CN114155385B - 一种基于深度学习的rgb与高光谱的烟草识别方法 - Google Patents
一种基于深度学习的rgb与高光谱的烟草识别方法 Download PDFInfo
- Publication number
- CN114155385B CN114155385B CN202111445062.XA CN202111445062A CN114155385B CN 114155385 B CN114155385 B CN 114155385B CN 202111445062 A CN202111445062 A CN 202111445062A CN 114155385 B CN114155385 B CN 114155385B
- Authority
- CN
- China
- Prior art keywords
- image
- rgb
- hyperspectral
- tobacco
- 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.)
- Active
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 53
- 230000003595 spectral effect Effects 0.000 claims abstract description 28
- 239000003086 colorant Substances 0.000 claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 239000000126 substance Substances 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000000701 chemical imaging Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 239000012535 impurity Substances 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002372 labelling Methods 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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)
- 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)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (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)
Abstract
本发明公开一种基于深度学习的RGB与高光谱的烟草识别方法，属于图像识别技术领域。首先利用RGB彩色图像的对数阈值分割和圈选标记，将图像中的与烟草颜色差别明显的其他物质区别出来；再结合高光谱成像，针对色彩相近区域进行特殊优化，利用自主设计的高光谱差值矩阵法，构建光谱特征F通道，对RGB中的相近色块使用深度学习结合F通道数据进行二次识别，避免相近色彩物体的漏检。本发明将高光谱与RGB结合，对传统RGB相机无法识别的颜色相近或透明的杂质做出优化，判断出烟草中的不同于烟草光谱特性的物质，实现实时监控筛选，避免人员主观与长时间工作带来的影响，提升烟草的纯净度和识别效率，对烟草行业具有十分重要的意义。
Description
技术领域
本发明属于分类与深度学习技术领域，具体涉及一种基于深度学习的RGB与高光谱的烟草识别方法。
背景技术
我国是全世界最大的烟草生产国与消费国，全球35％的烟草产出和32％的烟草销售均在我国。烟草行业飞速发展，所带来的经济效益也在提高，连续多年纳税额超过万亿，但在烟草的生产过程中混杂了各种各样的杂质，如果清理不彻底，就会随着加工环节进入卷烟中，必定会影响生产出来的烟草质量。目前，深度学习解决烟草中含有杂质的一个有效办法。但是现有的技术在利用RGB图像的处理，对颜色相近的杂质或是透明的薄膜是无法通过RGB图像进行分类识别出来的，现有技术中在利用光谱领域来解决，但是数据处理存在一定的冗余，并且做深度学习的处理时间较长，性能过剩，同时深度学习需要大量的有效标签化的数据，这便成为只用光谱领域来解决的阻碍，因此烟草中杂质的清除对烟草产业来说是一个亟待解决的技术难题。
