CN113159083A - 一种基于Faster R-CNN网络的烟叶分级方法 - Google Patents
一种基于Faster R-CNN网络的烟叶分级方法 Download PDFInfo
- Publication number
- CN113159083A CN113159083A CN202011426985.6A CN202011426985A CN113159083A CN 113159083 A CN113159083 A CN 113159083A CN 202011426985 A CN202011426985 A CN 202011426985A CN 113159083 A CN113159083 A CN 113159083A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- training
- model
- network
- data set
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 38
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 32
- 238000011176 pooling Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 235000019505 tobacco product Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 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
- G06F18/24—Classification techniques
-
- 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
本发明涉及计算机图像处理技术领域，具体为一种基于Faster R‑CNN网络的烟叶分级方法。所述方法包括以下步骤：(1)采集烟叶图像并建立烟叶等级分类的烟叶图像数据集；(2)以VGG16网络模型为基础，调整模型的参数，将模型的感兴趣区域池改进为ROI Align去掉第8层、12层、15层3个卷积层，并引入Inception网络结构，建立Faster R‑CNN网络模型；(3)以深度学习框架caffe作为实验平台，用Faster R‑CNN网络对烟叶图像数据集进行训练。本发明改进后的烟叶分级算法不仅具有在分类器训练上网络收敛速度快，而且在识别上具有识别率高、识别速度快等优点。
Description
技术领域
本发明涉及计算机图像处理技术领域，具体为一种基于Faster R-CNN网络的烟叶分级方法。
背景技术
烟草制品作为我国的主要农业经济作物，烟叶的质量评价和分级有着至关重要的作用。烟叶作为烟草制品的主要原料之一，其质量的好坏是影响后期烟草制品质量稳定的关键。利用计算机视觉对烟叶进行分级，不仅可以解决传统人工分级方式的劳动强度大、主观性强、工作效率低等缺点，且可以稳定分级精度及分级合格率。而现有的烟叶分级方法对图像的获取、预处理及特征提取具有较强的依赖性，尤其是对于图像特征不明显的处理效果差。
随着深度学习的发展，卷积神经网络(CNN)具有良好的特征提取能力和泛化能力，检测目标不仅检测速度快，检测模型的准确度也高。但是随着卷积神经网络层数的增加，带来高精度的同时伴随有梯度弥散、梯度消失、网络模型难以优化以及抑制了浅层网络参数的收敛等问题，导致训练效果差。
发明内容
针对现有技术的不足，本发明提供了一种基于Faster R-CNN网络的烟叶分级方法，解决了烟叶部位不同等级之间特征过于相似以及数据集不足导致的分级准确率不高，及烟叶分类的识别精度等技术问题。
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Faster R-CNN网络的烟叶分级方法，包括以下步骤：
S1、采集烟叶图像并建立烟叶等级分类的烟叶图像数据集；
S2、设置CNN网络结构，以VGG16网络模型为基础，调整模型的参数，将模型的感兴趣区域池改进为ROI Align去掉第8层、12层、15层3个卷积层，并引入Inception网络结构，建立Faster R-CNN网络模型；
S3、以深度学习框架caffe作为实验平台，用Faster R-CNN网络对烟叶图像数据集进行训练。
优选地，所述步骤S1的具体过程如下：
S11、烟叶图像采集装置的搭建：设计烟叶采集箱，箱体内部设有在载物台，载物台高度可调；箱体顶部固定摄像机，两侧放置位光源，箱体内部全部粘贴黑色防反光贴纸；
S12、烟叶图像样本的选取及图像采集：采取烟叶的上、中、下三个部位为原始训练样本和测试集；
S13、建立烟叶分级图像数据集：对原始样本裁剪并进行统一命名，并将处理后的样本进行90度、180度、270度水平镜像和垂直镜像扩增，形成增广后的训练数据集；
