CN112348065A - 基于图像卷积特征的复杂背景下害虫细粒度图像识别方法 - Google Patents
基于图像卷积特征的复杂背景下害虫细粒度图像识别方法 Download PDFInfo
- Publication number
- CN112348065A CN112348065A CN202011167562.7A CN202011167562A CN112348065A CN 112348065 A CN112348065 A CN 112348065A CN 202011167562 A CN202011167562 A CN 202011167562A CN 112348065 A CN112348065 A CN 112348065A
- Authority
- CN
- China
- Prior art keywords
- pest
- fine
- image
- grained
- classification model
- 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
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,包括以下步骤:采集带有复杂背景的害虫图像样本并进行样本预处理,构建害虫细粒度图像数据集;构建害虫细粒度图像分类模型,将所述害虫细粒度图像数据集输入到所述害虫细粒度图像分类模型进行训练;将害虫实时细粒度图像输入到训练好的所述害虫细粒度图像分类模型,进行害虫图像识别。本发明综合考虑害虫斑纹、颜色和体态等因素,进一步细化超类里包含的每个子类别害虫,构建害虫细粒度图像数据集,解决该领域的细粒度样本数据缺少的问题,通过构建多分支自动识别模型,实现有强差异性区域的特征获取,进而充分利用子类别间局部细微差异完成识别任务。
Description
技术领域
本发明涉及图像分析技术领域,具体涉及一种基于图像卷积特征的复杂背景下害虫细粒度图像识别方法。
背景技术
目前,为解决人工难以及时准确辨认农作物害虫的难题,将深度学习和图像识别技术应用到农作物害虫防控领域,准确识别农作物害虫种类,进而精准诊断和快速防治。研究表明,基于深度学习的农作物害虫图像识别的设想从技术角度考虑是可行的,但在具体研究中面临以下几方面的挑战:一是害虫图像样本稀少。现有的图像样本数据量较少,仅达到实验室条件下仿真实验要求。图像样本稀少的原因是样本采集工作面临众多的困难和威胁,首先,害虫通常发生在野外,图像采集难度大;其次,害虫发生时间集中、周期短且有区域性特点,想采集多种类、特征全面的多样性图像数据库,必须经过多年积累,投入大量人力物力,也需要有强大的经济支撑力;最后,采集的图像样本需经植保专家鉴定归类,才具有使用价值。二是已有图像样本背景简单、姿态单一、光照稳定,致使研究成果不具有实际使用价值,阻碍自动识别研究成果示范推广。据调研,相关研究中报道图像样本多数是单一背景指定类别的样本图像,或是在实验室特定背景下拍摄的标本图像,这种样本图像背景过于简单,以此为试验数据构建的自动识别模型存在泛化能力弱和识别能力差的局限性,制约其实际使用的可能性。三是相关研究报道的自动识别模型在田间使用存在识别种类有限的不足,在特征差异明显的数据集上表现出较好的识别率。究其原因,现有数据集包含的害虫种类少,类别划分粗糙,同时,绝大部分农作物害虫形态相似,类别间差异不明显,现有的自动识别模型难以识别。
因此,有必要细化害虫分类,构建分类具体的害虫细粒度大数据库,然后以此为数据基础,研发的自动识别模型可拓宽正确识别的种类数。
发明内容
本发明的目的是提供一种基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,通过深度学习技术,构建卷积神经网络,捕获图像的局部细微特征、虫体全局纹理特征等细微差别,增强特征提取的描述能力,可实现害虫细粒度图像自动识别。
本发明提供如下技术方案:本发明提供基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,其特征在于,包括以下步骤:
采集带有复杂背景的害虫细粒度图像样本并进行样本预处理,构建害虫细粒度图像数据集;
构建害虫细粒度图像分类模型,并采用端到端的方法对所述害虫细粒度图像分类模型进行训练;
将所述害虫细粒度数据集图像输入到训练后的所述害虫细粒度图像分类模型,进行害虫细粒度图像分类与识别。
优选地,所述样本预处理的方法为:采用去重软件处理所有图像样本,去除重复数据,得到已优化的图像集;标注所有图像,给出每幅图像的类别号;对所述图像集进行裁剪与标注,进而构建害虫细粒度图像数据集。
优选地,所述害虫细粒度图像数据集包括训练集、测试集和验证集;
所述训练集用于对所述害虫图像细粒度分类模型进行训练;
所述测试集用于所述害虫细粒度图像分类模型的产参数调优,验证所述害虫细粒度图像分类模型是否过拟合;
所述验证集用于完成所述害虫细粒度图像分类模型的识别准确率和泛化能力验证。
