CN115100688B - 一种基于深度学习的鱼类资源快速识别方法和系统 - Google Patents
一种基于深度学习的鱼类资源快速识别方法和系统 Download PDFInfo
- Publication number
- CN115100688B CN115100688B CN202210862899.2A CN202210862899A CN115100688B CN 115100688 B CN115100688 B CN 115100688B CN 202210862899 A CN202210862899 A CN 202210862899A CN 115100688 B CN115100688 B CN 115100688B
- Authority
- CN
- China
- Prior art keywords
- fish
- identification
- file
- image
- deep learning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Abstract
一种基于深度学习的鱼类资源快速识别方法和系统,针对所述原始图像文件进行鱼类图片分割,利用分割不准确的分割图像和经过监测后对应的完整鱼类轮廓对图片分割模型进行训练,实现所述图片分割模型的迭代更新;针对准确的分割图像进行鱼类识别并分类,利用识别不准确的分割图像和校核修改后的识别结果对识别算法模型进行训练,实现所述识别算法模型的迭代更新;首先利用图片分割模型将原始图像文件按照标定的鱼类声音分别对应分割成一整分割图像;再利用识别算法模型对每一张分割图像中的鱼类进行长度识别和分类识别;从而实现鱼类资源的快速准确识别。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种基于深度学习的鱼类资源快速识别方法和系统。
背景技术
现有的鱼类资源调查主要采用现场调查法,在野外水域将渔获物捕捞上岸后,主要通过现场调查人员目视和经验判别的方法识别鱼的种类,然后进行口头计数及登记;鱼类的长度测量主要采用目估法。传统的鱼类资源调查方法中:通过目视和经验判别的方法识别鱼的种类,对调查人员的专业素质要求极高,经验不足的调查人员很难具有识别稀有、濒危鱼类的能力,容易产生差错;通过口头计数及登记,往往只能单条鱼地进行,不能批量进行,效率较低且容易出错;采用目估法进行鱼身长度测量精度不够。
发明内容
本发明的目的在于提供一种基于深度学习的鱼类资源快速识别方法和系统,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于深度学习的鱼类资源快速识别方法,包括
将视频文件和经过相机标定后的鱼类标定文件相结合,得到原始图像文件;
针对所述原始图像文件进行鱼类图片分割,并利用分割不准确的分割图像和经过监测后对应的完整鱼类轮廓对图片分割模型进行训练,实现所述图片分割模型的迭代更新;
针对经过所述图片分割模型分割准确的分割图像进行鱼类识别并分类,利用识别不准确的分割图像和校核修改后的识别结果对识别算法模型进行训练,实现所述识别算法模型的迭代更新;从而实现鱼类资源的快速识别。
优选的,还包括对准确分割的分割图像中的鱼类进行长度识别:对于经过所述图片分割模型分割准确的分割图像中的鱼类体型进行矫正,从而根据图片与真实鱼类体型的比例,通过图片的像素,换算得到对应鱼类的真实尺寸。
优选的,所述视频文件和所述标定文件相结合得到原始图像文件的过程包括颜色校正、镜头校正和透视校正。
优选的,所述图像分割模型的网络结构为Detectron2,包括backbone、rpn和roi_heads;所述backbone提取所述原始图像文件中的鱼类特征的关键信息;通过rpn判断所述原始图像文件中可能存在鱼类的目标区域;所述roi_heads通过所述backbone中提取的鱼类特征和所述rpn中得到目标区域的坐标得到预测的图片分割结果。
优选的,图像分割还包括计算颜色梯度法:在鱼类身上选择起始点,并以所述起始点为基础向周围遍历测试点,与所述起始点之间的颜色差值小于阈值的测试点记录为该条鱼类的起始点,存入该条鱼类的数据库。
优选的,所述计算颜色梯度过程中对所述测试点的颜色分析包括:同一条鱼身上的每一个测试点的颜色不会发生变化,所有测试点的颜色种类不超过3种,相邻测试点之间的颜色差值小于所述阈值。
优选的,所述识别算法模型的网络结构为ResNet:选取每一个固定卷积层的浅层网络增加一个跳跃连接作为一个识别梯度;通过一个以上的识别梯度对分割图像中鱼类的特征识别所述分割图像中鱼类的种类。
优选的,根据鱼类特征进行种类识别的方法包括:不同种类的鱼在腮孔、鳃盖、鳞片、背鳍、胸鳍和尾鳍其中至少存在三个部位的不同点。
