CN110569764B - 一种基于卷积神经网络的手机型号识别方法 - Google Patents

一种基于卷积神经网络的手机型号识别方法 Download PDF

Info

Publication number
CN110569764B
CN110569764B CN201910799717.XA CN201910799717A CN110569764B CN 110569764 B CN110569764 B CN 110569764B CN 201910799717 A CN201910799717 A CN 201910799717A CN 110569764 B CN110569764 B CN 110569764B
Authority
CN
China
Prior art keywords
mobile phone
model
image
point
value
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
Application number
CN201910799717.XA
Other languages
English (en)
Other versions
CN110569764A (zh
Inventor
韩红桂
甄琪
张璐
伍小龙
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910799717.XA priority Critical patent/CN110569764B/zh
Publication of CN110569764A publication Critical patent/CN110569764A/zh
Application granted granted Critical
Publication of CN110569764B publication Critical patent/CN110569764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于卷积神经网络的废旧手机型号识别方法。针对废旧手机回收过程中型号难以精确识别的问题，本发明利用边缘检测算法解析手机验机照片中的区域特征，构造了一种共享权值的特征提取卷积网络，评估废旧手机图像区域特征与标准样本之间的相似性，实现了手机型号的快速识别，本发明在不同场景下的手机型号识别均保持较好的快速性和准确性，能够提高废旧手机回收的效率和回收企业经济效益。

