CN108470184A - 食材识别方法、识别装置及家电设备 - Google Patents
食材识别方法、识别装置及家电设备 Download PDFInfo
- Publication number
- CN108470184A CN108470184A CN201810140841.0A CN201810140841A CN108470184A CN 108470184 A CN108470184 A CN 108470184A CN 201810140841 A CN201810140841 A CN 201810140841A CN 108470184 A CN108470184 A CN 108470184A
- Authority
- CN
- China
- Prior art keywords
- food materials
- deep learning
- training
- training sample
- sample set
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 255
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 194
- 238000013135 deep learning Methods 0.000 claims abstract description 114
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 235000015219 food category Nutrition 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种食材识别方法、识别装置及家电设备,所述识别方法包括基于深度学习训练模型识别食材的过程,所述深度学习训练模型采用下述方法获得:根据第一食材训练样本集对深度学习网络进行全层训练,获得基于所述第一食材训练样本集的深度学习基本模型;根据第二食材训练样本集对所述深度学习基本模型中的隐含层的参数进行调整,训练所述深度学习基本模型,获得基于所述第一食材训练样本集和所述第二食材训练样本集的深度学习训练模型。应用本发明,通过调整用于识别食材的深度学习训练模型的训练过程,提高了训练模型的训练速度和识别精度,进而提高了食材识别准确率。
Description
技术领域
本发明属于家用电器控制技术领域,具体地说,是涉及食材识别方法、识别装置及家电设备。
背景技术
随着科学技术的进步和人工智能的快速发展,深度学习算法也越来越多的运用到日常生活中,特别是对于存放食材的家电设备、如冰箱而言,作为厨房使用频率较高的家用电器,其智能化发展是至关重要的,而智能化的最关键问题,就在于对所储存的食材进行自动识别。
公开号为CN107024073A的中国专利申请公开了一种基于深度学习的多传感器智能冰箱控制方法和智能冰箱,并具体公开了:获取向冰箱储藏室内放置食材前一图像与放置食材后的第二图像,基于所述第一图像和第二图像采用视觉检测方法获取待测食材图像,采用预训练好的第一卷积神经网络模型对上述待测食材图像进行识别,得到冰箱储藏室内的待测食材种类。其中,第一卷积神经网络是预训练好的,且并非一成不变,可以在使用过程中重新训练,调整参数。
传统的基于深度学习的神经网络模型的训练,需要使用大量的食材训练样本、花费大量的时间来进行神经网络全层的训练,才能保证所训练出的网络模型的识别精度。但是,对于食材、尤其是新增食材,可供作为训练样本的食材图像较少,采用新增食材训练样本进行网络全层的训练,所得到的网络模型对训练样本数量较少的新增食材的识别精度低,因此,导致食材识别率差,影响了基于食材识别所实现的家电设备智能化控制。
发明内容
本发明的目的在于提供一种食材识别方法和食材识别装置,通过调整用于识别食材的深度学习训练模型的训练过程,提高了训练模型的训练速度和识别精度,进而提高了食材识别准确率。
为实现上述发明目的,本发明提供的食材识别方法采用下述技术方案予以实现:
一种食材识别方法,包括基于深度学习训练模型识别食材的过程,其特征在于,所述深度学习训练模型采用下述方法获得:
根据第一食材训练样本集对深度学习网络进行全层训练,获得基于所述第一食材训练样本集的深度学习基本模型;所述深度学习网络具有输入层、若干层隐含层和输出层;
根据第二食材训练样本集对所述深度学习基本模型中的隐含层的参数进行调整,训练所述深度学习基本模型,获得基于所述第一食材训练样本集和所述第二食材训练样本集的深度学习训练模型。
如上所述的方法,所述根据第二食材训练样本集对所述深度学习基本模型中的隐含层的参数进行调整,训练所述深度学习基本模型,具体包括:
根据所述第二食材训练样本集对所述深度学习基本模型中的一层隐含层的参数进行调整,输入层、输出层及其余隐含层的参数保持不变,训练所述深度学习基本模型。
如上所述的方法,所述隐含层的层数不少于3层,根据所述第二食材训练样本集对所述深度学习基本模型中的第二层隐含层的参数进行调整。
如上所述的方法,所述第一食材训练样本集中的样本数量远大于所述第二食材训练样本集中的样本数量。
如上所述的方法,所述第一食材训练样本集或所述第二食材训练样本集采用下述过程确定:
获取包含有已知品类的食材图像,对所述食材图像进行标注,获得食材标注图像;对所述食材标注图像作预处理,获得食材训练样本;多个所述食材训练样本确定为所述第一食材训练样本集或第二食材训练样本集。
如上所述的方法,对所述食材图像进行标注,包括:对所述食材图像采用边缘标注算法进行食材边缘标注;根据所述食材边缘标注确定所述食材图像中的食材位置。
为实现前述发明目的,本发明提供的食材识别装置采用下述技术方案予以实现:
一种食材识别装置,包括基于深度学习训练模型识别食材的食材识别单元,其特征在于,所述装置还包括:
深度学习基本模型获取单元,用于根据第一食材训练样本集对深度学习网络进行全层训练,获得基于所述第一食材训练样本集的深度学习基本模型;所述深度学习网络具有输入层、若干层隐含层和输出层;
深度学习训练模型获取单元,用于根据第二食材训练样本集对所述深度学习基本模型中的隐含层的参数进行调整,训练所述深度学习基本模型,获得基于所述第一食材训练样本集和所述第二食材训练样本集的深度学习训练模型。
如上所述的装置,还包括:
食材训练样本集确定单元,用于获取包含有已知品类的食材图像,对所述食材图像进行标注,获得食材标注图像;对所述食材标注图像作预处理,获得食材训练样本;将多个所述食材训练样本确定为所述第一食材训练样本集或第二食材训练样本集。
本发明还提供了一种家电设备,用于存放食材,所述家电设备包括有上述的食材识别装置。
优选的,所述家电设备为智能冰箱。
与现有技术相比,本发明的优点和积极效果是:本发明提供的食材识别方法和识别装置,先利用第一食材训练样本集对深度学习网络进行全层训练,得到深度学习基本模型,再利用第二食材训练样本集对深度学习基本模型中隐含层的参数进行调整,得到用于食材识别用的深度学习训练模型,由于第二食材训练样本集仅对模型中隐含层的参数进行调整,通过合理选取所调整的隐含层的层数,能够基于少量的第二食材训练样本而获得对第二食材识别率较高的深度学习训练模型,提高了食材识别准确率;且由于仅对隐含层或者部分隐含层进行调整,而非进行全层调整,提高了模型训练速度。
结合附图阅读本发明的具体实施方式后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是基于本发明食材识别方法一个实施例的流程图;
图2是基于本发明食材识别方法另一个实施例的流程图;
图3是基于本发明食材识别装置一个实施例的结构框图。
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,以下将结合附图和实施例,对本发明作进一步详细说明。
请参见图1,该图所示为基于本发明食材识别方法一个实施例流程图,具体来说是识别出食材品类的人工智能方法。该方法基于深度学习网络,首先需要建立深度学习训练模型,再基于深度学习训练模型识别出待识别食材的品类。
如图1所示,实施例实现食材识别的方法包括下述步骤:
步骤11:根据第一食材训练样本集对深度学习网络进行全层训练,获得基于第一食材训练样本集的深度学习基本模型。
其中,第一食材训练样本集为品类已知的食材数据样本所形成的样本集,品类包括各种蔬菜、各种水果等。深度学习网络为现有技术中存在的各种深度学习网络,该深度学习网络包括有输入层、若干层隐含层和输出层。优选的,深度学习网络为基于深度学习的目标检测算法SSD的网络。
而深度学习基本模型作为深度学习训练模型的基础,由第一食材训练样本集对深度学习网络进行全层训练获得。为保证深度学习训练模型的收敛速度和训练精度,第一食材训练样本集为包含有大量样本的集合。优选的,第一食材训练样本集选用现有技术中成熟的、包括有大量品类已知食材样本的食材样本数据库中的数据。根据训练样本集对深度学习网络进行全层训练而获得深度学习基本模型的过程采用现有技术来实现,在此不作详细阐述。
步骤12:根据第二食材训练样本集训练深度学习基本模型,获得基于第一食材训练样本集和第二食材训练样本集的深度学习训练模型。
