CN114581705A - 基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统 - Google Patents

基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统 Download PDF

Info

Publication number
CN114581705A
CN114581705A CN202210200381.2A CN202210200381A CN114581705A CN 114581705 A CN114581705 A CN 114581705A CN 202210200381 A CN202210200381 A CN 202210200381A CN 114581705 A CN114581705 A CN 114581705A
Authority
CN
China
Prior art keywords
fruit
model
neural network
convolutional neural
yolov4
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
Application number
CN202210200381.2A
Other languages
English (en)
Inventor
陈为平
饶孟宇
黄捷
林瑞全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202210200381.2A priority Critical patent/CN114581705A/zh
Publication of CN114581705A publication Critical patent/CN114581705A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/21—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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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

本发明涉及一种基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统。该方法包括：步骤S1、将训练图片输入基于YOLOv4模型的水果识别单元；步骤S2、将来自水果识别单元的训练数据集输入水果成熟检测单元以训练水果成熟检测单元的基于卷积神经网络的深度学习模型；步骤S3、通过摄像头和树莓派拍摄图片并将图片输入水果识别单元；步骤S4、将图像输入水果成熟检测单元，输出是否成熟。本发明在YOLOv4模型基础上结合水果成熟检测模型，以对水果的成熟进行检测，并使用轻量级YOLOv4‑tiny结构作为YOLOv4模型中识别网络，以提高水果检测的精度和速度；本发明可运用于日常生活中水果成熟的检测，以方便对于水果的储存。