S14、建立PASCAL VOC数据集:根据PASCAL VOC2007标准数据集格式建立烟叶图像数据集，整个烟叶图像数据集由训练图像、测试图像和验证图像构成。
优选地，所述步骤S2中调整模型的参数具体过程如下：调整VGG16网络模型的图像大小、学习率、mini-batch、RPN网络参数，得到模型参数。
优选地，所述步骤S3的具体过程如下：
S31、从已建立的数据库中抽取80％数据作为训练集样本，其余的20％数据作为验证集样本；
S32、采用四步交替训练的方法，对RPN和Faster R-CNN 2个网络进行训练；
S33、设置模型参数：训练总的迭代次数为4.4×106，mini-batch大小为128，冲量为0.9，weight_decay为5×10-4，最大迭代次数1.2×105。RPN第一、二阶段的训练次数均为1.2×105，Fast R-CNN第一、第二阶段的训练次数均为106，其中RPN、Fast R-CNN第一阶段学习率设置为10-4，第二阶段的学习率设置为10-3。
优选地，所述步骤S11的摄像头型号为MV-VD078SM/SC，光源型号为YX-BL64238K条形led灯，通过型号为YX-APC24300-2控制器控制光源强度。
优选地，所述步骤S2的Inception网络结构的具体网络参数为128#1×1，128#3×3reduce，128#3×3，64#5×5，24#5×5reduce，64#pool proj，其中，128#3×3reduce，24#5×5reduce表示在3×3，5×5的卷积层前增加的降维层滤波器1×1。
本发明提供了一种基于Faster R-CNN网络的烟叶分级方法，与现有技术相比，具备以下有益效果：
(1)、该基于Faster R-CNN网络的烟叶分级方法，通过图像采集箱和摄像机对烟叶图像的采集，建立了一个可有效训练卷积神经网络的烟叶图像数据集，为后续基于深度视频图像的算法设计和模型训练提供数据源。
(2)、该基于Faster R-CNN网络的烟叶分级方法，提出基于VGG16模型对烟叶图像的检测与分级算法研究，直接由数据本身来驱动特征及其表达关系的自我学习，有利于提取数据本身的内涵信息，避免复杂的人工设计过程，提升了模型的普适性，减少了烟叶分级成本。
(3)、该基于Faster R-CNN网络的烟叶分级方法，通过调整VGG16网络模型全连接层参数训练数据集，在此基础上将ROI Pooling改进为ROI Align，再去掉网络模型第8层、第12层和15层卷积层，同时引入Inception网络结构为本文的最终分级模型，解决了区域不匹配和参数过多、梯度弥散以及计算量增加等问题，提升了精度。
附图说明
图1是本发明的技术路线流程图。
图2是VGG16模型框架图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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他实施例，都属于本发明保护的范围。
以下结合附图和实例对本发明做进一步的阐述。
实施例1
图1为本发明的技术流程图，本发明的技术方案包含4部分；
第1部分为烟叶图像采集装置的制作及烟叶图像数据集的建立，为了拍摄到完整的烟叶，根据烟叶的叶片大小自主设计与制作烟叶图像采集装置；对采集的烟叶样本进行预处理、数据集标注获得原始训练集和测试集以及对原始训练集扩增准备集，最终标注后的训练集和测试集构成卷烟分级数据库为后续模型训练和测试提供数据支持；
第2部分是构建烟叶分级网络算法模型，根据建立的烟叶图像数据集，通过训练图像数据集，对比Faster R-CNN模型框架下的VGG16、VGG_CNN_M1024以及ZF三种训练模型的训练效果；再从卷积核的数量及大小；池化层数、池化方法和池化大小、卷积层及全连接层数量、激活函数等几个方面对网络模型进行训练与分析；
第3部分为设计Faster R-CNN烟叶分级模型，把第二部分训练效果最好的模型作为改进算法的基础网络模型，再通过调整全连接层的网络参数，将ROI Pooling替换为ROIAlign同时引入Inception网络结构新的烟叶分级算法；
第4部分是将改进后算法对数据集进行训练，并与其他的经典模型进行对比。
具体实现为：
步骤一、烟叶图像采集，数据预处理，数据库建立；
步骤二、对比VGG16、VGG_CNN_M1024和ZF三种训练模型的准确率，选出最优模型；
卷积神经网络的损失函数为：
式中n为第n个数据样本；z为输出层的节点个数；t为正确训练的样本值；y为网络训练的输出值；
在训练过程中为了使误差更小，在这一过程中伴随着权值参数的调整，权值参数的调整可表示为：
式中：ΔWl表示第l层的权值参数；η表示学习率；δ表示残差；b表示偏置；
基于以上三种训练模型，设置相同的训练参数对烟叶图像数据集进行训练分析；
根据训练结果分析选择使用基础神经网络VGG16，添加3*3大小卷积核，减少权重参数，增加网络深度；
步骤三、基于VGG16网络模型，提出一种Faster R-CNN网络模型，通过优化模型的训练参数、模型的卷积层数以及模型的区域特征不匹配问题，提高网络模型的收敛速度与识别准确率；