发明内容
本发明解决的技术问题：提供一种通过神经网络利用对RGB图像的深度学习和利用高光谱的特征训练，实现对目标中的烟草进行识别，对烟草中混杂的杂质进行剔除，从而获得无杂质的烟草，提升生产质量的基于深度学习的RGB与高光谱的烟草识别方法。
技术方案：为了解决上述技术问题，本发明采用的技术方案如下：
一种基于深度学习的RGB与高光谱的烟草识别方法，1)利用RGB彩色图像的对数系数阈值空间向量分割和圈选标记获得物料分类标签，将图像中的与烟草颜色差别明显的其他物质区别出来；2)训练过程中，首先使用深度学习对RGB图像进行物质分类器训练，其次，对RGB颜色相近无法识别的区域，结合高光谱成像，将获取的相应的高光谱图像进行数据的校正和降噪，针对色彩相近区域利用高光谱差值矩阵法，构建光谱特征F通道，对RGB中的相近色块使用深度学习结合F通道数据再次训练神经网络，实现进行二次识别；3)分选过程中，分类器先根据RGB色彩通道信息和高光谱图像，生成相应的光谱分类特征F通道，同时使用这两类数据生成最终的分类结果，做到对烟草图像中颜色相近处能够识别出烟草部分。
具体包括以下步骤：
步骤1，获取烟丝的彩色图像和高光谱图像；
步骤2：对彩色图像增强处理，扩大图像数据的数据量得到图像样本库，并对其随机分成训练集和测试集；
步骤3：将对应RGB图像进行分割，运用对数系数阈值空间向量分割法，对应RGB图像的3个通道，对每个像素点采取一个相似度量；
步骤4：采用圈选对RGB图像中的特征进行标记，通过RGB图像的标记对应产生F通道的标记；
步骤5：添加特征标签后，将RGB图像数据随机性的打乱并将分类标签转化为独热编码，生成便于神经网络进行训练和测试的标签数据；
步骤6：对获得的高光谱数据进行校正与降噪；
步骤7，利用高光谱差值矩阵法，构建光谱特征F通道，对RGB中的相近色块使用深度学习结合F通道数据进行二次识别。
作为优选，步骤3中，若像素点O和像素点K之间的差值小于指定的对数系数阈值T，则像素点O相似于像素点K；
D(O，K)＝l·||O-K||
＝l·[(O-K)T(O-K)]1/2
＝i·[(OR-KR)2+(OG-KG)2+(OB-KB)2]1/2
l＝||log((OR+OG+OB)/3))-log((KR+KG+KB)/3))||；
式中：D表示像素点O与像素点K两点间的对数系数差值，l表示为像素点O与像素点K两点间的对数系数。
作为优选，步骤3结束后，通过神经网络进行训练和测试，如果能够完全识别，则结束判别流程，如果不能完全识别则继续进行步骤6。
作为优选，对获得的高光谱数据进行校正与降噪，方法如下：
为提高信噪比，校正原始图像I，通过标准白色校正板得到的纯白标定图像T；根据校正板反射率得到日照影响系数k；然后得到纯黑的标定图像B，对其数据做均值化处理，在T，B方向利用如下公式到
和
其中，
表示纯白标定图像后的光谱数据均值，
表示纯黑标定图像后的光谱数据均值，Ii表示图像中当前像素点的光谱数据，n表示所取的像素点数量，
然后根据如下公式计算得到校正后的图像R，后利用萨维茨基一戈莱平滑滤波对数据进行拟合平滑得到平滑的数据，实现对高光谱数据的校正和降噪，
作为优选，利用高光谱差值矩阵法，构建光谱特征F通道，对RGB中的相近色块使用深度学习结合F通道数据进行二次识别的具体方法如下：
步骤71：选取无法识别的区域，无法识别区域的每个像素点Cij对应的高光谱所有谱段的波长Bij，用特征目标的波长Bfm与其Bij做差值，得到BDij；
步骤72：对步骤71中得到的每个像素点的光谱波长差值BDij，取其中最大的值MAX(BDij)；
步骤73：重复步骤71、72将图像中所有无法识别的颜色相近区域遍历，对每个无法识别的区域的MAX(BDij)，做均值化处理；然后得到关于RGB图像对应的光谱差值矩阵Bf；
Bf＝||Bfm-Bmij||
式中，Bmij表示为均值处理后得到的对应像素点的波长差值。n表示为无法识别区域的像素点个数。
步骤74：将步骤73形成的差值矩阵Bf作为一个通道，为F通道，再把相对应的RGB图像3个通道与F通道进行合并，生成一个关于烟草的4通道的融合特征图像。
步骤75：将步骤74中RGB分类的结果中效果不佳的区域对应的F通道的标记筛选出来，将标记的F通道数据转化为独热编码，随机打乱放入神经网络中进行再次训练。
有益效果：与现有技术相比，本发明具有以下优点：
