CN115713763A - 一种基于深度学习的土豆图像识别系统 - Google Patents
一种基于深度学习的土豆图像识别系统 Download PDFInfo
- Publication number
- CN115713763A CN115713763A CN202211507737.3A CN202211507737A CN115713763A CN 115713763 A CN115713763 A CN 115713763A CN 202211507737 A CN202211507737 A CN 202211507737A CN 115713763 A CN115713763 A CN 115713763A
- Authority
- CN
- China
- Prior art keywords
- image
- potato
- model
- neural network
- 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.)
- Pending
Links
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 122
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 122
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 18
- 235000012015 potatoes Nutrition 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 235000007794 yellow potato Nutrition 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的土豆图像识别系统，本发明属于图像识别领域，包括：图像获取模块、模型构建模块、图像识别模块和图像分类模块，通过图像获取模块，获取不同环境生长的土豆图像，将土豆图像分为训练图像、测试图像和待测图像；通过模型构建模块，构建神经网络识别模型，并基于训练图像训练神经网络识别模型，其中神经网络识别模型包括：卷积神经网络和全卷积神经网络，卷积神经网络用于提取土豆图像中的颜色特征，全卷积神经网络用于提取土豆图像中的尺寸特征；通过图像识别模块，将待测图像输入至神经网络识别模型中，得到土豆图像的识别结果；通过图像分类模块将待测图像进行分类。本发明能够提高土豆分类效率和分类准确度。
Description
技术领域
本发明属于图像识别领域，特别是涉及一种基于深度学习的土豆图像识别系统。
背景技术
土豆作为重要的粮食来源，用途非常广泛。现在农业机械收割装置可以实现对土豆的大规模快速的收割，通过土豆分类装置对土豆进行分类和分拣，大多数基于土豆大小尺寸不同对土豆进行分类，将分类后的土豆进行不同价格销售。
现有技术中，通过土豆分类装置分拣土豆分类时间长，无法同时对土豆颜色、尺寸进行差异化分类，最终导致土豆分类不准确，影响土豆销售价格。
发明内容
本发明的目的是提供一种基于深度学习的土豆图像识别系统，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于深度学习的土豆图像识别系统，包括：
图像获取模块、模型构建模块、图像识别模块和图像分类模块，其中所述图像获取模块、所述模型构建模块、所述图像识别模块和所述图像分类模块依次连接；
所述图像获取模块，用于获取不同环境生长的土豆图像，将所述土豆图像分为训练图像、测试图像和待测图像；
所述模型构建模块，用于构建神经网络识别模型，并基于所述训练图像训练所述神经网络识别模型，其中所述神经网络识别模型包括：卷积神经网络和全卷积神经网络，所述卷积神经网络，用于提取所述土豆图像中的颜色特征，所述全卷积神经网络，用于提取所述土豆图像中的尺寸特征；
所述图像识别模块，用于将所述待测图像输入至所述神经网络识别模型中，得到土豆图像的识别结果；
所述图像分类模块，用于基于所述识别结果，将所述待测图像进行分类。
优选地，所述图像获取模块包括：图像获取单元和图像处理单元，其中所述图像获取单元、图像处理单元分别与所述模型构建模块连接；
所述图像获取单元，用于获取土豆图像，或者截取土豆视频中的土豆图像；
所述图像处理单元，用于将所述土豆图像转换成同样格式、同样分辨率，对所述土豆图像进行对比度增强的预处理操作；同时通过数据增强，随机水平翻转和随机打乱所述训练图像。
优选地，所述卷积神经网络采用AlexNet网络模型，所述AlexNet网络模型包括：依次连接的五个卷积层和三个全连接层，AlexNet网络模型采用ReLU非线性激活函数，AlexNet网络模型用于提取所述土豆图像中的颜色特征。
优选地，所述模型构建模块包括：模型构建单元、模型训练单元和模型测试单元；其中所述模型构建单元、所述模型训练单元和所述模型测试单元分别与所述图像识别模块连接；
