CN112287836A - 一种基于人工智能图像识别系统以及图像识别装置 - Google Patents
一种基于人工智能图像识别系统以及图像识别装置 Download PDFInfo
- Publication number
- CN112287836A CN112287836A CN202011183374.3A CN202011183374A CN112287836A CN 112287836 A CN112287836 A CN 112287836A CN 202011183374 A CN202011183374 A CN 202011183374A CN 112287836 A CN112287836 A CN 112287836A
- Authority
- CN
- China
- Prior art keywords
- module
- image recognition
- feature
- unit
- frame
- 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.)
- Withdrawn
Links
Images
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
- G06F18/22—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
- G06F18/24—Classification techniques
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
Abstract
本发明公开了一种基于人工智能图像识别系统以及图像识别装置,包括客户端、服务器和图像识别系统,所述客户端通过以太网与服务器实现双向连接,本发明涉及图像识别技术领域。该基于人工智能图像识别系统以及图像识别装置,利用框架架设单元根据物种信息构建出一个由特征信息组成的样本框架,在图像采集单元进行图片信息采集,特征提取单元提取特征后,直接与框架中的特征进行比较,这样将一个物种进行特征拆分,然后经过多个特征的逐次比较后筛选出一个符合多个特征的结果,不仅可以降低服务器的载荷,而且进行多次特征识别,引导用户进行特征录入后,图像识别结果更加精准,还可以加深用户对该物种的了解。
Description
技术领域
本发明涉及图像识别技术领域,具体为一种基于人工智能图像识别系统以及图像识别装置。
背景技术
图像识别是人工智能的一个重要领域,为了编制模拟人类图像识别活动的计算机程序,人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为,识别某个图像,必须在过去的经验中有这个图像的记忆模式,又叫模板。当前的刺激如果能与大脑中的模板相匹配,这个图像也就被识别了。例如有一个字母A,如果在脑中有个A模板,字母A的大小、方位、形状都与这个A模板完全一致,字母A就被识别了。这个模型简单明了,也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别,而事实上人不仅能识别与脑中的模板完全一致的图像,也能识别与模板不完全一致的图像。例如,人们不仅能识别某一个具体的字母A,也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。同时,人能识别的图像是大量的,如果所识别的每一个图像在脑中都有一个相应的模板,也是不可能的。
为了解决模板匹配模型存在的问题,格式塔心理学家又提出了一个原型匹配模型。这种模型认为,在长时记忆中存储的并不是所要识别的无数个模板,而是图像的某些“相似性”。从图像中抽象出来的“相似性”就可作为原型,拿它来检验所要识别的图像。如果能找到一个相似的原型,这个图像也就被识别了。这种模型从神经上和记忆探寻的过程上来看,都比模板匹配模型更适宜,而且还能说明对一些不规则的,但某些方面与原型相似的图像的识别。但是,这种模型没有说明人是怎样对相似的刺激进行辨别和加工的,它也难以在计算机程序中得到实现。
在实际应用的过程中,图像识别可以很好的帮助人们去了解一些不同的植物或者动物的品种,从而在网络中针对性的对该物种进行检索,从而得到相关品种的信息,常规的图像识别如上述检索的资料,就是通过一个与原型相似性匹配较高的图像即为图像识别的结果,单纯的对整个植株或者动物的部分结构特征进行判断,不能够保证识别结果的精准度,而对整个植株或者动物进行外形比较,处理信息量较大,给后台服务器带来巨大的载荷,并且不能够迅速的得到检索结果,为此,特提供一种基于人工智能图像识别系统以及图像识别装置。