CN114494884A - 一种垃圾自动分拣多目标检测方法 - Google Patents
一种垃圾自动分拣多目标检测方法 Download PDFInfo
- Publication number
- CN114494884A CN114494884A CN202210123927.9A CN202210123927A CN114494884A CN 114494884 A CN114494884 A CN 114494884A CN 202210123927 A CN202210123927 A CN 202210123927A CN 114494884 A CN114494884 A CN 114494884A
- Authority
- CN
- China
- Prior art keywords
- feature
- features
- garbage
- feature extraction
- extraction unit
- 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.)
- Granted
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 5
- 241000353135 Psenopsis anomala Species 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000003313 weakening 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
- G06F18/24—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/08—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
本发明公开了一种垃圾自动分拣多目标检测方法,包括,步骤一:输入图像,并将图像规格化为网络结构的标准输入大小。步骤二:预处理是指对图像进行降噪。步骤三:特征提取器包括五个特征提取单元和小目标提取单元,将这五个特征以及小目标提取单元提取到的特征进行特征融合。步骤四:将步骤三得到的特征作为此部分全连接层的输入,输出值作为softmax函数的输入,得到最终的分类结果。步骤五:输出分类结果。使用局部注意力机制与全局注意力机制相结合的方法,使网络关注检测目标而忽略对特征提取有干扰的背景信息。使用反卷积增大负责检测小目标的特征层conv7的特征图,将特征图与特征提取单元获得的特征图进行融合,从而提高对体积较小目标检测准确率。
Description
技术领域
本发明属于基于深度学习的图像分类领域,涉及目标检测和分类任务,具体为针对垃圾的目标检测及分类方法。
背景技术
。垃圾是对人类有益的还是有害的,在很大程度上取决于人类处理垃圾的方式。我国各地区对生活垃圾分类标准有不同的规定,大致可以分为厨余垃圾、可回收垃圾、有害垃圾、其他垃圾,将不同种类的垃圾进行不同处理,可以高效挖掘垃圾的可利用价值,同时有效降低垃圾对环境的污染程度。但是,由于传统的垃圾分类方法一直是将垃圾分为可回收和不可回收两类,民众难以在较短时间内形成新的垃圾分类意识,导致在垃圾分类的过程中,出现较多分类错误现象。
在机器学习出现以前,一直是依赖人工进行垃圾分类,浪费大量人力的同时,也因为人工分拣垃圾的有限性,导致大量可重复利用的垃圾不能重新利用,造成一定程度上的资源浪费。机器学习出现以后,许多学者将机器学习算法应用到垃圾分类中,主要通过设计算法手动提取图像的相关特征,结合分类器完成垃圾的分类。吴健等人在使用机器学习进行垃圾分类的过程中,首先选用灰度共生矩阵和统计量进行纹理特征提取,再从灰度矩阵中,提取对比度、熵、逆差距、相关等参数作为纹理分析的特征量,完成垃圾分类的工作。Mindy Yang等人在 TrashNet Dataset数据集上用基于SVM的机器学习方法进行了垃圾分类。他们提出的方法是以SIFT特征作为支持向量机的特征,然后用k-means算法进行聚类。Stephenn L.Rabano等人将轻量级神经网络MobileNet应用到TrashNet Dataset数据集上,较SVM的算法准确率有所提升。TrashNet Dataset数据集包含玻璃、纸张、塑料、金属和一般垃圾六种可回收类别,此数据集中的图像是通过将物体放在白色海报板上并使用阳光或室内照明来拍摄获取的,统一的白色背景为分类减少了很大的干扰,但是现实生活中垃圾的背景环境是多种多样的,很明显这是远远不能满足当前的生活垃圾分类需求的。相比于国外,国内对于垃圾分类的研究算法较少,且存在主要针对较大体积垃圾的分类而忽视了对如干电池、瓜子皮等体积较小的垃圾分类的问题。
