JP6980958B1 - 深層学習に基づく農村地域分けゴミ識別方法 - Google Patents
深層学習に基づく農村地域分けゴミ識別方法 Download PDFInfo
- Publication number
- JP6980958B1 JP6980958B1 JP2021103937A JP2021103937A JP6980958B1 JP 6980958 B1 JP6980958 B1 JP 6980958B1 JP 2021103937 A JP2021103937 A JP 2021103937A JP 2021103937 A JP2021103937 A JP 2021103937A JP 6980958 B1 JP6980958 B1 JP 6980958B1
- Authority
- JP
- Japan
- Prior art keywords
- convolution
- model
- convolutional
- neural network
- input
- 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
Landscapes
- Image Analysis (AREA)
Abstract
Description
方法に関する。
り、人口の急増に伴い、農村のゴミがかつてないほど増加しており、深刻な環境汚染を引
き起こし、農村ゴミの管理は途上国の大きな課題になっている。
効果的なゴミ管理は、農村の居住環境を改善し、生態学的に住みやすい美しい村を建設し
、農村の活性化を実現するための重要な前提条件であり、農村の貧困地域では、ゴミ管理
は資金不足などの多くの問題に直面し、ゴミの現在分布を正確に把握し、ゴミ管理に非常
に重要である。
深層学習の概念の導入により、ニューラルネットワークの拡張として、画像識別分野で広
く応用される。従来の画像識別方法と比較して、深層学習方法は、深層アーキテクチャを
通じてより多くの抽象的なデータ特徴を自動学習して、画像分類の効果を大幅に向上する
。
現在、不規則なゴミ抽出方法は、主に従来の解釈、分類などの方法に基づいたものであり
、計算効率と抽出精度などの点でまだ改善する余地がある。したがって、農村の不規則な
ゴミを効率的かつ正確に識別する農村不規則なゴミの自動識別方法が必要である。
方法を提供する。
本発明の技術的解決策は、深層学習に基づく農村不規則なゴミ識別方法であり、
ステップ:
S1:ドローンを使用して農村地域情報を采集し、ドローン画像を前処理するステップと
、
S2:データ正規化方法を利用して、各チャンネルのピクセル値範囲を[0,1]に縮小し
、データ強調方法によりドローン画像のサンプルデータを強調処理し、サンプルを8:2
の割合で訓練データセットと検証データセットに分割し、スライドウィンドウによる選択
で、試験データセットを生成するステップと、
S3:畳み込み演算の受容野特徴に基づいて、異なるサイズの畳み込みカーネルで画像特
徴を抽出し、機械学習方法を分類器として畳み込みニューラルネットワークのモデルを構
築するステップと、畳み込みニューラルネットワークは受容野(Receptive F
ield)を有し、受容野は畳み込みニューラルネットワーク中の1つの特徴が入力空間
にマッピングされる地域サイズであり、異なる畳み込みカーネルサイズは異なる受容野の
特徴を抽出可能であり、受容野の範囲は畳み込み層の数の増加に従って拡大し、2層の3
×3畳み込み演算後の受容野は5×5であり、3層の3×3畳み込み演算の受容野は7×
7である、
S4:畳み込み、プーリング、活性化関数を含む順伝播と、損失関数、勾配降下アルゴリ
ズム、正則化を含む逆伝播を使用して訓練を行い、モデルパラメータを決定するステップ
と、
S5:訓練済の畳み込みニューラルネットワークモデルを使用して、各地域がゴミまたは
非ゴミである識別結果を出力するステップと、を含む。
さらに、前記ステップS1では、ドローン画像を前処理することは、具体的に、歪み補正
、空中三角暗号化、およびDOM作成などを含む。