优选地,所述害虫细粒度图像分类模型以卷积神经网络模型为基础网络,包括卷积层、池化层、全连接层以及softmax层;
所述害虫细粒度图像分类模型包括两个分支网络,每个分支网络分别包含卷积层和池化层;
所述全连接层与所述两个分支网络分别连接。
优选地,所述害虫细粒度图像分类模型的训练过程为:将所述害虫细粒度图像数据集输入到所述害虫细粒度图像分类模型中,获取分类模型的预测值,如果所述预测值呈收敛趋势,则结束训练。
优选地,如果所述预测值呈现非收敛趋势,计算预测值与真实值之间对应测差值;根据差值对所述分类模型中的每层权重和偏差进行更新;根据更新后的所述分类模型进行重复训练,直到所述预测值呈现收敛趋势则结束训练。
优选地,所述害虫细粒度图像分类模型的分类方法为:构建多分支的卷积神经网络模型,通过所述多分支的卷积神经网络模型提取所述数据集中图像相同区域的多种特征信息;将所述多种特征信息进行外积处理和最大池化操作,完成特征融合,形成害虫图像的描述子;采用softmax分类器对所述害虫图像描述子进行分类,获得得分最高的图像描述子,进而完成图像分类。
本发明公开了以下技术效果:
(1)本发明综合考虑害虫斑纹、颜色和体态等因素,进一步细化超类里包含的每个子类别害虫,构建害虫细粒度图像数据集,解决该领域的细粒度样本数据缺少的问题,可以促进该领域自动识别研究有序发展。
(2)本发明采用卷积神经网络技术构建多分支自动识别模型,提取相同区域的多种特征信息,进行特征融合,实现有强差异性区域的特征获取,进而充分利用子类别间局部细微差异完成识别任务,也避免田间复杂背景信息的干扰,攻克视觉差异小的子类害虫识别难题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于图像卷积特征的复杂背景下的害虫细粒度图像识别方法流程图;
图2为本发明害虫细粒度图像分类模型结构图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,具体包括如下步骤:
S1、采集带有复杂背景的害虫图像样本。采用尼康D810、尼康D750和智能手机等多种拍摄工具,采集带有复杂背景的害虫图像,采集过程中考虑到不同拍摄角度、光照条件、背景和拍摄距离,保证样本集有多样性、数量大和范围广的特点。
S2、对所得到的样本图像进行样本预处理并构建害虫细粒度图像数据集。通过鉴定样本,确定样本所属类别,用去重软件处理所有图像集,去除重复数据,得到已优化的图像集;标注所有图像,给出每幅图像的类别号;裁剪标注图像集,构建害虫细粒度图像数据集,包括训练集、测试集和验证集,将60%的数据作为训练集、20%的数据作为测试集、20%作为验证集,各个数据集仅包括jpg格式图像和标签信息,其中图像大小设定为224*224,不需要人工标注具体区域块,减少繁重的人工标注量,三类数据集的数据不得有重复信息。
S3、构建害虫细粒度图像分类模型并对害虫细粒度图像分类模型进行训练。
以卷积神经网络模型为基础网络,构建包括两个分支的卷积神经网络FG,两个分支分别设为fFG1和fFG2。FG表示为:FG=(fFG1,fFG2,MP,C),其中MP为最大池化函数,C表示分类函数。构建得到的害虫细粒度图像分类模型如图2所示。
本发明中的卷积神经网络模型包括:输入层、卷积层、池化层、全连接层、softmax层以及权重和偏移量。
本实施例在进行训练之前先将训练集进行归一化处理,具体的归一化处理的过程为:
其中:Xi为害虫细粒度图像像素点值;min(X)为图像像素的最小值;max(X)为图像像素的最大值;X'为归一化处理后的训练集图像的总像素值数据。
归一化处理能够使得图像分类模型在梯度下降的过程中不会陷入局部最优值,能够有效提升图像分类的准确率。
将害虫细粒度图像数据集输入到所述害虫细粒度图像分类模型中,卷积层通过卷积核对输入层的RGB分量进行卷积。在卷积神经网络模型中,输入分量为224*224*3,经过的卷积核大小为3*3*3,步长为1;获取分类模型的预测值,如果预测值呈收敛趋势,则结束训练;如果预测值呈现非收敛趋势,计算预测值与真实值之间对应测差值,根据差值对分类模型中的每层权重和偏差进行更新并计算每一层的误差,最后进行权值更新。
本实施例采用交叉熵与softmax函数组合作为反向传播训练的损失函数,具体为:
J(θ)=softmax_cross_entropy_with_logit_v2 (2)
交叉熵能够衡量同一个随机变量中的两个不同概率分布的差异程度,表示为真实概率分布与预测概率分布之间的差异,交叉熵的值越小,模型的预测效果就越好。
因此,本发明采用的损失函数用于计算预测值与真实值间误差,通过在训练过程中不断调优各个超参数,使得J(θ)最小化。训练过程未改变原始样本,采用端到端的方式完成。
根据害虫图像识别模型向前传播的输出结果以及预测期望值计算总损失;在求出网络的总损失后,进行反向传播过程,将损失传入全连接层,求出模型中全连接层产生的损失,并求出每个节点在网络中的误差;然后将损失传到池化层,由于本发明采用了最大池化层,所以直接把损失传到卷积层连接的节点中;在卷积层中,损失的传递是依靠卷积核进行传递的,因此要通过卷积核找到卷积层和上一层的连接节点,并最终计算上一层的损失。在此过程中,通过调优卷积神经网络的超参数及更新权值和偏移值使得向前传播的输出值愈发接近预设的期望值。