为了实现对复杂背景环境下的生活垃圾进行特征提取及分类,提高对体积较小的垃圾的识别准确率,从而提高垃圾分类的整体准确率,以满足日益增长的需求问题,有必要对垃圾自动分拣中目标检测及分类算法进行探索与研究,解决上述问题。
发明内容
为了实现在复杂的背景环境下对生活垃圾进行特征提取及分类,以及提高对体积较小的垃圾的识别准确率,从而提高垃圾分类的整体准确率,以满足日益增长的需求问题,有必要对垃圾自动分拣中目标检测及分类算法进行探索与研究,解决上述问题,进而提出的一种垃圾自动分拣中多目标检测方法,将目标检测算法运用到分类任务中,实现多分类任务。针对生活垃圾的纹理特征比较复杂,大小不固定,部分类别易发生形变导致形状不固定的特点,有效特征的提取对于分类结果有着至关重要的影响。本发明以SSD模型作为目标检测网络,使用 resnet101网络替代原本的VGG网络,提取更加丰富的语义信息。为实现在复杂的背景环境下对生活垃圾进行特征提取及分类,本发明使用了局部注意力机制与全局注意力机制相结合的方法,使网络关注检测目标而忽略对特征提取有干扰的背景信息。针对SSD模型对小目标检测能力不足的问题,本发明使用反卷积增大负责检测小目标的特征层conv7的特征图,将此特征图与特征提取单元获得的特征图进行融合,从而提高对体积较小的如干电池,瓜子皮等较小体积的目标检测准确率。
为实现上述目的,本发明采用如下的技术方案:
步骤一:提取图像特征
本发明构建了由特征提取器和分类器组成的分类网络,其中特征提取器主要包括五个特征提取单元和一个小目标特征提取单元,将第i个特征提取单元提取到的特征用Fi表示。
Fi=C×H×W (1)
其中,C代表channel,H代表高度,W代表宽度。
为实现在复杂的背景环境下对生活垃圾进行特征提取及分类,本发明使用了局部注意力机制与全局注意力机制相结合的方法,使网络关注检测目标而忽略对分类有干扰的背景信息。具体实施方式为,将Fi通过格拉姆矩阵构建的局部注意力机制与其转置相乘得到局部特征,将Fi通过全局池化,在保留原始空间信息和语义信息的同时得到全局特征,然后将局部特征与全局特征相乘,获得第i 个特征提取单元的最终特征。
使用resnet101的101层卷积层进行特征提取,层数较深的网络虽然在特征提取方面表现得更好,但是会出现因层数较深带来的网络退化问题。为解决网络层数较深的退化问题,本发明使用了残差学习,残差块的构成为,首先使用1×1 的卷积层进行降维,然后使用3×3的卷积层进行特征提取,再使用1×1的卷积层进行还原,将残差块输入特征和输出特征相加,作为下一个残差块的输入,这样既保持了精度又减少了计算量。
步骤二:特征融合
将每个特征提取单元提取到的特征进行融合,特征融合的公式如下所示。
其中,F表示融合后的特征,x表示1×1的卷积核,表示第i个特征提取单元提取到的特征,b表示偏置。该操作能够有效利用不同的特征提取单元提取到的不同尺度图像特征信息,避免出现有效信息的丢失现象,在一定程度上提高了网络的稳定性。
步骤三:获取小目标特征信息
获取小目标特征信息的具体过程为,首先将反卷积操作作用于特征图conv7,增大其分辨率至输入图像尺寸,使得目标特征更加显著。然后提取卷积层conv7 的特征图的特征信息,映射到deconv7上,此处的特征映射包含特征图像素点的映射和感受野坐标的映射。再将deconv7进行池化。将此步骤获取得到特征图与步骤三获得的特征进行融合,得到最终的特征图。特征融合的公式如下所示。
Ffinal=F+a1v(deconv7)+a2v(conv8_2)+a3v(conv9_2)+a4v(conv10_2) (4)
其中,Ffinal表示融合后的特征,F表示五个特征提取单元获取的特征,v表示特征层的特征信息的函数,a1、a2、a3、a4为权重系数,值依次为0.3、0.25、0.25、0.2,deconv7表示包含小目标特征的特征层,conv8_2、conv9_2、conv10_2 分别表示大小为10*10、5*5、3*3的特征层。
步骤四:分类
本发明所构建的分类器由一个全连接层和softmax层组成,将步骤三融合后的特征作为全连接层的输入,使用softmax函数进行分类,分别得到厨余垃圾、可回收垃圾、其他垃圾、有害垃圾这四个类别的预测概率,且四个类别的预测概率和为1,输出分类结果。
本发明主要通过提高对小目标垃圾的检测准确率以及弱化对有效目标的背景干扰来提高垃圾分类的准确率。
