CN111914902A - 一种基于深度神经网络的中药识别与表面缺陷检测方法 - Google Patents
一种基于深度神经网络的中药识别与表面缺陷检测方法 Download PDFInfo
- Publication number
- CN111914902A CN111914902A CN202010649550.1A CN202010649550A CN111914902A CN 111914902 A CN111914902 A CN 111914902A CN 202010649550 A CN202010649550 A CN 202010649550A CN 111914902 A CN111914902 A CN 111914902A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- traditional chinese
- chinese medicine
- training
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 51
- 239000003814 drug Substances 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 229940126680 traditional chinese medicines Drugs 0.000 claims abstract description 9
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims abstract description 4
- 238000013526 transfer learning Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000002790 cross-validation Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 235000006679 Mentha X verticillata Nutrition 0.000 claims 1
- 235000002899 Mentha suaveolens Nutrition 0.000 claims 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 244000274050 Platycodon grandiflorum Species 0.000 description 2
- 235000006753 Platycodon grandiflorum Nutrition 0.000 description 2
- 244000197580 Poria cocos Species 0.000 description 2
- 235000008599 Poria cocos Nutrition 0.000 description 2
- 235000006545 Ziziphus mauritiana Nutrition 0.000 description 2
- 244000126002 Ziziphus vulgaris Species 0.000 description 2
- 235000008529 Ziziphus vulgaris Nutrition 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 244000119308 Coleus amboinicus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Abstract
本发明涉及一种基于深度神经网络的中药识别与表面缺陷检测方法,包括:将两个基于ImageNet数据集完成训练的VGG‑16神经网络模型并列,去掉两VGG‑16神经网络模型末尾全连接层和softmax分类器后,加上池化层、空白的全连接层和空白的随机森林分类器,构建目标深度神经网络模型;收集各类中药图像形成数据集,采用比例分层随机抽样,将数据集分为训练集和测试集;将每一训练集图像划分为若干局部图像块输入目标深度神经网络模型中,进行迁移学习训练;将测试集图像输入训练好的目标深度神经网络模型中进行中药识别与表面缺陷检测,输出识别结果。本发明识别准确率更高,且采用小批量数据集作为输入,极大减少因中药种类繁多带来的数据收集难问题。
Description
技术领域
本发明属于图像检测技术领域,具体涉及一种基于深度神经网络的中药识别 与表面缺陷检测方法。
背景技术
当前,中药生产中的“净选”环节(即表面缺陷检测环节)依然需要人工完成, 原因在于:中药与工业化产品不同,不同类型的中药存在很大差异,即使同一类 中药也很难找到两个完全一样的形状特征(个体差异性大),导致中药表面的缺 陷特征差异性很大,传统的应用于工业产品的表面缺陷视觉检测算法很难获得良 好的检测效果。
