CN114092935A - 一种基于卷积神经网络的纺织品纤维识别方法 - Google Patents
一种基于卷积神经网络的纺织品纤维识别方法 Download PDFInfo
- Publication number
- CN114092935A CN114092935A CN202111288437.6A CN202111288437A CN114092935A CN 114092935 A CN114092935 A CN 114092935A CN 202111288437 A CN202111288437 A CN 202111288437A CN 114092935 A CN114092935 A CN 114092935A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- fiber
- training
- data
- 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
- 239000000835 fiber Substances 0.000 title claims abstract description 122
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000004753 textile Substances 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 29
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract 1
- 230000004927 fusion Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 230000000007 visual 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (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)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于卷积神经网络的纺织品纤维识别方法，其中构建用于实现目标检测的卷积神经网络模型包括以下步骤：按照预定参数搭建卷积神经网络模型；使用目标检测的公共数据集对搭建的卷积神经网络模型进行预训练，得到预训练权重，并通过若干组实验确定效果最优的网络参数；获取纤维种类的图像数据，对数据进行标注构建数据集，并将标注数据随机分为训练集和验证集，使用训练集在预训练的卷积神经网络权重上进行再训练，得到训练后的目标检测卷积神经网络模型权重；使用验证集对训练后的卷积神经网络模型进行验证。本发明通过搭建卷积神经网络模型，对采集图像的纤维种类进行检测，缩短检测耗时、节省人力成本，提高检测效率与准确率。
Description
技术领域
本发明属于神经网络技术领域，涉及一种基于卷积神经网络的纺织品纤维识别方法。
背景技术
当前众多纺织品检测机构在纤维成分识别的操作上依然采用人工识别纤维、标注纤维种类的方式，传统的纤维检测方法主要是人工显微镜法，检测人员首先通过“摸、烧、闻、看”初步判断出纤维种类，然后将待检样品制作成玻片，手动调节聚焦，依赖经验肉眼检测纤维的形态，进一步确定纤维种类。这种检测方式由人员实施，效率奇低，需要耗费大量的人力资源，在很大程度上依赖检测员的主观经验，且检测耗时较长，企业也不得不在员工的专业技能培训上花费更多的时间和成本，据调查显示一个熟练员工的培训周期长达三个月，三个月之后才可以保证有比较高的人工检测准确率。且员工通常需要在显微镜前工作8-10个小时，工作强度高、工作时间长、工作重复性较大，容易使检测员发生视疲劳，导致检测准确度下降，影响检测结果。因此急需将计算机视觉领域方面的技术与传统纺织品检测行业进行结合，以解决传统检测方法的缺陷。目前，现有使用人工智能方案对纤维的识别大多是通过BP算法进行，但是BP算法作为传统的训练多层网络的典型算法，其网络架构只有几层，在训练过程中容易出现梯度越来越稀疏，即误差校正信号越来越弱的情况等，且其准确率也较低，无法达到检测的精度要求。
发明内容
为解决上述问题，本发明针对上述不足，技术方案为基于卷积神经网络的纺织品纤维识别方法，包括以下步骤：
S10，构建用于实现目标检测的卷积神经网络模型；
S20，根据训练后的卷积神经网络模型对所采集的待识别纤维图片进行识别；
其中，S10包括以下步骤：
S11，按照预定参数搭建卷积神经网络模型；
S12，使用目标检测的公共数据集对搭建的卷积神经网络模型进行预训练，得到预训练权重，并通过若干组实验确定效果最优的网络参数；
S13，获取纤维种类的图像数据，对数据进行标注构建数据集，并将标注数据随机分为纤维训练数据集与纤维验证数据集，简称训练集和验证集，使用训练集在预训练的卷积神经网络权重上进行再训练，得到训练后的目标检测卷积神经网络模型权重；
S14，使用验证集对训练后的卷积神经网络模型进行验证。
优选地，所述S20包括以下步骤：
S21，对卷积神经网络模型的识别模块进行训练；
S22，识别模块训练完成后使用验证集对模型的纤维识别结果进行验证，当对纤维图像的识别准确率误差与人工检测的准确率误差在预设范围内时，认为模型训练完成，得到训练后的卷积神经网络模型。
优选地，所述S21，对卷积神经网络模型的识别模块进行训练，包括：
数据采集：利用纤维细度仪中的高倍率显微镜与显示器将纤维切片图像成像于电脑，获取纤维图像；