Description

一种基于卷积神经网络的手机型号识别方法
技术领域
本发明利用基于卷积神经网络的废旧手机型号识别方法实现废旧手机回收过程中手机型号的精准识别。在废旧手机回收过程中，将手机按型号分类处理可以获得更大的经济效益，手机型号的识别成为了影响废旧手机回收效率的重要因素，手机各品牌型号繁多，相似度高，所以需要有一定的经验积累，才能熟练的对手机型号进行区分。将基于卷积神经网络的废旧手机型号识别方法应用于废旧手机回收过程中，能够避免由人员经验不足而产生的分类错误和分类效率低等问题，提高废旧手机回收的准确性和快速性，是图像识别领域的重要分支，又属于固体废物的处理领域。
背景技术
废旧手机型号的快速准确识别能够提高手机回收效率，节省人力，同时还能提升废旧手机回收企业经济效益，是提高城市固体废物资源再利用的重要举措；不但具有较好的经济效益，而且具有显著的环境和社会效益。因此，本发明的研究成果具有广阔的应用前景。
废旧手机型号识别是一个图像识别与分类的过程，由于验机人员回收手机时拍摄的验机照片角度、设备、光源等拍摄条件各异，分辨率也不一，严重影响了废旧手机型号识别的准确性，因此，必须寻求一种图像预处理方法，实现对手机图像的预处理，去除图像中与手机特征无关的区域，减少对识别算法的干扰。
由于部分手机型号相似度过高，且在实际手机回收场景中手机型号的类别随着新机型上市而动态更新，且由于新机型训练样本较少使得模型难以及时学习和提取有效的特征信息，更是增大了建立模型的难度，根据手机的相似性度量手机各型号间的差别，可以降低模型学习需要的计算量，提高计算速度，满足废旧手机回收的需要。从而提高回收效率，加速废旧手机的流通过程，同时也能够减少人工费用，提高回收企业的效益。
本发明设计了一种基于卷积神经网络的废旧手机型号识别方法，主要通过边缘检测算法提取了验机照片中可识别的手机区域，利用卷积神经网实现对废旧手机型号的快速准确识别。
发明内容
本发明获得了一种基于卷积神经网络的废旧手机型号识别方法，该识别方法通过边缘检测算法提取了验机照片中可识别的手机区域，利用卷积神经网实现对废旧手机型号的快速准确识别；解决了废旧手机回收过程中型号识别的问题，提高了手机的回收效率。
本发明采用了如下的技术方案及实现步骤：
1.一种基于卷积神经网络的手机型号识别方法，其特征在于，包括以下步骤：
(1)设计基于边缘检测算法的手机图像预处理方法
①将包含手机背部图像的验机照片转换为单通道灰度图像，灰度化转换公式如下：
pG(x,y)＝αpr(x,y)+βpg(x,y)+γpb(x,y)； (1)
其中，pG(x,y)表示灰度化后图像中点(x,y)的像素值，pr(x,y)表示点(x,y)红色通道的像素值，pg(x,y)表示点(x,y)绿色通道的像素值，pb(x,y)表示点(x,y)蓝色通道的像素值，α为r通道灰度调和权值，α在区间[0,1]任意取值；β为g通道灰度调和权值，β在区间[0,1]任意取值；γ为b通道灰度调和权值，γ在区间[0,1]任意取值；x为图像中像素点的横坐标，y为图像中像素点的纵坐标；
②对灰度图像进行滤波处理，滤波器函数如下：
其中，pS(x,y)为滤波后图像中点(x,y)的像素值，ζ为方差，ζ在区间[1.2,2.4]任意取值；
③提取手机轮廓，计算公式如下：
其中，M(x,y)为图像中像素点(x,y)的梯度幅值，反映图像的边缘强度，θ(x,y)为图像中像素点(x,y)的梯度幅值方向，反映图像的边缘方向，px(x,y)为像素点在水平方向的偏导数，py(x,y)为像素点在垂直方向的偏导数；
④使用双门限阈值法去除伪边缘点，设定边缘点高阈值，/>在区间[200,400]任意取值；/>为边缘点低阈值，/>在区间[0,200]任意取值；当候选边缘点的梯度幅值/>
时，该点为伪边缘点；当时，该点为边缘点；若/>则判断此点与前面得到的边缘点是否连通，若连通则将此点记为边缘点，得到边缘图像中各点像素值为pC(x,y)；
(2)建立基于卷积神经网络的样本相似特征提取模型
Rl+1＝f(ωlRl+λl)，l≥1； (5)
其中，Rl+1为第l+1层的卷积层输出特征图，f(·)为激活函数，ωl为第l层的卷积核参数，ωl随机初始化为任意值，λl为第l层的输出偏置参数，λl随机初始化为任意值，l为卷积层数，l＝2,3,4；当l＝0时，R1＝f(ω0PC(x,y)+λ0)，pC(x,y)为点(x,y)在边缘图像中的像素值，ω0为第1层的卷积核参数，ω0随机初始化为任意值，λ0为第1层的输出偏置参数，λ0随机初始化为任意值；Qa×b为池化后的输出向量，R为卷积层输入向量，S1、S2为池化步长，a×b为平均池化后卷积特征图的维度，i为特征图中特征点的横坐标，j为特征图中特征点的横坐标；为了提高相似特征提取模型的精度，设计对比损失函数对模型参数进行调整：
L(xn,1,zn,xn,2)＝max(d(zn,xn,1)-d(zn,xn,2)+δ,0)； (7)
其中，L(xn,1,zn,xn,2)是第n组输入样本xn,1,zn,xn,2的对比损失函数值，n＝[1,N]，N为基准样本总数，zn是第n组基准样本，xn,1是第n组与zn型号相同的训练样本，xn,2是第n组与z型号不同的训练样本，d(zn,xn,1)表示Fw(xn,1)和Fw(zn)的欧氏距离，d(zn,xn,2)表示Fw(xn,2)和Fw(zn)的欧氏距离，Fw(xn,1)表示网络参数为w时样本xn,1经特征提取模型前向计算后的输出，Fw(xn,2)表示网络参数为w时样本xn,2经特征提取模型前向计算后的输出，Fw(zn)表示网络参数为w时样本zn经特征提取模型前向计算后的输出，超参数δ为大于0的极小数，max表示取最大值；
其中，E|gk 2|为第k次迭代参数梯度的期望值；wk表示第k次迭代时的参数集合，Δwk-1为第k-1次迭代时参数更新时的变化向量，k为当前迭代的次数；gk-1为第k-1次迭代时的参数梯度，ρ为衰减参数，ρ在区间(0,1)任意取值；ε取任意常数；nk为任意对角矩阵；η为学习率，控制每次在负梯度所在的方向上改变的步长；
(3)手机型号识别过程
①设基准特征数据集Z中共有N个手机型号，即基准样本总数，将所有样本z1～zN依次输入到特征提取模型中，将模型的输出值Fw(z1)～Fw(zN)以向量的形式存储到基准数据库F(Z)中；
