CN113536014A - 一种融合容器信息的菜品信息检索方法 - Google Patents

一种融合容器信息的菜品信息检索方法 Download PDF

Info

Publication number
CN113536014A
CN113536014A CN202110736611.2A CN202110736611A CN113536014A CN 113536014 A CN113536014 A CN 113536014A CN 202110736611 A CN202110736611 A CN 202110736611A CN 113536014 A CN113536014 A CN 113536014A
Authority
CN
China
Prior art keywords
dish
container
information
similarity
image
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.)
Granted
Application number
CN202110736611.2A
Other languages
English (en)
Other versions
CN113536014B (zh
Inventor
李建军
羊丹
叶杨菠
俞嘉彬
陈艺元
田万勇
赵露露
胡军锋
陈赤联
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.)
Qingdao Wintec System Co ltd
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110736611.2A priority Critical patent/CN113536014B/zh
Publication of CN113536014A publication Critical patent/CN113536014A/zh
Application granted granted Critical
Publication of CN113536014B publication Critical patent/CN113536014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种融合容器信息的菜品信息检索方法。本发明步骤如下：(1)建立容器信息数据库；(2)建立菜品信息数据库；(3)菜品图片定位；(4)容器边缘曲率信息提取；(5)菜品图片特征提取；(6)菜品相似度数值计算；(7)菜品信息检索。本发明在对菜品识别方面，采用对比特征检索的方式，而不是直接分类方式去判别菜品类别，当要判别新的菜品类别的时候，只需要对新菜品采样，并将采样得到特征记录到数据集中。当需要判别类别的时候，使用特征在数据库中进行对比，就可得到结果。当然在判别时候使用特征相似度同时还引入菜品图像的颜色直方图相似度与容器边缘曲率相似度，进一步提高的判别的准确性。