Description

基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统
技术领域
本发明涉及水果检测技术领域，具体涉及一种基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统。
背景技术
目前水果成熟度检测方法大多数是基于光谱检测或者超声检测，需要使用价格高昂的仪器。虽然检测结果准确，但仪器价格高，仪器不易携带，很难得到普及。日常生活中需要一种便携且简单的水果成熟检测方法和系统，在生活中应用于对水果成熟的检测，以方便对于水果的储存。
YOLOv4模型作为一种实时目标检测模型，虽然能判断出是否存在水果和水果的种类，但是它无法判断出水果的成熟情况，具有一定的缺陷。
发明内容
本发明的目的在于针对现有技术无法准确判断水果成熟的问题，提供一种基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统，通过在YOLOv4模型上结合水果成熟检测模型并结合树莓派，摄像头等，以实现在日常生活中对水果是否成熟进行检测。
为实现上述目的，本发明的技术方案是：一种基于YOLOv4模型和卷积神经网络的水果成熟检测方法，包括：
步骤S1、将训练图片输入，训练水果识别模型；
步骤S2、将来自水果识别模型的训练数据集输入，训练水果成熟检测模型；
步骤S3、通过摄像头和树莓派拍摄图片并将图片输入水果识别模型，输出水果图像；
步骤S4、将水果图像输入水果成熟检测模型，输出水果是否成熟情况。
在本发明一实施例中，步骤S1中，水果识别模型采用YOLOv4模型，其训练方式为：从互联网采集训练图片数据集，通过landmark在训练图片上将水果的主要特征进行标注，而后将标注的图片输入YOLOv4模型进行训练。
在本发明一实施例中，步骤S2中，水果成熟检测模型采用基于卷积神经网络的深度学习模型，其训练方式为：将水果识别模型输出的训练数据集预处理后输入基于卷积神经网络的深度学习模型进行训练；训练过程中，梯度更新采用SGD梯度优化器：
Figure BDA0003527573010000011
θ表示基于卷积神经网络的深度学习模型中的相关参数，η表示学习率，
Figure BDA0003527573010000012
表示梯度，x(i)表示样本，y(i)表示样本的标签；
通过损失函数计算基于卷积神经网络的深度学习模型的预测结果与真实结果的误差，采用 crossentropyloss交叉熵损失函数，
Figure BDA0003527573010000021
L表示损失函数的总值，Li表示每个训练样本的损失函数值，N表示训练样本的数量；
yi表示样本i的标签，成熟的一类为1，不成熟的一类为0；
pi表示样本i预测为成熟一类的概率。
在本发明一实施例中，所述步骤S3，即首先通过摄像头拍摄的实时画面中提取图片并进行处理；而后将处理的提取图片输入水果识别模型，检测提取图片中是否存在水果，所述水果识别模型采用YOLOv4-tiny算法模型；具体的，将YOLOv4-tiny算法模型的输出值输入以下函数：
p＝-ReLU(sin(2πx)) (1)
公式(1)中，ReLU函数表达形式为f(x)＝max(0,x)，对输入到函数中的值进行单侧抑制； x为YOLOv4-tiny算法模型的输出值，p为输出的图片中是否存在水果的概率值；若p小于阈值，则表示提取图片中不存在水果，若p大于阈值，则表示提取图片中存在水果，输出水果图像。
在本发明一实施例中，步骤S4中，所述水果成熟检测模型采用基于卷积神经网络的深度学习模型，将水果图像输入基于卷积神经网络的深度学习模型，输出水果是否成熟情况的具体实现方式如下：
首先通过如下公式(2)、(3)圈出水果图像中的水果，并裁剪只包含相应水果的图片；
x,y,size＝get_boundingbox(image,width,height) (2)
cropped_fruit＝image[y:y+size,x:x+size] (3)
公式(2)表示在水果图像中调用get_boundingbox函数圈出水果图像中的水果，公式(3) 表示裁剪水果图像，即以公式(2)中圈出的水果图像中的水果为基准，重新生成一张只包含相应水果的图片，其中公式(2)中image表示含有水果的图像，width和height分别表示含有水果的图像的宽度和长度(以像素为单位)，公式(2)和公式(3)中的x，y分别表示含有水果的图像中水果的最小宽度和最小长度(以像素为单位)，size表示含有水果的图像中水果的最大宽度和最小宽度的差值与最大长度和最小长度的差值中较大的一个，cropped_fruit表示函数公式(3)的输出为一张只包含相应水果的图片；
而后将新图片通过基于卷积神经网络的深度学习模型，输出水果是否成熟的判断。
在本发明一实施例中，所述基于卷积神经网络的深度学习模型包括四个卷积层、两个池化层、一个Flatten层和若干全连接层；其中，卷积层用于提取特征，池化层用于降采样，Flattten 层用于降维，全连接层起到分类器的作用，将输入的水果图片分为成熟和未成熟两类。
本发明还提供了一种基于YOLOv4模型和卷积神经网络的水果成熟检测系统，包括：
水果识别单元，通过识别摄像头拍摄的画面来识别画面中是否有水果出现，输出水果图像；
水果成熟检测单元，对水果图像进行预处理，并基于卷积神经网络的深度学习模型对识别的水果图像进行检测，检测水果成熟情况；
检测输出单元，输出是否检测到水果以及水果是否成熟的检测情况。
