CN112861724A - 一种中药识别系统 - Google Patents

一种中药识别系统 Download PDF

Info

Publication number
CN112861724A
CN112861724A CN202110175969.2A CN202110175969A CN112861724A CN 112861724 A CN112861724 A CN 112861724A CN 202110175969 A CN202110175969 A CN 202110175969A CN 112861724 A CN112861724 A CN 112861724A
Authority
CN
China
Prior art keywords
traditional chinese
chinese medicine
image
characteristic information
layers
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
Application number
CN202110175969.2A
Other languages
English (en)
Inventor
王汇芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202110175969.2A priority Critical patent/CN112861724A/zh
Publication of CN112861724A publication Critical patent/CN112861724A/zh
Pending legal-status Critical Current

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)

Abstract

本发明公开了一种中药识别系统，属于图像识别领域。一种中药识别系统，包括：图像采集模块、图像处理模块与数据库。所述图像采集模块从多个角度的采集所述中药的图像，并传输至所述图像处理模块；所述图像处理模块提取所述中药特征信息，形成所述中药的特征信息参数；将所述特征信息参数与所述数据库存储的标准信息参数进行对比。

Description

一种中药识别系统
技术领域
本发明涉及图像识别领域，具体涉及一种中药识别系统。
背景技术
20世纪20年代兴起了图像处理，随后便结合了模式识别得到极大的发展，广泛地应用于不同的领域。中药学是一门博大精深的学问，近些年来，人们对中医药的认可度也在不断提高，但是市场上假冒伪劣的药材横行，人工鉴别繁琐且可能出错。
发明内容
针对现有技术的不足，本发明提出了一种中药识别系统。
本发明的目的可以通过以下技术方案实现：
一种中药识别系统，包括：
图像采集模块、图像处理模块与数据库。
所述图像采集模块从多个角度的采集所述中药的图像，并传输至所述图像处理模块；所述图像处理模块提取所述中药特征信息，形成所述中药的特征信息参数；
将所述特征信息参数与所述数据库存储的标准信息参数进行对比。
可选地，所述特征信息包括中药的颜色、形状与纹理。
可选地，所述图像处理模块为Matlab平台。
可选地，所述图像采集设备为摄像机或智能手机。
可选地，还包括报告生成模块，用于显示所述特征信息与所述数据库存储的标准信息的对比结果。
可选地，所述图像采集模块与所述图像处理模块通过Wifi或数据线信号连接。
可选地，还包括步骤1，收集样本中药图像和待识别中药图像，存储在所述数据库中；在所述数据库中，对所收集到的样本中药图像进行颜色、形状、纹理的标记；
步骤2,将样本中药图像输入深度卷积祌经网络中进行训练，建立深度卷积神经网络模型，所述深度卷积神经网络中输入层、卷积层、池化层、全连接层、输出层的总层数应在10层以上，其中所述输入层接收输入图像，所述卷积层和池化层用于图像特征提取，所述全连接层用于特征分类，所述输出层用于输出结果；所述输出层同时具有3个输出值，分别为该中药的颜色、形状、纹理标记。