根据更新后的分类模型进行重复训练,直到所述预测值呈现收敛趋势则结束训练。
S4、将害虫细粒度图像数据集输入到训练后的图像分类模型,进行图像分类。
针对同一张图像任意局部区域,用fFG1和fFG2分别提取两种特征信息,记为λFG1和λFG2,每个分支均能从不同角度提取多层特征信息,有利于获取差异明显的局部细微特征信息。
经过外积和最大池化操作,降低学习特征的维数,使得特征减少,参数减少;采用通过端到端的训练优化方法,将汇合后的特征信息输入到全连接层进行信息提取整合,把各个分支提取的局部特征信息以无序方式组合为整体,形成害虫图像的描述子,完成特征融合,获得具有强描述性的特征集T。
最大池化函数MP为:
pool=max_pool(conv,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME') (3)
其中:ksize定义了池化层过滤器的尺寸;strides定义的步长信息;padding为填充方式。
用全连接层对强描述性的特征集T进行分类,将每个神经元与池化层和卷积层的所有神经元进行全连接,整合卷积层和池化层中具有类别区分性的局部信息,获得预测类别信息。
Softmax层接收全连接层的输入,将特征集T作分类,输出图像各类别的概率,把概率最高的类别作为预测结果,完成目标图像的分类,得到输出结果。
S5、通过测试集计算害虫图像识别模型的识别准确率和召回率,验证害虫图像识别模型的识别准确率和稳定性,并通过比较训练集和验证集的识别准确率,验证害虫图像识别模型是否过拟合和欠拟合;若识别准确率和召回率大于或等于预设阈值,则害虫图像识别模型训练完成,否则,则重复步骤S3继续进行训练。
准确率ACC的计算公式为:
召回率REC的计算公式为:
其中:TP表示将正类预测为正类数;TN表示将负类预测为负类数;FP表示将负类预测为正类数;FN表示将正类预测为负类。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (7)
1.基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,其特征在于,包括以下步骤:
采集带有复杂背景的害虫细粒度图像样本并进行样本预处理,构建害虫细粒度图像数据集;
构建害虫细粒度图像分类模型,并采用端到端的方法对所述害虫细粒度图像分类模型进行训练;
将所述害虫细粒度数据集图像输入到训练后好的所述害虫细粒度图像分类模型,进行害虫细粒度图像分类与识别。
2.根据权利要求1所述的基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,其特征在于,所述样本预处理的方法为:采用去重软件处理所有图像样本,去除重复数据,得到已优化的图像集;标注所有图像,给出每幅图像的类别号;对所述图像集进行裁剪与标注,进而构建害虫细粒度图像数据集。
3.根据权利要求1所述的基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,其特征在于,所述害虫细粒度图像数据集包括训练集、测试集和验证集;
所述训练集用于对所述害虫图像细粒度分类模型进行训练;
所述测试集用于所述害虫细粒度图像分类模型的参数调优,验证所述害虫细粒度图像分类模型是否过拟合;
所述验证集用于完成所述害虫细粒度图像分类模型的识别准确率和泛化能力验证。
4.根据权利要求1所述的基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,其特征在于,所述害虫细粒度图像分类模型以卷积神经网络模型为基础网络,包括卷积层、池化层、全连接层以及softmax层;
所述害虫细粒度图像分类模型包括两个分支网络,每个分支网络分别包含卷积层和池化层;
所述全连接层与所述两个分支网络分别连接。
5.根据权利要求1所述的基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,其特征在于,所述害虫细粒度图像分类模型的训练过程为:将所述害虫细粒度图像数据集输入到所述害虫细粒度图像分类模型中,获取分类模型的预测值,如果所述预测值呈收敛趋势,则结束训练。
6.根据权利要求5所述的基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,其特征在于,如果所述预测值呈现非收敛趋势,计算预测值与真实值之间对应测差值;根据差值对所述分类模型中的每层权重和偏差进行更新;根据更新后的所述分类模型进行重复训练,直到所述预测值呈现收敛趋势则结束训练。