さらに、前記ステップS2では、強調処理は、具体的に、ノイズ、フリッピング、回転、
平行移動、トリミング、ボケによりデータを強調処理することであり、ドローン画像サン
プルを強調処理することは過剰適合を防止する最も効果的な方法であり、より多くのデー
タを使用して訓練し、画像は高次元になり、大きな変化要因が含まれ、画像の幾何的変換
によりデータ量を増加する。
0×200のウィンドウでドローン画像に対して左から右および上から下へ、一定間隔で
トリミングすることで試験データセットを取得することであり、試験サンプルを畳み込み
ニューラルネットワークモデルに入力した後、畳み込み演算により試験サンプルの境界部
分が効果的に分類できず、明らかな矩形状フレームが現れ、スライドウィンドウ方法を使
用して試験サンプルを選択する。
的な過程は以下のとおりである:
(1)モデル入力:畳み込みニューラルネットワークのモデル入力は、200×200サ
イズのドローン画像のゴミサンプルと非ゴミサンプルである、
(2)畳み込み演算:畳み込み演算の受容野の特徴に基づいて、各層畳み込み演算につい
てそれぞれ3×3と5×5の畳み込みカーネルサイズの2回畳み込み演算を実行し、その
結果をスプライスし、該畳み込みニューラルネットワークモデルは、それぞれ16、32
、64、32の特徴チャンネルを使用して4回の畳み込み演算を実行する、
(3)完全結合演算:(2)での畳み込み演算の結果を平坦化してから、それぞれニュー
ロンサイズが256、64と2の3回の完全結合操作を実行する、
(4)モデル分類器:機械学習方法のランダムフォレストを畳み込みニューラルネットワ
ークの分類器として使用し、グラフ識別モデルとしてのsoftmaxの一般化能力が不
足などの問題を解決して、分類精度を向上させることができる。
(1)前記畳み込みとは畳み込み演算により入力画像を処理することを指し、畳み込み演
算は、入力とカーネル関数の2つのパラメータを含み、畳み込み演算はsameとval
idの2つの方法で入力を処理する、
1)same方法は、入力画像の外層にn層0をラップし、畳み込み後に得られた出力と
入力のサイズが同じになる、
2)valid方法は、入力画像を変更せず、得られた畳み込み後の出力が入力より小さ
く、出力のサイズは、
であり、ただし、Wは入力画像のサイズであり、Fは畳み込みカーネルのサイズであり、
畳み込みカーネルストライドはSであり、入力画像の外層を充填するための層数はPであ
る、
(2)活性化関数として、通常、Sigmoid関数、tanH関数、およびReLU関
数などが使用され、前記活性化関数は線形整流関数ReLUを使用し、ReLU=max(
0,x)の式から分かるように、x>0の場合、ReLUは、勾配が減衰するのを防ぎ、勾
配の消失現象を遅くすることができる、
(3)前記プーリングとは、最大プーリングで畳み込み後の特徴を圧縮することを指し、
パラメータのデータ量を顕著に減らし、計算の複雑さが軽減され、特徴が簡素化される、
(1)前記損失関数は、クロスエントロピー損失関数を使用して、モデル出力値と真の値
間の差を測定し、予測値の分布と実際従属変数の分布が可能な限り一致している場合、ク
ロスエントロピーが次のように一番小さい:
(2)前記勾配降下アルゴリズムはAdamであり、Adamを使用してパラメータを最
適化し、Adamは、小さなメモリ要件に加えて、モデル訓練過程中にパラメータが更新
されるときに、異なるパラメータに従って学習率を計算して、異なる手動介入により適切
な学習率を求める。
(3)前記正則化とは、各畳み込み層の後にDropoutとBatchNormali
zation正則項を追加することであり、モデル訓練過程中に、訓練データセットが十
分でない場合、過剰適合現象が発生するため、正則項を追加する必要がある。
体的な過程が以下のとおりである:
(1)モデル訓練過程中、ガウス分布により重みパラメータの初期値を決定する、
(2)予測結果とラベルデータに従ってクロスマウンテン関数を損失関数として定義し、
Adam最適化方法に従って重みを更新し、損失関数値を減らし、ただし、学習率は0.
