CN112766384A - 一种基于深度学习的藻类絮体去除率评估方法 - Google Patents
一种基于深度学习的藻类絮体去除率评估方法 Download PDFInfo
- Publication number
- CN112766384A CN112766384A CN202110092792.XA CN202110092792A CN112766384A CN 112766384 A CN112766384 A CN 112766384A CN 202110092792 A CN202110092792 A CN 202110092792A CN 112766384 A CN112766384 A CN 112766384A
- Authority
- CN
- China
- Prior art keywords
- algae
- floc
- neural network
- convolutional neural
- removal rate
- 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
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000011156 evaluation Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 19
- 230000015271 coagulation Effects 0.000 claims abstract description 17
- 238000005345 coagulation Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 3
- 241000192710 Microcystis aeruginosa Species 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 2
- 239000003643 water by type Substances 0.000 claims 1
- 238000013508 migration Methods 0.000 abstract 1
- 230000005012 migration Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001112 coagulating effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002351 wastewater Substances 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
- G06F18/21—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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的藻类絮体去除率评估方法,本发明先获取混凝过程中藻絮体图像,将藻絮体图像和对应去除率建立数据标签,对藻类絮体图像进行预处理,将预处理后的图像制作成数据包,将数据集中的絮体图像根据数据标签分成不同的去除率类别。同时将数据包内的数据分为训练集,验证集和测试集;建立DenseNet卷积神经网络模型,将数据集输入至卷积神经网络中进行迁移学习,得到训练好的卷积神经网络模型,并用验证集进行验证,保证模型的准确性;使用训练好的模型对测试集藻絮体进行识别。本发明将深度学习算法应用于絮体图像识别中,能够优化传统自动混凝流程,同时对高藻水的去除率进行预测。
Description
技术领域
本发明属于检测技术领域,尤其涉及一种基于深度学习的藻类絮体去除率评估方法。
背景技术
随着近年来我国工农业的快速发展,大量工农业废水排入水体,导致水体富营养化,进而引发一系列藻类爆发问题,给净水工艺带来了极大的挑战。传统除藻一般采用强化混凝的方式对藻类进行去除,因此藻类爆发问题给净水厂混凝工艺提出了更高的要求,而国内的水厂一般采用人工经验投加的方式,存在严重的系统滞后性。不能有效的应对突发的藻类爆发威胁。
显示式混凝控制系统(Flocculation Control Device,FCD)是国内自行研发的混凝自动投药系统,能够通过对混凝过程中絮体图像进行采集,预处理,二值化,特征提取,获取絮体的等效粒径,通过建立粒径与出水效果的关系对混凝投药进行自动控制。但是对于复杂水质的处理效果却不尽人意,宋启敏等认为对于水质频繁变换的水体,FCD使用的简单的数学模型并不能很好的获取到目标絮体的等效直径。同时由于含藻絮体的结构特殊性(藻细胞絮体十分疏松,呈现相互牵连的絮状)二值化后的絮体图往往不具有参考性,如图1所示,正常水质条件下,图像阈值分割(二值化)能够有效的获取絮体图像的特征参数,而藻类爆发条件下,阈值分割后的絮体图像并不能提供任何有效的特征参数。
发明内容
为解决上述问题,本发明提供了一种基于深度学习的藻类絮体去除率评估方法。本发明通过对藻类混凝絮体的识别实现藻类去除率的预测,克服了现有的图像阈值分割(二值化)在藻类爆发条件下无法任何有效的特征参数,难以预测含藻絮体去除率的情况。
为达到上述技术效果,本发明的技术方案是:
一种基于深度学习的藻类絮体去除率评估方法,包括以下步骤:步骤一、进行混凝过程中藻絮体图像的采集得到藻类絮体图像,将藻絮体图像和对应去除率建立对应关系和数据标签并根据数据标签值进行去除率区间的划分,建立不同去除率区间类别的絮体图像数据集;
步骤二、对藻类絮体图像进行预处理,将预处理后的图像制作成数据包,同时将数据包内的数据分为训练集,验证集和测试集;
步骤三、建立卷积神经网络模型,将训练集输入至卷积神经网络中进行迁移学习,得到训练好的卷积神经网络模型,并用验证集进行验证,保证卷积神经网络模型的准确性;