数据标注：使用labelimg对所采集的纤维图象进行标注，标注出纤维图像中所有的纤维及种类；
将标注后的纤维图像数据随机分为训练集和验证集和测试集，并将图像大小处理为预设尺寸，训练集与验证集的图像尺寸均为该预设尺寸，训练集用于训练模型，验证集用于评估模型结果，进而辅助模型调参，测试集则用于模型的预测；
使用训练集中的数据对预训练后的识别模块进行训练。
优选地，对纤维图像中的交叉纤维采用灰度化降噪结合边缘检测的方式将交叉纤维断开，分别提取单根纤维的特征用于特征识别。
优选地，所述纤维图像包括单组分纤维图像、两组分纤维图像、三组分纤维图像和多组分纤维图像。
本发明的至少有如下具体有益效果：
1、将多尺度融合算法应用于显微图像中，可在一定程度上解决纤维图像多焦面融合失真问题，提升图像细节，便于后续图像处理；
2、将单组分纤维图像、两组分纤维图像与多组分纤维图像按照技术路径分批次运用在模型的训练中，可以加快模型投入使用的研发时间，缩短研发周期，并使模型得到越来越优的迭代训练以得到较好的结果；
3、涉及的卷积神经网络模型架构较小，后期可以便捷快速地部署在板卡等嵌入式硬件设备中并便于进行模型的更新迭代，后续可以加入视野整合算法使模型可以在对整个待检纺织样品进行纤维图像整合以进行纤维识别的同时检测出纤维的含量并直接输出。
附图说明
图1为本发明实施例的基于卷积神经网络的纺织品纤维识别方法的S10流程图；
图2为本发明实施例的基于卷积神经网络的纺织品纤维识别方法的S20流程图；
图3为本发明实施例的基于卷积神经网络的纺织品纤维识别方法的S21流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参见图1，为本发明实施例的本发明的技术方案为基于卷积神经网络的纺织品纤维识别方法的S10流程图，包括以下步骤：
S11，按照预定参数搭建卷积神经网络模型；
S12，使用目标检测的公共数据集对搭建的卷积神经网络模型进行预训练，得到预训练权重，并通过若干组实验确定效果最优的网络参数；
S13，获取纤维种类的图像数据，对数据进行标注构建数据集，并将标注数据随机分为纤维训练数据集与纤维验证数据集，简称训练集和验证集，使用训练集在预训练的卷积神经网络权重上进行再训练，得到训练后的目标检测卷积神经网络模型权重；
S14，使用验证集对训练后的卷积神经网络模型进行验证；
准确率在误差允许范围之内，则模型训练完成。
参见图2，对于卷积神经网络模型中的识别模块的训练包括以下步骤：
S21，对卷积神经网络模型的识别模块进行训练；
S22，识别模块训练完成后使用验证集对模型的纤维识别结果进行验证，当对纤维图像的识别准确率误差与人工检测的准确率误差在预设范围内时，认为模型训练完成，得到训练后的卷积神经网络模型。
参见图3，S21，对卷积神经网络模型的识别模块进行训练，包括：
数据采集：利用纤维细度仪中的高倍率显微镜与显示器将纤维切片图像成像于电脑，获取纤维图像；
数据标注：使用labelimg对所采集的纤维图象进行标注，标注出纤维图像中所有的纤维及种类；
将标注后的纤维图像数据随机分为训练集和验证集和测试集，并将图像大小处理为预设尺寸，训练集与验证集的图像尺寸均为该预设尺寸，训练集用于训练模型，验证集用于评估模型结果，进而辅助模型调参，测试集则用于模型的预测；
使用训练集中的数据对预训练后的识别模块进行训练。
具体实施例中，流程包括：
构建用于实现目标检测的卷积神经网络模型；
对所构建的卷积神经网络模型进行预训练，得到预训练权重，并通过多组实验确定效果较优的网络参数；
获取纤维种类的图像数据，对数据进行精细化标注并构建数据集，并将标注数据按照一定的比例随机分为纤维训练数据集(以下简称训练集)、纤维验证数据集(以下简称验证集)与纤维图像测试集，使用训练集在预训练的卷积神经网络权重上进行再训练，得到训练后的目标检测卷积神经网络模型权重；本方案所选用的技术路线为：从单组分纤维入手，当模型对单组分纤维的识别准确率达到要求后，逐步加入两组分与多组分纤维数据集对模型进行迭代优化；
使用验证集对所述训练后的卷积神经网络模型进行验证；
其中，由于实际检测的需要与便利性，训练集与验证集均为长宽相等的图片，具体为608*608*3像素的图片，为确保实验数据的真实性与准确性，所述数据集与验证集、测试集的分布依照一定的比例进行随机划分；
卷积神经网络模型由最基础的输入层、卷积层、池化层与全连接层组成，其中输入端要求输入图像大小为608*608*3像素，以获得较优的检测效果。所输入的图像经输入层处理后进入卷积层，卷积层中的卷积核大小为3*3，其中卷积层进行特征提取，生成featuremap，使用Leaky ReLU函数对卷积层输出结果做非线性映射；为保证在处理过程中保证图像特整的尺度不变性，在池化层对上层传下来的图像进行resize，去除图像中的无关信息，保留最能表达图像的特征；最后全连接层依据特进行“分类”，并输出分类结果；
其中，根据所述训练后的卷积神经网络模型对所采集的待识别纤维图片进行识别，包括：根据训练后的卷积神经网络模型获取纤维图片中的纤维特征，并利用识别模块对所识别到的纤维特征对纤维进行分类。纤维特征包括但不限于：纤维横截面面积、长度、截面轮廓等。
卷积神经网络模型的识别模块训练完成后使用验证集对模型的纤维识别结果进行验证，当卷积神经网络模型的识别模块对纤维图像的识别准确率误差与人工检测的准确率误差在一定的允许范围内时，认为模型训练基本完成，得到训练后的卷积神经网络模型，否则调整模型参数，继续迭代训练。
模型训练完成后，可利用该模型对纤维图像进行检测识别，并实时输出识别到的纤维种类结果与纤维计数。