Description

一种融合容器信息的菜品信息检索方法
技术领域
本发明属于图像处理技术领域，涉及深度学习中的目标检测与特征提取与带权K近邻分类，图像直方图相似度和融合容器边缘的曲率信息的菜品信息检索方法。
背景技术
随着深度学习领域的不断突破，人类社会进入信息智能化时代，传统食堂的运营模式的弊端越发凸显，人工点菜结算不可避免的造成结算错误、结算时间过长等问题。人们开始关注如何更好的利用计算机来自动识别菜品并自动结算。提供服务速度与质量，减少人力成本。
目前，主流的方式是使用深度学习的目标检测网络直接获取菜品图像，再使用训练好的网络直接进行菜品分类。这样的方式，存在一些弊端：a.直接使用目标检测网络得到的菜品图像不一定很好的表示菜品信息，可能预测的范围过大，为下一步分类引入了大量噪声；b.可能菜品图像没包含完整的菜品，导致菜品信息缺少，同样为下一步分类带来负面影响。c.分类网络分类结果固定，但需要添加新的菜品时候，需要重新调整网络输出维度，且准备新类别数据重新训练网络，过程繁琐、不稳定。
通过研究发现，将菜品与容器绑定(某种菜品指定用某种样式的碗)，在使用目标检测的预测框与深度学习方式提取容器边缘相结合可以得到精准的菜品图像。
发明内容
根据上述缺陷描述，本发明提出了一种融合容器信息的菜品信息检索方法；其中应用深度学习中的目标检测与特征提取与带权K近邻分类，图像直方图相似度和融合容器边缘的曲率信息的菜品信息检索方法。
为实现以上的目的，本发明是通过以下技术方案来实现的：
(1)建立容器信息数据库：容器边缘曲率信息、容器图片与容器类别；
(2)建立菜品信息数据库：录入每一个菜品图片的特征数据、记录菜品图片的颜色直方图与菜品类别；菜品图片的特征数据使用训练好SENet网络提取；
(3)菜品图片定位：对采集的菜品图片使用神经网络进行目标检测和图像边缘信息提取，获得数字图像中全部的菜品位置信息并分割出每一个单独的菜品图片；
(4)容器边缘曲率信息提取：通过RCF网络对步骤(3)中每一个获取的菜品图片进行菜品容器边缘提取，随后计算容器边缘曲率；
(5)菜品图片特征提取：使用训练好的SENet网络对步骤(3)得到每一个菜品图片进行特征提取，获得2048个维度特征数据。
(6)菜品相似度数值计算：从容器信息数据库获取数据与当前待处理的容器信息计算曲率相似度，从菜品信息数据库获取数据与当前待处理的菜品图片之间计算特征数据之间的余弦值和颜色直方图相似度，并对计算得到的余弦值和颜色直方图相似度进行加权求和，以此作为菜品的相似度数值；
(7)菜品信息检索：使用加权K近邻分类方法，将步骤(6)计算的全部相似度作为距离，对待分类菜品图片进行分类。
进一步的的，步骤(1)中容器信息数据库具体是：
1-1.保证图像显示范围为能完整容器的最小范围；
1-2.以图像中心点为参考点，图像正上方向为角度0度方向，顺时针为正向依次记录角度与曲率点对；
1-3.容器类别字段：类别唯一，可使用中文、英文与阿拉伯数字；
1-4.根据容器类别字段、创建时间与图像的md-256生成数据编号，将图像在指定的路径下保存，保存名称为该数据编号+“.jpg”；
进一步的的，步骤(2)中菜品信息数据库具体是：
2-1.保证每个图像中只要一道菜品，同时图像显示范围为能完整的承装菜品容器的最小范围；
2-2.使用预先标注好的菜品图片组成训练集，对SENet网络模型进行训练，直至模型收敛；
2-3.将菜品图片送入训练好的SENet模型进行特征提取，获取菜品图片的2048维度特征数据并保存；
2-4.统计菜品图片的RGB三通道的彩色数值概率直方图；
2-5.菜品类别字段：类别唯一，可使用中文、英文与阿拉伯数字；
2-6.根据菜品类别字段、创建时间与图像的md-256生成数据编号，并将图像在指定的路径下保存，保存名称为该数据编号+“.jpg”。
进一步的的，步骤(3)菜品图片定位具体是：
3-1.使用预先标注的采集图像组成训练集，对容器检测神经网络进行训练，直至模型收敛；
3-2.使用3-1训练的模型，在采集的图像上预测容器位置的坐标信息；
3-3.使用人工标识的容器边缘图像组成训练集，训练边缘检测网络RCF，直到收敛。使用RCF网络对采集图像获得容器边缘信息；
3-4.联合3-2坐标信息与3-3容器边缘信息，获得更高精度的容器坐标信息。
3-5.根据3-4的容器坐标信息，分割出只存在每一个单独的菜品图片。
进一步的的，步骤(6)菜品相似度数值计算具体是：
6-1.计算曲率相似度计算容器数据库中全部曲率，根据步骤1-2采集容器曲率，匹配时采用按照步长为0.1度的增量，滑动比对数据库与当前容器的曲率数据，记录最小平均欧式距离，对某些曲率缺失的数据点，该数据点不参与计算；
6-2.采用向量余弦相似度公式计算菜品数据库中全部特征与待识别菜品图片特征的相似度，具体公式为：