一种基于深度学习的鱼类资源快速识别系统,包括用于存储数据的存储器,用于处理图像分割和图像识别的服务器,用于鱼类标定和视频采集的相机;
通过所述相机获取的视频文件和标定文件;在所述服务器中将所述视频文件和所述标定文件进行合并,生成原始图像文件并存储于所述存储器中;通过所述服务器执行图像分割和图像识别,实现所述原始图像文件中所有鱼类的识别分类。
本发明的有益效果是:本发明公开了一种基于深度学习的鱼类资源快速识别的方法和系统;基于AI识别技术和信息化手段简化了传统鱼类资源的调查流程,提升了调查的效率及精确度,同时降低了鱼类资源调查对专业人员的素养要求,有效降低了外业调查的成本;基于对鱼类识别算法模型的自动迭代更新功能,令识别算法模型随着使用的次数越多,能自动识别的鱼类也会越多、越准,效益也会体现地越来越明显。
附图说明
图1是鱼类资源快速识别方法一种实施例的流程图;
图2是图像分割模型的网络结构示意图;
图3是根据计算颜色梯度法进行鱼类分割的流程图;
图4是识别算法模型的网络结构示意图。
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,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方式仅仅用以解释本发明,并不用于限定本发明。
一种基于深度学习的鱼类资源快速识别的方法,对不同批次捕捞上岸的鱼类资源采集视频文件,并通过相机扫描所述视频文件通过鱼类标定形成标定文件,在将视频文件和标定文件相结合,通过颜色校正、镜头校正和透视校正后形成原始图像文件;针对原始图像文件以鱼类身体为基础进行图片分割;进一步的针对分割图像中鱼类的特征,进行鱼类资源的识别和分类。
上述基于深度学习的鱼类资源快速识别方法,其中一种实施例如图1所示:
利用相机对不同批次捕捞上岸的鱼类资源采集视频文件,并通过相机对所述视频文件进行标定,形成对图像中每一天鱼完成标定的标定文件;将所述视频文件和所述标定文件经过颜色校正、镜头校正和透视校正后形成原始图像文件:
利用图像分割模型对所述原始图像文件进行分割,根据所述原始图像文件中标定的鱼类进行图像分割,形成标定数量的有且仅有一条完整鱼类的分割图像;度分割图像进行检测,当检测到分割图像不准确时,通过像素对该鱼类轮廓的分析,并利用鱼类轮廓对所述图像分割模型进行训练,随着模型的应用不断迭代更新所述图像分割模型;从而令图像分割更加准确;
对准确分割的分割图像中的鱼类进行长度识别:对于经过所述图片分割模型分割准确的分割图像中的鱼类体型进行矫正,利用上述透视校正中图像中鱼类和真实鱼类的比例尺,根据每一个准确分割的分割图像中的鱼类像素,计算分割图像中每一条鱼类的正式尺寸并记录;
利用识别算法模型,对每一各准确的分割图像中的鱼类进行识别并分类,当检测到有鱼类的分类不正确时,手动校核修改识别结果,并是根据识别结果利用对应的分割图像对识别算法模型进行训练,从而实现识别算法模型的迭代更新;若分类准确则完成该分割图像中鱼类的分类,输出并记录该鱼类的分类结果。
实施例中利用相机的标定技术确定鱼类身体表面某点的三维几何位置与其在图像中对应点之间的相互关系。采用张正友标定法对相机进行标定,求解计算相机标定几何模型的相机参数:利用三维场景中的一个平面作为标定棋盘格,另一个平面作为成像平面,在特质的标定棋盘中,标定棋盘与成像平面之间的交点是已知的,利用所述标定棋盘格和所述成像平面中对应点的坐标,通过角点的提取算法得到即可求得棋盘平面和图像平面的单应性矩阵H:
通过对应点在棋盘平面和图像平面中的单应性矩阵H,求解相机内参数K和外参数旋转矩阵R和平移向量t:
其中,s是任意比例因子,m=[u,v,1]T表示棋盘平面点的坐标m=[u,v]T设置的最后一个坐标要素设为1的增广向量;M=[X,Y,Z,1]T表示世界坐标系中对应点的坐标;旋转矩阵R=[r1 r2 r3],其中r1 r2 r3分别表示三个维度的旋转参数,α、β、u0、v0和γ表示相机的5个内部参数,α和β分别表示在x方向和y方向上的图像平面的一个像素在棋盘平面上分别占多少长度单位,即一个像素代表的实际物理值的大小,是图像平面与棋盘平面转换的关键;u0和v0表示图像原点在棋盘平面和图像平面之间相差的横向和纵向像素数;γ表示相机的畸变参数。
假设棋盘平面为Z=0的世界坐标系,此时棋盘格上任意像素点的世界坐标为(Xw,Yw,0),其中z方向上的旋转参数r3的数据可以被忽略:
其中,H=[h1 h2 h3],hi为单应性矩阵的第i个行向量;
对上述单应性矩阵进行约束,令[h1 h2 h3]=λA[r1 r2 t],其中λ表示单应性矩阵进行约束的任意标定;