步骤3，所述深度卷积神经网络的损失函数为中药颜色、形状、纹理的交叉熵损失的加权和，然后求解所述神经网络的损失函数，通过随机梯度下降算法进一步训练所述神经网络；将待识别中药图像输入到所述步骤2己训练好的所述神经网络中，依据输出标记得到最终识别结果。
可选地，每种所述中药图像数量在300张以上。
可选地，将收集的样本中药图像和待识别中药图像输入所述神经网络训练前，先进行数据增强处理，所述数据增强处理包括取样处理或放大取样；所述旋转取样是指将每一张中药图像每旋转n度后进行一次釆样，0〈n<360；所述放大取样是指多次随机将图像中的一部分放大后再进行采样。
一种中药识别方法，包括以下步骤：
步骤1：构建数据库，存储中药的标准信息参数；
步骤2：通过图像采集模块从多角度采集所述中药的图像；
步骤3：所述图像处理模块提取所述中药特征信息，形成所述中药的特征信息参数；
步骤4：将所述特征信息参数与所述数据库存储的标准信息参数进行对比，判断所述中药实际种类。
有益效果：
通过上述技术方案，能够基于图像处理获取特征图像和图像的特征参数，然后利用创建的云端中药药材数据库进行检索识别，最后将结果返回客户端生成展示的报告，进一步地提高中药识别的准确性与效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明实施例的中药识别系统的结构示意图；
图2是本发明实施例的中药识别方法的流程图；
图3是本发明实施例的石斛的颜色信息数据示意图；
图4是本发明实施例的石斛的形状信息数据示意图；
图5是本发明实施例的石斛的纹理信息数据示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1与图2所示，一种中药识别系统，包括：图像采集模块、图像处理模块与数据库。所述图像采集模块从多个角度的采集所述中药的图像，并传输至所述图像处理模块；所述图像处理模块提取所述中药特征信息，形成所述中药的特征信息参数；将所述特征信息参数与所述数据库存储的标准信息参数进行对比。
在本发明的一些示例中，图像处理模块又包括图像采集，图像预处理，图像特征提取三个子模块，图像采集部分采用基于IOS，Android，Windows Phone或Symbian系统等移动智能平台的2G/3G/4G智能手机，图像预处理与特征提取选用matlab软件。图像处理模块的终端与检索识别中的信息获取子模块通过有线或无线网络相连。
如图3～5所示，本发明的一种具体应用中，通过图像处理模块与检索识别模块识别中药石斛的过程如下：将待测的中药石斛置于纯色背景下，打开图像采集模块的中的软件对待测石斛进行拍照，将获取的图片导入matlab中，进入图像预处理模块。首先对图像进行裁剪，突出目标的显示比例，然后进行灰度化处理，将RGB彩色图像转化为灰度图像，对图像进行滤波处理，膨胀腐蚀操作。完成图像的初步处理以后，进行图像的特征提取。采用颜色矩的方法进行颜色特征提取，颜色矩指的是用不同颜色的矩来表示图像中的颜色分布。
图像的几何特征是目标物体的边缘，通过边缘检测来提取有用的信息。采用HU不变矩的方法提取中药药材石斛的几何形状特征。纹理特征是在微观上反映图像的不同特征，从而实现对目标图像的区分。采用灰度共生矩阵的方法对石斛进行纹理特征提取。完成图像的特征提取以后通过信息获取模块将提取的特征信息导入匹配识别模块，完成检索识别以后，自动生成报告，显示于客户端。
在本发明的另一个实施例中，还提供了以下识别步骤：
步骤1，收集样本中药图像和待识别中药图像，收集方式可通过任何有摄像头的设备拍摄取得。收集完成后，建立中药图像数据库，对所收集到的样本中药图像进行颜色、形状、纹理的标记。为了提高准确度与数据的均匀性，应确保每个物种的样本中药图像数量在300张以上。将收集的样本中药图像和待识别中药图像输入深度卷积神经网络训练前，应先进行数据增强处理，数据增强处理可以是旋转或放大。旋转是指将每一张中药图像每旋转n度后进行一次釆样，0〈n<360；放大是指多次随机将图像中的一部分放大后再进行采样。