01であり、運動量は0.9である、
(3)過剰適合現象の発生を防止するために、各層の畳み込み演算後にDropdout
を追加し、その拒否率は0.3であり、ネットワークに正則項を追加して早期に終了し、
その許容値は10である、
(4)数回繰り返して、検証精度が基本的に変わらないことを確認した後、モデル訓練を
停止し、畳み込みニューラルネットワークのモデルパラメータを決定する。
(1)本発明の農村不規則なゴミ識別方法は、畳み込みニューラルネットワークモデルを
構築することで、農村不規則なゴミポイントを識別し、ゴミの現在分布状況を正確に把握
し、ゴミ管理にとって非常に重要である。
(2)本発明は、受容野特徴を畳み込み演算することにより、異なるサイズの畳み込みカ
ーネル畳み込み演算結果をスプライスして、softmax分類器を機械学習アルゴリズ
ムランダムフォレストに置き換えることで、農村の不規則なゴミサイトの識別精度を向上
する。
細に説明する。
実施例
深層学習に基づく農村不規則なゴミ識別方法は、
S1:ドローンを使用して農村地域情報を采集し、ドローン画像を前処理し、前処理は、
具体的に歪み補正、空中三角暗号化、DOM作成を含み、ドローンの飛行高さが低く、飛
行環境の違いが大きいため、プラットフォームは従来の写真測量大型航空機と比較して、
安定性が比較的悪く、飛行中の揺れやカメラ自身の動きにより、ある程度の画像のボケや
画像歪みが発生するため、ドローン画像を前処理する。
、データ強調方法によりドローン画像のサンプルデータを強調処理し、サンプルを8:2
の割合で訓練データセットと検証データセットに分割し、スライドウィンドウによる選択
で、試験データセットを生成するステップと、
(1)強調処理は過剰適合を防止する最も効果的な方法であり、より多くのデータを使用
して訓練し、画像は高次元になり、大きな変化要因が含まれ、画像の幾何的変換によりデ
ータ量を増加し、この方法は主にノイズ、フリッピング、回転、平行移動、トリミング、
ボケを使用してデータを強調処理する、
(2)スライドウィンドウの選択方法は、試験サンプルを畳み込みニューラルネットワー
クモデルに入力した後、畳み込み演算により試験サンプルの境界部分が効果的に分類でき
ず、明らかな矩形状フレームが現れ、スライドウィンドウ方法を使用して試験サンプルを
選択するであり、この方法は、サイズ200×200のウィンドウでドローン画像に対し
て左から右および上から下へ、一定間隔でトリミングすることで試験データセットを取得
し、スライド間隔が大きいまたは小さいとデータの冗長と欠落が発生する可能性があり、
試験した結果、本方法での選択間隔は40であると、上記の矩形状フレーム現象を効果的
に改善しデータの冗長を回避することができる。
徴を抽出し、機械学習方法を分類器として畳み込みニューラルネットワークのモデルを構
築する、モデルの具体的なパラメータは以下のとおりである:
(1)モデル入力:該畳み込みニューラルネットワークのモデル入力は200×200サ
イズのドローン画像のゴミサンプルと非ゴミサンプルである、
(2)畳み込み演算:畳み込み演算の受容野の特徴に基づいて、本方法は、各層の畳み込
み演算に対してそれぞれ3×3と5×5の畳み込みカーネルサイズの2回畳み込み演算を
実行し、その結果をスプライスし、該畳み込みニューラルネットワークモデルは、それぞ
れ16、32、64、32の特徴チャンネルを使用して4回の畳み込み演算を実行する、
(3)完全結合演算:(2)中の畳み込み演算の結果を平坦化(つまりFlatten)
してから、それぞれニューロンサイズ256、64および2の3回の完全結合操作を実行
する、
(4)モデル分類器:本方法は、機械学習方法ランダムフォレストを畳み込みニューラル
ネットワークの分類器として使用し、グラフ識別モデルとしてのsoftmaxの一般化
能力不足などの問題を解決し、分類精度を向上させる、
S4:畳み込み、プーリング、活性化関数を含む順伝播、損失関数、勾配降下アルゴリズ
ム、正則化を含む逆伝播により、モデルを訓練する、
1)畳み込み:畳み込み演算は、入力とカーネル関数の2つの重要なパラメータがあり、
