CN112580731B - 翡翠产品识别方法、系统、终端、计算机设备及存储介质 - Google Patents
翡翠产品识别方法、系统、终端、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112580731B CN112580731B CN202011557329.XA CN202011557329A CN112580731B CN 112580731 B CN112580731 B CN 112580731B CN 202011557329 A CN202011557329 A CN 202011557329A CN 112580731 B CN112580731 B CN 112580731B
- Authority
- CN
- China
- Prior art keywords
- sample data
- product
- jadeite
- training
- picture
- 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.)
- Active
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于翡翠产品分级的前期处理技术领域,公开了一种翡翠产品识别方法、系统、终端、计算机设备及存储介质,获取翡翠产品图片中正样本数据和负样本数据,按照一定的样本比例,将所述正样本数据和负样本数据制作成标签,作为训练网络的样本数据;运用预先训练好的SSD训练网络在所述样本数据中找出图像中翡翠产品物体,同时确定物体的类别和位置。本发明可以检测图片中是否含有翡翠产品,从而有效提升了翡翠产品分级的准确度。本发明与传统的数字图像处理的各种算法相比,准确度更高,适用场所更广,识别所需时间更短。
Description
技术领域
本发明属于翡翠产品分级的前期处理技术领域,尤其涉及一种翡翠产品识别方法、系统、终端、计算机设备及存储介质。
背景技术
目前,翡翠产品识别大多使用传统数字图像处理,一方面适用场景不广,主要针对场景单一、简单,另一方面存在识别边界错误、识别不准的情况。因此在现如今需要准确快速的翡翠产品图像识别中显得不合时宜。
HOG特征(现有技术)用于目标检测,为了找到局部目标,必须需要寻找其轮廓。一般来说,在物体的边缘部分才有比较明显的梯度,背景或物体内部色彩变化不明显,因此梯度也不明显,所以物体的表象与形状可以较好地被梯度描述。
通过上述分析,现有技术存在的问题及缺陷为:
(1)但是HOG翡翠产品识别方法过程冗长,速度慢,实时性差;很难处理遮挡问题。
(2)由于梯度的性质,且对噪点相当敏感。且无法识别出特定翡翠产品类别物体。
发明内容
针对现有技术存在的问题,本发明提供了一种翡翠产品识别方法、数据处理终端、计算机设备及存储介质。
本发明是这样实现的,一种基于机器学习的翡翠产品识别方法,所述翡翠产品识别方法包括:
获取翡翠产品图片中正样本数据和负样本数据,按照一定的样本比例,将所述正样本数据和负样本数据制作成标签,作为训练网络的样本数据;
运用预先训练好的SSD训练网络在所述样本数据中找出图像中翡翠产品物体,同时确定物体的类别和位置。
进一步,所述正样本数据和负样本数据确定方法为:
收集翡翠产品的图片数据,利用人工打标将翡翠产品的位置确定,提取所述翡翠产品的目标坐标框,作为正样本数据;
爬取不含翡翠产品的图片作为负样本数据。
进一步,所述目标坐标框还采用以下方法确定:
将所述翡翠产品图片分成S*S个区块,通过网格预测所述翡翠产品的目标坐标框。
进一步,所述训练网络还包括改进的FPN网络。
进一步,所述正样本数据和负样本数据的比例为2:1~3:1。
进一步,在确定翡翠产品物体的类别和位置之中,将图片平均分成多个先验框,再对于真实值与先验框比对重叠率,大于设定的阈值为匹配,再反向传播进行回归到真实值,使预测值逼近真实值。
本发明的另一目的在于提供一种数据处理终端,所述数据处理终端实施上述的基于机器学习的翡翠产品识别方法。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行上述基于机器学习的翡翠产品识别方法。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行:
获取翡翠产品图片中正负样本数据,作为训练网络的样本数据;
运用预先训练完成的训练网络对所述翡翠产品图片包含的物体定位和物体分类两个子任务进行预测,获取物体的类别和位置;
根据获取的所述物体类别和位数据进行翡翠产品的分级,并进行显示。
本发明的另一目的在于提供一种基于机器学习的翡翠产品识别系统,所述翡翠产品识别系统包括:
样本数据生成模块,用于获取翡翠产品图片中正样本数据和负样本数据,按照一定的样本比例,将所述正样本数据和负样本数据制作成标签,作为训练网络的样本数据;
样本数据训练模块,用于运用预先训练好的SSD训练网络在所述样本数据中找出图像中翡翠产品物体,同时确定物体的类别和位置。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明获取图片中是否还有翡翠产品的设计方案;运用预先训练好的SSD模型对翡翠产品图片中找出图像中翡翠产品物体,包含物体定位和物体分类两个子任务,同时确定物体的类别和位置。本发明可以检测图片中是否含有翡翠产品,从而有效提升了翡翠产品分级的准确度。