②将待识别图像d输入到特征提取模型中，得到输出值Fw(d)；
③遍历对比识别输出值Fw(d)与基准数据库F(Z)中的值，当距离最近且小于0.5时，该基准样本为目标机型；
④若机型基准数据库F(Z)中无满足距离要求的基准样本，则自动将该检测样本d归为新的一类。
本发明的创造性主要体现在：
(1)本发明针对当前废旧手机回收过程中的手机型号识别过程，需要准确快速的对手机型号进行识别，提高废旧手机回收的效率，然而手机照片角度、设备、光源等拍摄条件各异，分辨率也不一，严重影响了废旧手机型号识别的准确性，而且部分手机型号相似度过高，且在实际手机回收场景中手机型号的类别随着新机型上市而动态更新，且由于新机型训练样本较少使得模型难以及时学习和提取有效的特征信息；采用了基于卷积神经网络的型号识别算法，具有精度高，检测时间小等特点；
(2)本发明提出了一种基于卷积神经网络的废旧手机型号识别方法，该识别方法通过边缘检测算法提取了验机照片中可识别的手机区域，利用卷积神经网实现对废旧手机型号的快速准确识别；解决了废旧手机回收过程中型号识别的问题，提高了手机的回收效率。
特别要注意：本发明只是为了描述方便，采用卷积神经网络和边缘检测算法对手机图像进行处理，将其他的特征提取算法和识别区域提取算法相结合等相同原理的图像识别方法都应该属于本发明的范围。
附图说明
图1是本发明识别手机型号混淆矩阵结果图
具体实施方式
1.一种基于卷积神经网络的手机型号识别方法，其特征在于，包括以下步骤：
(1)设计基于边缘检测算法的手机图像预处理方法
①将包含手机背部图像的验机照片转换为单通道灰度图像，灰度化转换公式如下：
pG(x,y)＝αpr(x,y)+βpg(x,y)+γpb(x,y)； (10)
其中，pG(x,y)表示灰度化后图像中点(x,y)的像素值，pr(x,y)表示点(x,y)红色通道的像素值，pg(x,y)表示点(x,y)绿色通道的像素值，pb(x,y)表示点(x,y)蓝色通道的像素值，α为r通道灰度调和权值，α＝0.299；β为g通道灰度调和权值，β＝0.588；γ为b通道灰度调和权值，γ＝0.114；x为图像中像素点的横坐标，y为图像中像素点的纵坐标；
②对灰度图像进行滤波处理，滤波器函数如下：
其中，pS(x,y)为滤波后图像中点(x,y)的像素值，ζ为方差，ζ＝1.2；
③提取手机轮廓，计算公式如下：
其中，M(x,y)为图像中像素点(x,y)的梯度幅值，反映图像的边缘强度，θ(x,y)为图像中像素点(x,y)的梯度幅值方向，反映图像的边缘方向，px(x,y)为像素点在水平方向的偏导数，py(x,y)为像素点在垂直方向的偏导数；
④使用双门限阈值法去除伪边缘点，设定边缘点高阈值，/>为边缘点低阈值/>当候选边缘点的梯度幅值/>时，该点为伪边缘点；当/>时，该点为边缘点；若/>则判断此点与前面得到的边缘点是否连通，若连通则将此点记为边缘点，得到边缘图像中各点像素值为pC(x,y)；
(2)建立基于卷积神经网络的样本相似特征提取模型
Rl+1＝f(ωlRl+λl)，l≥1； (14)
其中，Rl+1为第l+1层的卷积层输出特征图，f(·)为激活函数，ωl为第l层的卷积核参数，ωl随机初始化为任意值，λl为第l层的输出偏置参数，λl随机初始化为任意值，l为卷积层数，l＝2,3,4；当l＝0时，R1＝f(ω0PC(x,y)+λ0)，pC(x,y)为点(x,y)在边缘图像中的像素值，ω0为第1层的卷积核参数，ω0随机初始化为任意值，λ0为第1层的输出偏置参数，λ0随机初始化为任意值；Qa×b为池化后的输出向量，R为卷积层输入向量，S1、S2为池化步长，a×b为平均池化后卷积特征图的维度，i为特征图中特征点的横坐标，j为特征图中特征点的横坐标；为了提高相似特征提取模型的精度，设计对比损失函数对模型参数进行调整：
L(xn,1,zn,xn,2)＝max(d(zn,xn,1)-d(zn,xn,2)+δ,0)； (16)
其中，L(xn,1,zn,xn,2)是第n组输入样本xn,1,zn,xn,2的对比损失函数值，n＝[1,N]，N为基准样本总数，zn是第n组基准样本，xn,1是第n组与zn型号相同的训练样本，xn,2是第n组与z型号不同的训练样本，d(zn,xn,1)表示Fw(xn,1)和Fw(zn)的欧氏距离，d(zn,xn,2)表示Fw(xn,2)和Fw(zn)的欧氏距离，Fw(xn,1)表示网络参数为w时样本xn,1经特征提取模型前向计算后的输出，Fw(xn,2)表示网络参数为w时样本xn,2经特征提取模型前向计算后的输出，Fw(zn)表示网络参数为w时样本zn经特征提取模型前向计算后的输出，超参数δ为大于0的极小数，max表示取最大值；
其中，E|gk 2|为第k次迭代参数梯度的期望值；wk表示第k次迭代时的参数集合，Δwk-1为第k-1次迭代时参数更新时的变化向量，k为当前迭代的次数；gk-1为第k-1次迭代时的参数梯度，ρ为衰减参数，ρ在区间(0,1)任意取值；ε取任意常数；nk为任意对角矩阵；η为学习率，控制每次在负梯度所在的方向上改变的步长；
(3)手机型号识别过程
①设基准特征数据集Z中共有N个手机型号，即基准样本总数，将所有样本z1～zN依次输入到特征提取模型中，将模型的输出值Fw(z1)～Fw(zN)以向量的形式存储到基准数据库F(Z)中；
②将待识别图像d输入到特征提取模型中，得到输出值Fw(d)；
③遍历对比识别输出值Fw(d)与基准数据库F(Z)中的值，当距离最近且小于0.5时，该基准样本为目标机型；
④若机型基准数据库F(Z)中无满足距离要求的基准样本，则自动将该检测样本d归为新的一类。
图1显示对手机型号识别的混淆矩阵图，X轴：模型预测输出的手机型号，预测输出的五类机型分别为：iphone 4s，iphone 6，iphone 5s，iphone 7和iphone 7p；Y轴：手机的实际型号，五类机型分别为：iphone 4s，iphone 6，iphone 5s，iphone 7和iphone 7p；对角线上的黑色方格为正确识别的手机个数，浅色方格(i,j)为第j类手机误分到第i类手机中的个数。