所述模型构建单元，用于构建AlexNet神经网络模型和全卷积神经网络；
所述模型训练单元，用于通过处理后的训练图像分别训练所述AlexNet神经网络模型、全卷积神经网络，得到训练好的AlexNet神经网络模型、全卷积神经网络；
所述模型测试单元，用于根据所述测试图像分别测试训练好的AlexNet神经网络模型、全卷积神经网络。
优选地，所述模型测试单元中，还包括计算测试误差，基于所述测试误差，分别调整AlexNet神经网络模型和全卷积神经网络的模型参数，基于调整后的模型参数，继续根据测试图像进行模型参数调整的过程，直至迭代次数达到预设次数。
优选地，所述图像识别模块包括：颜色分类单元、尺寸分类单元和特征识别单元，其中所述颜色分类单元、所述尺寸分类单元和所述特征识别单元分别与所述图像分类模块连接；
所述颜色分类单元，用于通过数据增强处理所述待测图像，并将处理后的待测图像输入至所述AlexNet神经网络模型中，输出分类结果；
所述尺寸分类单元，用于通过数据增强处理所述待测图像，并将处理后的待测图像输入至全卷积神经网络中，得到分类特征图，基于所述分类特征图，得到特征区域数据；
所述特征识别单元，用于重新构建特征识别模型，将所述分类结果和所述分类特征图同时输入至所述特征识别模型中，得到土豆图像的识别结果，所述识别结果为：黄色大土豆、黄色中土豆、黄色小土豆、白色大土豆、白色中土豆和白色小土豆。
优选地，所述尺寸分类单元中，基于所述分类特征图的图像轮廓，得到土豆区域，基于所述土豆区域计算特征区域数据，将所述特征区域数据与阈值比较，得到尺寸分类结果。
优选地，所述图像分类模块包括：标签标记单元和图像分类单元；
所述标签标记单元，用于基于识别结果，标记所述待测图像；
所述图像分类单元，用于将标记好的待测图像进行分类，同时将对应待测图像中的土豆进行分类。
本发明的技术效果为：
本发明通过图像获取模块，获取不同环境生长的土豆图像，将土豆图像分为训练图像、测试图像和待测图像；通过模型构建模块，构建神经网络识别模型，并基于训练图像训练神经网络识别模型，其中神经网络识别模型包括：卷积神经网络和全卷积神经网络，卷积神经网络，用于提取土豆图像中的颜色特征，全卷积神经网络，用于提取土豆图像中的尺寸特征；通过图像识别模块，将待测图像输入至神经网络识别模型中，得到土豆图像的识别结果；通过图像分类模块，将待测图像进行分类。本发明能够解决现有技术中土豆分类时间长的问题，通过网络模型进行图像识别，能够提高土豆分类效率，还可以同时对土豆颜色、尺寸进行差异化分类，提高土豆分类的准确度，最终能够获得土豆更加合理的销售价格。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的系统示意图；
图2为本发明实施例中的图像识别模块中的单元示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
如图1所示，本实施例中提供一种基于深度学习的土豆图像识别系统，包括：
图像获取模块、模型构建模块、图像识别模块和图像分类模块，其中图像获取模块、模型构建模块、图像识别模块和图像分类模块依次连接；
图像获取模块，用于获取不同环境生长的土豆图像，将土豆图像分为训练图像、测试图像和待测图像；
模型构建模块，用于构建神经网络识别模型，并基于训练图像训练神经网络识别模型，其中神经网络识别模型包括：卷积神经网络和全卷积神经网络，卷积神经网络，用于提取土豆图像中的颜色特征，全卷积神经网络，用于提取土豆图像中的尺寸特征；
图像识别模块，用于将待测图像输入至神经网络识别模型中，得到土豆图像的识别结果；
图像分类模块，用于基于识别结果，将待测图像进行分类。
在一些实施例中，图像获取模块包括：图像获取单元和图像处理单元，其中图像获取单元、图像处理单元分别与模型构建模块连接；
图像获取单元，用于获取土豆图像，或者截取土豆视频中的土豆图像；
图像处理单元，用于将土豆图像转换成同样格式、同样分辨率，对土豆图像进行对比度增强的预处理操作；同时通过数据增强，随机水平翻转和随机打乱训练图像。
本实施例中，通过数据增强技术，可以随机水平翻转和随机打乱图片来防止卷积神经网络过拟合，提升卷积神经网络的识别效果。
在一些实施例中，卷积神经网络采用AlexNet网络模型，AlexNet网络模型包括：依次连接的五个卷积层和三个全连接层，AlexNet网络模型采用ReLU非线性激活函数，AlexNet网络模型用于提取土豆图像中的颜色特征。
本实施例中，AlexNet网络模型中的前两个卷积层，还可以增加一个池化核为3×3，步长为2的最大池化层；三层全连接层中，全连接层对图像进行分类，经过多轮的训练及验证，将AlexNet网络模型中Dropout的随机失活神经元的比由默认值0.5改为0.6，使得识别准确率得到有效提升。
在一些实施例中，模型构建模块包括：模型构建单元、模型训练单元和模型测试单元；其中模型构建单元、模型训练单元和模型测试单元分别与图像识别模块连接；
模型构建单元，用于构建AlexNet神经网络模型和全卷积神经网络；