上述中，数据标注可有由专业的纤维成分检测人员经过标注方式培训后，在获取原始图像数据的同时进行精细化标注，这种方式利用了人类的记忆曲线图，且同时进行标注检测员手中有待检样品，可以通过“摸、烧、闻”等辅助手段帮助却行纤维种类，可以最大限度的保证标注的准确度，利于后续的模型训练与优化。
将所收集的纤维图像数据按照一定的比例随机分为训练集和验证集和测试集，并将图像大小处理为608*608*3像素，训练集与验证集的图像尺寸均为该尺寸大小。训练集用于训练模型，验证集用于评估模型结果，进而辅助模型调参，测试集则用于模型的预测，考虑到图像存在多焦面等非人为不可控因素，集成多尺度融合算法对图像细节进行提升；
使用训练集中的数据对预训练后的识别模块进行训练，机器学习中所涉及的图像识别算法在这里皆适用，包括但不限于YOLOv3,YOLOv5等；其中识别模块的输入为本专利特有的数据集；
对纤维图像中的交叉纤维采用灰度化降噪结合边缘检测的方式将交叉纤维断开，分别提取单根纤维的特征用于特征识别；
在技术人员进行模型训练期间，纤维检测工作仍然在有条不紊地进行中，因此所采集到的纤维图像也是在不断增长的，此纤维图像包括但不限于：单组分纤维图像、两组分纤维图像、三组分纤维图像与多组分纤维图像等，可组成新的纤维图像数据集。可利用这些纤维图像在模型的检测使用中对模型进行迭代训练。
本发明将卷积神经网络与计算机视觉中的目标识别运用于纺织品质量检测的纤维成分识别领域，大大降低了待检样品的检测时间，同时降低了对检测员的专业技能与经验要求，可以帮助企业降低人力成本。还解决了检测员在面对耗时长、工作量大、重复性高的纤维成分检测时容易出现的检测准确率不稳定等问题，实现了检测耗时短效率高、准确率稳定等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于卷积神经网络的纺织品纤维识别方法，其特征在于，包括以下步骤：
S10，构建用于实现目标检测的卷积神经网络模型；
S20，根据训练后的卷积神经网络模型对所采集的待识别纤维图片进行识别；
其中，S10包括以下步骤：
S11，按照预定参数搭建卷积神经网络模型；
S12，使用目标检测的公共数据集对搭建的卷积神经网络模型进行预训练，得到预训练权重，并通过若干组实验确定效果最优的网络参数；
S13，获取纤维种类的图像数据，对数据进行标注构建数据集，并将标注数据随机分为纤维训练数据集与纤维验证数据集，简称训练集和验证集，使用训练集在预训练的卷积神经网络权重上进行再训练，得到训练后的目标检测卷积神经网络模型权重；
S14，使用验证集对训练后的卷积神经网络模型进行验证。
2.根据权利要求1所述的一种基于卷积神经网络的纺织品纤维识别方法，其特征在于，所述S20包括以下步骤：
S21，对卷积神经网络模型的识别模块进行训练；
S22，识别模块训练完成后使用验证集对模型的纤维识别结果进行验证，当对纤维图像的识别准确率误差与人工检测的准确率误差在预设范围内时，认为模型训练完成，得到训练后的卷积神经网络模型。
3.根据权利要求2所述的一种基于卷积神经网络的纺织品纤维识别方法，其特征在于，所述S21，对卷积神经网络模型的识别模块进行训练，包括：
数据采集：利用纤维细度仪中的高倍率显微镜与显示器将纤维切片图像成像于电脑，获取纤维图像；
数据标注：使用labelimg对所采集的纤维图象进行标注，标注出纤维图像中所有的纤维及种类；
将标注后的纤维图像数据随机分为训练集和验证集和测试集，并将图像大小处理为预设尺寸，训练集与验证集的图像尺寸均为该预设尺寸，训练集用于训练模型，验证集用于评估模型结果，进而辅助模型调参，测试集则用于模型的预测；
使用训练集中的数据对预训练后的识别模块进行训练。
4.根据权利要求3所述的一种基于卷积神经网络的纺织品纤维识别方法，其特征在于，对纤维图像中的交叉纤维采用灰度化降噪结合边缘检测的方式将交叉纤维断开，分别提取单根纤维的特征用于特征识别。
5.根据权利要求3所述的一种基于卷积神经网络的纺织品纤维识别方法，其特征在于，所述纤维图像包括单组分纤维图像、两组分纤维图像、三组分纤维图像和多组分纤维图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111288437.6A CN114092935A (zh) | 2021-11-02 | 2021-11-02 | 一种基于卷积神经网络的纺织品纤维识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111288437.6A CN114092935A (zh) | 2021-11-02 | 2021-11-02 | 一种基于卷积神经网络的纺织品纤维识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114092935A true CN114092935A (zh) | 2022-02-25 |
Family
ID=80298611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111288437.6A Pending CN114092935A (zh) | 2021-11-02 | 2021-11-02 | 一种基于卷积神经网络的纺织品纤维识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114092935A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114622311A (zh) * | 2022-05-17 | 2022-06-14 | 北京东方国信科技股份有限公司 | 断线检测方法、装置及纺纱机 |