7.根据权利要求1所述的基于图像卷积特征的复杂背景下害虫细粒度图像识别方法,其特征在于,所述害虫细粒度图像分类模型的分类方法为:构建多分支的卷积神经网络模型,通过所述多分支的卷积神经网络模型提取所述数据集中图像相同区域的多种特征信息;将所述多种特征信息进行外积处理和最大池化操作,完成特征融合,形成害虫图像的描述子;采用softmax分类器对所述害虫图像描述子进行分类,获得得分最高的图像描述子,进而完成细粒度图像分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167562.7A CN112348065A (zh) | 2020-10-28 | 2020-10-28 | 基于图像卷积特征的复杂背景下害虫细粒度图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167562.7A CN112348065A (zh) | 2020-10-28 | 2020-10-28 | 基于图像卷积特征的复杂背景下害虫细粒度图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348065A true CN112348065A (zh) | 2021-02-09 |
Family
ID=74359203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011167562.7A Pending CN112348065A (zh) | 2020-10-28 | 2020-10-28 | 基于图像卷积特征的复杂背景下害虫细粒度图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348065A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903006A (zh) * | 2014-03-05 | 2014-07-02 | 中国科学院合肥物质科学研究院 | 一种基于Android平台的农作物害虫识别方法及系统 |
CN104077612A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于多特征稀疏表示技术的害虫图像识别方法 |
US20190171904A1 (en) * | 2017-12-01 | 2019-06-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for training fine-grained image recognition model, fine-grained image recognition method and apparatus, and storage mediums |
CN110309841A (zh) * | 2018-09-28 | 2019-10-08 | 浙江农林大学 | 一种基于深度学习的山核桃常见害虫识别方法 |
CN111178432A (zh) * | 2019-12-30 | 2020-05-19 | 武汉科技大学 | 多分支神经网络模型的弱监督细粒度图像分类方法 |
CN111178121A (zh) * | 2018-12-25 | 2020-05-19 | 中国科学院合肥物质科学研究院 | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 |
-
2020
- 2020-10-28 CN CN202011167562.7A patent/CN112348065A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903006A (zh) * | 2014-03-05 | 2014-07-02 | 中国科学院合肥物质科学研究院 | 一种基于Android平台的农作物害虫识别方法及系统 |
CN104077612A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于多特征稀疏表示技术的害虫图像识别方法 |
US20190171904A1 (en) * | 2017-12-01 | 2019-06-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for training fine-grained image recognition model, fine-grained image recognition method and apparatus, and storage mediums |
CN110309841A (zh) * | 2018-09-28 | 2019-10-08 | 浙江农林大学 | 一种基于深度学习的山核桃常见害虫识别方法 |
CN111178121A (zh) * | 2018-12-25 | 2020-05-19 | 中国科学院合肥物质科学研究院 | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 |