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于人工智能图像识别系统以及图像识别装置,解决了单纯的对整个植株的部分结构特征进行判断,不能够保证识别结果的精准度,而对整个植株进行外形比较,处理信息量较大,给后台服务器带来巨大的载荷,并且不能够迅速得到检索结果的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于人工智能图像识别系统,包括客户端、服务器和图像识别系统,所述客户端通过以太网与服务器实现双向连接,所述服务器与图像识别系统实现双向连接,所述图像识别系统与中央处理模块实现双向连接,所述中央处理模块分别与图像采集单元、特征匹配单元和样本单元实现双向连接,所述中央处理模块的输出端分别与图像预处理单元、特征填充模块和框架架设单元的输入端连接,所述图像预处理单元的输出端与特征提取单元的输入端连接,所述特征提取单元的输出端与中央处理模块的输入端连接,所述特征填充模块的输出端与特征匹配单元的输入端连接,所述特征匹配单元和样本单元均与框架架设单元实现双向连接。
优选的,所述图像采集单元包括移动采集模块和云端采集模块,所述移动采集模块包括手机、平板、相机等手持设备。
优选的,所述特征匹配单元包括特征识别模块、特征比较模块、相似度匹配模块和顺位列举模块,所述特征识别模块的输出端与特征比较模块的输入端连接,所述特征比较模块的输出端与相似度匹配模块的输入端连接,所述相似度匹配模块的输出端与顺位列举模块的输入端连接。
优选的,所述样本单元包括特征拆分模块、骨架组装模块和体征存储模块,所述特征拆分模块的输出端与骨架组装模块的输入端连接,所述骨架组装模块的输出端与体征存储模块的输入端连接。
优选的,所述图像预处理单元包括轮廓扫描模块、特征认证模块、信息整合模块和特征组装模块,所述轮廓扫描模块的输出端与特征认证模块的输入端连接,所述特征认证模块的输出端与信息整合模块的输入端连接,所述信息整合模块的输出端与特征组装模块的输入端连接。
优选的,所述框架架设单元包括植物分类模块、叶型框架模块、枝干框架模块、根系框架模块、动物分类模块、皮层框架模块、爪牙框架模块和音色框架模块,所述植物分类模块分别与叶型框架模块、枝干框架模块和根系框架模块实现双向连接,所述动物分类模块分别与皮层框架模块、爪牙框架模块和音色框架模块实现双向连接。
优选的,所述特征提取单元包括边缘检测模块和阈值分割模块,所述边缘检测模块的输出端与阈值分割模块的输入端连接。
一种基于人工智能的图像识别装置,具体包括前述的基于人工智能图像识别系统。
(三)有益效果
本发明提供了一种基于人工智能图像识别系统以及图像识别装置。具备以下有益效果:
(1)、该基于人工智能图像识别系统以及图像识别装置,通过样本单元对物种信息进行存储,并且利用框架架设单元根据物种信息构建出一个由特征信息组成的样本框架,在图像采集单元进行图片信息采集,采集的图像经过图像预处理单元的处理后,直接被特征提取单元进行特征提取,之后直接将提取的部分特征与框架中的特征进行比较,在一个特征进行比较后得到一个相似度较高的结果,然后通过下一个特征的比较对结果进一步的进行筛检,重复比较,得到一个精准度高的识别结果,这样将一个物种进行特征拆分,然后经过多个特征的逐次比较后筛选出一个符合多个特征的结果,不仅可以降低服务器的载荷,而且进行多次特征识别,引导用户进行特征录入后,图像识别结果更加精准,还可以加深用户对该物种的了解。
(2)、该基于人工智能图像识别系统以及图像识别装置,通过特征拆分模块的设置,对物种的特征属性进行分类归纳,如将植物的花、叶等特征分类到叶型框架模块,将植物的枝干特征分类到枝干框架模块中等等,这样在对特征完成分类归纳后,通过骨架组装模块对这些特征信息进行组装,即按照植物或者通过的形体特征所处的部位进行组装,构建出一个由特征信息组合成的样本,之后直接存储到体征存储模块中,便于后续的识别比较,这样构建出一个属于系统自身的信息库,有效增加了系统的价值。
(3)、该基于人工智能图像识别系统以及图像识别装置,通过特征匹配单元的设置,利用特征识别模块对植物或者动物的部分特征进行识别,得到对应的分类后,将该部分特征输入到特征比较模块中,并直接从体征存储模块中检索对应分类的特征,由相似度匹配模块对比较后的信息进行判断,利用顺位列举模块对判断出来的信息进行从高往低的进行排位,然后重复操作,进行下一特征的检索比较,最终将多次检索的结果直接匹配到骨架组装模块中,即可简单迅速的得到对应的物种信息,算力消耗小,识别精准度高。
附图说明
图1为本发明的系统原理框图;
图2为本发明图像采集单元的系统原理框图;
图3为本发明特征匹配单元的系统原理框图;
图4为本发明样本单元的系统原理框图;
图5为本发明图像预处理单元的系统原理框图;
图6为本发明框架架设单元的系统原理框图;
图7为本发明特征提取单元的系统原理框图;