(1)本发明的基于深度学习的RGB与高光谱的烟草识别方法，通过获取烟草彩色图像和高光谱数据构建数据库，进而通过烟草识别分析仪训练该模型，该模型能够实现对于彩色相机无法识别的颜色相近的杂质，通过光谱数据进行识别，代替传统通过专业人员主观判断的方法，此方法减少人为因素干扰，提高效率，能够实现实时监控筛选，避免人员主观与长时间工作带来的影响，提升烟草的纯净度。对烟草行业具有十分重要的意义。
(2)本发明采用光谱数据差值矩阵将所有谱段的光谱数据按特征目标整合为一个F通道，该方法大大减少了数据量，避免了冗余的数据的干扰，同时也加强颜色相近杂质的区别，烟草的识别效果也得以提高。
(3)本发明采用的阈值空间向量分割法，将增加在RGB颜色十分相近区域的阈值的区分度，从而增强该区域的数据信息，提升烟草的识别算法效果；
(4)按特征目标将光谱图像分成对应的数据，对与RGB相同的杂质的波长进行与特征目标的光谱波长进行差值计算，减少了大量的无用数据，节省二次训练的时间，同时也对无法识别的区域信息增强，提升了算法的准确性。
附图说明
图1是本发明的识别方法流程图；
图2为本发明的阈值空间向量分割法示意图；
图3为本发明的RGB图像添加标签的过程图；
图4为本发明在特定谱段的高光谱图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1所示，1)首先利用RGB彩色图像的对数系数阈值空间向量分割和圈选标记获得物料分类标签，将图像中的与烟草颜色差别明显的其他物质区别出来；2)训练过程中，首先使用深度学习对RGB图像进行物质分类器训练，其次，对RGB颜色相近无法识别的区域，再结合高光谱成像，将获取的相应的高光谱图像进行数据的校正和降噪，针对色彩相近区域进行特殊优化，利用自主设计的高光谱差值矩阵法，构建光谱特征F通道，对RGB中的相近色块使用深度学习结合F通道数据再次训练神经网络，进行二次识别，确保能够分选相似色彩，避免相近色彩物体的漏检；3)分选过程中，分类器先根据RGB色彩通道信息和高光谱图像，生成相应的光谱分类特征F通道，同时使用这两类数据生成最终的分类结果，做到对烟草图像中颜色相近处能够识别出烟草部分。
具体实现步骤如下：
步骤1，获取烟丝的彩色图像和高光谱图像；
利用Basler beat系列的彩色相机来获取彩色图像，利用国产高光谱相机FIGSPEC的FS系列高光谱相机来获取高光谱图像。本实施中，采集的烟草的RGB图像，分辨率为3000*4000，拍摄有效照片数量为200张，获取的高光谱图像为在400-1000nm的反射图像。并以5nm为一谱段，共采集120谱段的数据。
步骤2：对彩色图像增强处理，扩大图像数据的数据量得到图像样本库，并对其随机分成训练集和测试集，按4：1的比例进行训练集和测试集分配。
步骤3：将对应RGB图像进行分割，运用对数系数阈值空间向量分割法，对应RGB图像的3个通道，对每个像素点采取一个相似度量。若像素点O和像素点K之间的差值小于指定的对数系数阈值T，则像素点O相似于像素点K。在颜色越相近的区域阈值的区别会增大从而便于区分。
D(O，K)＝l·||O-K||
＝l·[(O-K)T(O-K)]1/2
＝l·[(OR-KR)2+(OG-KG)2+(OB-KB)2]1/2
l＝||log((OR+OG+OB)/3))-log((KR+KG+KB)/3))||；
步骤4：采用圈选对RGB图像中的特征进行标记，通过RGB图像的标记对应产生F通道的标记；
步骤5：添加特征标签后，将RGB图像数据随机性的打乱并将分类标签转化为独热编码，生成便于神经网络进行训练和测试的标签数据。随后通过神经网络进行训练和测试，如果能够完全识别，则结束判别流程，如果不能完全识别则继续进行步骤6。
步骤6：对获得的高光谱数据进行校正与降噪，过程如下：
为提高信噪比，校正原始图像I，扫面通过标准白色校正板得到的纯白标定图像T；根据校正板反射率得到日照影响系数k；然后得到纯黑的标定图像B。对其数据做均值化处理，在T，B方向利用如下公式得到
和
其中，
表示纯白标定图像后的光谱数据均值，
表示纯黑标定图像后的光谱数据均值，Ii表示图像中当前像素点的光谱数据，n表示所取的像素点数量。
然后根据如下公式计算得到校正后的图像R，后利用萨维茨基-戈莱平滑(SG)滤波对数据进行拟合平滑得到平滑的数据，实现对高光谱数据的校正和降噪，便于后续的训练；
步骤7，对RGB无法识别的颜色相近区域，利用高光谱差值矩阵法，构建光谱特征F通道，对RGB中的相近色块使用深度学习结合F通道数据进行二次识别。具体步骤如下：
步骤71：选取无法识别的区域，无法识别区域的每个像素点Cij对应的高光谱所有谱段的波长Bij，用特征目标的波长Bfm与其Bij做差值，得到BDij；