步骤11中的深度学习基本模型对于第一食材训练样本集中所包含的食品品类的识别精度较高。如果存在有新增食材,为提高对新增食材的识别,需要利用新增食材作为训练样本再次对模型进行训练。该实施例将新增食材训练样本构成的集合定义为第二食材训练样本集,根据第二食材训练样本集训练步骤11获得的深度学习基本模型,从而获得基于第一食材训练样本集和第二食材训练样本集的深度学习训练模型。其中,第一食材训练样本集中的样本数量远大于第二食材训练样本集中的样本数量。并且,是根据第二食材训练样本集对深度学习基本模型中的隐含层的参数进行调整,而非进行深度学习基本模型的全层参数调整。作为优选的实施方式,是根据第二食材训练样本集对深度学习基本模型中的其中一层隐含层的参数进行调整,而深度学习基本模型的输入层、输出层及其余隐含层的参数均保持不变,实现对深度学习基本模型的训练。
作为更优选的实施方式,结合食材图像的特点,所选用的深度学习网络的隐含层的层数不少于3层;而根据第二食材训练样本集对深度学习基本模型中的第二次隐含层的参数进行微调。具体的,以具有三层隐含层的深度学习网络而言,是将第二食材训练样本集作为输入数据输入至输入层,保持深度学习基本模型中已经训练好的输入层对第一层隐含层的权值不变、第一层隐含层对第二次隐含层的权值不变,第三隐含层对输出层的权值也不变,而仅对第二层隐含层对第三层隐含层的权值根据输出层所要求的收敛条件等进行训练,实现对第二层隐含层对第三层隐含层的权值的调整。
由于作为新增食材的第二食材训练样本集,难以获得大量的训练样本,如果仍采用根据第二食材训练样本集和第一食材训练样本集对深度学习网络进行全层训练的方法,会因第二食材训练样本集数量过少而导致参数训练误差大,模型识别率低。并且,如果均进行全层训练,训练速度慢。因此,该实施例创造性提出用第二食材训练样本集对已经根据第一食材训练样本集训练好的深度学习基本模型进行训练,且仅对隐含层的参数、甚至仅是一层隐含层的参数作调整,少量层数的参数调整相对于全层参数调整而言,第二食材训练样本集数量足够多,因而,能够获得对第二食材识别率较高的深度学习训练模型。并且,训练速度相较于全层训练而言也得到极大的提高。
步骤13:基于深度学习训练模型识别食材。
基于步骤12确定的深度学习训练模型对待识别的食材数据进行识别,从而识别出食材品类。采用训练模型识别食材的方法也为现有技术,在此不作具体阐释。
请参见图2,该图示出了基于本发明食材识别方法一个实施例流程图,具体来说是识别出食材品类的人工智能方法。该方法基于深度学习网络,首先需要建立深度学习训练模型,再基于深度学习训练模型识别出待识别食材的品类。
如图1所示,实施例实现食材识别的方法包括下述步骤:
步骤21:确定第一食材训练样本集。
第一食材训练样本集为品类已知的食材数据样本所形成的样本集,具体来说是品类已知的食材图像,品类包括各种蔬菜、各种水果等。为保证深度学习训练模型的收敛速度和训练精度,第一食材训练样本集为包含有大量样本的集合。优选的,第一食材训练样本集选用现有技术中成熟的、包括有大量品类已知食材样本的食材样本数据库中的食材图像。并且,采用下述方法确定第一食材训练样本集:
获取包含有已知品类的食材图像,对食材图像进行标注,获得食材标注图像。作为优选实施方式,对食材图像进行标注,包括:对食材图像采用边缘标注算法进行食材边缘标注;根据食材边缘标注确定食材图像中的食材位置。对食材图像采用边缘标注算法进行食材边缘标注,能够避免食材重叠而影响食材标注的准确性,进而避免因食材标注不准确而导致训练模型的识别率降低。对食材图像采用边缘算法进行边缘标注的具体方法可以采用现有技术中的各种边缘标记过程来实现,在此不作具体阐释。
然后,对食材标注图像作预处理,包括图像归一化、灰度拉伸、去噪、亮度增强等预处理,获得食材训练样本。最后,将多个食材训练样本确定为第一食材训练样本集。
步骤22:根据第一食材训练样本集对深度学习网络进行全层训练,获得基于第一食材训练样本集的深度学习基本模型。
该步骤的具体实现方法参考图1实施例步骤11的描述。
步骤23:确定第二食材训练样本集。
步骤22中的深度学习基本模型对于第一食材训练样本集中所包含的食品品类的识别精度较高。如果存在有新增食材,为提高对新增食材的识别,需要利用新增食材作为训练样本再次对模型进行训练。该实施例将新增食材训练样本、具体来说是品类已知的新增食材图像构成的集合定义为第二食材训练样本集。第二食材训练样本集采用如上述第一食材训练样本集相同的方法来确定,具体方法参见步骤21确定第一食材训练样本集的过程。
步骤24:根据第二食材训练样本集训练深度学习基本模型,获得基于第一食材训练样本集和第二食材训练样本集的深度学习训练模型。
该步骤的具体实现过程参考图1实施例步骤12的描述。
步骤25:基于深度学习训练模型识别食材。
基于步骤24确定的深度学习训练模型对待识别的食材数据进行识别,从而识别出食材品类。采用训练模型识别食材的方法也为现有技术,在此不作具体阐释。