步骤四、使用训练集训练Faster R-CNN网络模型。
所述步骤一的数据库建立方法具体包括：
1)、选取烟叶样本，烟叶品种为云烟87，烟叶样本由现场专家挑选具有代表性且信息丰富的烟叶，保证烟叶样本覆盖尽可能多的特征信息，实现好而不同，采集的烟叶样本有：下部烟叶X2F，中部烟叶C2F、C3F、C4F，上部烟叶B1F、B2F、B3F；其中，X代表下部烟叶，C代表中部烟叶，B代表上部烟叶，F代表橘黄；
2)、烟叶图像采集，图像采集过程中，为确保图像采集系统的稳定性，确保采集样本的一致性，每次采集图像时，镜头到载物台的距离、光照强度、相机焦距等保持不变；采集之前，需要确定最佳的光照亮度；图像的像素大小为1024×768，像元尺寸为4.65μm，储存格式设置为BMP；
3)、数据集的制作，原始数据集剪裁成大小为608×342，图像的储存格式为.jpg格式，图像统一命名，由6位长度的数字组成，例如：000001.jpg格式，序号连接；对处理后的原始样本分别进行上下翻转和顺时针旋转90°、180°、270°扩增，形成扩增后的训练数据集，扩增后的数据集共计29416幅烟叶图像；根据POSCAL VOC2007数据集格式，借助开源软件Label-image对烟叶数据集进行标注，生成xml类的标签。
所述步骤二的卷积神经网络模型选择具体包括：
1)、利用步骤一中的训练样本作为训练数据，测试集作为模型性能测试数据；
2)使用32GB内存、GeForce GTX 1060型号的GPU、Intel Core i7-8700k型号的CPU的硬件平台和Ubuntu16.04操作系统，在Caffe深度学习框架上，对VGG16、VGG_CNN_M1024和ZF三种网络模型进行训练；
3)、训练过程中保持训练模型的结构参数一致，设置mini-batch大小为128，冲量为0.9，dropout率为0.5，权值的衰减系数为0.0005，最大迭代次数为8×105次，学习率为10-4。
所述步骤三基于VGG16网络模型的改进Faster R-CNN算法及训练具体包括：
1)、模型参数的优化，将VGG16网络模型作为预训练模型，基于试错的思想多次调整输入图像的大小、学习率、mini-batch、RPN网络参数等，设置每次的训练总次数都为280000次，对模型进行多次的预训练及验证分析，得到较优的模型参数；
2)、感兴趣区域池的校准，原有网络中的ROI pooling对候选框位置进行量化以及对每个小网格位置进行量化时，两次量化操作可能使得候选框的位置出现偏差，造成区域不匹配的问题；而ROI Align的提出很好地解决了ROI Pooling操作中两次量化造成的区域不匹配(mis-alignment)的问题；ROI Align取消了量化操作的过程，采用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，从而将整个特征聚集过程转化为一个连续的操作；
3)、改进网络结构的特征提取部分，在原有VGG16网络模型的基础上去掉第8层、第12层、第15层3个卷积层，同时为了与原有网络结构相匹配，引入Inception网络结构。
所述步骤四使用训练集训练Faster R-CNN网络模型具体包括：
1)、以深度学习框架caffe作为实验平台，从已建立的数据库中抽取80％数据作为训练集样本，其余的20％数据作为验证集样本，采用四步交替训练的方法，对RPN和FasterR-CNN2个网络进行训练；
2)、对于RPN网络，分别设置三种面积尺度为{642，1282，2562}和长宽比为{1:1，1:2，2:1}的锚点；
3)、设置模型参数：训练总的迭代次数为4.4×106，mini-batch大小为128，冲量为0.9，weight_decay为5×10-4，最大迭代次数1.2×105；RPN第一、二阶段的训练次数均为1.2×105，Fast R-CNN第一、第二阶段的训练次数均为106，其中RPN、Fast R-CNN第一阶段学习率设置为10-4，第二阶段的学习率设置为10-3；
4)、验证设计的基于Faster R-CNN框架下VGG16模型分类能力，对比现有的经典神经网络。
Claims (6)
1.一种基于Faster R-CNN网络的烟叶分级方法，其特征在于，包括以下步骤：
S1、采集烟叶图像并建立烟叶等级分类的烟叶图像数据集；
S2、设置CNN网络结构，调整VGG16网络模型的参数，将模型的感兴趣区域池改进为ROIAlign，去掉第8层、12层、15层3个卷积层，并引入Inception网络结构，建立Faster R-CNN网络模型；
S3、以深度学习框架caffe作为实验平台，用Faster R-CNN网络对烟叶图像数据集进行训练。
2.根据权利要求1所述的烟叶分级方法，其特征在于，所述步骤S1中的具体过程如下：
S11、烟叶图像采集装置的搭建：设计烟叶采集箱，箱体内部设有在载物台，载物台高度可调；箱体顶部固定摄像机，两侧放置位光源，箱体内部全部粘贴黑色防反光贴纸；
S12、烟叶图像样本的选取及图像采集：采取烟叶的上、中、下三个部位为原始训练样本和测试集；