步骤四、使用训练好的卷积神经网络模型对测试集中的藻絮体进行识别,根据标签数据进行去除率区间的预测;若预测的准确率大于或等于预设阈值则得到最终的卷积神经网络模型,若预测的准确率低于预设阈值则继续训练,则重新进行训练至得到最终的卷积神经网络模型;
步骤五、采用最终的卷积神经网络模型进行藻类絮体去除率的预测。
进一步的改进,所述步骤一中,混凝过程在实验室进行,利用铜绿微囊藻与水库水配置12种不同藻浓度的目标高藻水,利用10mg/L聚合氯化铝进行混凝获得藻絮体图像。
进一步的改进,所述步骤一中的图像采集通过电子显微镜采集,每一种藻浓度对应的絮体图像采集数量为200±20张,共采集2334张絮体图像,分别对应12种不同的去除率。
进一步的改进,所述步骤一中,絮体图像数据集建立过程包括将收集到的不同藻类絮体根据对应的数据标签分为60%以下;60%到70%;70%到90%;90%以上四个类别。
进一步的改进,所述步骤中,图像预处理过程包括,图像的翻转以和图像的随机裁剪。
进一步的改进,所述步骤三的卷积神经网络为DenseNet-121深度学习模型,包括4个密集块和3个转化层,分类层采用全连接网络模型,去除原有softmax层,并将输出个数改为4个。
进一步的改进,所述步骤三的卷积神经网络训练过程利用迁移学习进行训练,即固定DenseNet网络的除最后一层外的网络参数,重新训练最后一层的网络参数完成模型的训练。
本发明的优点:
本发明为混凝自动投药系统中的絮体图像识别提供了新的方案,可以改进传统FCD絮体图像处理的不足,实现对高藻水混凝后去除率的预测。
附图说明
图1不同浓度藻混凝后的絮体图像与二值化处理后的絮体图像;
图2.不同藻浓度对应的去除率;
图3不同去除率区间的絮体图像示例;
图4 DenseNet卷积神经网络结构示意图;
图5模型训练结果图;
图6模型测试的混淆矩阵图。
具体实施方式
以下通过具体实施方式对本发明的技术方案作具体说明。
本发明的实施方式涉及一种基于深度学习藻絮体图像识别的去除率预测方法,该方法首先通过实验采集藻絮体图像并记录对应的去除率制成带去除率标签的絮体图像数据库。构建神经网络模型。最后对测试集的絮体图像进行识别,并对模型的识别效果进行评价,以便后续应用于实际生产,具体包括以下步骤:
1.数据的采集过程
利用铜绿微囊藻与水库水配置12种不同藻浓度的目标高藻水,利用10mg/L聚合氯化铝进行混凝获得藻絮体图像。图像采集通过电子显微镜采集,每一种藻浓度对应的絮体图像采集大约200张,共采集2334张絮体图像,分别对应12种不同的去除率。各种浓度对应的去除率如图1所示。
2.数据预处理过程
图像数据集建立过程中首先将收集到的不同藻类絮体根据其去除率大小分为60%以下;60%到70%;70%到90%;90%以上四个类别。以上四个类别即为目标絮体的数据标签。不同去除率类别的示例图如图2所示。
3.数据集建立
将图像打乱并进行图像的随机裁剪,翻转,镜像操作。将目标图像规格化为224×224的图像。完成处理后将所有数据打散并划分训练集、验证集和测试集。
4.DenseNet卷积神经网络模型
DenseNet模型源于ResNet模型,ResNet模型的优秀源于它可以训练出更深的CNN模型,从而提高模型的准确度。而DenseNet模型延续了ResNet模型的思路,但不同于ResNet,他提出了一个密集连接机制,称为密集块(Dense Block),密集块中每个层需要接受前面所有层作为其额外输出。
Xl=Hl([X0,X1,X2,…Xl-1])
Hl:非线性转化函数,由一系列卷积,池化,批标准化,线性整流函数组成
这种特殊的连接方式需要各个层的特征图大小一致。所以DenseNet网络采用了密集块和转化层的结构,转化层主要由卷积层和池化层组成,可以实现特征图的大小变换。图3是网络的具体结构。DenseNet-121网络结构如表1所示。
表1 DenseNet-121网络结构
5.模型训练
本文利用迁移学习对模型进行训练,迁移学习主要的实现方法是将一个已经训练好的模型参数移植至需要训练的模型中去,只用训练后几层网络即可实现目标模型的训练。本文中固定DenseNet-121的部分网络参数,对最后一层即分类层进行调整,将输出改为4个,重新训练最后几层的网络参数,完成模型训练。
模型训练基于python语言的编程环境,使用了TensorFlow 2.0框架,Pycharm开发环境在计算机上训练模型,计算机处理器为Intel Core i5-8400,内存大小为16G,显卡为Nvidia GeForce 1060,模型训练的过程中采用了自适应估计算法(Adaptive MomentEstimation)对目标模型进行优化,设置学习率为0.001,训练批量大小为32,训练轮数设置为50。
6.训练结果与评价
使用分类交叉熵损失函数将模型训练50轮后,实验结果如图4所示,由实验结果可知模型在较短时间内,训练集和验证集的准确性都提升到一个较高的水平,经过50轮的训练,模型的验证集准确度达到了91%,测试集的准确度达到了89%。
混淆矩阵是模型精度评价的一种方式,能够实现分类结果的可视化,从而直观的看出模型预测结果和实际结果的差异,便于分析模型的优劣性。用户精度(User Accuracy)和生产者精度(Producer accuracy)是混淆矩阵中的两个重要的指标,在本文的背景下,用户精度指的是某去除率区间的絮体图像被正确识别到该去除率区间的数量和该去除率区间中的絮体图像总数的比例。生产者精度指的是某去除率区间的絮体图像被正确识别到该去除率区间的数量和被识别成该去除率区间的絮体图像总数的比例。
模型测试的混淆矩阵和模型测试精度表由图5和表2所示,在混淆矩阵中纵轴的数值代表不同的去除率区间类别,横轴数值表示模型识别的去除率类别。对角线上的数值表示模型正确识别的絮体图像数量。结合模型测试精度表可以看出,模型对去除率90%以上的识别效果较好,无论是UA还是PA的精度都达到了96%以上,说明模型对正常的水质情况能够给出准确的判断,同样的对于去除率小于60%的情况,其PA能够达到99%,说明模型能够对高藻水的混凝去除给出预警。其余的预测精度都达到70%,基本达到所需的技术要求。