现有研究对生活垃圾分类主要是对中等以及较大垃圾的分类,对于较小目标的分类,检测的准确率较低,并且仅以干电池作为较小目标代表,而现实生活中,有很多比干电池体积小很多的生活垃圾,比如瓜子皮等。本发明以SSD模型作为目标检测网络,SSD首先在图片不同位置按照不同尺度和宽高比进行密集抽样,然后利用CNN提取特征后直接进行分类与回归,所以速度比较快。但均匀密集采样会造成正负样本不均衡的情况使得训练比较困难,导致模型准确度有所降低。且SSD对小目标的检测不够友好,因为随着网络的加深,在高层特征图中小目标的信息丢失掉了。本发明使用使用resnet101网络替代原本的VGG网络作为检测网络的主干部分,提取更加丰富的语义信息。使用反卷积增大负责检测小目标的特征层的特征图,将此特征图与特征提取单元获得的特征图以不同的权重进行融合,从而提高对体积较小的如瓜子皮等较小体积的目标检测准确率。获取小目标特征信息的具体过程为,首先将反卷积操作作用于特征图conv7,增大其分辨率至输入图像尺寸,使得目标特征更加显著。然后提取卷积层conv7的特征图的特征信息,映射到deconv7上,此处的特征映射包含特征图像素点的映射和感受野坐标的映射。再将deconv7进行池化,得到包含小目标信息的特征图。
相较于仅使用空间注意力机制与仅使用通道注意力机制而言,本发明构建的注意力机制同时关注空间和通道两个维度,能够显性的进行特征优化,使信息在被聚合之前以自适应的方式进行重新加权,分离出重要信息,并避免这些信息受到不重要信息的干扰,从而提高准确性。在网络中扩大感受野以获得空间注意力图谱,同时使用SENet的通道注意力结构筛选通道之前的重要性程度。通道注意力旨在关注不同通道特征的重要性,加强重要通道,弱化不重要通道,为特征提取模块选择有利特征;空间注意力旨在模仿人眼的特征,关注图像中特征比较显著的像素位置。本发明使用的通道空间相结合的方式改进网络,显性的进行特征优化。
附图说明
图1是本发明的网络整体结构示意图。
图2是本发明的特征提取单元中包含的residual结构示意图。
图3是本发明的流程示意图。
具体实施方式
以下将结合附图详细描述本发明各个方面的特征和示例性实施例。以下的描述涵盖了许多具体细节,以便提供对本发明的全面理解。但是,对于本领域技术人员来说显而易见的是,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过本发明的示例来提供对本发明更清楚的理解。本发明绝不限于下面所提出的任何具体配置和算法,而是在不脱离本发明的精神的前提下覆盖了相关元素、部件和算法的任何修改、替换和改进。
本发明的网络整体结构如图1所示,由特征提取器和分类器两部分组成。特征提取器中主要包括五个特征提取单元和小目标特征获取单元,其中特征提取单元主要是对图像的特征进行提取,包括图像的纹理特征,图像的颜色特征,图像的形状特征。将图中五个特征提取单元输出的不同特征以及小目标提取单元提取到的特征进行特征融合得到一个总体特征。将总体特征作为分类器的输入参数,得到最终的分类结果,具体包括以下步骤:
步骤一:经过第一个特征提取单元得到特征F1,将F1通过格拉姆矩阵构建的局部注意力机制与通过全局池化,得到的全局注意力机制相乘,得到以此类推,则五个特征提取单元获得的特征分别加以全局注意力和局部注意力机制之后得到的特征分别为
步骤二:将步骤二中的五个特征进行特征融合,得到特征F。
步骤三:首先将反卷积操作作用于特征图conv7,增大其分辨率至输入图像尺寸,使得目标特征更加显著。然后提取卷积层conv7的特征图的特征信息,映射到deconv7上,此处的特征映射包含特征图像素点的映射和感受野坐标的映射。再将deconv7进行池化。将此步骤获取得到特征图与步骤三获得的特征进行融合,得到最终的特征图。
步骤四:将步骤三的输出作为分类器的输入,分别得到厨余垃圾、可回收垃圾、其他垃圾、有害垃圾这四个类别的概率,且概率和为1,输出最终的分类结果。
图2是本发明的特征提取单元中包含的第二个特征提取单元中的其第二个residual模块结构示意图。通过使用通道数和输入特征图一样的大小为1×1的卷积块作为每一个残差块的起始层,用以降维,通过使用卷积核个数和输入特征图一样的大小为1×1的卷积块作为每一个残差块的结束层,用以升维,以保持主干特征图维度的一致性。解决了在基于随机梯度下降的网络训练过程中,误差信号的多层反向传播易引发的梯度消失及梯度爆炸现象,解决了深层神经网络的退化问题。
本发明的流程示意图如图3所示,具体包括如下步骤:
步骤一:输入图像,并将图像规格化为网络结构的标准输入大小。
步骤二:预处理是指对图像进行降噪,消除无关干扰,提高网络提取特征的性能。
步骤三:特征提取器主要包括五个特征提取单元和小目标提取单元,其中每个特征模块提取到不同尺度的特征,最后将这五个特征以及小目标提取单元提取到的特征进行特征融合。
步骤四:将步骤三得到的特征作为此部分全连接层的输入,输出值作为 softmax函数的输入,得到最终的分类结果。
步骤五:输出分类结果,显示为厨余垃圾、可回收垃圾、有害垃圾,其他垃圾的预测概率。
Claims (5)
1.一种垃圾自动分拣多目标检测方法,其特征在于:该方法包括如下步骤,
步骤一:提取图像特征;
构建由特征提取器和分类器组成的分类网络,其中特征提取器包括五个特征提取单元和一个小目标特征提取单元,将第i个特征提取单元提取到的特征用Fi表示;
