CN113723448A - 图像中对象分类和计数方法、装置、电子设备及介质 - Google Patents
图像中对象分类和计数方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113723448A CN113723448A CN202110807370.6A CN202110807370A CN113723448A CN 113723448 A CN113723448 A CN 113723448A CN 202110807370 A CN202110807370 A CN 202110807370A CN 113723448 A CN113723448 A CN 113723448A
- Authority
- CN
- China
- Prior art keywords
- pollen
- counting
- image
- branch
- classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000001000 micrograph Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 241000218791 Ginkgoaceae Species 0.000 description 1
- 241000218220 Ulmaceae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种图像中对象分类和计数方法、装置、电子设备及介质,所述方法包括:获取花粉图像;使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。本发明通过在卷积神经网络的基础上增加用于计数的计数分支,在不显著提升参数和计算量的基础上一次性完成了对花粉类别和数目的检测,满足了花粉识别任务对于实时性和准确性的要求。
Description
技术领域
本发明涉及数字图像处理领域,尤其涉及一种图像中对象分类和计数方法、装置、电子设备及介质。
背景技术
传统的对花粉进行观测的手段是由生物研究专家在显微镜下手动进行花粉颗粒的分类和计数,由于是通过人工进行,所以识别过程会耗费大量时间与人力资源,而且识别效率和准确率受到识别人员的能力等影响,不能保证稳定统一的工作质量。近年来随着计算机视觉以及模式识别技术的发展,通过数字图像特征如形状、几何和统计特征等可以有效的对不同图像进行分类与识别。利用计算机对花粉图像进行自动分类与识别的技术成为了花粉鉴别分析的一种有效手段。
然而现有的花粉图像处理技术并没有全面考虑到实际采集到的花粉状况,如在采集过程中由于天气、采集方式和花粉特性的因素的影响,花粉会出现抱团的现象,从而获取的花粉图像中会有多颗花粉,每颗花粉也不会以颗粒分明界限清晰的方式呈现,这对花粉图像处理带来了亟待解决的困难。
发明内容
本发明的目的是提供一种图像中对象分类和计数方法、装置、电子设备及介质,用以解决现有技术中存在的问题。
第一方面,本发明提供一种图像中对象分类和计数方法,其特征在于,包括:
获取花粉图像;
使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。
进一步地,所述分类分支包括用于提取分类特征的两个卷积层和两层全连接层。
进一步地,所述计数分支包括用于提取数目特征的两个卷积层和两层全连接层。
进一步地,所述对象分类和计数网络是基于具有花粉类别标签的训练图像训练得到的,用于判断花粉类别的损失函数的公式如下:
其中N为训练图像的数量,M表示花粉类别的数量,yic表示与样本i的类别是否相同,相同则yic等于1,不同则yic等于0,pic表示样本i属于类别c的预测概率。
进一步地,所述对象分类和计数网络是基于具有花粉数目标签的训练图像训练得到的,用于判断花粉数目的损失函数的公式如下:
进一步地,损失对象分类和计数网络的总的损失函数公式如下:
L=αLclass+βLnum
其中α为用于判断花粉类别的损失函数的权重,β为用于判断花粉数目的损失函数的权重。
第二方面,本发明提供一种图像中对象分类和计数装置,包括:
图像获取模块,用于获取花粉图像;
图像处理模块,用于使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现根据第一方面所述图像中对象分类和计数方法的步骤。
第四方面,本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现根据第一方面所述图像中对象分类和计数方法的步骤。
由上面技术方案可知,本发明提供的图像中对象分类和计数方法、装置、电子设备及介质,通过在卷积神经网络的基础上增加用于计数的计数分支,在不显著提升参数和计算量的基础上一次性完成了对花粉类别和数目的检测,满足了花粉识别任务对于实时性和准确性的要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是一种使用残差网络识别电镜图像中花粉类别的方法的图;
图2是根据本发明实施例的图像中对象分类和计数方法的流程图;
图3是根据本发明实施例的识别电镜图像中花粉类别和数目的算法的图;
图4是根据本发明实施例的图像中对象分类和计数装置的结构示意图;
图5是根据本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、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。
目前处理电镜花粉图片的流程是:首先由低放大倍数的图片得到花粉的位置,通过位置坐标将图片中的花粉裁剪出来,然后使用设计的分类器对其进行分类。例如,参考图1,图1是一种使用残差网络识别电镜图像中花粉类别的方法的流程图,该方法具体包括:
输入花粉图像;
由卷积神经网络对该花粉图像进行特征提取;
然后输出概花粉图像中的花粉的类别;其中该卷积神经网络使用交叉熵损失函数进行优化。