在本发明一实施例中，所述水果识别单元采用YOLOv4模型；YOLOv4模型中识别网络采用轻量级YOLOv4-tiny结构。
在本发明一实施例中，所述基于卷积神经网络的深度学习模型包括四个卷积层、两个池化层、一个Flatten层和若干全连接层；其中，卷积层用于提取特征，池化层用于降采样，Flattten 层用于降维，全连接层起到分类器的作用，将输入的水果图片分为成熟和未成熟两类。
在本发明一实施例中，所述水果识别单元、水果成熟检测单元、检测输出单元在树莓派上运行。
相较于现有技术，本发明具有以下有益效果：
1、本发明在YOLOv4模型基础上结合水果成熟检测模型，以对水果的成熟进行检测，并使用轻量级YOLOv4-tiny结构作为YOLOv4模型中识别网络，以提高检测的精度和速度。
2、本发明可运用于日常生活中水果成熟的检测，以方便对于水果的储存。
附图说明
图1为本发明一实施例的基于YOLOv4模型和卷积神经网络的水果成熟检测系统的示意图。
图2为本发明一实施例的水果成熟检测单元示意图。
图3为本发明一实施例的基于YOLOv4模型和卷积神经网络的水果成熟检测方法的示意图。
图4为本发明一实施例的水果成熟检测模型示意图。
具体实施方式
下面结合附图1-4，对本发明的技术方案进行具体说明。
本发明一种基于YOLOv4模型和卷积神经网络的水果成熟检测方法，包括：
步骤S1、将训练图片输入，训练水果识别模型；
步骤S2、将来自水果识别模型的训练数据集输入，训练水果成熟检测模型；
步骤S3、通过摄像头和树莓派拍摄图片并将图片输入水果识别模型，输出水果图像；
步骤S4、将水果图像输入水果成熟检测模型，输出水果是否成熟情况。
本发明还提供了一种基于YOLOv4模型和卷积神经网络的水果成熟检测系统，包括：
水果识别单元，通过识别摄像头拍摄的画面来识别画面中是否有水果出现，输出水果图像；
水果成熟检测单元，对水果图像进行预处理，并基于卷积神经网络的深度学习模型对识别的水果图像进行检测，检测水果成熟情况；
检测输出单元，输出是否检测到水果以及水果是否成熟的检测情况。
所述水果识别单元、水果成熟检测单元、检测输出单元在树莓派上运行。
以下为本发明具体实施过程。
如图1、2所示，本发明一种基于YOLOv4模型和卷积神经网络的水果成熟检测系统，包括水果识别单元，水果成熟检测单元，检测输出单元。该系统还包括一些硬件设备，如树莓派，摄像头等。
摄像头通过实时拍摄获取画面，树莓派运行程序驱动水果识别单元、水果成熟检测单元和输出单元；水果识别单元通过识别摄像头拍摄的画面来识别画面中是否有水果出现；水果成熟检测单元对检测到的水果图像进行检测，检测水果成熟情况；检测输出单元显示是否检测到水果以及水果成熟的检测情况。
如图3所示，本发明一种基于YOLOv4模型和卷积神经网络的水果成熟方法，具体包括如下步骤：
S1、将训练图片输入基于YOLOv4模型的水果识别单元。
本实施例中，YOLOv4模型须经过训练，从互联网采集数据集，通过landmark将水果的主要特征标注出来，以方便在训练过程中将水果与其余的背景信息区分开。
S2、将来自水果识别单元的训练数据集输入水果成熟检测单元以训练水果成熟检测单元中基于卷积神经网络的深度学习模型。
本实施例中，基于卷积神经网络的深度学习模型须经过训练，输入获取的训练数据集，通过图像处理模块对训练数据集的图像进行预处理，将图像输入深度学习模型对卷积神经网络进行训练。在训练过程中，梯度更新采用Stochastic Gradient Descent(SGD)梯度优化器，
Figure BDA0003527573010000041
θ表示基于卷积神经网络的深度学习模型中的相关参数，η表示学习率，
Figure BDA0003527573010000042
表示梯度， x(i)表示样本，y(i)表示样本的标签；
通过损失函数计算基于卷积神经网络的深度学习模型的预测结果与真实结果的误差，采用 cross entropy loss交叉熵损失函数，
Figure BDA0003527573010000051
L表示损失函数的总值，Li表示每个训练样本的损失函数值，N表示训练样本的数量；
yi表示样本i的标签，成熟的一类为1，不成熟的一类为0；
pi表示样本i预测为成熟一类的概率。
S3、通过摄像头和树莓派拍摄图片并将图片输入水果识别单元。
本实施例中，使用轻量级YOLOv4-tiny结构作为YOLOv4模型中识别网络，YOLOv4-tiny 相比于YOLOv3-Tiny有比较大的提升。v4表示这是YOLO系列的第四代结构。YOLOv4-tiny 结构是YOLOv4的精简版，属于轻量化模型，参数只相当于原来的十分之一，使得检测速度大大提升。
S4、将图像输入水果成熟检测单元，输出是否成熟。
本实施例中，将训练完成的YOLOv4模型输出的图像通过水果成熟检测单元中的图像处理单元调整为32*32pixel大小并进行一系列的图像处理，之后输入水果成熟检测模型。如图4所示，水果成熟检测模型包括四个卷积层，两个池化层，一个Flatten层和若全连接层。卷积层用于提取特征，池化层用于降采样，Flattten层用于降维，全连接层用于起到分类器的作用，将输入的水果图片分为成熟和未成熟两类。
本实施例中，采取4块GeForceRTX2080Ti显卡进行训练YOLOv4-tiny和水果成熟检测模型。通过测试集进行测试，能达到67.75％的准确度。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (10)