Fi=C×H×W (1)
其中,C代表channel,H代表高度,W代表宽度;
使用局部注意力机制与全局注意力机制相结合的方法,使网络关注检测目标而忽略对分类有干扰的背景信息;将Fi通过格拉姆矩阵构建的局部注意力机制与其转置相乘得到局部特征,将Fi通过全局池化,在保留原始空间信息和语义信息的同时得到全局特征,然后将局部特征与全局特征相乘,获得第i个特征提取单元的最终特征;
使用resnet101的101层卷积层进行特征提取,使用残差学习,残差块的构成为,首先使用1×1的卷积层进行降维,然后使用3×3的卷积层进行特征提取,再使用1×1的卷积层进行还原,将残差块输入特征和输出特征相加,作为下一个残差块的输入;
步骤二:特征融合;
将每个特征提取单元提取到的特征进行融合,特征融合的公式如下所示;
步骤三:获取小目标特征信息;
获取小目标特征信息的具体过程为,首先将反卷积操作作用于特征图conv7,增大其分辨率至输入图像尺寸,使得目标特征显著;然后提取卷积层conv7的特征图的特征信息,映射到deconv7上,特征映射包含特征图像素点的映射和感受野坐标的映射;再将deconv7进行池化;将此步骤获取得到特征图与步骤三获得的特征进行融合,得到最终的特征图;特征融合的公式如下所示;
Ffinal=F+a1v(deconv7)+a2v(conv8_2)+a3v(conv9_2)+a4v(conv10_2) (4)
其中,Ffinal表示融合后的特征,F表示五个特征提取单元获取的特征,v表示特征层的特征信息的函数,a1、a2、a3、a4为权重系数,值依次为0.3、0.25、0.25、0.2,deconv7表示包含小目标特征的特征层,conv8_2、conv9_2、conv10_2分别表示大小为10*10、5*5、3*3的特征层;
步骤四:分类;
所构建的分类器由一个全连接层和softmax层组成,将步骤三融合后的特征作为全连接层的输入,使用softmax函数进行分类,分别得到厨余垃圾、可回收垃圾、其他垃圾、有害垃圾这四个类别的预测概率,且四个类别的预测概率和为1,输出分类结果。
3.根据权利要求1所述的一种垃圾自动分拣多目标检测方法,其特征在于:步骤二:将步骤二中的五个特征进行特征融合,得到特征F。
4.根据权利要求1所述的一种垃圾自动分拣多目标检测方法,其特征在于:步骤三:首先将反卷积操作作用于特征图conv7,增大其分辨率至输入图像尺寸,使得目标特征更加显著;然后提取卷积层conv7的特征图的特征信息,映射到deconv7上,此处的特征映射包含特征图像素点的映射和感受野坐标的映射;再将deconv7进行池化;将此步骤获取得到特征图与步骤三获得的特征进行融合,得到最终的特征图。
5.根据权利要求1所述的一种垃圾自动分拣多目标检测方法,其特征在于:步骤四:将步骤三的输出作为分类器的输入,分别得到厨余垃圾、可回收垃圾、其他垃圾、有害垃圾这四个类别的概率,且概率和为1,输出最终的分类结果;
特征提取单元中包含的第二个特征提取单元中的其第二个residual模块结构示意图;通过使用通道数和输入特征图一样的大小为1×1的卷积块作为每一个残差块的起始层,用以降维,通过使用卷积核个数和输入特征图一样的大小为1×1的卷积块作为每一个残差块的结束层,用以升维,以保持主干特征图维度的一致性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210123927.9A CN114494884B (zh) | 2022-02-10 | 2022-02-10 | 一种垃圾自动分拣多目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210123927.9A CN114494884B (zh) | 2022-02-10 | 2022-02-10 | 一种垃圾自动分拣多目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114494884A true CN114494884A (zh) | 2022-05-13 |
CN114494884B CN114494884B (zh) | 2024-06-07 |
Family
ID=81478835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210123927.9A Active CN114494884B (zh) | 2022-02-10 | 2022-02-10 | 一种垃圾自动分拣多目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494884B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611948A (zh) * | 2020-05-25 | 2020-09-01 | 陈金山 | 基于cim与区块链的城市垃圾桶满溢检测方法 |