畳み込み演算は、それぞれsameとvalidにより入力を処理し、same方法とは
、入力画像の外層にn層0をラップして、畳み込み後に得られた出力と入力のサイズが同
じになり、valid方法とは入力を変更せず、畳み込み後の出力が入力よりも小さく、
出力のサイズは
であり、ただし、Wは入力画像のサイズであり、Fは畳み込みカーネルのサイズであり、
畳み込みカーネルストライドはSであり、入力画像の外層を充填するための層数はPであ
る。
畳み込み演算結果のサイズが同じべきであり、same方法を使用する、
2)活性化関数:通常、活性化関数としてSigmoid関数、tanH関数、およびR
eLU関数などを使用し、本発明は、線形整流関数(Rectified Linear
Unit, ReLU)(ReLU=max(0, x))を使用し、x>0の場合、Re
LUは勾配の減衰を維持し、勾配消失の現象を遅く、
3)プーリング:本発明は、最大プーリングを使用して畳み込み後の特徴を圧縮し、パラ
メータのデータ量を顕著に減らし、計算の複雑さが軽減され、特徴が簡素化される、
4)損失関数:モデル出力値と真の値間の差を測定するために、本発明はクロスエントロ
ピー損失関数を使用して、予測値の分布と実際の従属変数の分布が可能な限り一致してい
る場合、クロスエントロピーが最も小さい:
5)勾配降下アルゴリズム:本発明で使用されるパラメータ最適化アルゴリズムはAda
mであり、Adamは、小さなメモリ要件に加え、モデル訓練過程中パラメータに従って
更新され、異なるパラメータに従って学習率を計算することで、異なる手動介入により適
切な学習率を求める;
6)正則化:本発明では、各畳み込み層の後にDropoutとBatchNormal
ization正則項を追加し、モデル訓練過程中に、訓練データセットが十分ではない
場合、過剰適合現象が発生するため、正則項を追加する必要がある。
1)モデル訓練を通じて、モデルパラメータを決定し、モデル訓練過程中、ガウス分布に
より重みパラメータの初期値を決定する、
2)予測結果とラベルデータに基づいてクロスエントロピー関数を損失関数として定義し
、Adam最適化方法に従って重みを更新し、損失関数値を減らし、ただし、学習率が0
.01であり、運動量が0.9である、
3)過剰適合現象の発生を防止し、各層畳み込み演算の後にDropdoutを追加し、
その拒否率が0.3であり、ネットワークに正則項を追加して早期に終了し、その許容値
は10である、
4)数回繰り返して、検証精度が基本的に変わらないことを確認した後、モデル訓練を停
止し、モデルパラメータを決定する、
S5:訓練後の畳み込みニューラルネットワークモデルを使用して、試験サンプルの各地
域がゴミまたは非ゴミであるかの識別結果を出力する。
中国の甘粛省を例にとると、図1に示すように、甘粛省のある農村の不規則なゴミのポイ
ント分布図である。
図3に示すサンプルのように、ドローン画像に基づいて、ドローン画像に対して歪み補正
、空中三角暗号化、DOM作成などの前処理を実行し、実際の調査を組み合わせて、ゴミ
点と非ゴミ点画像をそれぞれ100個を選択し、画像強調処理、回転、フリッピング、ノ
イズ増加によりサンプルの数を3倍増やし、600個のサンプルを得、サンプルデータを
8:2の割合で訓練サンプルデータセットと検証サンプルデータセットに分割し、試験デ
ータをスライドウィンドウの選択方法により試験データセットを決定する、
図1に示すように、畳み込み演算に基づいて、異なるサイズの畳み込みカーネルで画像特
徴を抽出し、ランダムフォレスト方法を分類器として使用し、畳み込みニューラルネット
ワークのモデルを構築する。
訓練サンプルと検証サンプルをモデルに入力して訓練を行う。
性化関数ReLUの畳み込み演算、および最大プーリング演算を介して、画像特徴を抽出
する、
(2)逆伝播演算を実行し、モデルパラメータを継続的に更新し、循環回数が300回に
達した後、検証精度が基本的に変わらず、86%に達するとき、モデルパラメータを決定
し、訓練過程の分類精度の変化が図2に示される。
試験サンプルをモデルに入力して計算し、試験サンプルの分類結果を取得し、各地域がゴ