模型训练单元，用于通过处理后的训练图像分别训练AlexNet神经网络模型、全卷积神经网络，得到训练好的AlexNet神经网络模型、全卷积神经网络；
模型测试单元，用于根据测试图像分别测试训练好的AlexNet神经网络模型、全卷积神经网络。
在一些实施例中，模型测试单元中，还包括计算测试误差，基于测试误差，分别调整AlexNet神经网络模型和全卷积神经网络的模型参数，基于调整后的模型参数，继续根据测试图像进行模型参数调整的过程，直至迭代次数达到预设次数。
本实施例中，迭代次数设置为10000次。
在一些实施例中，如图2所示，图像识别模块包括：颜色分类单元、尺寸分类单元和特征识别单元，其中颜色分类单元、尺寸分类单元和特征识别单元分别与图像分类模块连接；
颜色分类单元，用于通过数据增强处理待测图像，并将处理后的待测图像输入至AlexNet神经网络模型中，输出分类结果；本实施例中分类结果包括：黄色土豆和白色土豆。
尺寸分类单元，用于通过数据增强处理待测图像，并将处理后的待测图像输入至全卷积神经网络中，得到分类特征图，基于分类特征图，得到特征区域数据；
特征识别单元，用于重新构建特征识别模型，将分类结果和分类特征图同时输入至特征识别模型中，得到土豆图像的识别结果，识别结果为：黄色大土豆、黄色中土豆、黄色小土豆、白色大土豆、白色中土豆和白色小土豆。
在一些实施例中，尺寸分类单元中，基于分类特征图的图像轮廓，得到土豆区域，基于土豆区域计算特征区域数据，将特征区域数据与阈值比较，得到尺寸分类结果。
本实施例中，计算特征区域数据的过程为统计土豆区域中像素点的个数，同时设置阈值区间，将像素点的个数与阈值区间比较，若像素点的个数大于阈值，则尺寸分类结果为大号土豆，若像素点的个数处于阈值区间，则尺寸分类结果为中号土豆，若像素点的个数小于阈值区间，则尺寸分类结果为小号土豆。
在一些实施例中，图像分类模块包括：标签标记单元和图像分类单元；
标签标记单元，用于基于识别结果，标记待测图像；
图像分类单元，用于将标记好的待测图像进行分类，同时将对应待测图像中的土豆进行分类。
本发明的技术效果为：
本发明通过图像获取模块，获取不同环境生长的土豆图像，将土豆图像分为训练图像、测试图像和待测图像；通过模型构建模块，构建神经网络识别模型，并基于训练图像训练神经网络识别模型，其中神经网络识别模型包括：卷积神经网络和全卷积神经网络，卷积神经网络，用于提取土豆图像中的颜色特征，全卷积神经网络，用于提取土豆图像中的尺寸特征；通过图像识别模块，将待测图像输入至神经网络识别模型中，得到土豆图像的识别结果；通过图像分类模块，将待测图像进行分类。本发明能够解决现有技术中土豆分类时间长的问题，通过网络模型进行图像识别，能够提高土豆分类效率，还可以同时对土豆颜色、尺寸进行差异化分类，提高土豆分类的准确度，最终能够获得土豆更加合理的销售价格。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于深度学习的土豆图像识别系统，其特征在于，包括：图像获取模块、模型构建模块、图像识别模块和图像分类模块，其中所述图像获取模块、所述模型构建模块、所述图像识别模块和所述图像分类模块依次连接；
所述图像获取模块，用于获取不同环境生长的土豆图像，将所述土豆图像分为训练图像、测试图像和待测图像；
所述模型构建模块，用于构建神经网络识别模型，并基于所述训练图像训练所述神经网络识别模型，其中所述神经网络识别模型包括：卷积神经网络和全卷积神经网络，所述卷积神经网络，用于提取所述土豆图像中的颜色特征，所述全卷积神经网络，用于提取所述土豆图像中的尺寸特征；
所述图像识别模块，用于将所述待测图像输入至所述神经网络识别模型中，得到土豆图像的识别结果；
所述图像分类模块，用于基于所述识别结果，将所述待测图像进行分类。
2.根据权利要求1所述的基于深度学习的土豆图像识别系统，其特征在于，所述图像获取模块包括：图像获取单元和图像处理单元，其中所述图像获取单元、图像处理单元分别与所述模型构建模块连接；
所述图像获取单元，用于获取土豆图像，或者截取土豆视频中的土豆图像；
所述图像处理单元，用于将所述土豆图像转换成同样格式、同样分辨率，对所述土豆图像进行对比度增强的预处理操作；同时通过数据增强，随机水平翻转和随机打乱所述训练图像。
3.根据权利要求1所述的基于深度学习的土豆图像识别系统，其特征在于，所述卷积神经网络采用AlexNet网络模型，所述AlexNet网络模型包括：依次连接的五个卷积层和三个全连接层，AlexNet网络模型采用ReLU非线性激活函数，AlexNet网络模型用于提取所述土豆图像中的颜色特征。
4.根据权利要求3所述的基于深度学习的土豆图像识别系统，其特征在于，所述模型构建模块包括：模型构建单元、模型训练单元和模型测试单元；其中所述模型构建单元、所述模型训练单元和所述模型测试单元分别与所述图像识别模块连接；
所述模型构建单元，用于构建AlexNet神经网络模型和全卷积神经网络；
所述模型训练单元，用于通过处理后的训练图像分别训练所述AlexNet神经网络模型、全卷积神经网络，得到训练好的AlexNet神经网络模型、全卷积神经网络；
