CN113657492A - 一种笔石化石图像的分类方法 - Google Patents
一种笔石化石图像的分类方法 Download PDFInfo
- Publication number
- CN113657492A CN113657492A CN202110941062.2A CN202110941062A CN113657492A CN 113657492 A CN113657492 A CN 113657492A CN 202110941062 A CN202110941062 A CN 202110941062A CN 113657492 A CN113657492 A CN 113657492A
- Authority
- CN
- China
- Prior art keywords
- image
- stone
- penny
- image data
- pixels
- 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
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
- G06N3/04—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
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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种笔石化石图像的分类方法,包括:步骤S1、对笔石化石图像数据进行图像数据增强,得到增强图像数据;步骤S2、将增强图像数据输入预先训练好的笔石化石图像种分类模型中,输出笔石化石类别。通过本发明可以快速准确地获得笔石化石的类别。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种笔石化石图像的分类方法。
背景技术
笔石动物是一种从茎管系统连续规则出芽的海生远古生物。笔石动物死后,以化石形式保存在黑色页岩中。尤其是奥陶纪(距今4.85~4.43亿年)和志留纪(距今4.43~4.19亿年)的笔石演化速度快,因此,笔石化石可以被当作判断地层年代的“黄金卡尺”。
由于我国最主要的页岩气资源正好处在含笔石的地层中,因而笔石化石在“圈定页岩气的分布范围,确定页岩气的地层分布深度”方面发挥了重要的作用。
笔石的人工鉴定非常困难,需要人工智能技术辅助识别,主要有以下4个原因:
(1)笔石种类多;
(2)笔石化石属种间的特征差别小;
(3)笔石化石保存完整性差;
(4)笔石化石鉴别人为因素大。
由此可见,笔石化石图像自动分类方法具有非常重要的现实意义和应用价值。
发明内容
而本发明为了解决上述问题,提出了一种笔石化石图像的分类方法,利用生物属-种分类阶元和深度迁移学习的方法对笔石化石图像进行分类,相较于人工鉴定,更加快速、准确。
为达到上述目的,本发明通过以下技术方案实现:一种笔石化石图像的分类方法,包括:
步骤S1、对笔石化石图像数据进行图像数据增强,得到增强图像数据。
步骤S2、将所述增强图像数据输入预先训练好的笔石化石图像种分类模型中,输出笔石化石类别。
可选的,所述图像数据增强包括:依次对每一所述笔石化石图像进行尺寸缩放、中心裁剪、随机平移、随机翻转、边界扩充及旋转。
可选的,所述尺寸缩放包括:先锁定每一所述笔石化石图像的纵横比,再将每一所述笔石化石图像的短边设定为256像素,得到缩放图像数据;
可选的,所述中心裁剪包括:以每一所述缩放图像的中心点为中心,按照224像素×224像素的比例进行裁剪,得到裁剪图像数据。
可选的,所述随机平移包括:在水平方向上,每一所述裁剪图像,以图像宽度的5%为限,随机左右平移;在垂直方向上,每一所述裁剪图像,以图像高度的5%为限,随机上下平移;得到平移图像数据。
可选的,所述随机翻转包括:对每一所述平移图像以50%的概率进行水平翻转,再以50%的概率进行垂直翻转,得到翻转图像数据。
可选的,所述边界扩充包括:分别以50像素、100像素、150像素、200像素的宽度对每一所述翻转图像的四周最外层的像素进行边界扩充,得到扩充图像数据。
可选的,所述旋转包括:在0至360度范围内,每间隔15度对每一所述扩充图像进行一次旋转,得到所述增强图像数据。
可选的,所述步骤S2包括:
步骤S21、利用ImageNet图像数据集,预训练EfficientNet卷积神经网络的第一参数,获得EfficientNet卷积神经网络的第二参数。
步骤S22、根据笔石化石待分类的属类别数22,预先设定所述EfficientNet卷积神经网络的第一网络输出层数为22层,迁移学习所述第二参数,利用笔石化石图像属分类数据集训练所述第二参数,建立笔石化石图像属分类模型,同时获得所述笔石化石图像属分类的所述EfficientNet卷积神经网络的第三参数。
步骤S23、根据所述笔石化石待分类的种类别数51,预先设定所述EfficientNet卷积神经网络的第二网络输出层数为51层,迁移学习所述第三参数,利用笔石化石图像种分类数据集训练所述第三参数,建立所述笔石化石图像种分类模型。