该基于机器学习的翡翠产品识别方法与传统的数字图像处理的各种算法相比,准确度更高,适用场所更广,识别所需时间更短。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于机器学习的翡翠产品识别方法流程图。
图2是本发明实施例提供的采用基于机器学习的翡翠产品识别方法识别的翡翠产品手镯效果图。
图3是本发明实施例提供的采用基于机器学习的翡翠产品识别方法识别的翡翠产品蛋面效果图。
图4是本发明实施例提供的采用基于机器学习的翡翠产品识别方法识别的翡翠产品如意效果图。
图5是本发明实施例提供的采用基于机器学习的翡翠产品识别方法识别的翡翠产品佛效果图。
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。
针对现有技术存在的问题,本发明提供了一种翡翠产品识别方法、数据处理终端、计算机设备及存储介质,下面结合附图对本发明作详细的描述。
本发明提供一种基于机器学习的翡翠产品识别方法,应用于数据处理终端,所述基于机器学习的翡翠产品识别方法包括:
获取翡翠产品图片中正负样本数据,作为训练网络的样本数据;
运用预先训练完成的训练网络对所述翡翠产品图片包含的物体定位和物体分类两个子任务进行预测,获取物体的类别和位置;
根据获取的所述物体类别和位数据进行翡翠产品的分级。
如图1所示,本发明实施例提供的基于机器学习的翡翠产品识别方法包括:
S101,获取训练数据:分割背景,收集翡翠产品手镯产品的图片数据,需要人工打标将翡翠产品的位置确定,提取翡翠产品目标坐标框,作为正样本数据。爬取常见不含翡翠产品的图片作为负样本数据,以至少2:1的正与负样本比例制作成标签,作为训练网络的样本数据。优选地,正与负样本比例采用3:1。
S102,训练模型:使用SSD(Single Shot Multibox Detector)的网络结构,提高模型的预测速度,训练时首先使用不同尺度和长宽比的先验框archor,min_scale为0.2,max_scale为0.95,每一个点都作为候选区域的中心点,直接回归目标的类别和位置。使用ArgMaxMatcher策略,选取最大值策略,设置matched阈值为0.5,unmatched阈值为0.5,force_match_for_each_row设置为true,确保每个ground-truth box都至少有一个default box与之对应,防止有些ground-truth没有default box能够对应。
S103,random_horizontal_flip随机水平翻转。ssd_random_crop图像随机裁剪作为数据增强。设置dropout系数为0.8,防止模型过拟合。目标分类损失函数设置为weighted_sigmoid和目标位置损失函数为weighted_smooth_l1。设置normalize_loss_by_num_matches为True,根据匹配的样本数目归一化总loss。即用加权的classificationloss和加权的localization loss计算出总loss后,还要再除以一个正样本总数N。
S104,对于难样本挖掘策略,将iou阈值设置为0.99,如果一个example的IOU值比0.99低,则丢弃因为只针对一类翡翠产品物体,挖掘策略只使用localization loss。Batch_size设为64,学习率按照指数规律衰减,初始learning_rate设为0.001,衰减系数为0.95,衰减轮次为2000,训练轮次为80000。模型最终准确度为93.6。
在本发明中,作为优选实施例,步骤S101中,YOLOv4:将图片分成S*S个区块,通过网格预测目标框。
在本发明中,作为优选实施例,Efficientnet:改进FPN网络,高效地进行多尺度特征融合。
在本发明中,作为优选实施例,步骤S102中,骨干模型使用mobilenet骨干模型(能够在移动端使用的网络模型),减少模型参数,缩少模型预测时间。(mobilenet骨干模型是现有的,以下所有参数都是mobilenet骨干模型中的参数设置。mobilenet是tensorflow里slim库的基础网络,使用tensorflow1的软件设置的)。
本发明实施例的参数min_scale和max_scale范围在0,2之间,dropout在0到1之间。
在本发明中,min_scale和max_scale:最小最大的先验框缩放系数,因为训练数据目标大多图片占图片面积的比例大,所以max_scale避免设置过大。
在本发明中,初始会将图片平均分成多个先验框,然后对于真实值与先验框来比对重叠率iou,大于0.5阈值即匹配,然后反向传播来回归到真实值,通过减少使预测值逼近真实值。
下面结合涉及的符号含义及定义对本发明的方案作进一步描述。
matcded阈值即目标框与默认框匹配的阈值,大于0.5则匹配在一起小于则不匹配。
Force_match_for_each_row:true如果图片中含有目标框,就必须有默认框匹配,即默认框数量大于或等于目标框。
Dropout:保留神经元的比例,0.8为随机丢弃0.2的神经元,防止模型过拟合,即只对训练数据敏感,无法泛化到其他数据。
normalize_loss_by_num_matches:True将目标框与目标框匹配损失归一化,即将损失映射到【0,1】上,可加快梯度下降速度,即提升模型收敛速度,也可避免反向传播时差值过大导致梯度爆炸,即模型无法收敛。
Iou阈值为标签的目标框与预测的目标框的交并比。
batch_size是训练批次,batch_size越大模型学习的梯度震荡的越小,即模型能够更好学习,但也需要更多的计算资源。
Learning_rate是学习率,即反向传播梯度时的步长,衰减系数为每一轮次学习率减少多少。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
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范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于机器学习的翡翠产品识别方法,其特征在于,所述翡翠产品识别方法包括:
获取翡翠产品图片中正样本数据和负样本数据,按照一定的样本比例,将所述正样本数据和负样本数据制作成标签,作为训练网络的样本数据;所述正样本数据和负样本数据的比例为3:1;
运用预先训练好的SSD训练网络在所述样本数据中找出图像中翡翠产品物体,同时确定物体的类别和位置;
根据获取的所述物体类别和位数据进行翡翠产品的分级,并进行显示;
所述正样本数据和负样本数据确定方法为:
收集翡翠产品的图片数据,利用人工打标将翡翠产品的位置确定,提取所述翡翠产品的目标坐标框,作为正样本数据;爬取不含翡翠产品的图片作为负样本数据;
所述目标坐标框还采用以下方法确定:
将所述翡翠产品图片分成S*S个区块,通过YOLOv4网格预测所述翡翠产品的目标坐标框;
在确定翡翠产品物体的类别和位置之中,将图片平均分成多个先验框,再对于真实值与先验框比对重叠率,大于设定的阈值0.5为匹配,再反向传播进行回归到真实值,使预测值逼近真实值;
训练模型:使用SSD的网络结构,训练时首先使用不同尺度和长宽比的先验框,最小的先验框缩放系数min_scale为0.2,最大的先验框缩放系数max_scale为0.95,先验框中的每一个点都作为候选区域的中心点,直接回归目标的类别和位置;使用ArgMaxMatcher策略,选取最大值策略,force_match_for_each_row设置为真,确保每个真实框都至少有一个默认框与之对应;
训练时,对样本数据进行random_horizontal_flip随机水平翻转以及ssd_random_crop随机裁剪;训练时,设置dropout系数为0.8,防止模型过拟合,所述dropout系数为保留神经元的比例;
目标分类损失函数设置为weighted_sigmoid和目标位置损失函数为weighted_smooth_l1;设置normalize_loss_by_num_matches为真,根据匹配的样本数目归一化总损失:用加权的分类损失和加权的位置损失计算出总损失后,再除以一个正样本总数N;
对于难样本挖掘策略,将IOU阈值设置为0.99,如果一个样本的IOU值比0.99低,则丢弃,挖掘策略只使用位置损失;训练批次设为64,学习率按照指数规律衰减,初始学习率设为0.001,衰减系数为0.95,衰减轮次为2000,训练轮次为80000。
2.如权利要求1所述的基于机器学习的翡翠产品识别方法,其特征在于,所述训练网络还包括改进的FPN网络。
3.一种数据处理终端,其特征在于,所述数据处理终端实施权利要求1~2任意一项所述的基于机器学习的翡翠产品识别方法。
4.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求1~2任意一项所述基于机器学习的翡翠产品识别方法。
5.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行:
获取翡翠产品图片中正负样本数据,作为训练网络的样本数据;所述正样本数据和负样本数据的比例为3:1;
运用预先训练完成的训练网络对所述翡翠产品图片包含的物体定位和物体分类两个子任务进行预测,获取物体的类别和位置;
根据获取的所述物体类别和位数据进行翡翠产品的分级,并进行显示;
所述正样本数据和负样本数据确定方法为:
收集翡翠产品的图片数据,利用人工打标将翡翠产品的位置确定,提取所述翡翠产品的目标坐标框,作为正样本数据;爬取不含翡翠产品的图片作为负样本数据;
所述目标坐标框还采用以下方法确定:
将所述翡翠产品图片分成S*S个区块,通过YOLOv4网格预测所述翡翠产品的目标坐标框;
在确定翡翠产品物体的类别和位置之中,将图片平均分成多个先验框,再对于真实值与先验框比对重叠率,大于设定的阈值0.5为匹配,再反向传播进行回归到真实值,使预测值逼近真实值;
训练模型:使用SSD的网络结构,训练时首先使用不同尺度和长宽比的先验框,最小的先验框缩放系数min_scale为0.2,最大的先验框缩放系数max_scale为0.95,先验框中的每一个点都作为候选区域的中心点,直接回归目标的类别和位置;使用ArgMaxMatcher策略,选取最大值策略,force_match_for_each_row设置为真,确保每个真实框都至少有一个默认框与之对应;
训练时,对样本数据进行random_horizontal_flip随机水平翻转以及ssd_random_crop随机裁剪;训练时,设置dropout系数为0.8,防止模型过拟合,所述dropout系数为保留神经元的比例;
目标分类损失函数设置为weighted_sigmoid和目标位置损失函数为weighted_smooth_l1;设置normalize_loss_by_num_matches为真,根据匹配的样本数目归一化总损失:用加权的分类损失和加权的位置损失计算出总损失后,再除以一个正样本总数N;
对于难样本挖掘策略,将IOU阈值设置为0.99,如果一个样本的IOU值比0.99低,则丢弃,挖掘策略只使用位置损失;训练批次设为64,学习率按照指数规律衰减,初始学习率设为0.001,衰减系数为0.95,衰减轮次为2000,训练轮次为80000。
6.一种基于机器学习的翡翠产品识别系统,其特征在于,所述翡翠产品识别系统包括:
样本数据生成模块,用于获取翡翠产品图片中正样本数据和负样本数据,按照一定的样本比例,将所述正样本数据和负样本数据制作成标签,作为训练网络的样本数据;所述正样本数据和负样本数据的比例为3:1;
样本数据训练模块,用于运用预先训练好的SSD训练网络在所述样本数据中找出图像中翡翠产品物体,同时确定物体的类别和位置;
分级显示模块,用于根据获取的所述物体类别和位数据进行翡翠产品的分级,并进行显示;
所述正样本数据和负样本数据确定方法为:
收集翡翠产品的图片数据,利用人工打标将翡翠产品的位置确定,提取所述翡翠产品的目标坐标框,作为正样本数据;爬取不含翡翠产品的图片作为负样本数据;
所述目标坐标框还采用以下方法确定:
将所述翡翠产品图片分成S*S个区块,通过YOLOv4网格预测所述翡翠产品的目标坐标框;
在确定翡翠产品物体的类别和位置之中,将图片平均分成多个先验框,再对于真实值与先验框比对重叠率,大于设定的阈值0.5为匹配,再反向传播进行回归到真实值,使预测值逼近真实值;
训练模型:使用SSD的网络结构,训练时首先使用不同尺度和长宽比的先验框,最小的先验框缩放系数min_scale为0.2,最大的先验框缩放系数max_scale为0.95,先验框中的每一个点都作为候选区域的中心点,直接回归目标的类别和位置;使用ArgMaxMatcher策略,选取最大值策略,force_match_for_each_row设置为真,确保每个真实框都至少有一个默认框与之对应;
训练时,对样本数据进行random_horizontal_flip随机水平翻转以及ssd_random_crop随机裁剪;训练时,设置dropout系数为0.8,防止模型过拟合,所述dropout系数为保留神经元的比例;
目标分类损失函数设置为weighted_sigmoid和目标位置损失函数为weighted_smooth_l1;设置normalize_loss_by_num_matches为真,根据匹配的样本数目归一化总损失:用加权的分类损失和加权的位置损失计算出总损失后,再除以一个正样本总数N;
对于难样本挖掘策略,将IOU阈值设置为0.99,如果一个样本的IOU值比0.99低,则丢弃,挖掘策略只使用位置损失;训练批次设为64,学习率按照指数规律衰减,初始学习率设为0.001,衰减系数为0.95,衰减轮次为2000,训练轮次为80000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011557329.XA CN112580731B (zh) | 2020-12-24 | 2020-12-24 | 翡翠产品识别方法、系统、终端、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011557329.XA CN112580731B (zh) | 2020-12-24 | 2020-12-24 | 翡翠产品识别方法、系统、终端、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580731A CN112580731A (zh) | 2021-03-30 |
CN112580731B true CN112580731B (zh) | 2022-06-24 |
Family
ID=75139927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011557329.XA Active CN112580731B (zh) | 2020-12-24 | 2020-12-24 | 翡翠产品识别方法、系统、终端、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580731B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020592A (zh) * | 2019-02-03 | 2019-07-16 | 平安科技(深圳)有限公司 | 物体检测模型训练方法、装置、计算机设备及存储介质 |
CN111310756A (zh) * | 2020-01-20 | 2020-06-19 | 陕西师范大学 | 一种基于深度学习的损伤玉米颗粒检测和分类方法 |
CN111444828A (zh) * | 2020-03-25 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、目标检测的方法、装置及存储介质 |