S13、建立烟叶分级图像数据集：对原始样本裁剪并进行统一命名，并将处理后的样本进行90度、180度、270度水平镜像和垂直镜像扩增，形成增广后的训练数据集；
S14、建立PASCAL VOC数据集：根据PASCAL VOC2007标准数据集格式建立烟叶图像数据集，整个烟叶图像数据集由训练图像、测试图像和验证图像构成。
3.根据权利要求2所述的烟叶分级方法，其特征在于，所述摄像头型号为MV-VD078SM/SC，光源型号为YX-BL64238K条形led灯，通过型号为YX-APC24300-2控制器控制光源强度。
4.根据权利要求1所述的烟叶分级方法，其特征在于，所述步骤S2中调整模型的参数具体过程如下：调整VGG16网络模型的图像大小、学习率、mini-batch、RPN网络参数，得到模型参数。
5.根据权利要求1所述的烟叶分级方法，其特征在于，所述步骤S3具体过程如下：
S31、从已建立的数据库中抽取80％数据作为训练集样本，其余的20％数据作为验证集样本；
S32、采用四步交替训练的方法，对RPN和Faster R-CNN 2个网络进行训练；
S33、设置模型参数：训练总的迭代次数为4.4×106，mini-batch大小为128，冲量为0.9，weight_decay为5×10-4，最大迭代次数1.2×105；RPN第一、二阶段的训练次数均为1.2×105，Fast R-CNN第一、第二阶段的训练次数均为106，其中RPN、Fast R-CNN第一阶段学习率设置为10-4，第二阶段的学习率设置为10-3。
6.根据权利要求1所述的烟叶分级方法，其特征在于，所诉步骤S2的Inception网络结构的具体网络参数为128#1×1，128#3×3reduce，128#3×3，64#5×5，24#5×5reduce，64#pool proj，其中，128#3×3reduce，24#5×5reduce表示在3×3，5×5的卷积层前增加的降维层滤波器1×1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011426985.6A CN113159083A (zh) | 2020-12-09 | 2020-12-09 | 一种基于Faster R-CNN网络的烟叶分级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011426985.6A CN113159083A (zh) | 2020-12-09 | 2020-12-09 | 一种基于Faster R-CNN网络的烟叶分级方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113159083A true CN113159083A (zh) | 2021-07-23 |
Family
ID=76882472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011426985.6A Pending CN113159083A (zh) | 2020-12-09 | 2020-12-09 | 一种基于Faster R-CNN网络的烟叶分级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113159083A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387457A (zh) * | 2021-12-27 | 2022-04-22 | 腾晖科技建筑智能(深圳)有限公司 | 一种基于调参的人脸类内类间距优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
| CN108009509A (zh) * | 2017-12-12 | 2018-05-08 | 河南工业大学 | 车辆目标检测方法 |
| CN108830144A (zh) * | 2018-05-03 | 2018-11-16 | 华南农业大学 | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 |
| US20200320769A1 (en) * | 2016-05-25 | 2020-10-08 | Metail Limited | Method and system for predicting garment attributes using deep learning |
-
2020
- 2020-12-09 CN CN202011426985.6A patent/CN113159083A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200320769A1 (en) * | 2016-05-25 | 2020-10-08 | Metail Limited | Method and system for predicting garment attributes using deep learning |
| CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
| CN108009509A (zh) * | 2017-12-12 | 2018-05-08 | 河南工业大学 | 车辆目标检测方法 |
| CN108830144A (zh) * | 2018-05-03 | 2018-11-16 | 华南农业大学 | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| LAVIN J. HALAWA等: "Face Recognition Using Faster R-CNN with Inception-V2 Architecture for CCTV Camera", 2019 3RD INTERNATIONAL CONFERENCE ON INFORMATICS AND COMPUTATIONAL SCIENCES (ICICOS), 6 February 2020 (2020-02-06) * |
| REN SHAOQING等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 6 June 2016 (2016-06-06) * |
| 顾金梅等: "基于BP神经网络的烟叶颜色自动分级研究", 中国农机化学报, 15 April 2016 (2016-04-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387457A (zh) * | 2021-12-27 | 2022-04-22 | 腾晖科技建筑智能(深圳)有限公司 | 一种基于调参的人脸类内类间距优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
| CN109086826B (zh) | 基于图像深度学习的小麦干旱识别方法 | |
| CN111274860B (zh) | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 | |
| CN111652326B (zh) | 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统 | |
| CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
| CN112116560A (zh) | 一种焊接图像缺陷识别方法、装置、存储介质及设备 | |
| CN104156734A (zh) | 一种基于随机蕨分类器的全自主在线学习方法 | |
| CN114359727A (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
| CN113537561A (zh) | 一种基于地基云图的超短期太阳辐射预测方法和系统 | |
| 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 | |
| WO2024021359A1 (zh) | 基于图像脑敏感数据的建成环境主导色测度方法和系统 | |
| CN112634237A (zh) | 一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及系统 | |
| CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
| CN113159083A (zh) | 一种基于Faster R-CNN网络的烟叶分级方法 | |
| CN118097372A (zh) | 一种基于人工智能的作物生长可视化预测方法 | |
| CN117911252A (zh) | 基于深度学习去除图像中光照的方法及系统 | |
| CN113533220A (zh) | 一种基于高光谱成像技术的煤炭种类识别方法 | |
| CN116563714A (zh) | 一种自动化判别水稻生长阶段的方法和系统 | |
| CN115439690A (zh) | 一种结合CNN和Transformer的烤烟烟叶图像分级方法 | |
| CN114511850B (zh) | 一种阳光玫瑰葡萄果实大小粒图像识别方法 | |
| CN113496485B (zh) | 卫星遥感图像质量评价方法及装置 | |
| CN115187816A (zh) | 一种基于多属性辅助任务学习的中药饮片识别分类方法 | |
| CN112364904A (zh) | 一种基于随机抽样的模型剪枝方法 | |
| CN118072295B (zh) | 一种烟叶识别方法、系统、存储介质、设备及程序产品 | |
| CN116306875B (zh) | 基于空间预学习与拟合的排水管网样本增量学习方法 |
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 |