可选的,基于同一种发明构想,本发明还提供了一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述的笔石化石图像的分类的方法。
可选的,基于同一种发明构想,本发明还提供了一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现所述的笔石化石图像的分类的方法。
本发明利用生物属-种分类阶元和深度迁移学习的方法对笔石化石图像进行图像增强、特征提取,进而实现对笔石化石图像进行分类,本发明提供的方法使笔石化石图像的分类速度更快且分类结果的准确率更高。
附图说明
图1是本发明一实施例中的笔石化石图像的分类方法的流程图;
图2是本发明一实施例中的所述步骤S2的流程图;
图3是本发明一实施例中的EfficientNet基线网络结构的流程图;
图4是本发明一实施例中一笔石化石图像的示意图;
图5是本发明一实施例中一笔石化石图像的数据增强图像的示意图;
图6是本发明一实施例提供的15种笔石化石图像的示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提供的一种笔石化石图像的分类方法进行清楚、完整地描述,显然,所描述的实施例仅仅是本命一部分实施例,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做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。
如图1所示,一种笔石化石图像的分类方法,包括:
步骤S1、对笔石化石图像数据进行图像数据增强,得到增强图像数据,所述增强图像数据即为所述笔石化石图像的22个属和51个种的分类数据集。
本步骤用于丰富笔石化石图像数据集,防止因数据集过小而导致模型拟合不够,提升模型泛化能力。
在本实施例中,关于所述步骤S1中的所述图像数据增强包括:依次对每一所述笔石化石图像进行尺寸缩放、中心裁剪、随机平移、随机翻转、边界扩充及旋转。
在本实施例中,所述尺寸缩放包括:先锁定每一所述笔石化石图像的纵横比,再将每一所述笔石化石图像的短边设定为256像素,得到缩放图像数据。
在本实施例中,所述中心裁剪包括:以每一所述缩放图像的中心点为中心,按照224像素×224像素的比例进行裁剪,得到裁剪图像数据。
在本实施例中,所述随机平移包括:在水平方向上,每一所述裁剪图像,以图像宽度的5%为限,随机左右平移;在垂直方向上,每一所述裁剪图像,以图像高度的5%为限,随机上下平移;得到平移图像数据。
在本实施例中,所述随机翻转包括:对每一所述平移图像以50%的概率进行水平翻转,再以50%的概率进行垂直翻转,得到翻转图像数据。
在本实施例中,所述边界扩充包括:分别以50像素、100像素、150像素、200像素的宽度对每一所述翻转图像的四周最外层的像素进行边界扩充,得到扩充图像数据。
在本实施例中,所述旋转包括:在0至360度范围内,每间隔15度对每一所述扩充图像进行一次旋转,得到所述增强图像数据。
步骤S2、将所述增强图像数据输入预先训练好的笔石化石图像种分类模型中,输出笔石化石类别。
如图2所示,关于所述步骤S2包括:
步骤S21、利用ImageNet图像数据集,预训练EfficientNet卷积神经网络的第一参数,获得EfficientNet卷积神经网络的第二参数。
步骤S22、根据笔石化石待分类的属类别数22,预先设定所述EfficientNet卷积神经网络的第一网络输出层数为22层,迁移学习所述第二参数,利用笔石化石图像属分类数据集训练所述第二参数,建立笔石化石图像属分类模型,同时获得所述笔石化石图像属分类的所述EfficientNet卷积神经网络的第三参数。
步骤S23、根据所述笔石化石待分类的种类别数51,预先设定所述EfficientNet卷积神经网络的第二网络输出层数为51层,迁移学习所述第三参数,利用笔石化石图像种分类数据集训练所述第三参数,建立所述笔石化石图像种分类模型。
如图3所示,EfficientNet基线网络结构总共为9个阶段,阶段1是一个卷积核大小为3x3的普通卷积层(包含标准化和激活函数Swish)。阶段2~8都是在重复堆叠MB卷积结构,所述MB卷积结构右侧乘的倍数代表重复MB卷积结构的次数(所述MB卷积结构右侧未标注的代表执行一次即可)。具体而言,MB卷积结构主要由一个1x1的普通卷积(升维作用,包含标准化和激活函数Swish),一个(3x3)或(5x5)的深度(Depthwise)卷积(包含标准化和激活函数Swish),一个压缩-激励(SE)模块,一个1x1的普通卷积(降维作用,包含标准化),一个随机失活(Dropout)层构成。最后,阶段9由一个普通的1x1的卷积层(包含标准化和激活函数Swish)、一个平均池化层和一个全连接层组成。
如图4所示,选取一幅大小为554像素×608像素的笔石化石图像为例对本发明进行进一步描述,作为本发明的一优选实施例,所述优选实施例不能作为对本发明的限制。
利用所述笔石化石图像的分类方法处理所述笔石化石图像(554像素×608像素),包括:
步骤S1、如图5所示,对所述笔石化石图像(554像素×608像素)依次进行尺寸缩放、中心裁剪、随机平移、随机翻转、边界扩充及旋转,得到所述笔石化石图像(554像素×608像素)的增强数据图像(224像素×224像素)。