现有技术中,中国专利CN201310244538.2公开了一种中药识别方法及其系 统,其采用显微图像,对显微图像进行去燥和分割处理,从而获得待识别中药的 显微特征图像,然后将显微特征图像在预设的中药显微特征图像库中进行匹配, 根据匹配的结果确定中药的品种。该方法局限于特定的显微图像,图像匹配的方 式泛化能力较弱,对于图像库中没有的图像很难获得识别,而中药的特征图像是 难以穷举的。
中国专利CN201811074722.6公开了一种基于卷积神经网络中药识别方法, 其将中药分为M层,卷积神经网络每层分类器与该层中药种类的数目相同且一 一对应,成熟的卷积神经网络中每一分类器具有与所在层所在种类对应的特征匹 配模型和下一层种类或中药名称对应的参考特征参数。将非参考中药图片输入卷 积神经网络中,多层分类器按照层次依据对应的特征匹配模型和参考特征参数对 非参考中药图片进行特征识别从而获取所述非参考中药图片的下一层类别或者 名称,将其输送至下一层对应类别的分类器中,直至通过第M层对应种类的分 类器识别非参考中药图片的名称。该识别方法理论上具有可行性,但是其泛化能 力和实用性较弱,以整张图片作为神经网络的输入,对于局部特征的学习较弱, 无法解决中药表面缺陷检测问题。
发明内容
本发明提出一种识别准确率高的基于深度神经网络的中药识别与表面缺陷 检测方法。
本发明所采用的技术方案为:
一种基于深度神经网络的中药识别与表面缺陷检测方法,包括如下步骤:
步骤1)、将两个基于ImageNet数据集完成训练的VGG-16神经网络模型 并列,去掉两VGG-16神经网络模型末尾全连接层和softmax分类器后,加上池 化层、空白的全连接层和空白的随机森林分类器,构建目标深度神经网络模型;
步骤2)、收集各类中药图像形成数据集,采用比例分层随机抽样,将数据 集分为训练集和测试集;将每一训练集图像划分为若干局部图像块输入目标深度 神经网络模型中,进行迁移学习训练,并保存训练好的目标深度神经网络模型;
步骤3)、将测试集图像输入训练好的目标深度神经网络模型中进行中药识 别与表面缺陷检测,输出识别结果。
进一步地,步骤2)中,从每一类中药图像中随机选取80%作为训练集,20% 作为测试集。
进一步地,步骤2)中,对于训练集T={Xm,m=1,…,M},相应标签为lm;每 个训练图像Xm被划分为一组局部图像块作为目标深度神经网络模型的基本训练 样本,定义为L(Xm)={Xmn,n=1,…,N},它们的标签继承自原始图像Xm;
目标深度神经网络模型的训练以最小化损失函数L(F)为目标:
公式(1)中,F表示神经网络参数,P(lm|Xm;F)表示局部图像块Xmn被神经 网络参数F正确分类为lm的概率;
随机森林分类器输出不同类别图像的概率,对于每个缺陷类,通过迭代地添 加图像块级的概率,得到一个热图。
进一步地,训练过程中,采用反向传播和随机梯度下降SGD,采用5倍交 叉验证,Batch设为20,epoch设为200,每个epoch迭代32次,学习率为0.0001。
进一步地,在热图生成过程中,局部图像块尺寸为h×w,步长为s,s值设 定为h/5乘以w/5;h×w的大小至少能涵盖缺陷区域。
进一步地,步骤2)还包括:在生成热图后,采用Otsu’s方法,对每个缺陷 类的热图进行二值化,Otsu’s方法是通过获得最小类内方差的最优阈值对图像进 行二值化的,Otsu’s方法的目标为:
公式(2)表示最小类内方差,T为训练集;热图图像像素采用G灰度直方图表示,gi为灰度i的归一化直方图值,L表示局 部图像块训练集;A和B无特别含义,仅用于区分;σ表示阀值,为阈 值以下像素的方差,为阈值以上像素的方差;
获得二值化图像后,采用Felzenswalb分割,对缺陷区域进行细化,从上述 阈值化步骤中去除小的、断开的片段,并连接大的潜在缺陷区域;
设G=(V,E)为无向图,其中,V为像素集,E为边缘集;
确定分割边界的谓词D,表达式为:
ST:e∈E且e∈T,MST表示所有ST中边权值之和最小者;τ(Ci)=k/|C|,C表 示分割区域,k为分割系数,k越大,分割结果的分量越大;由于每种缺陷类型 都会生成热图,分割结果后设置阈值σ,去除缺陷概率较低的预测区域,这样就 得到了最后的预测。
进一步地,阈值σ取值为0.8。
本发明的有益效果在于:
本发明提出的基于深度神经网络的中药识别与表面缺陷检测方法,将输入图 像划分为局部图像块作为输入进行训练,充分利用局部图像信息,随机森林分类 器可优化本发明的神经网络架构在小数据集上的性能。该基于小批量数据集作为 输入的迁移学习方法可极大减少深度学习对于样本的需求量,减少了因中药种类 繁多带来的数据收集难问题,同时,相比于其他的神经网络识别或自动识别方法, 在面对中药缺陷识别的难题时,具有更高的识别准确率。本发明训练好的深度神 经网络模型可放在云服务器中,用于可通过移动端安装的APP软件拍摄中药图 像上传至云端进行识别,识别结果可快速反馈至用户。
本发明具有较强的可行性和实用性。
附图说明
图1为本发明的基于深度神经网络的中药识别与表面缺陷检测方法的流程 框图;