内参数矩阵包括五个方程,由于每个单应性矩阵能提供两个方程,则根据内参数矩阵的需要要求解至少3个单应性矩阵,即至少三幅标定棋盘格对图片进行标定:改变相机与标定板之间的相对位置来得到三个不同的图片,通过图像得到关于内参数的两个等式;
经过上述令:
hi=[hi1 hi2 hi3]T;
其中,对称B是一个对称矩阵,6个未知量写成向量的形式b=[B11 B12 B22 B13 B23B33]T;hj为单应性矩阵的第j个列向量,得到:
vij=[hi1hj1 hi1hj2+hi2hj1 hi2hi2 hi3hj1+hi1hj3 hi3hj2+hi2hj3 hi3hj3]
其中若选择n幅图像,则V是2n×6的矩阵;使用SVD对上述约束等式求解最小二乘,得到相机的各个内参数以及外参数:
当n≥3时,可以得到相机各个参数的位移解。
实施例中采用Detectron2框架对原始图像文件中的鱼类进行轮廓识别,其对应的网络架构如图2所示,包括backbone、rpn和roi_heads;所述backbone提取所述原始图像文件中的鱼类特征的关键信息;通过rpn判断所述原始图像文件中可能存在鱼类的目标区域;roi_heads通过所述backbone中提取的鱼类特征和所述rpn中得到目标区域的坐标得到预测的图片分割结果。
原始图像文件经过上述Detectron2框架训练后再利用计算颜色梯度法强化检测准确性,如图3所示包括:在鱼类身上选择起始点,以所述起始点为基础向周围遍历测试点,并设置同一条鱼类中不同颜色差值的最大值,作为颜色阈值;根据一下三种基本规律:同一条鱼身上的每一个测试点的颜色不会发生变化,所有测试点的颜色种类不超过3种,相邻测试点之间的颜色差值小于所述颜色阈值;筛选其中符合规律的测试点表示与起始点在同一条鱼类表面,存入该条鱼类的数据库,并将该测试点添加至下一次测试点筛选的起始点中。
实施例中,针对每一个分割准确的分割图像,根据不同种类的鱼在腮孔、鳃盖、鳞片、背鳍、胸鳍和尾鳍其中至少存在三个部位的不同点的基本分类规律,通过ResNet算法框架对鱼类进行特征提取,采集图片时至少需要提取到鱼类四个部位的信息,通过每个分割图像中鱼类的部位信息对该分割图像中的鱼进行分类;其对应的网络结构如图4所示:当网络结构向深层传递时,每三个卷积层会增加一个跳跃连接,假设在跳跃连接开始时网络的输入为X,三层卷积网络后输出为Y,中间卷积层对输出的贡献为Conv,则ResNet算法框架中每一个跳跃连接则有Y=Conv+X。通过此跳远连接的设计可以使卷积层贡献较小时,正向传递卷积后的输出至少也得到X本身;反向梯度传递至少可以得到X本身的导数值,也就是1,从而有效避免了梯度反向传递时梯度消失的问题。
一种基于深度学习的鱼类资源快速识别系统,包括用于存储数据的存储器,用于处理图像分割和图像识别的服务器,用于鱼类标定和视频采集的相机;通过所述相机获取的视频文件和标定文件;在所述服务器中将所述视频文件和所述标定文件进行合并,生成原始图像文件并存储于所述存储器中;通过所述服务器执行上述识别方法,实现所述原始图像文件中所有鱼类的识别分类。
实施例
通过上述基于深度学习的鱼类资源快速识别的系统,对其中一批捕获的鱼类资源进行快速识别,包括:
使用手机变换不同的角度对捕获的鱼类资源拍摄10张以上的棋盘校正图片;选择需要进行调查的捕获的鱼类资源批次,调取相应的图片或视频,通过服务器接收相关图片后进行分类识别和长度识别;并根据识别结果输出相应数据;当服务器检测到存在人为修改的数据时,利用人为修改后的数据和对应的图片对相关的模型进行训练和更新;最终完成对该彼此鱼类的分类识别和长度识别。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明公开了一种基于深度学习的鱼类资源快速识别的方法和系统;基于AI识别技术和信息化手段简化了传统鱼类资源的调查流程,提升了调查的效率及精确度,同时降低了鱼类资源调查对专业人员的素养要求,有效降低了外业调查的成本;基于对鱼类识别算法模型的自动迭代更新功能,令识别算法模型随着使用的次数越多,能自动识别的鱼类也会越多、越准,效益也会体现地越来越明显。
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本发明的保护范围。
Claims (7)
1.一种基于深度学习的鱼类资源快速识别的方法,其特征在于,包括
将视频文件和经过相机标定后的鱼类标定文件相结合,得到原始图像文件;具体为:利用相机对不同批次捕捞上岸的鱼类资源采集视频文件,并通过相机对所述视频文件进行标定,形成对图像中每一天鱼完成标定的标定文件;将所述视频文件和所述标定文件经过颜色校正、镜头校正和透视校正后形成原始图像文件;