步骤S2、将所述增强图像数据(224像素×224像素)输入预先训练好的笔石化石图像种分类模型中,输出笔石化石类别:OKtavites spiralis螺旋奥氏笔石。
如图6所示,对比得出所述石化石图像为OKtavites spiralis螺旋奥氏笔石,通过所述笔石化石图像种分类的模型判断正确。
本发明提出的笔石化石图像的分类方法可分类如表1所示的22个属和51种笔石化石图像。
表1 22个属和51个种笔石化石
如表2所示,相较于直接使用EfficientNet卷积神经网络方法,本方法具有更快的迭代速度以及更高的识别精度。
表2模型对比结果
方法 | 平均准确率(%) | 训练时间(s) | 训练迭代(次) |
EfficientNet | 41.80 | 487 | 59 |
本发明提出的方法 | 83.05 | 231 | 28 |
在本实施例中,基于同一种发明构想,本发明还提供了一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述的笔石化石图像的分类的方法。
在本实施例中,基于同一种发明构想,本发明还提供了一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现所述的笔石化石图像的分类的方法。
综上所述,本发明提出的一种笔石化石图像的分类方法,第一步,对输入的笔石化石图像进行尺寸缩放、中心裁剪、随机平移、随机翻转、边界扩充以及旋转等数据增强操作,构建笔石图像22个属和51个种分类数据集;第二步,利用ImageNet图像数据集,预训练EfficientNet卷积神经网络初始参数;第三步,设定笔石待分类属类别数22为网络输出层数,迁移学习预训练卷积神经网络初始参数,利用笔石图像属分类数据集训练EfficientNet卷积神经网络参数,建立笔石图像属分类模型;第四步,设定笔石待分类种类别数51为网络输出层数,迁移学习笔石属分类卷积神经网络参数,利用笔石图像种分类数据集训练EfficientNet卷积神经网络参数,建立笔石图像种分类模型,即利用生物属-种分类阶元和深度迁移学习的笔石化石图像分类方法,通过对笔石化石图像进行图像增强、特征提取,进而实现分类;本发明提出了一种利用生物属-种分类阶元和深度迁移学习的笔石化石图像分类方法,相较于人工鉴定,更加快速、准确,且相较于直接使用EfficientNet卷积神经网络方法,本方法具有更快的迭代速度以及更高的识别精度使分类速度更快、分类结果更准确。
需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应当注意的是,在本文的实施方式中所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用于执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种笔石化石图像的分类方法,其特征在于,包括:
步骤S1、对笔石化石图像数据进行图像数据增强,得到增强图像数据;
步骤S2、将所述增强图像数据输入预先训练好的笔石化石图像种分类模型中,输出笔石化石类别。
2.如权利要求1所述的笔石化石图像的分类方法,其特征在于,所述图像数据增强包括:依次对每一所述笔石化石图像进行尺寸缩放、中心裁剪、随机平移、随机翻转、边界扩充及旋转。
3.如权利要求2所述的笔石化石图像的分类方法,其特征在于,所述尺寸缩放包括:先锁定每一所述笔石化石图像的纵横比,再将每一所述笔石化石图像的短边设定为256像素,得到缩放图像数据;
所述中心裁剪包括:以每一所述缩放图像的中心点为中心,按照224像素×224像素的比例进行裁剪,得到裁剪图像数据。
4.如权利要求3所述的笔石化石图像的分类方法,其特征在于,所述随机平移包括:
在水平方向上,每一所述裁剪图像,以图像宽度的5%为限,随机左右平移;
在垂直方向上,每一所述裁剪图像,以图像高度的5%为限,随机上下平移;
得到平移图像数据。
5.如权利要求4所述的笔石化石图像的分类方法,其特征在于,所述随机翻转包括:对每一所述平移图像以50%的概率进行水平翻转,再以50%的概率进行垂直翻转,得到翻转图像数据。
6.如权利要求5所述的笔石化石图像的分类方法,其特征在于,所述边界扩充包括:分别以50像素、100像素、150像素、200像素的宽度对每一所述翻转图像的四周最外层的像素进行边界扩充,得到扩充图像数据。
7.如权利要求6所述的笔石化石图像的分类方法,其特征在于,所述旋转包括:在0至360度范围内,每间隔15度对每一所述扩充图像进行一次旋转,得到所述增强图像数据。
8.如权利要求1所述的笔石化石图像的分类方法,其特征在于,所述步骤S2包括:
步骤S21、利用ImageNet图像数据集,预训练EfficientNet卷积神经网络的第一参数,获得EfficientNet卷积神经网络的第二参数;
步骤S22、根据笔石化石待分类的属类别数22,预先设定所述EfficientNet卷积神经网络的第一网络输出层数为22层,迁移学习所述第二参数,利用笔石化石图像属分类数据集训练所述第二参数,建立笔石化石图像属分类模型,同时获得所述笔石化石图像属分类的所述EfficientNet卷积神经网络的第三参数;