图2为本发明中,目标深度神经网络模型的结构示意图;
图3为实施例中,真阳性率与假阳性率形成的ROC曲线图。
具体实施方式
下面结合附图和具体的实施例对本发明的基于深度神经网络的中药识别与 表面缺陷检测方法作进一步地详细说明。
如图1所示,一种基于深度神经网络的中药识别与表面缺陷检测方法,包括 如下步骤:
步骤1)、将两个基于ImageNet数据集完成训练的VGG-16神经网络模型 并列,去掉两VGG-16神经网络模型末尾全连接层和softmax分类器后,加上池 化层、空白的全连接层和空白的随机森林分类器,构建目标深度神经网络模型, 如图2所示。
步骤2)、收集各类中药图像形成数据集,采用比例分层随机抽样,将数据 集分为训练集和测试集。将每一训练集图像划分为若干局部图像块输入目标深度 神经网络模型中,进行迁移学习训练,并保存训练好的目标深度神经网络模型。
步骤2)中,从每一类中药图像中随机选取80%作为训练集,20%作为测试 集。
对于训练集T={Xm,m=1,…,M},相应标签为lm。每个训练图像Xm被划分为 一组局部图像块作为目标深度神经网络模型的基本训练样本,定义为 L(Xm)={Xmn,n=1,…,N},它们的标签继承自原始图像Xm。
目标深度神经网络模型的训练以最小化损失函数L(F)为目标:
公式(1)中,F表示神经网络参数,P(lm|Xm;F)表示局部图像块Xmn被神 经网络参数F正确分类为lm的概率。
训练过程中,采用反向传播和随机梯度下降SGD,采用5倍交叉验证,Batch 设为20,epoch设为200,每个epoch迭代32次,学习率为0.0001。
随机森林分类器输出不同类别图像的概率,对于每个缺陷类,通过迭代地添 加图像块级的概率,得到一个热图。在热图生成过程中,局部图像块尺寸为h×w, 步长为s,s值设定为h/5乘以w/5。h×w的大小至少能涵盖缺陷区域。
步骤2)还包括:在得到每个类的热图后,采用Otsu’s方法,对每个缺陷类 的热图进行二值化,Otsu’s方法是通过获得最小类内方差的最优阈值对图像进行 二值化的,Otsu’s方法的目标为:
公式(2)表示最小类内方差,T为训练集。热图图像像素采用G灰度直方图表示,gi为灰度i的归一化直方图值,L表示局 部图像块训练集。A和B无特别含义,仅用于区分。σ表示阀值,为阈 值以下像素的方差,为阈值以上像素的方差。
获得二值化图像后,采用Felzenswalb分割,对缺陷区域进行细化,从上述 阈值化步骤中去除小的、断开的片段,并连接大的潜在缺陷区域。
设G=(V,E)为无向图,其中,V为像素集,E为边缘集。
确定分割边界的谓词D,表达式为:
公式(3)中,Ci为分割的第i个区域,Cj为分割的第j个区域。good表示 合格,nogood表示不合格。 为vn和vm之 间的权值,vn表示n的权值,vm表示m的权值。 MInt(Ci,Cj)=min(Int(Ci)+τ(Ci),Int(Cj)+τ(Cj)),ST: e∈E且e∈T,MST表示所有ST中边权值之和最小者。τ(Ci)=k/|C|,C表示分 割区域,k为分割系数,k越大,分割结果的分量越大。由于每种缺陷类型都会 生成热图,分割结果后设置阈值σ,去除缺陷概率较低的预测区域,这样就得到 了最后的预测。本实施例中,阈值σ取值为0.8。
步骤3)、将测试集图像输入训练好的目标深度神经网络模型中进行中药识 别与表面缺陷检测,输出识别结果。
下面以具体的示例对本发明的基于深度神经网络的中药识别与表面缺陷检 测方法的效果进行说明。
中药缺陷图像数据采集于2019年02月20日至2019年06月20日,所涉及 的中药样品由盛实百草药业有限公司和安徽居山堂生态农业有限公司提供。数据 集包含人参、桔梗、茯苓、大枣四类中药,所有的样品经过药工分拣后标记。各 类中药的缺陷特征包括:附着物、病变、霉变、虫蛀、虫网,为了获得更好的识 别效果,增加了没有缺陷的中药图像数据。由于图片为多人采集而成,便营造了 图像背景、姿势和光照的差异性,存在模糊和缺失的图像从数据集中移除。最终 获得数据集共计13842张标记图像,具体数据如表1所示。
表1中药缺陷图像数据集
为验证本发明的深度神经网络模型,采用比例分层随机抽样,将数据集分为 训练集和测试集,在每一类中药图像中随机的选取80%作为训练集样本,20%作 为测试集样本。同时,将输入图像大小统一调整至源网络模型(VGG-16神经网 络模型)的输入数据同等大小224x224。
训练过程中,采用反向传播和随机梯度下降SGD,采用5倍交叉验证,BillinearCNN Batch设为20,epoch设为200,每个epoch迭代32次,学习率为 0.0001。