ミまたは非ゴミであるかの識別結果を出力する。
Claims (8)
- S1:ドローンを使用して農村地域情報を采集し、ドローン画像を前処理するステップと
、
S2:データ正規化方法を利用して、各チャンネルのピクセル値範囲を[0,1]に縮小し
、データ強調方法によりドローン画像のサンプルデータを強調処理し、サンプルを8:2
の割合で訓練データセットと検証データセットに分割し、スライドウィンドウによる選択
で、試験データセットを生成するステップと、
S3:畳み込み演算の受容野特徴に基づいて、異なるサイズの畳み込みカーネルで画像特
徴を抽出し、機械学習方法を分類器として畳み込みニューラルネットワークのモデルを構
築するステップと、
S4:畳み込み、プーリング、活性化関数を含む順伝播と、損失関数、勾配降下アルゴリ
ズム、正則化を含む逆伝播を使用して訓練を行い、モデルパラメータを決定するステップ
と、
S5:訓練済の畳み込みニューラルネットワークモデルを使用して、各地域がゴミまたは
非ゴミである識別結果を出力するステップと、
を含む、ことを特徴とする深層学習に基づく農村地域分けゴミ識別方法。 - 前記ステップS1では、ドローン画像を前処理することは、歪み補正、空中三角暗号化お
よびDOM作成を含む、ことを特徴とする請求項1に記載の方法。 - 前記ステップS2では、強調処理は、ノイズ、フリッピング、回転、平行移動、トリミン
グ、およびボケによりデータを強調処理する、ことを特徴とする請求項1に記載の方法。 - 前記ステップS2では、スライドウィンドウの選択方法は、サイズ200×200のウィ
ンドウでドローン画像に対して左から右および上から下へ、一定間隔でトリミングするこ
とで試験データセットを取得する、ことを特徴とする請求項1に記載の方法。 - 前記ステップS3では、畳み込みニューラルネットワークのモデルを構築する具体的な過
程は以下のとおりである:
(1)モデル入力:畳み込みニューラルネットワークのモデル入力は、200×200サ
イズのドローン画像のゴミサンプルと非ゴミサンプルである、
(2)畳み込み演算:畳み込み演算の受容野の特徴に基づいて、各層畳み込み演算につい
てそれぞれ3×3と5×5の畳み込みカーネルサイズの2回畳み込み演算を実行し、その
結果をスプライスし、該畳み込みニューラルネットワークモデルは、それぞれ16、32
、64、32の特徴チャンネルを使用して4回の畳み込み演算を実行する、
(3)完全結合演算:(2)での畳み込み演算の結果を平坦化してから、それぞれニュー
ロンサイズが256、64と2の3回の完全結合操作を実行する、
(4)モデル分類器:機械学習方法のランダムフォレストを畳み込みニューラルネットワ
ークの分類器として使用し、畳み込みニューラルネットワークを構築する、ことを特徴と
する請求項1に記載の方法。 - 前記ステップS4中の順伝播の具体的な過程は以下のとおりである:
(1)前記畳み込みとは畳み込み演算により入力画像を処理することを指し、畳み込み演
算は、入力とカーネル関数の2つのパラメータを含み、畳み込み演算はsameとval
idの2つの方法で入力を処理する、
1)same方法は、入力画像の外層にn層0をラップし、畳み込み後に得られた出力と
入力のサイズが同じになる、
2)valid方法は、入力画像を変更せず、得られた畳み込み後の出力が入力より小さ
く、出力のサイズは、
であり、ただし、Wは入力画像のサイズであり、Fは畳み込みカーネルのサイズであり、
畳み込みカーネルストライドはSであり、入力画像の外層を充填するための層数はPであ
る、
(2)前記活性化関数は線形整流関数ReLUを使用する、
(3)前記プーリングとは、最大プーリングで畳み込み後の特徴を圧縮することを指す、
ことを特徴とする請求項1に記載の方法。 - 前記ステップS4中の畳み込みニューラルネットワークモデルの訓練方法は、具体的な過
程が以下のとおりである:
(1)モデル訓練過程中、ガウス分布により重みパラメータの初期値を決定する、
(2)予測結果とラベルデータに従ってクロスマウンテン関数を損失関数として定義し、
Adam最適化方法に従って重みを更新し、損失関数値を減らし、ただし、学習率は0.