CN111178432A (zh) * | 2019-12-30 | 2020-05-19 | 武汉科技大学 | 多分支神经网络模型的弱监督细粒度图像分类方法 |
Non-Patent Citations (4)
Title |
---|
TSUNG-YU LIN 等: "Bilinear CNN Models for Fine-Grained Visual Recognition", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
廖牧鑫: "基于卷积神经网络的果实蝇细粒度图像分类研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
李鑫 等: "《微处理器系统级片上温度感知技术》", 31 March 2019, 西安:西北工业大学出版社 * |
陈天娇 等: "基于深度学习的病虫害智能化识别系统", 《中国植保导刊》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650806B (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
Wang et al. | Grid-based pavement crack analysis using deep learning | |
Zhang et al. | Real-time sow behavior detection based on deep learning | |
CN109902590B (zh) | 深度多视图特征距离学习的行人重识别方法 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN110070074A (zh) | 一种构建行人检测模型的方法 | |
CN110825899A (zh) | 融合颜色特征和残差网络深度特征的服装图像检索方法 | |
CN110728179A (zh) | 一种采用多路卷积神经网络的猪脸识别方法 | |
Bahtiar et al. | Deep learning detected nutrient deficiency in chili plant | |
CN104112143A (zh) | 基于加权超球支持向量机算法的图像分类方法 | |
CN103324937A (zh) | 标注目标的方法和装置 | |
CN103186538A (zh) | 一种图像分类方法和装置、图像检索方法和装置 | |
Wang et al. | Air quality measurement based on double-channel convolutional neural network ensemble learning | |
CN110689523A (zh) | 基于元学习个性化图像信息评价方法、信息数据处理终端 | |
CN109784408A (zh) | 一种边缘端的嵌入式时间序列决策树分类方法及系统 | |
CN105184229A (zh) | 一种动态场景下基于在线学习的实时行人检测方法 | |
CN104966075B (zh) | 一种基于二维判别特征的人脸识别方法与系统 | |
Li et al. | SLViT: Shuffle-convolution-based lightweight Vision transformer for effective diagnosis of sugarcane leaf diseases | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
Li et al. | Cow individual identification based on convolutional neural network | |
CN110059568A (zh) | 基于深层卷积神经网络的多类白细胞自动识别方法 | |
CN110363218A (zh) | 一种胚胎无创评估方法及装置 | |
CN112685591A (zh) | 用户兴趣区域与反馈引导的图片精准检索方法 | |
Diouf et al. | Convolutional neural network and decision support in medical imaging: case study of the recognition of blood cell subtypes | |
Qian et al. | Classification of rice seed variety using point cloud data combined with deep learning |
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: 20210209 |
|
RJ01 | Rejection of invention patent application after publication |