Figure BDA0003141908710000031
其中，<x,y>为特征向量x与y的内积值，||x||、||y||分别表示特征向量x和y的欧式距离；
6-3.计算颜色直方图相似度，采用Bhattacharyya距离计算，具体公式为：
Figure BDA0003141908710000032
其中，p(x)、q(x)分别表示p和q两个颜色直方图桶的概率；
6-4.菜品的相似度数值为6-1、6-2与6-3的加权求和。
进一步的的，步骤(7)菜品信息检索具体是：
7-1.根据步骤(6)计算待识别菜品与全部菜品数据库的相似度数值，等到相似度数组与对应菜品的类别标签；
7-2.使用Softmax方式对7-1的相似度数组进行加权；
7-3.对7-2获得加权的数值，按照类别求和数值，取求和数值最大所对应的类别为带识别菜品图片类别。
经过测试，本发明具有的有益效果是：
1、使用基于深度学习的目标检测的预测框与深度学习方式提取容器边缘相结合可以得到精准的菜品图像。
2、使用对比特征检索的方式，而不是直接分类方式去判别菜品类别，这样的好处是当要判别新的菜品类别的时候，我们只需要对新菜品采样，并将采样得到特征记录到数据集中，不需要重新调整和训练分类网络，灵活性更好，更方便。
3、使用带权K近邻分类，提高了菜品分类效率和准确率，具有良好的自适应性及鲁棒性。
本发明在对菜品识别方面，采用对比特征检索的方式，而不是直接分类方式去判别菜品类别，这样的好处是当要判别新的菜品类别的时候，我们只需要对新菜品采样，并将采样得到特征记录到数据集中。当需要判别类别的时候，使用特征在数据库中进行对比，就可得到结果。当然，我们在判别时候不仅仅使用特征相似度，我们还引入菜品图像的颜色直方图相似度与容器边缘曲率相似度，进一步提高的判别的准确性。
附图说明
图1本发明方法流程图。
图2深度学习模型构建图。
具体实施方式
以下结合附图对本发明的具体实施方案做作进一步说明。
本发明的主用于元器件的检测；图1为本发明的元器件检测框架图；
步骤1采集含有容器图像，保证图像显示范围为能完整容器的最小范围；以图像中心点为参考点，图像正上方向为角度0度方向，顺时针为正向依次记录角度与曲率点对；对容器类别字段，类别唯一，可使用中文、英文与阿拉伯数字；根据容器类别字段、创建时间与图像的md-256生成数据编号，并将图像在指定的路径下保存，保存名称为该数据编号+“.jpg”。
步骤2保证一个图像中只要一道菜品，同时图像显示范围为能完整的承装菜品容器的最小范围；使用预先标注好的菜品图片组成训练集，对SENet网络模型进行训练，直至模型收敛；将菜品图片送入训练好的SENet模型进行特征提取，获取菜品特图像的2048维度特征数据并保存；统计菜品图片的RGB三通道的彩色数值概率直方图；菜品类别字段，类别唯一，可使用中文、英文与阿拉伯数字；根据菜品类别字段、创建时间与图像的md-256生成数据编号，并将图像在指定的路径下保存，保存名称为该数据编号+“.jpg”。
步骤3使用预先标注的采集图像组成训练集，对容器检测神经网络进行训练，直至模型收敛；使用人工标识的容器边缘图像组成训练集，训练边缘检测网络RCF，直到收敛；使用目标检测模型在采集的图像上预测容器位置信息；再使用使用RCF网络对采集图像获得容器边缘图像；联合目标检测的预测信息与边缘图像信息，获得更高精度的预测坐标信息。
步骤4使用步骤3训练好的边缘检测网络RCF，计算容器图像的边缘信息，随后计算容器边缘的曲率；
步骤5使用步骤(2)训练好的SENet网络对步骤(3)得到每一个菜品图像进行特征提取，获得2048个维度特征数据。
步骤6计算曲率相似度计算容器数据库中全部曲率，根据步骤(1)采集容器曲率，在匹配时候，我们采用按照步长为0.1度的增量，滑动比对数据库与当前容器的曲率数据，记录最小平均欧式距离，对某些曲率缺失的数据点，该数据点不参与计算；
采用向量余弦相似度公式计算菜品数据库中全部特征与待识别菜品图像特征的相似度，具体公式为：
Figure BDA0003141908710000051
其中，<x,y>为x与y特征向量的内积值，||x||、||y||分别表示x和y特征向量的欧式距离；
计算颜色直方图相似度，采用Bhattacharyya距离计算，具体公式为：
Figure BDA0003141908710000061
其中，p(x)、q(x)分别表示p和q两个颜色直方图桶的概率；
菜品的相似度数值为特征相似度、直方图相似度与曲率相似度的加权求和。
步骤7根据步骤(6)计算待识别菜品与全部菜品数据库的相似度数值，等到相似度数组与对应菜品的类别标签；使用Softmax方式对计算得到的全部相似度数组进行加权；获得加权的数值，按照类别求和数值，取求和数值最大所对应的类别为带识别菜品图像类别。