01であり、運動量は0.9である、
(3)各層の畳み込み演算後にDropdoutを追加し、過剰適合現象の発生を防止し
、その拒否率は0.3であり、ネットワークに正則項を追加して早期に終了し、その許容
値は10である、
(4)数回繰り返して、検証精度が基本的に変わらないことを確認した後、モデル訓練を
停止し、畳み込みニューラルネットワークのモデルパラメータを決定する、ことを特徴と
する請求項1に記載の方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021103937A JP6980958B1 (ja) | 2021-06-23 | 2021-06-23 | 深層学習に基づく農村地域分けゴミ識別方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021103937A JP6980958B1 (ja) | 2021-06-23 | 2021-06-23 | 深層学習に基づく農村地域分けゴミ識別方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6980958B1 true JP6980958B1 (ja) | 2021-12-15 |
JP2023003026A JP2023003026A (ja) | 2023-01-11 |
Family
ID=78870911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021103937A Active JP6980958B1 (ja) | 2021-06-23 | 2021-06-23 | 深層学習に基づく農村地域分けゴミ識別方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6980958B1 (ja) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724036A (zh) * | 2022-04-13 | 2022-07-08 | 中国科学院大学 | 一种基于多尺度学习的冰裂隙检测方法 |
CN114741948A (zh) * | 2022-03-09 | 2022-07-12 | 西北工业大学 | 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法 |
CN114781472A (zh) * | 2022-03-02 | 2022-07-22 | 多点(深圳)数字科技有限公司 | 一种基于自适应卷积核的跨门店生鲜识别方法 |
CN114782735A (zh) * | 2022-02-22 | 2022-07-22 | 北京航空航天大学杭州创新研究院 | 一种基于多区域数据增强的菜品识别方法 |
CN114842383A (zh) * | 2022-04-29 | 2022-08-02 | 合肥工业大学 | 一种基于dvrl-vst的电熔镁炉工况视频识别方法 |
CN114861292A (zh) * | 2022-03-22 | 2022-08-05 | 电子科技大学 | 一种基于深度学习的飞行器几何特征和参数联合建模方法 |
CN114873097A (zh) * | 2022-04-11 | 2022-08-09 | 青岛理工大学 | 一种基于物体识别的智能分类垃圾桶 |
CN114881962A (zh) * | 2022-04-28 | 2022-08-09 | 桂林理工大学 | 一种基于改进U-Net网络的视网膜图像血管分割方法 |
CN114916928A (zh) * | 2022-05-12 | 2022-08-19 | 电子科技大学 | 一种人体姿态多通道卷积神经网络检测方法 |
CN114993270A (zh) * | 2022-05-26 | 2022-09-02 | 中国科学院西北生态环境资源研究院 | 无人机热融湖塘水文监测系统 |
CN115063976A (zh) * | 2022-06-09 | 2022-09-16 | 青岛理工大学 | 基于多通道卷积神经网络的车辆冲突风险评估与预测方法 |
CN115859222A (zh) * | 2022-12-28 | 2023-03-28 | 四川省气象灾害防御技术中心 | 一种基于多梯度特征融合网络的雷电自动预测方法 |
CN116434037A (zh) * | 2023-04-21 | 2023-07-14 | 大连理工大学 | 基于双层优化学习的多模态遥感目标鲁棒识别方法 |
CN116502072A (zh) * | 2023-06-27 | 2023-07-28 | 北京理工大学 | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 |
CN116580328A (zh) * | 2023-07-12 | 2023-08-11 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法 |
CN116597258A (zh) * | 2023-07-18 | 2023-08-15 | 华东交通大学 | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 |
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN116740650A (zh) * | 2023-08-10 | 2023-09-12 | 青岛农业大学 | 一种基于深度学习的作物育种监测方法及系统 |
CN116977035A (zh) * | 2023-09-25 | 2023-10-31 | 临沂大学 | 一种基于LightGBM和深度学习的农产品推荐方法 |
CN116989510A (zh) * | 2023-09-28 | 2023-11-03 | 广州冰泉制冷设备有限责任公司 | 一种结霜检测与热气融霜相结合的智能化制冷方法 |
CN117475204A (zh) * | 2023-10-23 | 2024-01-30 | 苏州大学 | 一种基于深度图像学习的溜槽角度识别方法及系统 |
CN117853817A (zh) * | 2024-01-24 | 2024-04-09 | 江苏电子信息职业学院 | 一种基于图像识别的智慧社区垃圾分类报警管理方法 |
CN117848221A (zh) * | 2024-03-04 | 2024-04-09 | 南通进宝机械制造有限公司 | 一种钢件长度测量系统 |
CN114781472B (zh) * | 2022-03-02 | 2024-05-24 | 多点(深圳)数字科技有限公司 | 一种基于自适应卷积核的跨门店生鲜识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015174767A (ja) * | 2014-03-18 | 2015-10-05 | 武田 義信 | ゴミ袋識別装置及び識別システム |