请参见图3,该图所示为基于本发明食材识别装置一个实施例的结构框图,具体来说,是识别出食材品类的人工智能装置。该识别装置包括有深度学习基本模型获取单元31和深度学习训练模型获取单元32。在其他一些优选实施例中,识别装置还可以包括有食材训练样本集确定单元33。
其中,深度学习基本模型获取单元31,用于根据第一食材训练样本集对深度学习网络进行全层训练,获得基于所第一食材训练样本集的深度学习基本模型。并且,深度学习网络具有输入层、若干层隐含层和输出层。
深度学习训练模型获取单元32,用于根据第二食材训练样本集对深度学习基本模型获取单元31所获取的深度学习基本模型中的隐含层的参数进行调整,训练深度学习基本模型,获得基于第一食材训练样本集和第二食材训练样本集的深度学习训练模型。
食材样本集确定单元33,用于获取包含有已知品类的食材图像,对食材图像进行标注,获得食材标注图像;对食材标注图像作预处理,获得食材训练样本;将多个食材训练样本确定为第一食材训练样本集或第二食材训练样本集。
上述各结构单元运行相应的软件程序,实现图1及图2的识别方法,实现对食材的识别。具有上述各结构单元的识别装置的更具体的工作过程及产生的技术效果,参考图1及图2示出的实施例的描述。
具有上述各结构单元的食材识别装置可以应用到存放食材的家电设备、如智能冰箱中,实现对所存放食材的准确、快速识别。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (10)
1.一种食材识别方法,包括基于深度学习训练模型识别食材的过程,其特征在于,所述深度学习训练模型采用下述方法获得:
根据第一食材训练样本集对深度学习网络进行全层训练,获得基于所述第一食材训练样本集的深度学习基本模型;所述深度学习网络具有输入层、若干层隐含层和输出层;
根据第二食材训练样本集对所述深度学习基本模型中的隐含层的参数进行调整,训练所述深度学习基本模型,获得基于所述第一食材训练样本集和所述第二食材训练样本集的深度学习训练模型。
2.根据权利要求1所述的识别方法,其特征在于,所述根据第二食材训练样本集对所述深度学习基本模型中的隐含层的参数进行调整,训练所述深度学习基本模型,具体包括:
根据所述第二食材训练样本集对所述深度学习基本模型中的一层隐含层的参数进行调整,输入层、输出层及其余隐含层的参数保持不变,训练所述深度学习基本模型。
3.根据权利要求2所述的识别方法,其特征在于,所述隐含层的层数不少于3层,根据所述第二食材训练样本集对所述深度学习基本模型中的第二层隐含层的参数进行调整。
4.根据权利要求1所述的识别方法,其特征在于,所述第一食材训练样本集中的样本数量远大于所述第二食材训练样本集中的样本数量。
5.根据权利要求1至4中任一项所述的识别方法,其特征在于,所述第一食材训练样本集或所述第二食材训练样本集采用下述过程确定:
获取包含有已知品类的食材图像,对所述食材图像进行标注,获得食材标注图像;对所述食材标注图像作预处理,获得食材训练样本;多个所述食材训练样本确定为所述第一食材训练样本集或第二食材训练样本集。
6.根据权利要求5所述的识别方法,其特征在于,对所述食材图像进行标注,包括:对所述食材图像采用边缘标注算法进行食材边缘标注;根据所述食材边缘标注确定所述食材图像中的食材位置。
7.一种食材识别装置,包括基于深度学习训练模型识别食材的食材识别单元,其特征在于,所述装置还包括:
深度学习基本模型获取单元,用于根据第一食材训练样本集对深度学习网络进行全层训练,获得基于所述第一食材训练样本集的深度学习基本模型;所述深度学习网络具有输入层、若干层隐含层和输出层;
深度学习训练模型获取单元,用于根据第二食材训练样本集对所述深度学习基本模型中的隐含层的参数进行调整,训练所述深度学习基本模型,获得基于所述第一食材训练样本集和所述第二食材训练样本集的深度学习训练模型。
8.根据权利要求7所述的识别装置,其特征在于,所述装置还包括:
食材训练样本集确定单元,用于获取包含有已知品类的食材图像,对所述食材图像进行标注,获得食材标注图像;对所述食材标注图像作预处理,获得食材训练样本;将多个所述食材训练样本确定为所述第一食材训练样本集或第二食材训练样本集。
9.一种家电设备,用于存放食材,其特征在于,所述家电设备包括有上述权利要求7或8所述的食材识别装置。
10.根据权利要求9所述的家电设备,其特征在于,所述家电设备为智能冰箱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810140841.0A CN108470184A (zh) | 2018-02-11 | 2018-02-11 | 食材识别方法、识别装置及家电设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810140841.0A CN108470184A (zh) | 2018-02-11 | 2018-02-11 | 食材识别方法、识别装置及家电设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108470184A true CN108470184A (zh) | 2018-08-31 |