Claims (6)

1.一种融合容器信息的菜品信息检索方法，其特征在于该方法包括以下步骤：
(1)建立容器信息数据库：容器边缘曲率信息、容器图片与容器类别；
(2)建立菜品信息数据库：录入每一个菜品图片的特征数据、记录菜品图片的颜色直方图与菜品类别；菜品图片的特征数据使用训练好SENet网络提取；
(3)菜品图片定位：对采集的菜品图片使用神经网络进行目标检测和图像边缘信息提取，获得数字图像中全部的菜品位置信息并分割出每一个单独的菜品图片；
(4)容器边缘曲率信息提取：通过RCF网络对步骤(3)中每一个获取的菜品图片进行菜品容器边缘提取，随后计算容器边缘曲率；
(5)菜品图片特征提取：使用训练好的SENet网络对步骤(3)得到每一个菜品图片进行特征提取，获得2048个维度特征数据。
(6)菜品相似度数值计算：从容器信息数据库获取数据与当前待处理的容器信息计算曲率相似度，从菜品信息数据库获取数据与当前待处理的菜品图片之间计算特征数据之间的余弦值和颜色直方图相似度，并对计算得到的余弦值和颜色直方图相似度进行加权求和，以此作为菜品的相似度数值；
(7)菜品信息检索：使用加权K近邻分类方法，将步骤(6)计算的全部相似度作为距离，对待分类菜品图片进行分类。
2.根据权利要求1所述的融合容器信息的菜品信息检索方法，其特征在于步骤(1)中容器信息数据库具体是：
1-1.保证图像显示范围为能完整容器的最小范围；
1-2.以图像中心点为参考点，图像正上方向为角度0度方向，顺时针为正向依次记录角度与曲率点对；
1-3.容器类别字段：类别唯一，可使用中文、英文与阿拉伯数字；
1-4.根据容器类别字段、创建时间与图像的md-256生成数据编号，将图像在指定的路径下保存，保存名称为该数据编号+“.jpg”。
3.根据权利要求2所述的融合容器信息的菜品信息检索方法，其特征在于步骤(2)中菜品信息数据库具体是：
2-1.保证每个图像中只要一道菜品，同时图像显示范围为能完整的承装菜品容器的最小范围；
2-2.使用预先标注好的菜品图片组成训练集，对SENet网络模型进行训练，直至模型收敛；
2-3.将菜品图片送入训练好的SENet模型进行特征提取，获取菜品图片的2048维度特征数据并保存；
2-4.统计菜品图片的RGB三通道的彩色数值概率直方图；
2-5.菜品类别字段：类别唯一，可使用中文、英文与阿拉伯数字；
2-6.根据菜品类别字段、创建时间与图像的md-256生成数据编号，并将图像在指定的路径下保存，保存名称为该数据编号+“.jpg”。
4.根据权利要求3所述的融合容器信息的菜品信息检索方法，其特征在于步骤(3)菜品图片定位具体是：
3-1.使用预先标注的采集图像组成训练集，对容器检测神经网络进行训练，直至模型收敛；
3-2.使用3-1训练的模型，在采集的图像上预测容器位置的坐标信息；
3-3.使用人工标识的容器边缘图像组成训练集，训练边缘检测网络RCF，直到收敛。使用RCF网络对采集图像获得容器边缘信息；
3-4.联合3-2坐标信息与3-3容器边缘信息，获得更高精度的容器坐标信息。
3-5.根据3-4的容器坐标信息，分割出只存在每一个单独的菜品图片。
5.根据权利要求4所述的融合容器信息的菜品信息检索方法，其特征在于步骤(6)菜品相似度数值计算具体是：
6-1.计算曲率相似度计算容器数据库中全部曲率，根据步骤1-2采集容器曲率，匹配时采用按照步长为0.1度的增量，滑动比对数据库与当前容器的曲率数据，记录最小平均欧式距离，对某些曲率缺失的数据点，该数据点不参与计算；
6-2.采用向量余弦相似度公式计算菜品数据库中全部特征与待识别菜品图片特征的相似度，具体公式为：
Figure FDA0003141908700000031
其中，<x，y>为特征向量x与y的内积值，||x||、||y||分别表示特征向量x和y的欧式距离；
6-3.计算颜色直方图相似度，采用Bhattacharyya距离计算，具体公式为：
Figure FDA0003141908700000032
其中，p(x)、q(x)分别表示p和q两个颜色直方图桶的概率；
6-4.菜品的相似度数值为6-1、6-2与6-3的加权求和。
6.根据权利要求5所述的融合容器信息的菜品信息检索方法，其特征在于步骤(7)菜品信息检索具体是：
7-1.根据步骤(6)计算待识别菜品与全部菜品数据库的相似度数值，等到相似度数组与对应菜品的类别标签；
7-2.使用Softmax方式对7-1的相似度数组进行加权；
7-3.对7-2获得加权的数值，按照类别求和数值，取求和数值最大所对应的类别为带识别菜品图片类别。
CN202110736611.2A 2021-06-30 2021-06-30 一种融合容器信息的菜品信息检索方法 Active CN113536014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110736611.2A CN113536014B (zh) 2021-06-30 2021-06-30 一种融合容器信息的菜品信息检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110736611.2A CN113536014B (zh) 2021-06-30 2021-06-30 一种融合容器信息的菜品信息检索方法

Publications (2)

Publication Number Publication Date
CN113536014A true CN113536014A (zh) 2021-10-22
CN113536014B CN113536014B (zh) 2023-09-01

Family

ID=78097350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110736611.2A Active CN113536014B (zh) 2021-06-30 2021-06-30 一种融合容器信息的菜品信息检索方法

Country Status (1)