使用ROC曲线来测量每个局部图像块的分类性能,为每个选择的概率阈值 绘制真阳性率与假阳性率的比值。为了得到一个单一的定量测量,从ROC曲线 计算出曲线下的面积(AUC),如图3所示。本发明的方法对人参、桔梗、茯苓和 大枣的表面缺陷识别的平均正确率分别为89.16%、96.07%、91.65%和95.93%。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此, 任何熟悉本技术领域的技术人员在本发明揭露的技术方法范围内,可轻易想到的 替换或变换方法,都应该涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于深度神经网络的中药识别与表面缺陷检测方法,其特征在于,包括如下步骤:
步骤1)、将两个基于ImageNet数据集完成训练的VGG-16神经网络模型并列,去掉两VGG-16神经网络模型末尾全连接层和softmax分类器后,加上池化层、空白的全连接层和空白的随机森林分类器,构建目标深度神经网络模型;
步骤2)、收集各类中药图像形成数据集,采用比例分层随机抽样,将数据集分为训练集和测试集;将每一训练集图像划分为若干局部图像块输入目标深度神经网络模型中,进行迁移学习训练,并保存训练好的目标深度神经网络模型;
步骤3)、将测试集图像输入训练好的目标深度神经网络模型中进行中药识别与表面缺陷检测,输出识别结果。
2.根据权利要求1所述的基于深度神经网络的中药识别与表面缺陷检测方法,其特征在于,步骤2)中,从每一类中药图像中随机选取80%作为训练集,20%作为测试集。
3.根据权利要求1所述的基于深度神经网络的中药识别与表面缺陷检测方法,其特征在于,步骤2)中,对于训练集T={Xm,m=1,…,M},相应标签为lm;每个训练图像Xm被划分为一组局部图像块作为目标深度神经网络模型的基本训练样本,定义为L(Xm)={Xmn,n=1,…,N},它们的标签继承自原始图像Xm;
目标深度神经网络模型的训练以最小化损失函数L(F)为目标:
公式(1)中,F表示神经网络参数,P(lm|Xm;F)表示局部图像块Xmn被神经网络参数F正确分类为lm的概率;
随机森林分类器输出不同类别图像的概率,对于每个缺陷类,通过迭代地添加图像块级的概率,得到一个热图。
4.根据权利要求3所述的基于深度神经网络的中药识别与表面缺陷检测方法,其特征在于,训练过程中,采用反向传播和随机梯度下降SGD,采用5倍交叉验证,Batch设为20,epoch设为200,每个epoch迭代32次,学习率为0.0001。
5.根据权利要求3所述的基于深度神经网络的中药识别与表面缺陷检测方法,其特征在于,在热图生成过程中,局部图像块尺寸为h×w,步长为s,s值设定为h/5乘以w/5;h×w的大小至少能涵盖缺陷区域。
6.根据权利要求3、4或5所述的基于深度神经网络的中药识别与表面缺陷检测方法,其特征在于,步骤2)还包括:在生成热图后,采用Otsu’s方法,对每个缺陷类的热图进行二值化,Otsu’s方法是通过获得最小类内方差的最优阈值对图像进行二值化的,Otsu’s方法的目标为:
公式(2)表示最小类内方差,T为训练集;热图图像像素采用G灰度直方图表示,gi为灰度i的归一化直方图值,L表示局部图像块训练集;A和B无特别含义,仅用于区分;σ表示阀值,为阈值以下像素的方差,为阈值以上像素的方差;
获得二值化图像后,采用Felzenswalb分割,对缺陷区域进行细化,从上述阈值化步骤中去除小的、断开的片段,并连接大的潜在缺陷区域;
设G=(V,E)为无向图,其中,V为像素集,E为边缘集;
确定分割边界的谓词D,表达式为:
7.根据权利要求6所述的基于深度神经网络的中药识别与表面缺陷检测方法,其特征在于,阈值σ取值为0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010649550.1A CN111914902B (zh) | 2020-07-08 | 2020-07-08 | 一种基于深度神经网络的中药识别与表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010649550.1A CN111914902B (zh) | 2020-07-08 | 2020-07-08 | 一种基于深度神经网络的中药识别与表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914902A true CN111914902A (zh) | 2020-11-10 |
CN111914902B CN111914902B (zh) | 2024-03-26 |
Family
ID=73226491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010649550.1A Active CN111914902B (zh) | 2020-07-08 | 2020-07-08 | 一种基于深度神经网络的中药识别与表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914902B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569817A (zh) * | 2021-09-23 | 2021-10-29 | 山东建筑大学 | 基于图像区域定位机制的驾驶人注意力分散检测方法 |