JP2018193193A (ja) * | 2017-05-18 | 2018-12-06 | 日本電信電話株式会社 | ゴミ収集区間識別装置、ゴミ収集区間識別方法、及びプログラム |
-
2021
- 2021-06-23 JP JP2021103937A patent/JP6980958B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015174767A (ja) * | 2014-03-18 | 2015-10-05 | 武田 義信 | ゴミ袋識別装置及び識別システム |
JP2018193193A (ja) * | 2017-05-18 | 2018-12-06 | 日本電信電話株式会社 | ゴミ収集区間識別装置、ゴミ収集区間識別方法、及びプログラム |
Non-Patent Citations (1)
Title |
---|
高橋悠太,他: "UAVと画像認識AIによる河川巡視を補う地上画像の特徴量とその利用法検討", AI・データサイエンス論文集, vol. 1巻J1号, JPN6021039963, 11 November 2020 (2020-11-11), JP, pages 580 - 587, ISSN: 0004615313 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782735A (zh) * | 2022-02-22 | 2022-07-22 | 北京航空航天大学杭州创新研究院 | 一种基于多区域数据增强的菜品识别方法 |
CN114782735B (zh) * | 2022-02-22 | 2024-04-26 | 北京航空航天大学杭州创新研究院 | 一种基于多区域数据增强的菜品识别方法 |
CN114781472A (zh) * | 2022-03-02 | 2022-07-22 | 多点(深圳)数字科技有限公司 | 一种基于自适应卷积核的跨门店生鲜识别方法 |
CN114781472B (zh) * | 2022-03-02 | 2024-05-24 | 多点(深圳)数字科技有限公司 | 一种基于自适应卷积核的跨门店生鲜识别方法 |
CN114741948B (zh) * | 2022-03-09 | 2024-03-12 | 西北工业大学 | 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法 |
CN114741948A (zh) * | 2022-03-09 | 2022-07-12 | 西北工业大学 | 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法 |
CN114861292B (zh) * | 2022-03-22 | 2024-01-26 | 电子科技大学 | 一种基于深度学习的飞行器几何特征和参数联合建模方法 |
CN114861292A (zh) * | 2022-03-22 | 2022-08-05 | 电子科技大学 | 一种基于深度学习的飞行器几何特征和参数联合建模方法 |
CN114873097A (zh) * | 2022-04-11 | 2022-08-09 | 青岛理工大学 | 一种基于物体识别的智能分类垃圾桶 |
CN114724036A (zh) * | 2022-04-13 | 2022-07-08 | 中国科学院大学 | 一种基于多尺度学习的冰裂隙检测方法 |
CN114724036B (zh) * | 2022-04-13 | 2024-04-02 | 中国科学院大学 | 一种基于多尺度学习的冰裂隙检测方法 |
CN114881962A (zh) * | 2022-04-28 | 2022-08-09 | 桂林理工大学 | 一种基于改进U-Net网络的视网膜图像血管分割方法 |
CN114881962B (zh) * | 2022-04-28 | 2024-04-19 | 桂林理工大学 | 一种基于改进U-Net网络的视网膜图像血管分割方法 |
CN114842383B (zh) * | 2022-04-29 | 2024-02-20 | 合肥工业大学 | 一种基于dvrl-vst的电熔镁炉工况视频识别方法 |
CN114842383A (zh) * | 2022-04-29 | 2022-08-02 | 合肥工业大学 | 一种基于dvrl-vst的电熔镁炉工况视频识别方法 |
CN114916928B (zh) * | 2022-05-12 | 2023-08-04 | 电子科技大学 | 一种人体姿态多通道卷积神经网络检测方法 |
CN114916928A (zh) * | 2022-05-12 | 2022-08-19 | 电子科技大学 | 一种人体姿态多通道卷积神经网络检测方法 |
CN114993270A (zh) * | 2022-05-26 | 2022-09-02 | 中国科学院西北生态环境资源研究院 | 无人机热融湖塘水文监测系统 |
CN114993270B (zh) * | 2022-05-26 | 2024-02-02 | 中国科学院西北生态环境资源研究院 | 无人机热融湖塘水文监测系统 |
CN115063976B (zh) * | 2022-06-09 | 2023-08-29 | 青岛理工大学 | 基于多通道卷积神经网络的车辆冲突风险评估与预测方法 |
CN115063976A (zh) * | 2022-06-09 | 2022-09-16 | 青岛理工大学 | 基于多通道卷积神经网络的车辆冲突风险评估与预测方法 |
CN115859222A (zh) * | 2022-12-28 | 2023-03-28 | 四川省气象灾害防御技术中心 | 一种基于多梯度特征融合网络的雷电自动预测方法 |
CN116434037A (zh) * | 2023-04-21 | 2023-07-14 | 大连理工大学 | 基于双层优化学习的多模态遥感目标鲁棒识别方法 |
CN116434037B (zh) * | 2023-04-21 | 2023-09-22 | 大连理工大学 | 基于双层优化学习的多模态遥感目标鲁棒识别方法 |
CN116502072A (zh) * | 2023-06-27 | 2023-07-28 | 北京理工大学 | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 |
CN116502072B (zh) * | 2023-06-27 | 2023-09-08 | 北京理工大学 | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 |