Country Link
CN (1) CN113536014B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003067747A (ja) * 2001-08-30 2003-03-07 Hitachi Hometec Ltd 食品認識装置ならびに加熱調理器
CN106056487A (zh) * 2016-06-06 2016-10-26 杭州汇萃智能科技有限公司 基于餐具图案的菜品自动识别系统的计价方法
CN106056802A (zh) * 2016-06-06 2016-10-26 杭州汇萃智能科技有限公司 基于餐具颜色的菜品自动识别系统的计价方法
CN112037440A (zh) * 2020-07-31 2020-12-04 天津联信电子科技有限公司 一种基于机器学习的智能结算系统及结算方法
CN112115906A (zh) * 2020-09-25 2020-12-22 广州市派客朴食信息科技有限责任公司 基于深度学习目标检测和度量学习的开放性菜品识别方法
CN112507942A (zh) * 2020-12-17 2021-03-16 神思电子技术股份有限公司 一种多尺度融合的菜品识别方法
CN112991238A (zh) * 2021-02-22 2021-06-18 上海市第四人民医院 基于纹理色彩混合式的食物图像分割方法、系统、介质及终端

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003067747A (ja) * 2001-08-30 2003-03-07 Hitachi Hometec Ltd 食品認識装置ならびに加熱調理器
CN106056487A (zh) * 2016-06-06 2016-10-26 杭州汇萃智能科技有限公司 基于餐具图案的菜品自动识别系统的计价方法
CN106056802A (zh) * 2016-06-06 2016-10-26 杭州汇萃智能科技有限公司 基于餐具颜色的菜品自动识别系统的计价方法
CN112037440A (zh) * 2020-07-31 2020-12-04 天津联信电子科技有限公司 一种基于机器学习的智能结算系统及结算方法
CN112115906A (zh) * 2020-09-25 2020-12-22 广州市派客朴食信息科技有限责任公司 基于深度学习目标检测和度量学习的开放性菜品识别方法
CN112507942A (zh) * 2020-12-17 2021-03-16 神思电子技术股份有限公司 一种多尺度融合的菜品识别方法
CN112991238A (zh) * 2021-02-22 2021-06-18 上海市第四人民医院 基于纹理色彩混合式的食物图像分割方法、系统、介质及终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GIANLUIGI CIOCCA等: "food recognition and leftover estimation for daily diet monitoring", ICIAP 2015：NEW TRENDS IN IMAGE ANALYSIS AND PROCESSING, pages 334 - 341 *
戴长江等: "基于端到端框架的食品图像检测法", 电子技术与软件工程, no. 9, pages 132 - 135 *
陈小娥;: "基于HSV空间和形状检测的餐盘识别智能算法研究", 西安文理学院学报(自然科学版), vol. 20, no. 06, pages 67 - 71 *

Also Published As

Publication number Publication date
CN113536014B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN110110642B (zh) 一种基于多通道注意力特征的行人重识别方法
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
CN106096561B (zh) 基于图像块深度学习特征的红外行人检测方法
CN107506703B (zh) 一种基于无监督局部度量学习和重排序的行人再识别方法
CN111695482A (zh) 一种管道缺陷识别方法
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
CN108596038B (zh) 一种结合形态学分割和神经网络的粪便中红细胞识别方法
CN111310756B (zh) 一种基于深度学习的损伤玉米颗粒检测和分类方法
CN112633382A (zh) 一种基于互近邻的少样本图像分类方法及系统
CN109410238B (zh) 一种基于PointNet++网络的枸杞识别计数方法
CN111680603A (zh) 一种菜品检测和识别方法
CN110287879B (zh) 一种基于注意力机制的视频行为识别方法
CN112115906A (zh) 基于深度学习目标检测和度量学习的开放性菜品识别方法
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN112766218B (zh) 基于非对称联合教学网络的跨域行人重识别方法和装置
CN111275010A (zh) 一种基于计算机视觉的行人重识别方法
CN113177612B (zh) 一种基于cnn少样本的农业病虫害图像识别方法
Li et al. A review of deep learning methods for pixel-level crack detection
CN115019103A (zh) 基于坐标注意力群组优化的小样本目标检测方法
CN111241987B (zh) 基于代价敏感的三支决策的多目标模型视觉追踪方法
CN113313149A (zh) 一种基于注意力机制和度量学习的菜品识别方法
CN115359264A (zh) 一种密集型分布的粘连细胞深度学习识别方法
CN116977937A (zh) 一种行人重识别的方法及系统
CN109919215B (zh) 基于聚类算法改进特征金字塔网络的目标检测方法
CN106250396B (zh) 一种图像标签自动生成系统及方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211130

Address after: 266114 Yingtai Industrial Park, 28 Xinye Road, high tech Zone, Qingdao City, Shandong Province

Applicant after: QINGDAO WINTEC SYSTEM Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Applicant before: HANGZHOU DIANZI University

GR01 Patent grant
GR01 Patent grant