CN113627271A (zh) * | 2021-07-18 | 2021-11-09 | 武汉大学 | 一种移动式岩石矿物快速智能识别方法 |
CN114821572A (zh) * | 2022-03-11 | 2022-07-29 | 德阳市人民医院 | 基于多视图与数据扩展的深度学习口服药丸识别方法 |
CN114998342A (zh) * | 2022-08-04 | 2022-09-02 | 海门市刘氏铸造有限公司 | 基于镀锌板面图案识别的镀锌工艺控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN107491733A (zh) * | 2017-07-19 | 2017-12-19 | 南京农业大学 | 一种基于深度神经网络的菊花识别方法 |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
-
2020
- 2020-07-08 CN CN202010649550.1A patent/CN111914902B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN107491733A (zh) * | 2017-07-19 | 2017-12-19 | 南京农业大学 | 一种基于深度神经网络的菊花识别方法 |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627271A (zh) * | 2021-07-18 | 2021-11-09 | 武汉大学 | 一种移动式岩石矿物快速智能识别方法 |
CN113569817A (zh) * | 2021-09-23 | 2021-10-29 | 山东建筑大学 | 基于图像区域定位机制的驾驶人注意力分散检测方法 |
CN113569817B (zh) * | 2021-09-23 | 2021-12-21 | 山东建筑大学 | 基于图像区域定位机制的驾驶人注意力分散检测方法 |
CN114821572A (zh) * | 2022-03-11 | 2022-07-29 | 德阳市人民医院 | 基于多视图与数据扩展的深度学习口服药丸识别方法 |
CN114998342A (zh) * | 2022-08-04 | 2022-09-02 | 海门市刘氏铸造有限公司 | 基于镀锌板面图案识别的镀锌工艺控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111914902B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334765B (zh) | 基于注意力机制多尺度深度学习的遥感影像分类方法 | |
CN111914902B (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
WO2022062419A1 (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
Roy et al. | Script identification from handwritten document | |
CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
CN109948527B (zh) | 基于集成深度学习的小样本太赫兹图像异物检测方法 | |
CN112364974B (zh) | 一种基于激活函数改进的YOLOv3算法 | |
CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN115147363A (zh) | 一种基于深度学习算法的影像缺陷检测和分类方法及系统 | |
CN111652257A (zh) | 一种样本数据清洗方法及系统 | |
CN114066848A (zh) | 一种fpca外观缺陷视觉检测系统 | |
CN111161213B (zh) | 一种基于知识图谱的工业产品缺陷图像分类方法 | |
CN109859199B (zh) | 一种sd-oct图像的淡水无核珍珠质量检测的方法 | |
Dong et al. | Fusing multilevel deep features for fabric defect detection based NTV-RPCA | |
CN108229505A (zh) | 基于fisher多级字典学习的图像分类方法 | |
CN114863125A (zh) | 一种书法/美术作品智能评分方法及系统 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 |
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 |