CN116580328B (zh) * | 2023-07-12 | 2023-09-19 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法 |
CN116580328A (zh) * | 2023-07-12 | 2023-08-11 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法 |
CN116597258B (zh) * | 2023-07-18 | 2023-09-26 | 华东交通大学 | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 |
CN116597258A (zh) * | 2023-07-18 | 2023-08-15 | 华东交通大学 | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 |
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN116704266B (zh) * | 2023-07-28 | 2023-10-31 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN116740650B (zh) * | 2023-08-10 | 2023-10-20 | 青岛农业大学 | 一种基于深度学习的作物育种监测方法及系统 |
CN116740650A (zh) * | 2023-08-10 | 2023-09-12 | 青岛农业大学 | 一种基于深度学习的作物育种监测方法及系统 |
CN116977035A (zh) * | 2023-09-25 | 2023-10-31 | 临沂大学 | 一种基于LightGBM和深度学习的农产品推荐方法 |
CN116989510A (zh) * | 2023-09-28 | 2023-11-03 | 广州冰泉制冷设备有限责任公司 | 一种结霜检测与热气融霜相结合的智能化制冷方法 |
CN117475204A (zh) * | 2023-10-23 | 2024-01-30 | 苏州大学 | 一种基于深度图像学习的溜槽角度识别方法及系统 |
CN117853817A (zh) * | 2024-01-24 | 2024-04-09 | 江苏电子信息职业学院 | 一种基于图像识别的智慧社区垃圾分类报警管理方法 |
CN117848221A (zh) * | 2024-03-04 | 2024-04-09 | 南通进宝机械制造有限公司 | 一种钢件长度测量系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2023003026A (ja) | 2023-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6980958B1 (ja) | 深層学習に基づく農村地域分けゴミ識別方法 | |
CN108664981B (zh) | 显著图像提取方法及装置 | |
JP2022548712A (ja) | フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法 | |
US20230186056A1 (en) | Grabbing detection method based on rp-resnet | |
CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
CN109034119A (zh) | 一种基于优化的全卷积神经网络的人脸检测方法 | |
CN111582397B (zh) | 一种基于注意力机制的cnn-rnn图像情感分析方法 | |
CN110807757B (zh) | 基于人工智能的图像质量评估方法、装置及计算机设备 | |
CN109784153A (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
CN110008853B (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
CN111597920B (zh) | 一种自然场景下的全卷积单阶段的人体实例分割方法 | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN115035418A (zh) | 一种基于改进DeepLabV3+网络的遥感图像语义分割方法及系统 | |
CN115019173A (zh) | 基于ResNet50的垃圾识别与分类方法 | |
CN112070040A (zh) | 一种用于视频字幕的文本行检测方法 | |
CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
CN113762265A (zh) | 肺炎的分类分割方法及系统 | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN112418032A (zh) | 一种人体行为识别方法、装置、电子设备及存储介质 | |
CN113420651B (zh) | 深度卷积神经网络的轻量化方法、系统及目标检测方法 | |
CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
CN114092467A (zh) | 一种基于轻量化卷积神经网络的划痕检测方法及系统 | |
CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
CN116740808A (zh) | 基于深度学习目标检测和图像分类的动物行为识别方法 | |
CN116993975A (zh) | 基于深度学习无监督领域适应的全景相机语义分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210623 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210623 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211012 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211015 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6980958 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |