(a)中,数据集的构建过程包括下列步骤:
(a1)所述数据集由产品多种外观缺陷图像构成,每类缺陷的图像数量尽可能多和相近;
(a2)所述数据集中,对每类缺陷的图像进行预定量的人工标注,经过人工标注的图像占数据集图像总量的10%以上。
3.根据权利要求1或2所述的基于半监督学习自动标注工业产品外观缺陷图像的方法,其特征在于:在步骤(c)中,所述深度卷积神经网络分类包括卷积网络部分和全连接类别预测部分,所述卷积网络部分用于学习缺陷的深度特征,所述全连接类别预测部分用于分类,即生成数据标签。
4.根据权利要求1或2所述的基于半监督学习自动标注工业产品外观缺陷图像的方法,其特征在于:所述深度卷积神经网络分类模型采用随机梯度下降或批量随机梯度下降算法训练。
5.根据权利要求1或2所述的基于半监督学习自动标注工业产品外观缺陷图像的方法,其特征在于:所述伪标签是使用已知标签数据训练过的自动标注模型对未知标签数据进行预测标注的标签。
6.根据权利要求1或2所述的基于半监督学习自动标注工业产品外观缺陷图像的方法,其特征在于:步骤(e)中,新训练集构建包括下列步骤:
(e1)从所述伪标签数据中,随机抽样出部分伪标签数据;
(e2)抽样出伪标签数据量与已知标签数据量比例应该在大于0.2以及小于0.5的范围内;
(e3)将所述抽样出的伪标签数据加入到已知标签数据中组成新训练集。
7.根据权利要求1或2所述的基于半监督学习自动标注工业产品外观缺陷图像的方法,其特征在于:所述新的已知标签数据是将抽样出的伪标签数据通过再训练后的模型进行重新标注得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804831.XA CN111899254A (zh) | 2020-08-12 | 2020-08-12 | 基于半监督学习自动标注工业产品外观缺陷图像的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804831.XA CN111899254A (zh) | 2020-08-12 | 2020-08-12 | 基于半监督学习自动标注工业产品外观缺陷图像的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111899254A true CN111899254A (zh) | 2020-11-06 |
Family
ID=73228990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010804831.XA Pending CN111899254A (zh) | 2020-08-12 | 2020-08-12 | 基于半监督学习自动标注工业产品外观缺陷图像的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899254A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488160A (zh) * | 2020-11-16 | 2021-03-12 | 浙江新再灵科技股份有限公司 | 图像分类任务的模型训练方法 |
CN112598118A (zh) * | 2021-03-03 | 2021-04-02 | 成都晓多科技有限公司 | 有监督学习的标注异常处理方法、装置、存储介质及设备 |
CN112699945A (zh) * | 2020-12-31 | 2021-04-23 | 青岛海尔科技有限公司 | 数据标注方法及装置、存储介质及电子装置 |
CN112766323A (zh) * | 2020-12-30 | 2021-05-07 | 清华大学 | 一种影像识别方法和装置 |
CN112966772A (zh) * | 2021-03-23 | 2021-06-15 | 之江实验室 | 一种多人在线的图像半自动标注方法及系统 |
CN113095429A (zh) * | 2021-04-25 | 2021-07-09 | 南京大学 | 一种应对增量式新类图像数据的鲁棒弱监督分类方法 |
CN113160192A (zh) * | 2021-04-28 | 2021-07-23 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
CN113221627A (zh) * | 2021-03-08 | 2021-08-06 | 广州大学 | 一种人脸遗传特征分类数据集构建方法、系统、装置及介质 |
CN113239950A (zh) * | 2021-01-13 | 2021-08-10 | 深延科技(北京)有限公司 | 标注方法、装置、电子设备及存储介质 |
CN113570566A (zh) * | 2021-07-22 | 2021-10-29 | 深圳市人工智能与机器人研究院 | 一种产品外观缺陷发展性认知检测方法及相关装置 |
CN113945572A (zh) * | 2021-10-18 | 2022-01-18 | 郑州大学 | 一种基于机器学习的气缸套表面缺陷智能标注装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
CN110879881A (zh) * | 2019-11-15 | 2020-03-13 | 重庆邮电大学 | 基于特征组分层和半监督随机森林的鼠标轨迹识别方法 |
CN111125389A (zh) * | 2019-12-18 | 2020-05-08 | 创新奇智(合肥)科技有限公司 | 基于动态渐进式采样的数据分类清洗系统及清洗方法 |
-
2020
- 2020-08-12 CN CN202010804831.XA patent/CN111899254A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
CN110879881A (zh) * | 2019-11-15 | 2020-03-13 | 重庆邮电大学 | 基于特征组分层和半监督随机森林的鼠标轨迹识别方法 |
CN111125389A (zh) * | 2019-12-18 | 2020-05-08 | 创新奇智(合肥)科技有限公司 | 基于动态渐进式采样的数据分类清洗系统及清洗方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488160B (zh) * | 2020-11-16 | 2023-02-07 | 浙江新再灵科技股份有限公司 | 图像分类任务的模型训练方法 |