步骤72：对步骤71中得到的每个像素点的光谱波长差值BDij，取其中最大的值MAX(BDij)；
步骤73：重复步骤71、72将图像中所有无法识别的颜色相近区域遍历，对每个无法识别的区域的MAX(BDij)，做均值化处理；然后得到关于RGB图像对应的光谱差值矩阵Bf；
Bf＝||Bfm-Bmij||
式中，Bmij表示为均值处理后得到的对应像素点的波长差值，n表示为无法识别区域的像素点个数。
步骤74：将步骤73形成的差值矩阵Bf作为一个通道，为F通道，再把相对应的RGB图像3个通道与F通道进行合并，生成一个关于烟草的4通道的融合特征图像。
步骤75：将步骤74中RGB分类的结果中效果不佳的区域对应的F通道的标记筛选出来，将标记的F通道数据转化为独热编码，随机打乱放入神经网络中进行再次训练。
本发明利用圈选后的RGB烟草图像，在神经网络训练后，在对RGB三通道数值相近无法区别的区域，将对应的高光谱F通道放入神经网络进行再次训练。本发明将高光谱与RGB结合，对于传统RGB相机无法识别的颜色相近或透明的杂质做出优化，通过采集在400-1000nm的高光谱数据，从而判断出烟草中的不同于烟草光谱特性的物质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于深度学习的RGB与高光谱的烟草识别方法，其特征在于：1)利用RGB彩色图像的对数系数阈值空间向量分割和圈选标记获得物料分类标签，将图像中的与烟草颜色差别明显的其他物质区别出来；
2)训练过程中，首先使用深度学习对RGB图像进行物质分类器训练，其次，对RGB颜色相近无法识别的区域，结合高光谱成像，将获取的相应的高光谱图像进行数据的校正和降噪，针对色彩相近区域利用高光谱差值矩阵法，构建光谱特征F通道，对RGB中的相近色块使用深度学习结合F通道数据再次训练神经网络，实现进行二次识别，具体方法如下：
步骤71:选取无法识别的区域，无法识别区域的每个像素点Cij对应的高光谱所有谱段的波长Bij，用特征目标的波长Bfm与其Bij做差值，得到BDij；
步骤72:对步骤71中得到的每个像素点的光谱波长差值BDij，取其中最大的值MAX(BDij)；
步骤73:重复步骤71、72将图像中所有无法识别的颜色相近区域遍历，对每个无法识别的区域的MAX(BDij)，做均值化处理得到Bmij；然后得到关于RGB图像对应的光谱差值矩阵Bf；
Bf＝||Bfm-Bmij||
式中，Bmij表示为均值处理后得到的对应像素点的波长差值，n表示为无法识别区域的像素点个数，
步骤74:将步骤73形成的差值矩阵Bf作为一个通道，为F通道，再把相对应的RGB图像3个通道与F通道进行合并，生成一个关于烟草的4通道的融合特征图像；
步骤75:将步骤74中RGB分类的结果中效果不佳的区域对应的F通道的标记筛选出来，将标记的F通道数据转化为独热编码，随机打乱放入神经网络中进行再次训练；
3)分选过程中，分类器先根据RGB色彩通道信息和高光谱图像，生成相应的光谱分类特征F通道，同时使用这两类数据生成最终的分类结果，做到对烟草图像中颜色相近处能够识别出烟草部分。
2.根据权利要求1所述的基于深度学习的RGB与高光谱的烟草识别方法，其特征在于：具体包括以下步骤：
步骤1，获取烟丝的彩色图像和高光谱图像；
步骤2：对彩色图像增强处理，扩大图像数据的数据量得到图像样本库，并对其随机分成训练集和测试集；
步骤3：将对应RGB图像进行分割，运用对数系数阈值空间向量分割法，对应RGB图像的3个通道，对每个像素点采取一个相似度量；
步骤4：采用圈选对RGB图像中的特征进行标记，通过RGB图像的标记对应产生F通道的标记；
步骤5：添加特征标签后，将RGB图像数据随机性的打乱并将分类标签转化为独热编码，生成便于神经网络进行训练和测试的标签数据；
步骤6：对获得的高光谱数据进行校正与降噪；
步骤7，利用高光谱差值矩阵法，构建光谱特征F通道，对RGB中的相近色块使用深度学习结合F通道数据进行二次识别。
3.根据权利要求2所述的基于深度学习的RGB与高光谱的烟草识别方法，其特征在于：步骤3中，若像素点O和像素点K之间的差值小于指定的对数系数阈值T，则像素点O相似于像素点K；
D(O，K)＝l·||O-K||
＝l·[(O-K)T(O-K)]1/2
＝l·[(OR-KR)2+(OG-KG)2+(OB-KB)2]1/2
l＝||log((OR+OG+OB)/3)-log((KR+KG+KB)/3)||；
式中：D表示像素点O与像素点K两点间的对数系数差值；
l表示为像素点O与像素点K两点间的对数系数。