1.一种基于YOLOv4模型和卷积神经网络的水果成熟检测方法，其特征在于，包括：
步骤S1、将训练图片输入，训练水果识别模型；
步骤S2、将来自水果识别模型的训练数据集输入，训练水果成熟检测模型；
步骤S3、通过摄像头和树莓派拍摄图片并将图片输入水果识别模型，输出水果图像；
步骤S4、将水果图像输入水果成熟检测模型，输出水果是否成熟情况。
2.根据权利要求1所述的基于YOLOv4模型和卷积神经网络的水果成熟检测方法，其特征在于，步骤S1中，水果识别模型采用YOLOv4模型，其训练方式为：从互联网采集训练图片数据集，通过landmark在训练图片上将水果的主要特征进行标注，而后将标注的图片输入YOLOv4模型进行训练。
3.根据权利要求1所述的基于YOLOv4模型和卷积神经网络的水果成熟检测方法，其特征在于，步骤S2中，水果成熟检测模型采用基于卷积神经网络的深度学习模型，其训练方式为：将水果识别模型输出的训练数据集预处理后输入基于卷积神经网络的深度学习模型进行训练；训练过程中，梯度更新采用SGD梯度优化器：
Figure FDA0003527573000000011
θ表示基于卷积神经网络的深度学习模型中的相关参数，η表示学习率，
Figure FDA0003527573000000012
表示梯度，x(i)表示样本，y(i)表示样本的标签；
通过损失函数计算基于卷积神经网络的深度学习模型的预测结果与真实结果的误差，采用cross entropy loss交叉熵损失函数，
Figure FDA0003527573000000013
L表示损失函数的总值，Li表示每个训练样本的损失函数值，N表示训练样本的数量；
yi表示样本i的标签，成熟的一类为1，不成熟的一类为0；
pi表示样本i预测为成熟一类的概率。
4.根据权利要求1所述的基于YOLOv4模型和卷积神经网络的水果成熟检测方法，其特征在于，所述步骤S3，即首先通过摄像头拍摄的实时画面中提取图片并进行处理；而后将处理的提取图片输入水果识别模型，检测提取图片中是否存在水果，所述水果识别模型采用YOLOv4-tiny算法模型；具体的，将YOLOv4-tiny算法模型的输出值输入以下函数：
p＝-ReLU(sin(2πx)) (1)
公式(1)中，ReLU函数表达形式为f(x)＝max(0,x)，对输入到函数中的值进行单侧抑制；x为YOLOv4-tiny算法模型的输出值，p为输出的图片中是否存在水果的概率值；若p小于阈值，则表示提取图片中不存在水果，若p大于阈值，则表示提取图片中存在水果，输出水果图像。
5.根据权利要求2所述的基于YOLOv4模型和卷积神经网络的水果成熟检测方法，其特征在于，步骤S4中，所述水果成熟检测模型采用基于卷积神经网络的深度学习模型，将水果图像输入基于卷积神经网络的深度学习模型，输出水果是否成熟情况的具体实现方式如下：
首先通过如下公式(2)、(3)圈出水果图像中的水果，并裁剪只包含相应水果的图片；
x,y,size＝get_boundingbox(image,width,height) (2)
cropped_fruit＝image[y:y+size,x:x+size] (3)
公式(2)表示在水果图像中调用get_boundingbox函数圈出水果图像中的水果，公式(3)表示裁剪水果图像，即以公式(2)中圈出的水果图像中的水果为基准，重新生成一张只包含相应水果的图片，其中公式(2)中image表示含有水果的水果图像，width和height分别表示含有水果的水果图像的宽度和长度，公式(2)和公式(3)中的x、y分别表示含有水果的水果图像中水果的最小宽度和最小长度，size表示含有水果的水果图像中水果的最大宽度和最小宽度的差值与最大长度和最小长度的差值中较大的一个，cropped_fruit表示函数公式(3)的输出为一张只包含相应水果的图片；
而后将新图片通过基于卷积神经网络的深度学习模型，输出水果是否成熟的判断。
6.根据权利要求5所述的基于YOLOv4模型和卷积神经网络的水果成熟检测方法，其特征在于，所述基于卷积神经网络的深度学习模型包括四个卷积层、两个池化层、一个Flatten层和若干全连接层；其中，卷积层用于提取特征，池化层用于降采样，Flattten层用于降维，全连接层起到分类器的作用，将输入的水果图片分为成熟和未成熟两类。
7.一种基于YOLOv4模型和卷积神经网络的水果成熟检测系统，其特征在于，包括：
水果识别单元，通过识别摄像头拍摄的画面来识别画面中是否有水果出现，输出水果图像；
水果成熟检测单元，对水果图像进行预处理，并基于卷积神经网络的深度学习模型对识别的水果图像进行检测，检测水果成熟情况；
检测输出单元，输出是否检测到水果以及水果是否成熟的检测情况。
8.根据权利要求7所述的基于YOLOv4模型和卷积神经网络的水果成熟检测系统，其特征在于，所述水果识别单元采用YOLOv4模型；YOLOv4模型中识别网络采用轻量级YOLOv4-tiny结构。
9.根据权利要求7所述的基于YOLOv4模型和卷积神经网络的水果成熟检测系统，其特征在于，所述基于卷积神经网络的深度学习模型包括四个卷积层、两个池化层、一个Flatten层和若干全连接层；其中，卷积层用于提取特征，池化层用于降采样，Flattten层用于降维，全连接层起到分类器的作用，将输入的水果图片分为成熟和未成熟两类。
10.根据权利要求7所述的基于YOLOv4模型和卷积神经网络的水果成熟检测系统，其特征在于，所述水果识别单元、水果成熟检测单元、检测输出单元在树莓派上运行。
CN202210200381.2A 2022-03-02 2022-03-02 基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统 Pending CN114581705A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210200381.2A CN114581705A (zh) 2022-03-02 2022-03-02 基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210200381.2A CN114581705A (zh) 2022-03-02 2022-03-02 基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统

Publications (1)

Publication Number Publication Date
CN114581705A true CN114581705A (zh) 2022-06-03

Family

ID=81775625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210200381.2A Pending CN114581705A (zh) 2022-03-02 2022-03-02 基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统

Country Status (1)

Country Link
CN (1) CN114581705A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080450A (ko) * 2018-12-26 2020-07-07 순천대학교 산학협력단 딥러닝 기반 과수 작물 수확량 예측 시스템 및 방법
CN111418349A (zh) * 2020-03-19 2020-07-17 南京赫曼机器人自动化有限公司 一种水果采摘智能机器人及其实现水果采摘的方法
CN111487247A (zh) * 2020-04-28 2020-08-04 前海国兴(深圳)高科技有限公司 水果成熟度ai识别系统
CN112528912A (zh) * 2020-12-19 2021-03-19 扬州大学 基于边缘计算的作物生长监测嵌入式系统及方法
CN113902901A (zh) * 2021-09-30 2022-01-07 北京工业大学 一种基于轻量化检测的物体分离方法与系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080450A (ko) * 2018-12-26 2020-07-07 순천대학교 산학협력단 딥러닝 기반 과수 작물 수확량 예측 시스템 및 방법
CN111418349A (zh) * 2020-03-19 2020-07-17 南京赫曼机器人自动化有限公司 一种水果采摘智能机器人及其实现水果采摘的方法
CN111487247A (zh) * 2020-04-28 2020-08-04 前海国兴(深圳)高科技有限公司 水果成熟度ai识别系统
CN112528912A (zh) * 2020-12-19 2021-03-19 扬州大学 基于边缘计算的作物生长监测嵌入式系统及方法
CN113902901A (zh) * 2021-09-30 2022-01-07 北京工业大学 一种基于轻量化检测的物体分离方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈为平: ""新工科下3D打印工程实训教学的探索与实践"", 《武汉轻工大学学报》, 30 June 2019 (2019-06-30) *

Similar Documents

Publication Publication Date Title
CN108648748B (zh) 医院噪声环境下的声学事件检测方法
CN109166094B (zh) 一种基于深度学习的绝缘子故障定位识别方法
CN106960195B (zh) 一种基于深度学习的人群计数方法及装置
CN107316007B (zh) 一种基于深度学习的监控图像多类物体检测与识别方法
CN111611847B (zh) 基于尺度注意力空洞卷积网络的视频动作检测方法
CN111680706A (zh) 一种基于编码和解码结构的双通道输出轮廓检测方法
CN109034092A (zh) 用于监控系统的异常事件检测方法
CN111738344A (zh) 一种基于多尺度融合的快速目标检测方法
CN110046568B (zh) 一种基于时间感知结构的视频动作识别方法
CN112507861A (zh) 一种多层卷积特征融合的行人检测方法
CN116229052B (zh) 一种基于孪生网络的变电站设备状态变化检测方法
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN110427943A (zh) 一种基于r-cnn的智能电表数值识别方法
CN114359199A (zh) 一种基于深度学习的鱼类计数方法、装置、设备和介质
CN116861303A (zh) 一种变电站数字孪生多源信息融合诊断方法
CN114782753A (zh) 基于弱监督学习和转换器的肺癌组织病理全切片分类方法
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN115019294A (zh) 一种指针式仪表读数识别方法及系统
CN110728269A (zh) 一种高铁接触网支柱杆号牌识别方法
CN112132137A (zh) 一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法
CN115631488A (zh) 基于Jetson Nano的水果成熟度无损检测方法及系统
CN116842460A (zh) 基于注意力机制与残差神经网络的咳嗽关联疾病识别方法和系统
CN114581705A (zh) 基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统
CN114387553B (zh) 一种基于帧结构感知聚合的视频人脸识别方法
CN113920302A (zh) 基于交叉注意力机制的多头弱监督目标检测方法

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