CN112488160A (zh) * | 2020-11-16 | 2021-03-12 | 浙江新再灵科技股份有限公司 | 图像分类任务的模型训练方法 |
CN112766323A (zh) * | 2020-12-30 | 2021-05-07 | 清华大学 | 一种影像识别方法和装置 |
CN112699945A (zh) * | 2020-12-31 | 2021-04-23 | 青岛海尔科技有限公司 | 数据标注方法及装置、存储介质及电子装置 |
CN112699945B (zh) * | 2020-12-31 | 2023-10-27 | 青岛海尔科技有限公司 | 数据标注方法及装置、存储介质及电子装置 |
CN113239950A (zh) * | 2021-01-13 | 2021-08-10 | 深延科技(北京)有限公司 | 标注方法、装置、电子设备及存储介质 |
CN112598118A (zh) * | 2021-03-03 | 2021-04-02 | 成都晓多科技有限公司 | 有监督学习的标注异常处理方法、装置、存储介质及设备 |
CN112598118B (zh) * | 2021-03-03 | 2021-06-25 | 成都晓多科技有限公司 | 有监督学习的标注异常处理方法、装置、存储介质及设备 |
CN113221627B (zh) * | 2021-03-08 | 2022-05-10 | 广州大学 | 一种人脸遗传特征分类数据集构建方法、系统、装置及介质 |
CN113221627A (zh) * | 2021-03-08 | 2021-08-06 | 广州大学 | 一种人脸遗传特征分类数据集构建方法、系统、装置及介质 |
CN112966772A (zh) * | 2021-03-23 | 2021-06-15 | 之江实验室 | 一种多人在线的图像半自动标注方法及系统 |
CN113095429A (zh) * | 2021-04-25 | 2021-07-09 | 南京大学 | 一种应对增量式新类图像数据的鲁棒弱监督分类方法 |
CN113160192A (zh) * | 2021-04-28 | 2021-07-23 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
CN113160192B (zh) * | 2021-04-28 | 2022-09-16 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
CN113570566A (zh) * | 2021-07-22 | 2021-10-29 | 深圳市人工智能与机器人研究院 | 一种产品外观缺陷发展性认知检测方法及相关装置 |
CN113570566B (zh) * | 2021-07-22 | 2024-03-19 | 深圳市人工智能与机器人研究院 | 一种产品外观缺陷发展性认知检测方法及相关装置 |
CN113945572A (zh) * | 2021-10-18 | 2022-01-18 | 郑州大学 | 一种基于机器学习的气缸套表面缺陷智能标注装置 |
CN113945572B (zh) * | 2021-10-18 | 2023-08-01 | 郑州大学 | 一种基于机器学习的气缸套表面缺陷智能标注装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899254A (zh) | 基于半监督学习自动标注工业产品外观缺陷图像的方法 | |
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN112069310B (zh) | 基于主动学习策略的文本分类方法及系统 | |
CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
CN112541508A (zh) | 果实分割识别方法及系统、果实采摘机器人 | |
CN108629370B (zh) | 一种基于深度置信网络的分类识别算法及装置 | |
CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
CN111401599A (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN108647772B (zh) | 一种用于边坡监测数据粗差剔除的方法 | |
CN116643989A (zh) | 一种采用图结构进行深层语义理解的缺陷预测方法 | |
CN111191823B (zh) | 一种基于深度学习的生产物流预测方法 | |
CN113255366A (zh) | 一种基于异构图神经网络的方面级文本情感分析方法 | |
CN116503118A (zh) | 一种基于分类选择强化预测模型的废旧家电价值评估系统 | |
CN116152554A (zh) | 基于知识引导的小样本图像识别系统 | |
CN114896228B (zh) | 基于过滤规则多级组合优化的工业数据流清洗模型和方法 | |
CN116258504A (zh) | 银行客户关系管理系统及其方法 | |
CN117648890B (zh) | 一种基于人工智能的半导体器件建模方法及系统 | |
CN117611932B (zh) | 基于双重伪标签细化和样本重加权的图像分类方法及系统 | |
CN117911793B (zh) | 基于深度学习的海洋生物智能检测方法 | |
CN116610080B (zh) | 休闲椅的智能生产方法及其控制系统 | |
CN113821642B (zh) | 一种基于gan聚类的文本清洗方法及系统 | |
CN117648646B (zh) | 基于特征选择和堆叠异构集成学习的钻采成本预测方法 | |
Chu et al. | Pruned Broad Learning System Based on Sparse Ridge Fusion | |
Wang et al. | Multi-stage Feature Fusion Network for Edge Detection of Dunhuang Murals |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201106 |