4.根据权利要求2所述的基于深度学习的RGB与高光谱的烟草识别方法，其特征在于：步骤3结束后，通过神经网络进行训练和测试，如果能够完全识别，则结束判别流程，如果不能完全识别则继续进行步骤6。
5.根据权利要求2所述的基于深度学习的RGB与高光谱的烟草识别方法，其特征在于：对获得的高光谱数据进行校正与降噪，方法如下：
为提高信噪比，校正原始图像I，通过标准白色校正板得到的纯白标定图像T；根据校正板反射率得到日照影响系数k；然后得到纯黑的标定图像B，对其数据做均值化处理，在T，B方向利用如下公式得到
和
其中，
表示纯白标定图像后的光谱数据均值，
表示纯黑标定图像后的光谱数据均值，Ii表示图像中当前像素点的光谱数据，n表示所取的像素点数量，
然后根据如下公式计算得到校正后的图像R，利用萨维茨基—戈莱平滑滤波对数据进行拟合平滑得到平滑的数据，实现对高光谱数据的校正和降噪，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111445062.XA CN114155385B (zh) | 2021-11-30 | 2021-11-30 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111445062.XA CN114155385B (zh) | 2021-11-30 | 2021-11-30 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114155385A CN114155385A (zh) | 2022-03-08 |
| CN114155385B true CN114155385B (zh) | 2022-09-27 |
Family
ID=80454922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111445062.XA Active CN114155385B (zh) | 2021-11-30 | 2021-11-30 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114155385B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485736A (zh) * | 2023-04-04 | 2023-07-25 | 深圳市眼科医院(深圳市眼病防治研究所) | 基于深度学习的眼底视网膜图像异常区域检测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110542658A (zh) * | 2019-09-10 | 2019-12-06 | 中国烟草总公司郑州烟草研究院 | 一种基于高光谱成像技术的烟草非烟物质分类方法 |
| CN113420614A (zh) * | 2021-06-03 | 2021-09-21 | 江苏海洋大学 | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182627B (zh) * | 2014-08-18 | 2017-03-08 | 浙江大学 | 一种显示设备颜色精确预测表征方法 |
| CN106600602B (zh) * | 2016-12-30 | 2019-08-23 | 哈尔滨工业大学 | 基于聚类自适应窗高光谱图像异常检测方法 |
| CN107784283B (zh) * | 2017-10-24 | 2021-05-18 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
| CN108932521B (zh) * | 2018-04-26 | 2021-02-09 | 中国农业大学 | 一种基于深度学习的农作物分类方法及系统 |
| CN108896494A (zh) * | 2018-05-04 | 2018-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于光谱和深度学习的物体识别仪 |
| CN109784192B (zh) * | 2018-12-20 | 2023-04-18 | 西安电子科技大学 | 基于超像素特征提取神经网络算法的高光谱影像分类方法 |
| CN110008836B (zh) * | 2019-03-06 | 2023-04-25 | 华东师范大学 | 一种病理组织切片高光谱图像的特征提取方法 |