步骤2,将样本中药图像输入深度卷积祌经网络中进行训练，建立如图3所示的深度卷积神经网络模型，所述深度卷积祌经网络包括输入层、卷积层、池化层、全连接层和输出层,第一层为输入层，紧接着为若干个卷积和池化层，之后为若干个全连接层，最后为输出层，所述深度卷积神经网络中输入层、卷积层、池化层、全连接层、输出层的总层数应在10层以上，其中，输入层接收输入图像，卷积层和池化层用于图像特征提取，全连接层用于特征分类，输出层用于输出结果。输出层同时具有3个输出值，分别为该中药的颜色、形状、纹理标记。
所述深度卷积神经网络的损失函数为中药颜色、形状、纹理的交叉熵损失的加权和，然后求解神经网络的损失函数，通过随机梯度下降算法进一步训练所述神经网络。将待识别中药图像输入到步骤2己训练好的深度卷积神经网络中，依据输出标记得到最终识别结果。可以理解的是，通过同时考虑中药的颜色、形状、纹理，能够进一步地提高分析的准确性。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种中药识别系统，其特征在于，包括：
图像采集模块、图像处理模块与数据库。
所述图像采集模块从多个角度的采集所述中药的图像，并传输至所述图像处理模块；所述图像处理模块提取所述中药特征信息，形成所述中药的特征信息参数；
将所述特征信息参数与所述数据库存储的标准信息参数进行对比。
2.根据权利要求1所述的中药识别系统，其特征在于，所述特征信息包括中药的颜色、形状与纹理。
3.根据权利要求1所述的中药识别系统，其特征在于，所述图像处理模块为Matlab平台。
4.根据权利要求1所述的中药识别系统，其特征在于，所述图像采集设备为摄像机或智能手机。
5.根据权利要求1所述的中药识别系统，其特征在于，还包括报告生成模块，用于显示所述特征信息与所述数据库存储的标准信息的对比结果。
6.根据权利要求1所述的中药识别系统，其特征在于，所述图像采集模块与所述图像处理模块通过Wifi或数据线信号连接。
7.根据权利要求1所述的中药识别系统，其特征在于，还包括步骤1，收集样本中药图像和待识别中药图像，存储在所述数据库中；在所述数据库中，对所收集到的样本中药图像进行颜色、形状、纹理的标记；
步骤2,将样本中药图像输入深度卷积祌经网络中进行训练，建立深度卷积神经网络模型，所述神经网络中输入层、卷积层、池化层、全连接层、输出层的总层数均配置在10层以上，其中所述输入层接收输入图像，所述卷积层和池化层用于图像特征提取，所述全连接层用于特征分类，所述输出层用于输出结果；所述输出层同时具有3个输出值，分别为该中药的颜色、形状、纹理标记。
步骤3，所述深度卷积神经网络的损失函数为中药颜色、形状、纹理的交叉熵损失的加权和，然后求解所述神经网络的损失函数，通过随机梯度下降算法进一步训练所述神经网络；将待识别中药图像输入到所述步骤2己训练好的所述神经网络中，依据输出标记得到最终识别结果。
8.根据权利要求1所述的中药识别系统，其特征在于，每种所述中药图像数量在300张以上。
9.根据权利要求1所述的中药识别系统，其特征在于，将收集的样本中药图像和待识别中药图像输入所述神经网络训练前，先进行数据增强处理，所述数据增强处理包括取样处理或放大取样；所述旋转取样是指将每一张中药图像每旋转n度后进行一次釆样，0〈n<360；所述放大取样是指多次随机将图像中的一部分放大后再进行采样。
10.一种中药识别方法，其特征在于，包括以下步骤：
步骤1：构建数据库，存储中药的标准信息参数；
步骤2：通过图像采集模块从多角度采集所述中药的图像；
步骤3：所述图像处理模块提取所述中药特征信息，形成所述中药的特征信息参数；
步骤4：将所述特征信息参数与所述数据库存储的标准信息参数进行对比，判断所述中药实际种类。
CN202110175969.2A 2021-02-06 2021-02-06 一种中药识别系统 Pending CN112861724A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110175969.2A CN112861724A (zh) 2021-02-06 2021-02-06 一种中药识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110175969.2A CN112861724A (zh) 2021-02-06 2021-02-06 一种中药识别系统