针对所述原始图像文件进行鱼类图片分割,并利用分割不准确的分割图像和经过监测后对应的完整鱼类轮廓对图片分割模型进行训练,实现所述图片分割模型的迭代更新;其中,所述图片分割模型的网络结构为Detectron2,包括backbone、rpn和roi_heads;所述backbone提取所述原始图像文件中的鱼类特征的关键信息;通过rpn判断所述原始图像文件中可能存在鱼类的目标区域;所述roi_heads通过所述backbone中提取的鱼类特征和所述rpn中得到目标区域的坐标得到预测的图片分割结果;
针对经过所述图片分割模型分割准确的分割图像进行鱼类识别并分类,利用识别不准确的分割图像和校核修改后的识别结果对识别算法模型进行训练,实现所述识别算法模型的迭代更新;从而实现鱼类资源的快速识别。
2.根据权利要求1所述的基于深度学习的鱼类资源快速识别的方法,其特征在于,还包括对准确分割的分割图像中的鱼类进行长度识别:对于经过所述图片分割模型分割准确的分割图像中的鱼类体型进行矫正,从而根据图片与真实鱼类体型的比例,通过图片的像素,换算得到对应鱼类的真实尺寸。
3.根据权利要求1所述的基于深度学习的鱼类资源快速识别的方法,其特征在于,图像分割还包括计算颜色梯度法:在鱼类身上选择起始点,并以所述起始点为基础向周围遍历测试点,与所述起始点之间的颜色差值小于阈值的测试点记录为该鱼类的起始点,存入该鱼类的数据库。
4.根据权利要求3所述的基于深度学习的鱼类资源快速识别的方法,其特征在于,计算颜色梯度过程中对所述测试点的颜色分析包括:同一条鱼身上的每一个测试点的颜色不会发生变化,所有测试点的颜色种类不超过3种,相邻测试点之间的颜色差值小于所述阈值。
5.根据权利要求1所述的基于深度学习的鱼类资源快速识别的方法,其特征在于,所述识别算法模型的网络结构为ResNet:选取每一个固定卷积层的浅层网络增加一个跳跃连接作为一个识别梯度;通过一个以上的识别梯度对分割图像中鱼类的特征识别所述分割图像中鱼类的种类。
6.根据权利要求5所述的基于深度学习的鱼类资源快速识别的方法,其特征在于,根据鱼类特征进行种类识别的方法包括:不同种类的鱼在腮孔、鳃盖、鳞片、背鳍、胸鳍和尾鳍其中至少存在三个部位的不同点。
7.一种基于深度学习的鱼类资源快速识别的系统,其特征在于,包括用于存储数据的存储器,用于处理图像分割和图像识别的服务器,用于鱼类标定和视频采集的相机;
通过所述相机获取的视频文件和标定文件;在所述服务器中将所述视频文件和所述标定文件进行合并,生成原始图像文件并存储于所述存储器中;通过所述服务器执行上述权利要求1-6任一所述的方法,实现所述原始图像文件中所有鱼类的识别分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210862899.2A CN115100688B (zh) | 2022-07-20 | 2022-07-20 | 一种基于深度学习的鱼类资源快速识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210862899.2A CN115100688B (zh) | 2022-07-20 | 2022-07-20 | 一种基于深度学习的鱼类资源快速识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100688A CN115100688A (zh) | 2022-09-23 |
CN115100688B true CN115100688B (zh) | 2023-04-07 |
Family
ID=83298152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210862899.2A Active CN115100688B (zh) | 2022-07-20 | 2022-07-20 | 一种基于深度学习的鱼类资源快速识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100688B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7916933B2 (en) * | 2007-01-18 | 2011-03-29 | Northrop Grumman Systems Corporation | Automatic target recognition system for detection and classification of objects in water |