CN112241747A (zh) * | 2019-07-16 | 2021-01-19 | 顺丰科技有限公司 | 物体分拣方法、装置、分拣设备及存储介质 |
CN113567984A (zh) * | 2021-07-30 | 2021-10-29 | 长沙理工大学 | 一种sar图像中人造小目标的检测方法及系统 |
CN113673298A (zh) * | 2021-06-11 | 2021-11-19 | 温州大学 | 一种基于时序门控循环单元模型的溢出监测方法 |
-
2022
- 2022-02-10 CN CN202210123927.9A patent/CN114494884B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241747A (zh) * | 2019-07-16 | 2021-01-19 | 顺丰科技有限公司 | 物体分拣方法、装置、分拣设备及存储介质 |
CN111611948A (zh) * | 2020-05-25 | 2020-09-01 | 陈金山 | 基于cim与区块链的城市垃圾桶满溢检测方法 |
CN113673298A (zh) * | 2021-06-11 | 2021-11-19 | 温州大学 | 一种基于时序门控循环单元模型的溢出监测方法 |
CN113567984A (zh) * | 2021-07-30 | 2021-10-29 | 长沙理工大学 | 一种sar图像中人造小目标的检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114494884B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
CN111310862B (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
CN111126333B (zh) | 一种基于轻量卷积神经网络的垃圾分类方法 | |
CN109241982B (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN111652317B (zh) | 基于贝叶斯深度学习的超参数图像分割方法 | |
CN109410184B (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN108537121B (zh) | 气象环境参数与图像信息融合的自适应遥感场景分类方法 | |
CN114841972A (zh) | 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
CN113537031B (zh) | 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN113052006B (zh) | 一种基于卷积神经网络的图像目标检测方法,系统及可读存储介质 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN112819063B (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
CN114170511B (zh) | 基于Cascade RCNN的路面裂缝病害识别方法 | |
CN104616026A (zh) | 一种面向智能视频监控的监控场景类型辨识方法 | |
CN111178121A (zh) | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 | |
CN111462090A (zh) | 一种多尺度图像目标检测方法 | |
CN115909011A (zh) | 基于改进的SE-Inception-v3网络模型的天文图像自动分类方法 | |
CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
Bohong et al. | Garbage detection algorithm based on YOLO v3 | |
CN117455868A (zh) | 基于显著融合差异图和深度学习的sar图像变化检测方法 | |
CN114494884B (zh) | 一种垃圾自动分拣多目标检测方法 |
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 |