Publications (1)

Publication Number Publication Date
CN112861724A true CN112861724A (zh) 2021-05-28

Family

ID=75989345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110175969.2A Pending CN112861724A (zh) 2021-02-06 2021-02-06 一种中药识别系统

Country Status (1)

Country Link
CN (1) CN112861724A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255334A (zh) * 2021-12-13 2022-03-29 中国中医科学院中药研究所 针对中药的形状特征采集装置、数据库以及鉴定系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880853A (zh) * 2012-08-03 2013-01-16 成都中医药大学 基于网络的中药识别系统及方法
CN107092906A (zh) * 2017-05-01 2017-08-25 刘至键 一种基于深度学习的中药材识别装置
CN108229413A (zh) * 2018-01-16 2018-06-29 宁夏智启连山科技有限公司 病虫害类型识别方法及装置
CN108549926A (zh) * 2018-03-09 2018-09-18 中山大学 一种用于精细化识别车辆属性的深度神经网络及训练方法
CN109615574A (zh) * 2018-12-13 2019-04-12 济南大学 基于gpu和双尺度图像特征比对的中药识别方法及系统
CN109919224A (zh) * 2019-03-06 2019-06-21 颐保医疗科技(上海)有限公司 一种基于人工智能的真伪混杂中药材的鉴别方法
CN112183674A (zh) * 2020-11-06 2021-01-05 南昌航空大学 一种粪便宏观图像颜色和性状多任务识别方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880853A (zh) * 2012-08-03 2013-01-16 成都中医药大学 基于网络的中药识别系统及方法
CN107092906A (zh) * 2017-05-01 2017-08-25 刘至键 一种基于深度学习的中药材识别装置
CN108229413A (zh) * 2018-01-16 2018-06-29 宁夏智启连山科技有限公司 病虫害类型识别方法及装置
CN108549926A (zh) * 2018-03-09 2018-09-18 中山大学 一种用于精细化识别车辆属性的深度神经网络及训练方法
CN109615574A (zh) * 2018-12-13 2019-04-12 济南大学 基于gpu和双尺度图像特征比对的中药识别方法及系统
CN109919224A (zh) * 2019-03-06 2019-06-21 颐保医疗科技(上海)有限公司 一种基于人工智能的真伪混杂中药材的鉴别方法
CN112183674A (zh) * 2020-11-06 2021-01-05 南昌航空大学 一种粪便宏观图像颜色和性状多任务识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙鑫 等: "基于深度卷积网络的中药饮片图像识别", 《世界科学技术—中医药现代化》, vol. 19, no. 2, 28 February 2017 (2017-02-28), pages 218 - 222 *
李震: "中药饮片特征提取和识别系统", 《中国优秀硕士学位论文全文数据库信息科技辑》, vol. 2014, no. 3, 15 March 2014 (2014-03-15), pages 3 - 1 *
王永康 等: "基于多任务学习模型的中药饮片识别", 《现代中药研究与实践》, vol. 34, no. 2, 29 February 2020 (2020-02-29), pages 1 - 5 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255334A (zh) * 2021-12-13 2022-03-29 中国中医科学院中药研究所 针对中药的形状特征采集装置、数据库以及鉴定系统

Similar Documents

Publication Publication Date Title
CN108537191B (zh) 一种基于结构光摄像头的三维人脸识别方法
CN108898085B (zh) 一种基于手机视频的道路病害智能检测方法
CN106548182B (zh) 基于深度学习和主成因分析的路面裂纹检测方法及装置
CN104361314B (zh) 基于红外与可见光图像融合的变电设备定位方法及装置
CN107480649B (zh) 一种基于全卷积神经网络的指纹汗孔提取方法
CN106339702A (zh) 一种基于多特征融合的人脸识别方法
US11263435B2 (en) Method for recognizing face from monitoring video data
CN108491797A (zh) 一种基于大数据的车辆图像精确检索方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN104376315B (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN106991370B (zh) 基于颜色和深度的行人检索方法
CN104881865A (zh) 基于无人机图像分析的森林病虫害监测预警方法及其系统
CN107977656A (zh) 一种行人重识别方法及系统
CN108921038A (zh) 一种基于深度学习人脸识别技术的课堂快速点名签到方法
CN106920256A (zh) 一种有效的失踪儿童寻找系统
CN107818321A (zh) 一种用于车辆年检的水印日期识别方法
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN111680577A (zh) 人脸检测方法和装置
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN112861724A (zh) 一种中药识别系统
CN111079585B (zh) 图像增强结合伪孪生卷积神经网络的行人再识别方法
CN115797970B (zh) 基于YOLOv5模型的密集行人目标检测方法及系统
CN116721385A (zh) 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法
CN114758139B (zh) 基坑积水检测方法
CN109190451B (zh) 基于lfp特征的遥感图像车辆检测方法

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: 20210528

RJ01 Rejection of invention patent application after publication