表2模型测试精度表
上述仅为本发明的一个具体导向实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明的保护范围的行为。
Claims (7)
1.一种基于深度学习的藻类絮体去除率评估方法,其特征在于,包括以下步骤:
步骤一、进行混凝过程中藻絮体图像的采集得到藻类絮体图像,将藻絮体图像和对应去除率建立对应关系和数据标签并根据数据标签值进行去除率区间的划分,建立不同去除率区间类别的絮体图像数据集;
步骤二、对藻类絮体图像进行预处理,将预处理后的图像制作成数据包,同时将数据包内的数据分为训练集,验证集和测试集;
步骤三、建立卷积神经网络模型,将训练集输入至卷积神经网络中进行迁移学习,得到训练好的卷积神经网络模型,并用验证集进行验证,保证卷积神经网络模型的准确性;
步骤四、使用训练好的卷积神经网络模型对测试集中的藻絮体进行识别,根据标签数据进行去除率区间的预测;若预测的准确率大于或等于预设阈值则得到最终的卷积神经网络模型,若预测的准确率低于预设阈值则继续训练,则重新进行训练至得到最终的卷积神经网络模型;
步骤五、采用最终的卷积神经网络模型进行藻类絮体去除率的评估。
2.根据权利要求1所述的一种基于深度学习的藻类絮体去除率评估方法,其特征在于,所述步骤一中,混凝过程在实验室进行,利用铜绿微囊藻与水库水配置12种不同藻浓度的目标高藻水,利用10mg/L聚合氯化铝进行混凝获得藻絮体图像。
3.根据权利要求1所述的一种基于深度学习的藻类絮体去除率评估方法,其特征在于,所述步骤一中的图像采集通过电子显微镜采集,每一种藻浓度对应的絮体图像采集数量为200±20张,共采集2334张絮体图像,分别对应12种不同的去除率。
4.根据权利要求1所述的一种基于深度学习的藻类絮体去除率评估方法,其特征在于,所述步骤一中,絮体图像数据集建立过程包括将收集到的不同藻类絮体根据对应的数据标签分为60%以下;60%到70%;70%到90%;90%以上四个类别。
5.根据权利要求1所述的一种基于深度学习的藻类絮体去除率评估方法,其特征在于,所述步骤中,图像预处理过程包括,图像的翻转以和图像的随机裁剪。
6.根据权利要求1所述的一种基于深度学习的藻类絮体去除率评估方法,其特征在于,所述步骤三的卷积神经网络为DenseNet-121深度学习模型,包括4个密集块和3个转化层,分类层采用全连接网络模型,去除原有softmax层,并将输出个数改为4个。
7.根据权利要求1所述的一种基于深度学习的藻类絮体去除率评估方法,其特征在于,所述步骤三的卷积神经网络训练过程利用迁移学习进行训练,即固定DenseNet网络的除最后一层外的网络参数,重新训练最后一层的网络参数完成模型的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092792.XA CN112766384A (zh) | 2021-01-24 | 2021-01-24 | 一种基于深度学习的藻类絮体去除率评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092792.XA CN112766384A (zh) | 2021-01-24 | 2021-01-24 | 一种基于深度学习的藻类絮体去除率评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766384A true CN112766384A (zh) | 2021-05-07 |
Family
ID=75706903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110092792.XA Pending CN112766384A (zh) | 2021-01-24 | 2021-01-24 | 一种基于深度学习的藻类絮体去除率评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766384A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311657A (zh) * | 2022-09-02 | 2022-11-08 | 澳门科技大学 | 多源藻类图像目标检测方法、系统、电子设备及存储介质 |
CN115925076A (zh) * | 2023-03-09 | 2023-04-07 | 湖南大学 | 一种基于机器视觉与深度学习的混凝自动投药方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1715201A (zh) * | 2005-06-29 | 2006-01-04 | 上海大学 | 通过在线测量絮体沉淀速度控制混凝剂加注量的方法和系统 |
US20140076550A1 (en) * | 2012-09-14 | 2014-03-20 | Halliburton Energy Services, Inc. | Systems and Methods for Detecting Microannulus Formation and Remediation |
CN109977780A (zh) * | 2019-02-26 | 2019-07-05 | 广东工业大学 | 一种基于深度学习算法的硅藻的检测与识别方法 |
CN110054274A (zh) * | 2019-05-13 | 2019-07-26 | 深圳江行联加智能科技有限公司 | 一种净水絮凝沉淀投药控制技术 |
-
2021
- 2021-01-24 CN CN202110092792.XA patent/CN112766384A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1715201A (zh) * | 2005-06-29 | 2006-01-04 | 上海大学 | 通过在线测量絮体沉淀速度控制混凝剂加注量的方法和系统 |
US20140076550A1 (en) * | 2012-09-14 | 2014-03-20 | Halliburton Energy Services, Inc. | Systems and Methods for Detecting Microannulus Formation and Remediation |
CN109977780A (zh) * | 2019-02-26 | 2019-07-05 | 广东工业大学 | 一种基于深度学习算法的硅藻的检测与识别方法 |
CN110054274A (zh) * | 2019-05-13 | 2019-07-26 | 深圳江行联加智能科技有限公司 | 一种净水絮凝沉淀投药控制技术 |
Non-Patent Citations (2)
Title |
---|
HIROSHI Y, ET AL.: ""Dosage optimization of polyaluminum chloride by the application of convolutional neural network to the floc images captured in jar tests"", 《SEPARATION AND PURIFICATION TECHNOLOGY》 * |
徐建平等: "电絮凝技术在海水养殖尾水处理中的研究应用", 《渔业现代化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311657A (zh) * | 2022-09-02 | 2022-11-08 | 澳门科技大学 | 多源藻类图像目标检测方法、系统、电子设备及存储介质 |
CN115311657B (zh) * | 2022-09-02 | 2024-01-05 | 澳门科技大学 | 多源藻类图像目标检测方法、系统、电子设备及存储介质 |
CN115925076A (zh) * | 2023-03-09 | 2023-04-07 | 湖南大学 | 一种基于机器视觉与深度学习的混凝自动投药方法与系统 |
CN115925076B (zh) * | 2023-03-09 | 2023-05-23 | 湖南大学 | 一种基于机器视觉与深度学习的混凝自动投药方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300111B (zh) | 一种基于深度学习的染色体识别方法 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN112766384A (zh) | 一种基于深度学习的藻类絮体去除率评估方法 | |
CN111179273A (zh) | 一种基于深度学习的白细胞核质自动分割方法及系统 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN110119747A (zh) | 一种基于x射线图像的煤矸识别方法 | |
WO2023029117A1 (zh) | 一种利用图像识别技术分析矾花特征的方法及装置 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
KR101237444B1 (ko) | 하폐수 처리장의 공정진단 시스템 및 방법 | |
CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
CN112084716B (zh) | 一种基于富营养化综合评价的赤潮预测预警方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN115659255A (zh) | 一种基于时频域建模与特征选择的路灯故障诊断方法 | |
CN112199862A (zh) | 纳米粒子运移的预测方法、其影响因子分析方法及系统 | |
CN113658640B (zh) | 一种淡水生态系统健康评价方法 | |
CN110807174B (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
CN110706004B (zh) | 一种基于层次聚类的农田重金属污染物溯源方法 | |
CN110310286B (zh) | 基于泡沫图像多特征的分层工况感知判别方法 | |
CN116680643A (zh) | 一种深度对比学习与密度聚类结合的异常检测方法 | |
CN108345943B (zh) | 一种基于嵌入编码与对比学习的机器学习识别方法 | |
CN115496716A (zh) | 基于深度学习的单双微核细胞图像检测方法及相关设备 | |
CN116246100A (zh) | 染色体图像可解释评估选取方法、装置、设备及存储介质 | |
Inbar et al. | Analyzing the secondary wastewater-treatment process using Faster R-CNN and YOLOv5 object detection algorithms | |
CN114496099A (zh) | 细胞功能注释方法、装置、设备及介质 | |
CN112966724B (zh) | 一种图像单类别分类的方法及装置 |
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: 20210507 |
|
RJ01 | Rejection of invention patent application after publication |