CN111881970A (zh) * | 2020-07-23 | 2020-11-03 | 国网天津市电力公司 | 一种基于深度学习的外破图像智能识别方法 |
CN111985554A (zh) * | 2020-08-18 | 2020-11-24 | 创新奇智(西安)科技有限公司 | 一种模型训练方法、手镯识别方法及对应装置 |
-
2020
- 2020-12-24 CN CN202011557329.XA patent/CN112580731B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020592A (zh) * | 2019-02-03 | 2019-07-16 | 平安科技(深圳)有限公司 | 物体检测模型训练方法、装置、计算机设备及存储介质 |
CN111310756A (zh) * | 2020-01-20 | 2020-06-19 | 陕西师范大学 | 一种基于深度学习的损伤玉米颗粒检测和分类方法 |
CN111444828A (zh) * | 2020-03-25 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、目标检测的方法、装置及存储介质 |
CN111881970A (zh) * | 2020-07-23 | 2020-11-03 | 国网天津市电力公司 | 一种基于深度学习的外破图像智能识别方法 |
CN111985554A (zh) * | 2020-08-18 | 2020-11-24 | 创新奇智(西安)科技有限公司 | 一种模型训练方法、手镯识别方法及对应装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112580731A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
US20230030267A1 (en) | Method and apparatus for selecting face image, device, and storage medium | |
CN109886335B (zh) | 分类模型训练方法及装置 | |
CN109740668B (zh) | 深度模型训练方法及装置、电子设备及存储介质 | |
KR20210110823A (ko) | 이미지 인식 방법, 인식 모델의 트레이닝 방법 및 관련 장치, 기기 | |
US7643674B2 (en) | Classification methods, classifier determination methods, classifiers, classifier determination devices, and articles of manufacture | |
CN111178183A (zh) | 人脸检测方法及相关装置 | |
CN109740752B (zh) | 深度模型训练方法及装置、电子设备及存储介质 | |
CN111368878B (zh) | 一种基于ssd目标检测的优化方法、计算机设备和介质 | |
CN110222582B (zh) | 一种图像处理方法和相机 | |
CN113657202B (zh) | 构件识别方法、构建训练集方法、装置、设备及存储介质 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN111310826A (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
CN116894985B (zh) | 半监督图像分类方法及半监督图像分类系统 | |
CN111523558A (zh) | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 | |
Meus et al. | Embedded vision system for pedestrian detection based on HOG+ SVM and use of motion information implemented in Zynq heterogeneous device | |
CN115439395A (zh) | 显示面板的缺陷检测方法、装置、存储介质及电子设备 | |
CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
CN111124863A (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
CN114359624A (zh) | 一种物品分拣方法、装置及存储介质 | |
CN116109907B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN113837257A (zh) | 一种目标检测方法及装置 | |
CN112580731B (zh) | 翡翠产品识别方法、系统、终端、计算机设备及存储介质 | |
CN112989869B (zh) | 人脸质量检测模型的优化方法、装置、设备及存储介质 |
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 |