步骤S23、根据所述笔石化石待分类的种类别数51,预先设定所述EfficientNet卷积神经网络的第二网络输出层数为51层,迁移学习所述第三参数,利用笔石化石图像种分类数据集训练所述第三参数,建立所述笔石化石图像种分类模型。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1至8中任一项所述的方法。
10.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110941062.2A CN113657492A (zh) | 2021-08-17 | 2021-08-17 | 一种笔石化石图像的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110941062.2A CN113657492A (zh) | 2021-08-17 | 2021-08-17 | 一种笔石化石图像的分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657492A true CN113657492A (zh) | 2021-11-16 |
Family
ID=78491229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110941062.2A Pending CN113657492A (zh) | 2021-08-17 | 2021-08-17 | 一种笔石化石图像的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657492A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219049A (zh) * | 2022-02-22 | 2022-03-22 | 天津大学 | 一种基于层级约束的细粒度笔石图像分类方法和装置 |
CN115861740A (zh) * | 2023-02-27 | 2023-03-28 | 常州微亿智造科技有限公司 | 工业检测中的样本生成方法、样本生成装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018052586A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
WO2020168820A1 (zh) * | 2019-02-22 | 2020-08-27 | 中国石油大学(华东) | 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法 |
CN112109090A (zh) * | 2020-09-21 | 2020-12-22 | 金陵科技学院 | 多传感器融合的搜索救援机器人系统 |
CN112884001A (zh) * | 2021-01-15 | 2021-06-01 | 广东省特种设备检测研究院珠海检测院 | 碳钢石墨化自动评级方法和系统 |
-
2021
- 2021-08-17 CN CN202110941062.2A patent/CN113657492A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018052586A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
WO2020168820A1 (zh) * | 2019-02-22 | 2020-08-27 | 中国石油大学(华东) | 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法 |
CN112109090A (zh) * | 2020-09-21 | 2020-12-22 | 金陵科技学院 | 多传感器融合的搜索救援机器人系统 |
CN112884001A (zh) * | 2021-01-15 | 2021-06-01 | 广东省特种设备检测研究院珠海检测院 | 碳钢石墨化自动评级方法和系统 |
Non-Patent Citations (2)
Title |
---|
柳小波;王怀远;王连成;: "岩石种类智能识别研究的Faster R-CNN方法", 现代矿业, no. 05 * |
罗会兰;易慧;: "基于迭代训练和集成学习的图像分类方法", 计算机工程与设计, no. 05 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219049A (zh) * | 2022-02-22 | 2022-03-22 | 天津大学 | 一种基于层级约束的细粒度笔石图像分类方法和装置 |
CN115861740A (zh) * | 2023-02-27 | 2023-03-28 | 常州微亿智造科技有限公司 | 工业检测中的样本生成方法、样本生成装置 |