Family
ID=63266514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810140841.0A Pending CN108470184A (zh) | 2018-02-11 | 2018-02-11 | 食材识别方法、识别装置及家电设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470184A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353333A (zh) * | 2018-12-21 | 2020-06-30 | 九阳股份有限公司 | 一种食材识别方法、家电设备及食材识别*** |
CN111523620A (zh) * | 2020-07-03 | 2020-08-11 | 北京每日优鲜电子商务有限公司 | 商品识别模型的动态调整方法及商品校验方法 |
CN111860073A (zh) * | 2019-04-30 | 2020-10-30 | 青岛海尔智能技术研发有限公司 | 一种食材图像识别的方法及装置、家电设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512635A (zh) * | 2015-12-15 | 2016-04-20 | 鲁东大学 | 一种融合类别属性的深度网络地下目标识别方法及*** |
CN106227851A (zh) * | 2016-07-29 | 2016-12-14 | 汤平 | 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法 |
CN106529564A (zh) * | 2016-09-26 | 2017-03-22 | 浙江工业大学 | 一种基于卷积神经网络的食物图像自动分类方法 |
WO2017113232A1 (zh) * | 2015-12-30 | 2017-07-06 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的产品分类方法及装置 |
CN107358257A (zh) * | 2017-07-07 | 2017-11-17 | 华南理工大学 | 一种大数据场景下可增量学习的图像分类训练方法 |
CN107679552A (zh) * | 2017-09-11 | 2018-02-09 | 北京飞搜科技有限公司 | 一种基于多分支训练的场景分类方法以及*** |
-
2018
- 2018-02-11 CN CN201810140841.0A patent/CN108470184A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512635A (zh) * | 2015-12-15 | 2016-04-20 | 鲁东大学 | 一种融合类别属性的深度网络地下目标识别方法及*** |
WO2017113232A1 (zh) * | 2015-12-30 | 2017-07-06 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的产品分类方法及装置 |
CN106227851A (zh) * | 2016-07-29 | 2016-12-14 | 汤平 | 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法 |
CN106529564A (zh) * | 2016-09-26 | 2017-03-22 | 浙江工业大学 | 一种基于卷积神经网络的食物图像自动分类方法 |
CN107358257A (zh) * | 2017-07-07 | 2017-11-17 | 华南理工大学 | 一种大数据场景下可增量学习的图像分类训练方法 |
CN107679552A (zh) * | 2017-09-11 | 2018-02-09 | 北京飞搜科技有限公司 | 一种基于多分支训练的场景分类方法以及*** |
Non-Patent Citations (1)
Title |
---|