| CN110348456B (zh) * | 2019-04-30 | 2022-04-29 | 浙江大学 | 一种结合多光谱图像与深度学习方法的漂浮hns目标检测方法 |
| CN110390322B (zh) * | 2019-08-28 | 2020-05-05 | 南京林业大学 | 一种用于深度学习的籽棉地膜高光谱可视化标签方法 |
| CN112189877B (zh) * | 2020-10-13 | 2021-07-02 | 燕山大学 | 用于烟草生产线烟丝杂质的在线检测方法 |
| CN113222062A (zh) * | 2021-05-31 | 2021-08-06 | 中国烟草总公司郑州烟草研究院 | 烟叶分类的方法、装置和计算机可读取介质 |
-
2021
- 2021-11-30 CN CN202111445062.XA patent/CN114155385B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110542658A (zh) * | 2019-09-10 | 2019-12-06 | 中国烟草总公司郑州烟草研究院 | 一种基于高光谱成像技术的烟草非烟物质分类方法 |
| CN113420614A (zh) * | 2021-06-03 | 2021-09-21 | 江苏海洋大学 | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114155385A (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415181B (zh) | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 | |
| CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
| CN112464942B (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
| CN114757900A (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
| CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
| CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
| CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN109063619A (zh) | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN106651966B (zh) | 图片颜色识别方法和系统 | |
| CN111932572B (zh) | 一种铝合金熔池轮廓提取方法 | |
| CN114155385B (zh) | 一种基于深度学习的rgb与高光谱的烟草识别方法 | |
| CN110516648B (zh) | 基于无人机遥感和模式识别的苎麻株数识别方法 | |
| CN111832569B (zh) | 基于高光谱分类与分割的壁画颜料层脱落病害标注方法 | |
| WO2021248599A1 (zh) | 一种类型异常图斑自动识别方法及系统 | |
| CN116310826B (zh) | 一种基于图神经网络的高分遥感影像林地二级分类方法 | |
| CN113420614A (zh) | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 | |
| CN114037671A (zh) | 一种基于改进Faster RCNN的显微高光谱白细胞检测方法 | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
| CN114511567A (zh) | 舌体与舌苔图像识别分离方法 | |
| CN118196118A (zh) | 一种基于图像运算的黄精分级方法 | |
| CN113435285A (zh) | 一种血液肿瘤染色体核型自动分析方法及系统 | |
| CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |