CN113569962A - 一种基于TFL-ResNet的残药智能识别方法 - Google Patents
一种基于TFL-ResNet的残药智能识别方法 Download PDFInfo
- Publication number
- CN113569962A CN113569962A CN202110869070.0A CN202110869070A CN113569962A CN 113569962 A CN113569962 A CN 113569962A CN 202110869070 A CN202110869070 A CN 202110869070A CN 113569962 A CN113569962 A CN 113569962A
- Authority
- CN
- China
- Prior art keywords
- residual
- resnet
- tfl
- image
- medicine
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 99
- 229940079593 drug Drugs 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 239000002360 explosive Substances 0.000 claims abstract description 18
- 238000005422 blasting Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013526 transfer learning Methods 0.000 claims abstract description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000010008 shearing Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008034 disappearance Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000005641 tunneling Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004880 explosion Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001441722 Takifugu rubripes Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000003068 static effect Effects 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于TFL‑ResNet的残药智能识别方法,属于爆破残药检测技术领域。本发明利用AI智能图像识别系统处理采集的图片并且判别是否有残药存在,基于迁移学习和Focal loss损失函数对Res‑Net50网络结构进行改进后,得到残药图像识别模型TFL‑ResNet,不仅可处理梯度消失问题,还可提高训练速度、降低训练误差,实现全过程自动化识别残药。本发明方法采用智能算法能够准确地识别爆破后残药的存在,有助于保障爆破员的生命安全,可改变以往靠人工挖孔找药的局面,解决光线不足,识别率低,数据无法传输,效率低等难题,给井下矿工安全提供保障,加快巷道掘进效率。
Description
技术领域
本发明涉及一种基于TFL-ResNet的残药智能识别方法,属于爆破残药检测技术领域。
背景技术
工程爆破技术的不断发展促的同时随之而来也出现了盲炮、哑炮等情况,易引发二次爆炸。盲炮是爆破安全领域危害最大的部分。民爆行业经济效益受到影响、爆破员生命安全受到威胁。
然而,现有的工程爆破残药检测方法靠人工挖孔找药,过于传统,智能化程度不够难以发现工程爆破残药的位置和数量。
发明内容
本发明针对爆破残药检测的问题,提供一种基于TFL-ResNet的残药智能识别方法,即利用AI智能图像识别系统处理采集的图片并且判别是否有残药存在,基于迁移学习和Focal loss损失函数对Res-Net50网络结构进行改进后,得到残药图像识别模型TFL-ResNet,不仅可处理梯度消失问题,还可提高训练速度、降低训练误差,实现全过程自动化识别残药。
一种基于TFL-ResNet的残药智能识别方法,具体步骤如下:
(1)采用3D感深高清摄像头采集工程爆破后残药留存的图像得到残药图像样本集;残药图像样本集中含有3000张以上残药图像;
(2)将步骤(1)残药图像样本集的残药图像进行归一化和图像像素值预处理转化为固定尺寸图像,再划分为训练集、验证集和测试集;
(3)对步骤(2)训练集的残药图像进行平移、旋转、放缩、错切、垂直或水平镜像的数据增强处理得到增强训练集;
(4)建立ResNet50残药检测网络模型,其中ResNet50残药检测网络模型中含有49个卷积层和1个全连接层;
(5)将步骤(3)增强训练集的残药图像对ResNet50残药检测网络模型进行特征学习,通过卷积层、池化层、全连接层输出学习到的特征;通过误差反向传播进行网络参数的更新和边缘信息权重系数α的更新,采用随机梯度下降的方法进行优化,使最小化传播差达到阈值形成预训练网络模型;
(6)确定损失函数为Focal loss损失函数以解决分类问题中类别不平衡和分类难度的差异,使训练的模型可在黑暗环境中辨别残药情况;
(7)基于迁移学习和Focal loss损失函数对ResNet50残药检测网络结构进行改进得到残药图像识别模型TFL-ResNet;
(8)将步骤(5)预训练网络模型的网络参数迁移至步骤(7)残药图像识别模型TFL-ResNet,增强训练集中的残药图像输入残药图像识别模型TFL-ResNet中对模型进行训练,经Softmax分类器进行分类并输出预测结果得到优化残药图像识别模型TFL-ResNet;
具体的,增强训练集中的残药图像经过一个7×7的卷积层,进行批量归一化、激活处理,依次经过3×3最大池化层、4个残差学习块、一个平均池化层,再经Flatten层将多维输出一维化,一维化输出的非线性组合特征经全连接层进行学习,再经Softmax分类器进行分类并输出预测结果;
(9)采用测试集的残药图像对优化残药图像识别模型TFL-ResNet进行残药图像预测,采用不同图像的精确率(Preci-sion)、召回率(Recall)和F-度量值(F-Measure,F1)计算预测结果,其中
若精确率(Preci-sion)、召回率(Recall)和F-度量值(F-Measure,F1)中任一项低于80%,则判定残药不存在;
(10)采用验证集的残药图像对优化残药图像识别模型TFL-ResNet进行模型验证。
所述步骤(2)训练集、验证集和测试集的图像数据比为6:2:2。
所述步骤(4)ResNet50残药检测网络模型中第二阶段至第五阶段中的IDBLOCK为不改变维度的残差块,CONVBLOCK为添加维度的残差块,每个残差块包含3个卷积层。
所述步骤(4)ResNet50残药检测网络模型的表达式为
yl=h(xl)+F(xl,Wl)
xl+1=f(y)
式中,xl和xl+1分别表示第1个残差单元的输入和输出,F为残差函数,h(xl)=xl表示恒等映射,f为ReLU激活函数;
残差结构表达式为
χl+1=χl+F(xl,Wl)
式中,xl和xl+1分别表示第1个残差单元的输入和输出,F为残差函数;
从浅层1到深层L的学习特征为:
所述步骤(5)网络参数包括权重和偏置。
所述步骤(6)Focal loss损失函数表达式为
FL(pt)=-(1-pt)γlg(pt)
式中,pt为样本属于某个类别的概率,γ为聚焦参数,γ≥0;(1-pt)γ为调制系数。
本发明的有益效果是:
(1)本发明方法采用智能算法能够准确地识别爆破后残药的存在,有助于保障爆破员的生命安全,可改变以往靠人工挖孔找药的局面,解决光线不足,识别率低,数据无法传输,效率低等难题,给井下矿工安全提供保障,加快巷道掘进效率;
(2)本发明方法作为深度学习中权值共享的多层神经网络架构,可直接将原始图像作为输入,减少手工提取特征流程,具有先进性、智能化、便携性、高效性等特点;
(3)本发明方法在矿山爆破施工中能够快速、准确的识别出炮孔中是否有残留的炸药,并将数据以表格的形式展现出来,检测识别结果清晰明了,方便读取;
(4)本发明方法可解决地下矿山恶劣、黑暗环境给检测带来的困难,可应用性和推广性强。
附图说明
图1为残药识别分类迁移学习流程图;
图2为基于ResNet网络的残药识别残差块模型示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于所述内容。
实施例1:一种基于TFL-ResNet的残药智能识别方法,具体步骤如下:
(1)采用3D感深高清摄像头采集矿山和隧道等工程爆破后残药留存的图像得到残药图像样本集;残药图像样本集中含有3000张以上残药图像;具体的,
采用800万像素摄像头,感光芯片为索尼IMX219,静态图片分辨率为3280×2464,CMOS尺寸1/4英寸,2.0F光圈,3.04mm焦距,62.2度对角视场角;分别在晴天、阴天、雨天采集不同光照影响下的各种残药图像,并对图像背景不做任何人工处理;
(2)将步骤(1)残药图像样本集的残药图像进行归一化和图像像素值预处理转化为固定尺寸图像,再划分为训练集、验证集和测试集;
其中归一化使用OpenCV中的cv2.resize函数将数据集中所有的红鳍东方鲀图像数据进行归一化处理,尺寸统一为224×224(像素),批量归一化处理不仅可以增加网络的收敛速度、泛化能力,还可有效缓解梯度消失问题;
由于不同图像数据的格式不同,为了保证数据格式的一致性,将JPG格式的图像转换为RGB三通道的矩阵向量存储以实现图像像素值处理;
(3)对步骤(2)训练集的残药图像进行平移、旋转、放缩、错切、垂直或水平镜像的数据增强处理得到增强训练集;具体的,将残药图像进行随机旋转变换30°或反转变换,水平方向和垂直方向随机平移20%,随机错切变换强度为0.2,图像随机缩放的幅度设置为0.2,对图像进行随机水平翻转,以实现残药图像数据增强与扩充;
(4)建立ResNet50残药检测网络模型,其中ResNet50残药检测网络模型中含有49个卷积层和1个全连接层;第二阶段至第五阶段中的IDBLOCK为不改变维度的残差块,CONVBLOCK为添加维度的残差块,每个残差块包含3个卷积层,故含有1+3×(3+4+6+3)=49个卷积层;具体地,
假设所需的底层映射为H(x),让堆叠的非线性层来拟合另一个残差映射F(x)=H(x)-x,故原来的映射表示为F(x)-x,F(x)-x通过添加快捷连接(Shortcut connections)实现,快捷连接执行恒等映射,并将其输出添加到堆叠层的输出;
残差块中捷径连接采用恒等映射,使得其中一层输出可以跨过几层作为后面某一层的输出,直接进行恒等映射操作,没有引入额外的参数和计算复杂度,故用包含16个残差块堆叠的ResNet50残差网络进行预训练;
其中ResNet50残药检测网络模型的表达式为
yl=h(xl)+F(xl,Wl)
xl+1=f(y)
式中,xl和xl+1分别表示第1个残差单元的输入和输出,F为残差函数,h(xl)=xl表示恒等映射,f为ReLU激活函数;
残差结构表达式为
χl+1=χl+F(xl,Wl)
式中,xl和xl+1分别表示第1个残差单元的输入和输出,F为残差函数;
从浅层1到深层L的学习特征为:
(5)将步骤(3)增强训练集的残药图像对ResNet50残药检测网络模型进行特征学习,使用训练集图像进行多次迭代,使ResNet网络的预测值不断向标签值进行收敛,通过卷积层、池化层、全连接层输出学习到的特征;通过误差反向传播进行网络参数(权重和偏置)的更新和边缘信息权重系数α的更新,采用随机梯度下降的方法进行优化,使最小化传播差达到阈值形成预训练网络模型,实现属性的识别功能;
(6)确定损失函数为Focal loss损失函数以解决分类问题中类别不平衡和分类难度的差异,使训练的模型可在黑暗环境中辨别残药情况;
Focal loss损失函数是在交叉熵损失函数的基础上进行修改得到,在深度残差网络中经过softmax函数回归后交叉熵损失函数的表达式为
式中,i与i表示类别号,x为特征值;
Focal loss损失函数表达式为
FL(pt)=-(1-pt)γlg(pt)
式中,pt为样本属于某个类别的概率,γ为聚焦参数,γ≥0;(1-pt)γ为调制系数,用以减少易分类样本的权重,使残药图像识别模型在训练中可以关注难分类的模糊样本;
(7)基于迁移学习(见图1)和Focal loss损失函数对ResNet50残药检测网络结构进行改进得到残药图像识别模型TFL-ResNet;
(8)将步骤(5)预训练网络模型的网络参数迁移至步骤(7)残药图像识别模型TFL-ResNet,增强训练集中的残药图像输入残药图像识别模型TFL-ResNet中对模型进行训练,经Softmax分类器进行分类并输出预测结果得到优化残药图像识别模型TFL-ResNet;
残药图像识别模型TFL-ResNet中在输出层选用softmax激活函数,softmax函数的表达式:
式中,z为输出层输入的向量;
其余所有卷积层都使用ReLU激活函数,ReLU激活函数的表达式f(x)=max(x,0);
具体的,增强训练集中的残药图像经过一个7×7的卷积层,进行批量归一化、激活处理,依次经过3×3最大池化层、4个残差学习块、一个平均池化层,再经Flatten层将多维输出一维化,一维化输出的非线性组合特征经全连接层进行学习,再经Softmax分类器进行分类并输出预测结果;
TFL-ResNet网络的核心为基于ResNet50网络的残差学习块(见图2),残差块定义为:
y=F(x,Wi)+x
式中,x和y分别为当前层的输入和输出向量,函数F(x,Wi)为需要学习的残差映射;当x和F的维度不相等时,残差块定义为:
y=F(x,Wi)+WsX
式中,Ws为快捷连接执行的线性投影,Ws仅在匹配维度时使用;
TFL-ResNet网络中Conv2层含有3个残差块,Conv3层含有4个残差块,Conv4层含有6个残差块,Conv5层含有4个残差块;经TFL-ResNet网络分类预测后,可观察到TFL-ResNet网络提取不同照片的的关键特征,每经过一个残差学习块,网络的注意力会更加专注于残药特征照片;
(9)采用测试集的残药图像对优化残药图像识别模型TFL-ResNet进行残药图像预测,采用不同图像的精确率(Preci-sion)、召回率(Recall)和F-度量值(F-Measure,F1)计算预测结果,其中
若精确率(Preci-sion)、召回率(Recall)和F-度量值(F-Measure,F1)中任一项低于80%,则判定残药不存在;
(10)采用验证集的残药图像对优化残药图像识别模型TFL-ResNet进行模型验证。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种基于TFL-ResNet的残药智能识别方法,其特征在于,具体步骤如下:
(1)采用3D感深高清摄像头采集工程爆破后残药留存的图像得到残药图像样本集;
(2)将步骤(1)残药图像样本集的残药图像进行归一化和图像像素值预处理转化为固定尺寸图像,再划分为训练集、验证集和测试集;
(3)对步骤(2)训练集的残药图像进行平移、旋转、放缩、错切、垂直或水平镜像的数据增强处理得到增强训练集;
(4)建立ResNet50残药检测网络模型,其中ResNet50残药检测网络模型中含有49个卷积层和1个全连接层;
(5)将步骤(3)增强训练集的残药图像对ResNet50残药检测网络模型进行特征学习,通过卷积层、池化层、全连接层输出学习到的特征;通过误差反向传播进行网络参数的更新和边缘信息权重系数α的更新,采用随机梯度下降的方法进行优化,使最小化传播差达到阈值形成预训练网络模型;
(6)确定损失函数为Focal loss损失函数以解决分类问题中类别不平衡和分类难度的差异;
(7)基于迁移学习和Focal loss损失函数对ResNet50残药检测网络结构进行改进得到残药图像识别模型TFL-ResNet;
(8)将步骤(5)预训练网络模型的网络参数迁移至步骤(7)残药图像识别模型TFL-ResNet,增强训练集中的残药图像输入残药图像识别模型TFL-ResNet中对模型进行训练,经Softmax分类器进行分类并输出预测结果得到优化残药图像识别模型TFL-ResNet;
(9)采用验证集的残药图像对优化残药图像识别模型TFL-ResNet进行模型验证,并采用测试集的残药图像对优化残药图像识别模型TFL-ResNet进行测试。
2.根据权利要求1所述基于TFL-ResNet的残药智能识别方法,其特征在于:步骤(2)训练集、验证集和测试集的图像数据比为6:2:2。
3.根据权利要求1所述基于TFL-ResNet的残药智能识别方法,其特征在于:步骤(4)ResNet50残药检测网络模型中第二阶段至第五阶段中的IDBLOCK为不改变维度的残差块,CONVBLOCK为添加维度的残差块,每个残差块包含3个卷积层。
5.根据权利要求1所述基于TFL-ResNet的残药智能识别方法,其特征在于:步骤(5)网络参数包括权重和偏置。
6.根据权利要求1所述基于TFL-ResNet的残药智能识别方法,其特征在于:步骤(6)Focal loss损失函数表达式为
FL(pt)=-(1-pt)γlg(pt)
式中,pt为样本属于某个类别的概率,γ为聚焦参数,γ≥0;(1-pt)γ为调制系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869070.0A CN113569962A (zh) | 2021-07-30 | 2021-07-30 | 一种基于TFL-ResNet的残药智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869070.0A CN113569962A (zh) | 2021-07-30 | 2021-07-30 | 一种基于TFL-ResNet的残药智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569962A true CN113569962A (zh) | 2021-10-29 |
Family
ID=78169258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110869070.0A Pending CN113569962A (zh) | 2021-07-30 | 2021-07-30 | 一种基于TFL-ResNet的残药智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569962A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788794A (zh) * | 2012-07-30 | 2012-11-21 | 江苏大学 | 基于多传感信息融合的叶菜类蔬菜叶片农药残留检测装置及方法 |
CN109633106A (zh) * | 2018-12-27 | 2019-04-16 | 广州安食通信息科技有限公司 | 一种在线农药残留快速检测方法、系统及存储介质 |
CN110781921A (zh) * | 2019-09-25 | 2020-02-11 | 浙江农林大学 | 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置 |
CN111666838A (zh) * | 2020-05-22 | 2020-09-15 | 吉林大学 | 一种改进的残差网络猪脸识别方法 |
CN111881987A (zh) * | 2020-07-31 | 2020-11-03 | 西安工业大学 | 基于深度学习的苹果病毒识别方法 |
CN112345511A (zh) * | 2020-11-20 | 2021-02-09 | 安徽师范大学 | 一种黄芪有机氯农药残留检测方法 |
KR20210083453A (ko) * | 2019-12-26 | 2021-07-07 | 주식회사 딥인스펙션 | 촬영영상, 인공지능, 강화학습 알고리즘 기반의 전시 비행 포장면 피해복구 자동화 시스템 및 그 방법 |
-
2021
- 2021-07-30 CN CN202110869070.0A patent/CN113569962A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788794A (zh) * | 2012-07-30 | 2012-11-21 | 江苏大学 | 基于多传感信息融合的叶菜类蔬菜叶片农药残留检测装置及方法 |
CN109633106A (zh) * | 2018-12-27 | 2019-04-16 | 广州安食通信息科技有限公司 | 一种在线农药残留快速检测方法、系统及存储介质 |
CN110781921A (zh) * | 2019-09-25 | 2020-02-11 | 浙江农林大学 | 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置 |
KR20210083453A (ko) * | 2019-12-26 | 2021-07-07 | 주식회사 딥인스펙션 | 촬영영상, 인공지능, 강화학습 알고리즘 기반의 전시 비행 포장면 피해복구 자동화 시스템 및 그 방법 |
CN111666838A (zh) * | 2020-05-22 | 2020-09-15 | 吉林大学 | 一种改进的残差网络猪脸识别方法 |
CN111881987A (zh) * | 2020-07-31 | 2020-11-03 | 西安工业大学 | 基于深度学习的苹果病毒识别方法 |
CN112345511A (zh) * | 2020-11-20 | 2021-02-09 | 安徽师范大学 | 一种黄芪有机氯农药残留检测方法 |
Non-Patent Citations (1)
Title |
---|
刘翱宇 等: "基于深度残差网络的玉米病害识别", 《江苏农业学报》, vol. 37, no. 1, pages 1 - 8 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240046105A1 (en) | Image Quality Assessment Using Similar Scenes as Reference | |
CN111563557B (zh) | 一种电力电缆隧道内目标检测的方法 | |
CN111914907A (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
Si et al. | A deep convolutional neural network model for intelligent discrimination between coal and rocks in coal mining face | |
EP3690741A2 (en) | Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same | |
CN112861635B (zh) | 一种基于深度学习的火灾及烟雾实时检测方法 | |
Subbiah et al. | An extensive study and comparison of the various approaches to object detection using deep learning | |
CN112949507A (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
CN113850242A (zh) | 一种基于深度学习算法的仓储异常目标检测方法及系统 | |
CN112597324A (zh) | 一种基于相关滤波的图像哈希索引构建方法、系统及设备 | |
Zhang et al. | MMFNet: Forest fire smoke detection using multiscale convergence coordinated pyramid network with mixed attention and fast-robust NMS | |
CN111507416A (zh) | 一种基于深度学习的吸烟行为实时检测方法 | |
CN115953621A (zh) | 一种基于不可靠伪标签学习的半监督高光谱图像分类方法 | |
CN114155556B (zh) | 一种基于加入通道混洗模块的堆叠沙漏网络的人体姿态估计方法及系统 | |
CN114170422A (zh) | 一种煤矿井下图像语义分割方法 | |
CN114170526A (zh) | 基于轻量化网络的遥感影像多尺度目标检测识别方法 | |
US20230306742A1 (en) | Computer Vision Systems and Methods for Hazard Detection from Digital Images and Videos | |
Cao et al. | A spatial pyramid pooling convolutional neural network for smoky vehicle detection | |
CN113569962A (zh) | 一种基于TFL-ResNet的残药智能识别方法 | |
CN111126173A (zh) | 一种高精度人脸检测方法 | |
CN116778214A (zh) | 一种行为检测方法、装置、设备及其存储介质 | |
Yuan et al. | An efficient attention based image adversarial attack algorithm with differential evolution on realistic high-resolution image | |
Luo et al. | Natural object detection in outdoor scenes based on probabilistic spatial context models | |
CN113378859A (zh) | 一种具有可解释性的图像隐私检测方法 | |
Milyaev et al. | Improving the processing of machine vision images of robotic systems in the Arctic |
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 |