其中输入花粉图像模块输入的是684×726的电镜花粉图像,包含柏科、榆科、银杏科等14个类别的花粉。卷积神经网络提取特征模块使用残差网络对输入的花粉图像进行特征提取。残差网络能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。输出花粉类别模块使用softmax函数,输出花粉的类别。使用交叉熵损失函数进行优化。
但是花粉在收集过程中因为天气、收集地点等因素经常会发生抱团的现象。在对图片中花粉进行裁剪的过程中,为了尽可能保证花粉颗粒的完整性,通常将抱团的花粉整体裁剪到一张图片中进行分类处理,所以一张图片中可能会存在多颗花粉。
在使用基础的分类器对花粉进行分类的时候,只会输出花粉的类别,并不会输出图片中花粉的数量。而采用目标检测算法时,会得到图片中每颗花粉的具体位置和所属类别。这种信息是非常详细的,但是需要在特征提取网络之后设计复杂的后处理过程,这会极大地提升计算量和处理时间。实际上,通过观察发现,报团的花粉基本属于同一类花粉。因此,我们只需要在对整张图片进行分类的基础上统计其花粉数量即可,并不需要确定每颗花粉的位置和类别。
基于以上知识,为了保证算法效率,本发明提出的方案在分类器上加入了计数分支,负责预测花粉的数目。通过设计的损失函数,完成模型训练。这样可以在不显著增加分类器参数和计算量的情况下,同时完成花粉的分类和计数。
图2是根据本发明实施例的图像中对象分类和计数方法的流程图,参考图2,本发明实施例提出的图像中对象分类和计数方法包括:
步骤210:获取花粉图像;
步骤220:使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。
在本发明实施例中,需要说明的是,所述卷积神经网络即残差网络,花粉图像由残差网络进行特征提取,然后将生成的特征图送入分类和计数两个分支分别进行处理。分类分支负责输出花粉类别,计数分支负责输出花粉的数目。通过设计的损失函数,进行模型的训练。这样可以在不显著增加分类器参数和计算量的情况下,同时完成花粉的分类和计数。
图3是根据本发明实施例的识别电镜图像中花粉类别和数目的算法的图,参考图3,对本发明实施例提供的识别电镜图像中花粉类别和数目的算法作具体描述。
其中所述分类分支用于提取分类特征和输出花粉类别,包括用于提取分类特征的两个卷积层和两层全连接层,即分类分支中用于提取分类特征的结构为两个卷积层和两层全连接层,功能为对特征提取网络生成的特征图进行调整,用于花粉的分类。本实施例中分类分支使用softmax函数输出花粉类别。
在训练过程中,花粉类别的损失函数的公式如下:
其中N为训练图像的数量,M表示花粉类别的数量,yic表示与样本i的类别是否相同,相同则yic等于1,不同则yic等于0,pic表示样本i属于类别c的预测概率。
所述计数分支用于提取数目特征和输出花粉数目,包括用于提取数目特征的两个卷积层和两层全连接层,即计数分支中用于提取数目特征的结构为两个卷积层和两层全连接层,功能为对特征提取网络生成的特征图进行调整,用于花粉的计数。本实施例中计数分支输出花粉的数目,输出的数目为整数。在训练过程中,花粉数目的损失函数如下:
其中所述对象分类和计数网络是基于具有花粉类别标签和花粉数目标签的训练图像训练得到的。
所述对象分类和计数网络的总的损失函数公式如下:
L=αLclass+βLnum
其中α为用于判断花粉类别的损失函数的权重,β为用于判断花粉数目的损失函数的权重。
本发明根据扫描电子显微镜花粉图像的实际需求,在图像分类算法的基础上做了改进,在残差网络的基础上增加用于计数的网络分支,在不显著提升参数和计算量的基础上一次性完成了对花粉类别和数目的检测,满足了花粉识别任务对于实时性和准确性的要求。
图4为本发明实施例提供的图像中对象分类和计数装置的示意图,如图4所示,本发明实施例提供的图像中对象分类和计数装置包括:
图像获取模块410,用于获取花粉图像;
图像处理模块420,用于使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
由于本发明实施例提供的图像中对象分类和计数装置,可以用于执行上述实施例所述的图像中对象分类和计数方法,其工作原理和有益效果类似,故此处不再详述,具体内容可参见上述实施例的介绍。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行图像中对象分类和计数方法,该方法包括:获取花粉图像;使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的图像中对象分类和计数方法,该方法包括:获取花粉图像;使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的图像中对象分类和计数方法,该方法包括:获取花粉图像;使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种图像中对象分类和计数方法,其特征在于,包括:
获取花粉图像;
使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。
2.根据权利要求1所述的图像中对象分类和计数方法,其特征在于,所述分类分支包括用于提取分类特征的两个卷积层和两层全连接层。
3.根据权利要求1或2所述的图像中对象分类和计数方法,其特征在于,所述计数分支包括用于提取数目特征的两个卷积层和两层全连接层。
6.根据权利要求5所述的图像中对象分类和计数方法,其特征在于,损失对象分类和计数网络的总的损失函数公式如下:
L=αLclass+βLnum
其中α为用于判断花粉类别的损失函数的权重,β为用于判断花粉数目的损失函数的权重。
7.一种图像中对象分类和计数装置,其特征在于,包括:
图像获取模块,用于获取花粉图像;
图像处理模块,用于使用对象分类和计数网络对所述花粉图像进行处理,得到所述花粉图像中花粉的类别和数目,其中所述对象分类和计数网络包括卷积神经网络、分类分支和计数分支,由所述卷积神经网络对所述花粉图像进行特征提取得到特征图,将所述特征图分别输入所述分类分支和所述计数分支,由所述分类分支判断所述花粉的类别,并由所述计数分支计算所述花粉的数目。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现根据权利要求1至6任一项所述图像中对象分类和计数方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现根据权利要求1至6任一项所述图像中对象分类和计数方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807370.6A CN113723448A (zh) | 2021-07-16 | 2021-07-16 | 图像中对象分类和计数方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807370.6A CN113723448A (zh) | 2021-07-16 | 2021-07-16 | 图像中对象分类和计数方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723448A true CN113723448A (zh) | 2021-11-30 |
Family
ID=78673524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110807370.6A Pending CN113723448A (zh) | 2021-07-16 | 2021-07-16 | 图像中对象分类和计数方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723448A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241880A (zh) * | 2018-08-22 | 2019-01-18 | 北京旷视科技有限公司 | 图像处理方法、图像处理装置、计算机可读存储介质 |
CN109784366A (zh) * | 2018-12-07 | 2019-05-21 | 北京飞搜科技有限公司 | 目标物体的细粒度分类方法、装置与电子设备 |
WO2021012526A1 (zh) * | 2019-07-22 | 2021-01-28 | 平安科技(深圳)有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
-
2021
- 2021-07-16 CN CN202110807370.6A patent/CN113723448A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241880A (zh) * | 2018-08-22 | 2019-01-18 | 北京旷视科技有限公司 | 图像处理方法、图像处理装置、计算机可读存储介质 |
CN109784366A (zh) * | 2018-12-07 | 2019-05-21 | 北京飞搜科技有限公司 | 目标物体的细粒度分类方法、装置与电子设备 |
WO2021012526A1 (zh) * | 2019-07-22 | 2021-01-28 | 平安科技(深圳)有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403751B2 (en) | System and method of classification of biological particles | |
CN109361617B (zh) | 一种基于网络包载荷的卷积神经网络流量分类方法及系统 | |
JP6192271B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN111079620B (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN114240978B (zh) | 基于自适应形态学的细胞边缘分割方法和装置 | |
CN113077444A (zh) | 一种基于cnn的超声无损检测图像缺陷分类方法 | |
CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN104966109A (zh) | 医疗化验单图像分类方法及装置 | |
CN111353577B (zh) | 基于多任务的级联组合模型的优化方法、装置及终端设备 | |
CN113723448A (zh) | 图像中对象分类和计数方法、装置、电子设备及介质 | |
CN113210264B (zh) | 烟草杂物剔除方法及装置 | |
CN116091828A (zh) | 一种染色体图像可解释分析方法、装置、设备及存储介质 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
CN112613521B (zh) | 基于数据转换的多层次数据分析系统及方法 | |
CN114463574A (zh) | 一种遥感图像的场景分类方法及装置 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN112926670A (zh) | 一种基于迁移学习的垃圾分类系统及方法 | |
CN111611951A (zh) | 一种基于机器视觉的安检人流量实时监控系统及方法 | |
CN112711983B (zh) | 核型分析系统、方法、电子设备及可读存储介质 | |
US20240212149A1 (en) | System and method of classification of biological particles | |
WO2024108901A1 (zh) | 一种基于多光谱图像的电力设备区域检测方法及系统 | |
CN117011719B (zh) | 一种基于卫星图像的水资源信息采集方法 | |
CN115131598A (zh) | 一种基于稀疏性和降维的玻尔兹曼图像识别分类方法 | |
CN113505784A (zh) | 甲片自动标注解析方法及装置、电子设备及存储介质 |
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 |