Claims (1)

1.一种基于卷积神经网络的手机型号识别方法，其特征在于，包括以下步骤：
(1)设计基于边缘检测算法的手机图像预处理方法
①将包含手机背部图像的验机照片转换为单通道灰度图像，灰度化转换公式如下：
pG(x,y)＝αpr(x,y)+βpg(x,y)+γpb(x,y)； (1)
其中，pG(x,y)表示灰度化后图像中点(x,y)的像素值，pr(x,y)表示点(x,y)红色通道的像素值，pg(x,y)表示点(x,y)绿色通道的像素值，pb(x,y)表示点(x,y)蓝色通道的像素值，α为r通道灰度调和权值，α在区间[0,1]任意取值；β为g通道灰度调和权值，β在区间[0,1]任意取值；γ为b通道灰度调和权值，γ在区间[0,1]任意取值；x为图像中像素点的横坐标，y为图像中像素点的纵坐标；
②对灰度图像进行滤波处理，滤波器函数如下：
其中，pS(x,y)为滤波后图像中点(x,y)的像素值，σ为方差，σ在区间[1.2,2.4]任意取值；
③提取手机轮廓，计算公式如下：
其中，M(x,y)为图像中像素点(x,y)的梯度幅值，反映图像的边缘强度，θ(x,y)为图像中像素点(x,y)的梯度幅值方向，反映图像的边缘方向，px(x,y)为像素点在水平方向的偏导数，py(x,y)为像素点在垂直方向的偏导数；
④使用双门限阈值法去除伪边缘点，设定为边缘点高阈值，/>在区间[200,400]任意取值；/>为边缘点低阈值，/>在区间[0,200]任意取值；当候选边缘点的梯度幅值/>时，该点为伪边缘点；当/>时，该点为边缘点；若/>则判断此点与前面得到的边缘点是否连通，若连通则将此点记为边缘点，得到边缘图像中各点像素值为pC(x,y)；(2)建立基于卷积神经网络的样本相似特征提取模型
R’ l+1＝f(ωlR’ l+λl)， l≥1； (5)
其中，R’ l+1为第l+1层的卷积层输出特征图，f(·)为激活函数，ωl为第l层的卷积核参数，ωl随机初始化为任意值，λl为第l层的输出偏置参数，λl随机初始化为任意值，l为卷积层数，l＝2,3,4；Qa×b为池化后的输出向量，R为卷积层输入向量，S1、S2为池化步长，a×b为平均池化后卷积特征图的维度；
使用对比损失函数对模型参数进行调整：
L(xn,1,zn,xn,2)＝max(d(zn,xn,1)-d(zn,xn,2)+δ,0)； (7)
其中，L(xn,1,zn,xn,2)是第n组输入样本xn,1,zn,xn,2的对比损失函数值，n＝[1,N]，N为基准样本总数，zn是第n组基准样本，xn,1是第n组与zn型号相同的训练样本，xn,2是第n组与z型号不同的训练样本，d(zn,xn,1)表示Fw(xn,1)和Fw(zn)的欧氏距离，d(zn,xn,2)表示Fw(xn,2)和Fw(zn)的欧氏距离，Fw(xn,1)表示网络参数为w时样本xn,1经特征提取模型前向计算后的输出，Fw(xn,2)表示网络参数为w时样本xn,2经特征提取模型前向计算后的输出，Fw(zn)表示网络参数为w时样本zn经特征提取模型前向计算后的输出，超参数δ为大于0的极小数，max表示取最大值；
其中，E|gk 2|为第k次迭代参数梯度的期望值；wk表示第k次迭代时的参数集合，k为当前迭代的次数；gk-1为第k-1次迭代时的参数梯度，ρ为衰减参数，ρ在区间(0,1)任意取值；ε取任意常数；η为学习率，控制每次在负梯度所在的方向上改变的步长；
(3)手机型号识别过程
①设基准特征数据集Z中共有N个手机型号，将所有样本z1～zN依次输入到特征提取模型中，将模型的输出值Fw(z1)～Fw(zN)以向量的形式存储到基准数据库F(Z)中；
②将待识别图像d输入到特征提取模型中，得到输出值Fw(d)；
③遍历对比识别输出值Fw(d)与基准数据库F(Z)中的值，当距离最近且小于0.5时，该基准样本为目标机型；
④若机型基准数据库F(Z)中无满足距离要求的基准样本，则自动将检测样本d归为新的一类。
CN201910799717.XA 2019-08-28 2019-08-28 一种基于卷积神经网络的手机型号识别方法 Active CN110569764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910799717.XA CN110569764B (zh) 2019-08-28 2019-08-28 一种基于卷积神经网络的手机型号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910799717.XA CN110569764B (zh) 2019-08-28 2019-08-28 一种基于卷积神经网络的手机型号识别方法