US20140205139A1 (en) * | 2013-01-18 | 2014-07-24 | Caterpillar Inc. | Object recognition system implementing image data transformation |
CN108647648A (zh) * | 2018-05-14 | 2018-10-12 | 电子科技大学 | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 |
CN108805064A (zh) * | 2018-05-31 | 2018-11-13 | 中国农业大学 | 一种基于深度学习的鱼类定位检测和识别方法及系统 |
CN110766013A (zh) * | 2019-09-25 | 2020-02-07 | 浙江农林大学 | 一种基于卷积神经网络的鱼类识别方法和装置 |
CN114663721A (zh) * | 2022-03-01 | 2022-06-24 | 中铁水利水电规划设计集团有限公司 | 一种鱼类识别的数据增广方法以及鱼类识别方法和系统 |
-
2022
- 2022-07-20 CN CN202210862899.2A patent/CN115100688B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115100688A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764257B (zh) | 一种多视角的指针式仪表识别方法 | |
CN111368766B (zh) | 一种基于深度学习的牛脸检测与识别方法 | |
CN108921057B (zh) | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 | |
CN111429533B (zh) | 一种相机镜头畸变参数估计装置及方法 | |
CN109919975B (zh) | 一种基于坐标标定的广域监控运动目标关联方法 | |
US8488878B2 (en) | Sky detection system used in image extraction device and method using sky detection system | |
CN113920453A (zh) | 一种基于深度学习的猪只体尺体重估测方法 | |
CN110580481B (zh) | 一种基于epi的光场图像关键位置检测方法 | |
JP7074185B2 (ja) | 特徴推定装置および特徴推定方法、プログラム | |
CN110889829A (zh) | 一种基于鱼眼镜头的单目测距方法 | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
CN112712518B (zh) | 鱼类计数方法、装置、电子设备及存储介质 | |
CN113313047A (zh) | 一种基于车道结构先验的车道线检测方法及系统 | |
CN110490196A (zh) | 主体检测方法和装置、电子设备、计算机可读存储介质 | |
CN113435282A (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN115409814A (zh) | 一种基于融合图像的光伏组件热斑检测方法及系统 | |
CN115100688B (zh) | 一种基于深度学习的鱼类资源快速识别方法和系统 | |
CN117291913A (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN114550069B (zh) | 一种基于深度学习的仔猪乳头计数方法 | |
CN111353412A (zh) | 端到端的3D-CapsNet火焰检测方法及装置 | |
CN113591548B (zh) | 靶环识别方法及系统 | |
CN111260625B (zh) | 胶印大张图像检测区域的自动提取方法 | |
CN114581709A (zh) | 识别医学图像中的目标的模型训练、方法、设备及介质 | |
WO2022171267A1 (en) | System, method, and computer executable code for organism quantification | |
CN112308776A (zh) | 解决遮挡与错误映射的影像序列与点云数据融合的方法 |
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 |