顾月清 等主编: "《全国普通高等院校生物医学工程规划教材 生物医学工程技术》", 北京:中国医药科技出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353333A (zh) * | 2018-12-21 | 2020-06-30 | 九阳股份有限公司 | 一种食材识别方法、家电设备及食材识别*** |
CN111353333B (zh) * | 2018-12-21 | 2023-10-20 | 九阳股份有限公司 | 一种食材识别方法、家电设备及食材识别*** |
CN111860073A (zh) * | 2019-04-30 | 2020-10-30 | 青岛海尔智能技术研发有限公司 | 一种食材图像识别的方法及装置、家电设备 |
CN111523620A (zh) * | 2020-07-03 | 2020-08-11 | 北京每日优鲜电子商务有限公司 | 商品识别模型的动态调整方法及商品校验方法 |
CN111523620B (zh) * | 2020-07-03 | 2020-10-20 | 北京每日优鲜电子商务有限公司 | 商品识别模型的动态调整方法及商品校验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559298A (zh) | 一种基于深度学习的乳液泵缺陷检测的方法 | |
CN110310259B (zh) | 一种基于改进YOLOv3算法的木结瑕疵检测方法 | |
CN108596882B (zh) | 病理图片的识别方法及装置 | |
CN108021947B (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
WO2022253057A1 (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制***及方法 | |
CN106355192B (zh) | 一种基于混沌灰狼优化的支持向量机方法 | |
CN107256393A (zh) | 基于深度学习的一维生理信号的特征提取与状态识别 | |
CN108470184A (zh) | 食材识别方法、识别装置及家电设备 | |
CN107657603A (zh) | 一种基于智能视觉的工业外观检测方法 | |
CN108009526A (zh) | 一种基于卷积神经网络的车辆识别与检测方法 | |
CN107730000A (zh) | 用于空调的冷媒泄漏检测方法和装置 | |
CN107390753B (zh) | 基于物联网云平台的智能植物生长环境调节装置与方法 | |
CN109191455A (zh) | 一种基于ssd卷积网络的大田作物病虫害检测方法 | |
CN104408760B (zh) | 一种基于双目视觉的高精度虚拟装配***算法 | |
CN112418130A (zh) | 一种基于bp神经网络的香蕉成熟度检测方法及装置 | |
CN109002769A (zh) | 一种基于深度神经网络的牛脸对齐方法及*** | |
CN109242830A (zh) | 一种基于深度学习的机器视觉技术检测方法 | |
CN107832780A (zh) | 基于人工智能木板分选低置信度样本处理方法及*** | |
Wang et al. | Towards cooperation in sequential prisoner's dilemmas: a deep multiagent reinforcement learning approach | |
CN107590799A (zh) | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 | |
CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及*** | |
CN110378876A (zh) | 基于深度学习的影像识别方法、装置、设备及存储介质 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN111368900A (zh) | 一种图像目标物识别方法 | |
CN116543282A (zh) | 基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、***、设备及介质 |
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: 20180831 |
|
RJ01 | Rejection of invention patent application after publication |