| CN116796159A (zh) * | 2023-08-17 | 2023-09-22 | 浙江恒逸石化有限公司 | 染色效果预测方法、染色效果预测模型的训练方法和装置 |
-
2021
- 2021-11-02 CN CN202111288437.6A patent/CN114092935A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114622311A (zh) * | 2022-05-17 | 2022-06-14 | 北京东方国信科技股份有限公司 | 断线检测方法、装置及纺纱机 |
| CN116796159A (zh) * | 2023-08-17 | 2023-09-22 | 浙江恒逸石化有限公司 | 染色效果预测方法、染色效果预测模型的训练方法和装置 |
| CN116796159B (zh) * | 2023-08-17 | 2023-11-17 | 浙江恒逸石化有限公司 | 染色效果预测方法、染色效果预测模型的训练方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11842556B2 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
| CN107004123A (zh) | 迭代式缺陷滤除工艺 | |
| JP2021166062A (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
| Wright et al. | The effect of quality control on accuracy of digital pathology image analysis | |
| JP6791245B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
| Weaver et al. | LeafMachine: Using machine learning to automate leaf trait extraction from digitized herbarium specimens | |
| CN108426994A (zh) | 分析数字全息显微术数据以用于血液学应用 | |
| CN114092935A (zh) | 一种基于卷积神经网络的纺织品纤维识别方法 | |
| US11501446B2 (en) | Segmenting 3D intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions | |
| JP2011158373A (ja) | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 | |
| CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
| JPH09509487A (ja) | 細胞試料自動分類装置及び方法 | |
| CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
| US20210133981A1 (en) | Biology driven approach to image segmentation using supervised deep learning-based segmentation | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN113486202B (zh) | 小样本图像分类的方法 | |
| EP1360481A2 (en) | System for automated and remote histological analysis and new drug assessment | |
| CN110751170A (zh) | 面板质量检测方法、系统、终端设备及计算机可读介质 | |
| CN112446421A (zh) | 一种基于机器视觉的蚕茧计数与识别方法 | |
| CN113763315B (zh) | 玻片图像的信息获取方法、装置、设备及介质 | |
| EP3895060A1 (en) | Classification of cell nuclei | |
| Ramarolahy et al. | Classification and generation of microscopy images with plasmodium falciparum via artificial neural networks using low cost settings | |
| Draganova et al. | Model of Software System for automatic corn kernels Fusarium (spp.) disease diagnostics | |
| Jin et al. | A Deep Learning Model for Striae Identification in End Images of Float Glass. |
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 |