图中,1、客户端;2、服务器;3、图像识别系统;4、中央处理模块;5、图像采集单元;6、特征匹配单元;7、样本单元;8、图像预处理单元;9、特征填充模块;10、框架架设单元;11、特征提取单元;12、移动采集模块;13、云端采集模块;14、特征识别模块;15、特征比较模块;16、相似度匹配模块;17、顺位列举模块;18、特征拆分模块;19、骨架组装模块;20、体征存储模块;21、轮廓扫描模块;22、特征认证模块;23、信息整合模块;24、特征组装模块;25、植物分类模块;26、叶型框架模块;27、枝干框架模块;28、根系框架模块;29、动物分类模块;30、皮层框架模块;31、爪牙框架模块;32、音色框架模块;33、边缘检测模块;34、阈值分割模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-7,本发明实施例提供一种技术方案:一种基于人工智能图像识别系统以及图像识别装置,包括客户端1、服务器2和图像识别系统3,客户端1通过以太网与服务器2实现双向连接,服务器2与图像识别系统3实现双向连接,图像识别系统3与中央处理模块4实现双向连接,中央处理模块4为ARM9系列处理器,中央处理模块4分别与图像采集单元5、特征匹配单元6和样本单元7实现双向连接,中央处理模块4的输出端分别与图像预处理单元8、特征填充模块9和框架架设单元10的输入端连接,图像预处理单元8的输出端与特征提取单元11的输入端连接,特征提取单元11的输出端与中央处理模块4的输入端连接,特征填充模块9的输出端与特征匹配单元6的输入端连接,特征匹配单元6和样本单元7均与框架架设单元10实现双向连接,通过样本单元对物种信息进行存储,并且利用框架架设单元根据物种信息构建出一个由特征信息组成的样本框架,在图像采集单元5进行图片信息采集,采集的图像经过图像预处理单元8的处理后,直接被特征提取单元11进行特征提取,之后直接将提取的部分特征与框架中的特征进行比较,在一个特征进行比较后得到一个相似度较高的结果,然后通过下一个特征的比较对结果进一步的进行筛检,重复比较,得到一个精准度高的识别结果,这样将一个物种进行特征拆分,然后经过多个特征的逐次比较后筛选出一个符合多个特征的结果,不仅可以降低服务器的载荷,而且进行多次特征识别,引导用户进行特征录入后,图像识别结果更加精准,还可以加深用户对该物种的了解。
进一步的,图像采集单元5包括移动采集模块12和云端采集模块13,移动采集模块12包括手机、平板、相机等手持设备,云端采集模块13就是从网络终端检索的图片信息。
进一步的,特征匹配单元6包括特征识别模块14、特征比较模块15、相似度匹配模块16和顺位列举模块17,特征识别模块14的输出端与特征比较模块15的输入端连接,特征比较模块15的输出端与相似度匹配模块16的输入端连接,相似度匹配模块16的输出端与顺位列举模块17的输入端连接。
进一步的,样本单元7包括特征拆分模块18、骨架组装模块19和体征存储模块20,特征拆分模块18的输出端与骨架组装模块19的输入端连接,骨架组装模块19的输出端与体征存储模块20的输入端连接。
进一步的,图像预处理单元8包括轮廓扫描模块21、特征认证模块22、信息整合模块23和特征组装模块24,轮廓扫描模块21的输出端与特征认证模块22的输入端连接,特征认证模块22的输出端与信息整合模块23的输入端连接,信息整合模块23的输出端与特征组装模块24的输入端连接,轮廓扫描模块21用于对物种的边缘信息进行扫描,从而得到该物种对应的轮廓信息,特征认证模块22就是一个用于对特征进行认证的单元,即保证该特征属于已经输入的特征,避免二次输入,影响图像识别效率。
进一步的,框架架设单元10包括植物分类模块25、叶型框架模块26、枝干框架模块27、根系框架模块28、动物分类模块29、皮层框架模块30、爪牙框架模块31和音色框架模块32,植物分类模块25分别与叶型框架模块26、枝干框架模块27和根系框架模块28实现双向连接,动物分类模块29分别与皮层框架模块30、爪牙框架模块31和音色框架模块32实现双向连接,皮层框架模块30包括动物的皮毛特征、外形特征等表层特征,音色框架模块32包括动物的声音特征。
进一步的,特征提取单元11包括边缘检测模块33和阈值分割模块34,边缘检测模块33的输出端与阈值分割模块34的输入端连接,阈值分割模块34是为了突出图像中的特征部分,通过二值化(或多值化)以后目标物体会以特定的灰度值呈现出来,主要侧重在物体本来就已经有灰度特征,边缘检测模块33是为了找出物体边缘的方法,主要侧重的是通过算法体现边缘的灰度特征,二值阈值分割的重点在于找二值化的阈值,然后利用阈值将目标和背景分离,大多数边缘检测的重点在于确定差分算子,进行邻域内的灰度差分,一般的处理过程为先利用边缘检测模块33得到差分的灰度图,然后通过阈值分割模块34二值化。
一种基于人工智能的图像识别装置,具体包括前述的基于人工智能图像识别系统。
工作时,用户通过客户端1连接服务器2登录到图像识别系统3中,利用图像采集单元5获得图片信息,即通过移动采集模块12或者云端采集模块13对需要识别的图片信息进行采集,采集后的信息经过图像预处理单元8的处理后,被特征提取单元11进行特征提取,提取的特征直接经过特征填充模块9填充到特征匹配单元6中,经过特征识别模块14对该特征进行识别后,直接将该特征放置到一个新的框架模型上,然后该框架模型从样本单元7中检索资料,通过特征比较模块15得到一个数据的比较值,通过相似度匹配模块16的设置,得到相似度较高的符合该特征的部分物种信息,然后重复上述操作,进行下一个特征的输入,这样得到多个相似度较高的部位信息,然后通过对这多个部位信息进行骨架组合,即可简单迅速的得到对应物种得精准信息,从而达到图像识别的目的。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于人工智能图像识别系统,包括客户端(1)、服务器(2)和图像识别系统(3),所述客户端(1)通过以太网与服务器(2)实现双向连接,所述服务器(2)与图像识别系统(3)实现双向连接,其特征在于:所述图像识别系统(3)与中央处理模块(4)实现双向连接,所述中央处理模块(4)分别与图像采集单元(5)、特征匹配单元(6)和样本单元(7)实现双向连接,所述中央处理模块(4)的输出端分别与图像预处理单元(8)、特征填充模块(9)和框架架设单元(10)的输入端连接,所述图像预处理单元(8)的输出端与特征提取单元(11)的输入端连接,所述特征提取单元(11)的输出端与中央处理模块(4)的输入端连接,所述特征填充模块(9)的输出端与特征匹配单元(6)的输入端连接,所述特征匹配单元(6)和样本单元(7)均与框架架设单元(10)实现双向连接。
2.根据权利要求1所述的一种基于人工智能图像识别系统,其特征在于:所述图像采集单元(5)包括移动采集模块(12)和云端采集模块(13),所述移动采集模块(12)包括手机、平板、相机等手持设备。
3.根据权利要求1所述的一种基于人工智能图像识别系统,其特征在于:所述特征匹配单元(6)包括特征识别模块(14)、特征比较模块(15)、相似度匹配模块(16)和顺位列举模块(17),所述特征识别模块(14)的输出端与特征比较模块(15)的输入端连接,所述特征比较模块(15)的输出端与相似度匹配模块(16)的输入端连接,所述相似度匹配模块(16)的输出端与顺位列举模块(17)的输入端连接。
4.根据权利要求1所述的一种基于人工智能图像识别系统,其特征在于:所述样本单元(7)包括特征拆分模块(18)、骨架组装模块(19)和体征存储模块(20),所述特征拆分模块(18)的输出端与骨架组装模块(19)的输入端连接,所述骨架组装模块(19)的输出端与体征存储模块(20)的输入端连接。
5.根据权利要求1所述的一种基于人工智能图像识别系统,其特征在于:所述图像预处理单元(8)包括轮廓扫描模块(21)、特征认证模块(22)、信息整合模块(23)和特征组装模块(24),所述轮廓扫描模块(21)的输出端与特征认证模块(22)的输入端连接,所述特征认证模块(22)的输出端与信息整合模块(23)的输入端连接,所述信息整合模块(23)的输出端与特征组装模块(24)的输入端连接。
6.根据权利要求1所述的一种基于人工智能图像识别系统,其特征在于:所述框架架设单元(10)包括植物分类模块(25)、叶型框架模块(26)、枝干框架模块(27)、根系框架模块(28)、动物分类模块(29)、皮层框架模块(30)、爪牙框架模块(31)和音色框架模块(32),所述植物分类模块(25)分别与叶型框架模块(26)、枝干框架模块(27)和根系框架模块(28)实现双向连接,所述动物分类模块(29)分别与皮层框架模块(30)、爪牙框架模块(31)和音色框架模块(32)实现双向连接。
7.根据权利要求1所述的一种基于人工智能图像识别系统,其特征在于:所述特征提取单元(11)包括边缘检测模块(33)和阈值分割模块(34),所述边缘检测模块(33)的输出端与阈值分割模块(34)的输入端连接。
8.一种基于人工智能的图像识别装置,其特征在于:包括权利要求1至7中任一项所述的基于人工智能图像识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183374.3A CN112287836A (zh) | 2020-10-29 | 2020-10-29 | 一种基于人工智能图像识别系统以及图像识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183374.3A CN112287836A (zh) | 2020-10-29 | 2020-10-29 | 一种基于人工智能图像识别系统以及图像识别装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287836A true CN112287836A (zh) | 2021-01-29 |
Family
ID=74352734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011183374.3A Withdrawn CN112287836A (zh) | 2020-10-29 | 2020-10-29 | 一种基于人工智能图像识别系统以及图像识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287836A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313193A (zh) * | 2021-06-15 | 2021-08-27 | 杭州睿胜软件有限公司 | 植物图片识别方法、可读存储介质及电子设备 |
CN113822191A (zh) * | 2021-09-16 | 2021-12-21 | 深圳市悦道科技有限公司 | 一种智能图像处理方法及系统 |
-
2020
- 2020-10-29 CN CN202011183374.3A patent/CN112287836A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313193A (zh) * | 2021-06-15 | 2021-08-27 | 杭州睿胜软件有限公司 | 植物图片识别方法、可读存储介质及电子设备 |
CN113822191A (zh) * | 2021-09-16 | 2021-12-21 | 深圳市悦道科技有限公司 | 一种智能图像处理方法及系统 |
CN113822191B (zh) * | 2021-09-16 | 2022-07-19 | 深圳市悦道科技有限公司 | 一种智能图像处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664996B (zh) | 一种基于深度学习的古文字识别方法及系统 | |
Kumar et al. | Leafsnap: A computer vision system for automatic plant species identification | |
US8452108B2 (en) | Systems and methods for image recognition using graph-based pattern matching | |
CN110751137A (zh) | 一种自动求解数学题的方法和系统 | |
CN110555372A (zh) | 数据录入方法、装置、设备及存储介质 | |
CN111611924B (zh) | 一种基于深度迁移学习模型的蘑菇识别方法 | |
CN103761531A (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
Bussa et al. | Smart attendance system using OPENCV based on facial recognition | |
CN109472280B (zh) | 一种更新物种识别模型库的方法、存储介质及电子设备 | |
CN112287836A (zh) | 一种基于人工智能图像识别系统以及图像识别装置 | |
Alberink et al. | Performance of the FearID earprint identification system | |
CN104036235A (zh) | 基于叶片hog特征和智能终端平台的植物物种识别方法 | |
CN102812357A (zh) | 木材树种的识别方法与系统 | |
Mann et al. | Automatic flower detection and phenology monitoring using time‐lapse cameras and deep learning | |
Chandran et al. | Missing child identification system using deep learning and multiclass SVM | |
CN113761242A (zh) | 一种基于人工智能的大数据图像识别系统及方法 | |
CN106803093A (zh) | 一种基于叶片纹理特征和iOS平台的植物物种识别方法 | |
CN114092938B (zh) | 图像的识别处理方法、装置、电子设备及存储介质 | |
CN110580507B (zh) | 一种城市肌理分类识别方法 | |
CN108932270B (zh) | 基于贝叶斯和反馈算法的枇杷属种质资源检索对照方法 | |
Ma et al. | ApLeafis: an android-based plant leaf identification system | |
Nanditha et al. | Classification of animals using toy images | |
CN109558883B (zh) | 叶片特征提取方法及装置 | |
DE202022107266U1 (de) | Ein Gesichtserkennungssystem zur Unterscheidung zwischen ähnlichen Gesichtern | |
CN113744253A (zh) | 一种基于人工智能图像识别系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210129 |