CN115861740B (zh) * | 2023-02-27 | 2023-05-30 | 常州微亿智造科技有限公司 | 工业检测中的样本生成方法、样本生成装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Afzal et al. | Cutting the error by half: Investigation of very deep cnn and advanced training strategies for document image classification | |
O'Callaghan et al. | Combined morphological-spectral unsupervised image segmentation | |
Bhagavathy et al. | Modeling and detection of geospatial objects using texture motifs | |
CN113657492A (zh) | 一种笔石化石图像的分类方法 | |
CN108154192A (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
Luo | Pattern recognition and image processing | |
El Allaoui | Medical image segmentation by marker-controlled watershed and mathematical morphology | |
CN111753828A (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
Geman et al. | Locating texture and object boundaries | |
CN108932455B (zh) | 遥感图像场景识别方法及装置 | |
Broumandnia et al. | Persian/arabic handwritten word recognition using M-band packet wavelet transform | |
Islam et al. | Geometry and statistics-preserving manifold embedding for nonlinear dimensionality reduction | |
Abed et al. | Architectural heritage images classification using deep learning with CNN | |
Eglin et al. | Hermite and Gabor transforms for noise reduction and handwriting classification in ancient manuscripts | |
CN112800851B (zh) | 基于全卷积神经元网络的水体轮廓自动提取方法及系统 | |
CN117292337A (zh) | 遥感图像目标检测方法 | |
Guo et al. | Delineation of the forest-tundra ecotone using texture-based classification of satellite imagery | |
Ismail et al. | Geometrical-matrix feature extraction for on-line handwritten characters recognition | |
Oja | Self-organizing maps and computer vision | |
CN105844299A (zh) | 一种基于词袋模型的图像分类方法 | |
Manté et al. | Principal component analysis of measures, with special emphasis on grain-size curves | |
CN114913382A (zh) | 一种基于CBAM-AlexNet卷积神经网络的航拍场景分类方法 | |
Dalla Mura et al. | Modeling structural information for building extraction with morphological attribute filters | |
Bayesteh et al. | A lexicon reduction method based on clustering word images in offline Farsi handwritten word recognition systems | |
CN113128614A (zh) | 基于图像梯度的卷积方法、基于方向卷积的神经网络及分类方法 |
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 |