所述模型测试单元，用于根据所述测试图像分别测试训练好的AlexNet神经网络模型、全卷积神经网络。
5.根据权利要求4所述的基于深度学习的土豆图像识别系统，其特征在于，所述模型测试单元中，还包括计算测试误差，基于所述测试误差，分别调整AlexNet神经网络模型和全卷积神经网络的模型参数，基于调整后的模型参数，继续根据测试图像进行模型参数调整的过程，直至迭代次数达到预设次数。
6.根据权利要求4所述的基于深度学习的土豆图像识别系统，其特征在于，所述图像识别模块包括：颜色分类单元、尺寸分类单元和特征识别单元，其中所述颜色分类单元、所述尺寸分类单元和所述特征识别单元分别与所述图像分类模块连接；
所述颜色分类单元，用于通过数据增强处理所述待测图像，并将处理后的待测图像输入至所述AlexNet神经网络模型中，输出分类结果；
所述尺寸分类单元，用于通过数据增强处理所述待测图像，并将处理后的待测图像输入至全卷积神经网络中，得到分类特征图，基于所述分类特征图，得到特征区域数据；
所述特征识别单元，用于重新构建特征识别模型，将所述分类结果和所述分类特征图同时输入至所述特征识别模型中，得到土豆图像的识别结果，所述识别结果为：黄色大土豆、黄色中土豆、黄色小土豆、白色大土豆、白色中土豆和白色小土豆。
7.根据权利要求6所述的基于深度学习的土豆图像识别系统，其特征在于，所述尺寸分类单元中，基于所述分类特征图的图像轮廓，得到土豆区域，基于所述土豆区域计算特征区域数据，将所述特征区域数据与阈值比较，得到尺寸分类结果。
8.根据权利要求1所述的基于深度学习的土豆图像识别系统，其特征在于，所述图像分类模块包括：标签标记单元和图像分类单元；
所述标签标记单元，用于基于识别结果，标记所述待测图像；
所述图像分类单元，用于将标记好的待测图像进行分类，同时将对应待测图像中的土豆进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211507737.3A CN115713763A (zh) | 2022-11-25 | 2022-11-25 | 一种基于深度学习的土豆图像识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211507737.3A CN115713763A (zh) | 2022-11-25 | 2022-11-25 | 一种基于深度学习的土豆图像识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115713763A true CN115713763A (zh) | 2023-02-24 |
Family
ID=85235170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211507737.3A Pending CN115713763A (zh) | 2022-11-25 | 2022-11-25 | 一种基于深度学习的土豆图像识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115713763A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
| CN108549910A (zh) * | 2018-04-17 | 2018-09-18 | 中国农业大学 | 一种基于卷积神经网络的玉米制种果穗图像初级分类方法 |
| CN108846314A (zh) * | 2018-05-08 | 2018-11-20 | 天津大学 | 一种基于深度学习的食材辨识系统和食材辨识方法 |
| CN109508715A (zh) * | 2018-10-30 | 2019-03-22 | 南昌大学 | 一种基于深度学习的车牌定位和识别方法 |
| WO2020164278A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
| CN114821178A (zh) * | 2022-05-05 | 2022-07-29 | 中国科学院水生生物研究所 | 一种基于深度学习的模块化图像识别分类系统的处理方法 |
| CN114972292A (zh) * | 2022-06-14 | 2022-08-30 | 福建省漳州市热带作物气象试验站 | 一种基于深度学习的香蕉生长期识别方法及其系统 |
| CN115100509A (zh) * | 2022-07-15 | 2022-09-23 | 山东建筑大学 | 基于多分支块级注意力增强网络的图像识别方法及系统 |
| CN115294470A (zh) * | 2022-08-25 | 2022-11-04 | 西安微电子技术研究所 | 一种用于遥感卫星上的图像识别方法及系统、终端设备 |
-
2022
- 2022-11-25 CN CN202211507737.3A patent/CN115713763A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
| CN108549910A (zh) * | 2018-04-17 | 2018-09-18 | 中国农业大学 | 一种基于卷积神经网络的玉米制种果穗图像初级分类方法 |
| CN108846314A (zh) * | 2018-05-08 | 2018-11-20 | 天津大学 | 一种基于深度学习的食材辨识系统和食材辨识方法 |
| CN109508715A (zh) * | 2018-10-30 | 2019-03-22 | 南昌大学 | 一种基于深度学习的车牌定位和识别方法 |
| WO2020164278A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
| CN114821178A (zh) * | 2022-05-05 | 2022-07-29 | 中国科学院水生生物研究所 | 一种基于深度学习的模块化图像识别分类系统的处理方法 |
| CN114972292A (zh) * | 2022-06-14 | 2022-08-30 | 福建省漳州市热带作物气象试验站 | 一种基于深度学习的香蕉生长期识别方法及其系统 |
| CN115100509A (zh) * | 2022-07-15 | 2022-09-23 | 山东建筑大学 | 基于多分支块级注意力增强网络的图像识别方法及系统 |
| CN115294470A (zh) * | 2022-08-25 | 2022-11-04 | 西安微电子技术研究所 | 一种用于遥感卫星上的图像识别方法及系统、终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 左羽 等: "基于卷积神经网络的植物图像分类方法研究", 物联网技术 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
| CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
| KR102102161B1 (ko) | 이미지 내 객체의 대표 특성을 추출하는 방법, 장치 및 컴퓨터 프로그램 | |
| CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
| CN108470172B (zh) | 一种文本信息识别方法及装置 | |
| CN109325395A (zh) | 图像的识别方法、卷积神经网络模型的训练方法及装置 | |
| CN115937655B (zh) | 多阶特征交互的目标检测模型及其构建方法、装置及应用 | |
| CN110991511A (zh) | 一种基于深度卷积神经网络的向日葵作物种子分拣方法 | |
| CN111178120B (zh) | 一种基于作物识别级联技术的害虫图像检测方法 | |
| CN106650786A (zh) | 基于多列卷积神经网络模糊评判的图像识别方法 | |
| CN114067368B (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN109377487B (zh) | 一种基于深度学习分割的水果表面缺陷检测方法 | |
| CN102385592B (zh) | 图像概念的检测方法和装置 | |
| CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
| CN113159045A (zh) | 一种结合图像预处理与卷积神经网络的验证码识别方法 | |
| CN105117740A (zh) | 字体识别方法及装置 | |
| CN108932471B (zh) | 一种车辆检测方法 | |
| CN108615401B (zh) | 基于深度学习的室内非均匀光线车位状况识别方法 | |
| CN110348448A (zh) | 一种基于卷积神经网络的车牌字符识别方法 | |
| CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 | |
| CN105160285A (zh) | 基于立体视觉的自动人体跌倒识别方法及系统 | |
| CN109934835B (zh) | 基于深度强化网络邻接连接的轮廓检测方法 | |
| CN117636131A (zh) | 一种基于Yolo-I模型的小目标识别方法及相关装置 | |
| CN106650696A (zh) | 一种基于奇异值分解的手写电气元件符号识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230224 |
|
| RJ01 | Rejection of invention patent application after publication |