Publications (2)

Publication Number Publication Date
CN110569764A CN110569764A (zh) 2019-12-13
CN110569764B true CN110569764B (zh) 2023-12-22

Family

ID=68776382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910799717.XA Active CN110569764B (zh) 2019-08-28 2019-08-28 一种基于卷积神经网络的手机型号识别方法

Country Status (1)

Country Link
CN (1) CN110569764B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881756A (zh) * 2020-06-28 2020-11-03 北京工业大学 一种基于卷积神经网络的废旧手机型号识别方法
CN111931953A (zh) * 2020-07-07 2020-11-13 北京工业大学 一种废旧手机多尺度特征深度森林识别方法
CN114092410B (zh) * 2021-10-27 2024-06-14 北京工业大学 一种基于多尺度卷积神经网络的手机表面缺陷精准识别方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679147A (zh) * 2013-12-05 2014-03-26 广州绿怡信息科技有限公司 手机型号的识别方法与装置
WO2016015547A1 (zh) * 2014-08-01 2016-02-04 深圳中集天达空港设备有限公司 一种基于机器视觉的飞机入坞引导和机型识别的方法及***
CN106372638A (zh) * 2016-08-31 2017-02-01 佛山绿怡信息科技有限公司 一种识别电子设备品牌型号的方法和***
CN107507626A (zh) * 2017-07-07 2017-12-22 宁波大学 一种基于语音频谱融合特征的手机来源识别方法
CN107527068A (zh) * 2017-08-07 2017-12-29 南京信息工程大学 基于cnn和域自适应学习的车型识别方法
CN107944551A (zh) * 2017-12-15 2018-04-20 福州大学 一种用于电润湿显示屏缺陷识别方法
CN108681667A (zh) * 2018-04-02 2018-10-19 阿里巴巴集团控股有限公司 一种设备型号识别方法、装置及处理设备
CN109285538A (zh) * 2018-09-19 2019-01-29 宁波大学 一种基于常q变换域的加性噪声环境下手机来源识别方法
CN109522924A (zh) * 2018-09-28 2019-03-26 浙江农林大学 一种基于单张照片的阔叶林树种识别方法
CN109583471A (zh) * 2018-10-24 2019-04-05 阿里巴巴集团控股有限公司 用于智能手机识别的方法及装置
WO2019100724A1 (zh) * 2017-11-24 2019-05-31 华为技术有限公司 训练多标签分类模型的方法和装置
CN110136746A (zh) * 2019-03-26 2019-08-16 宁波大学 一种基于融合特征的加性噪声环境下手机来源识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679147A (zh) * 2013-12-05 2014-03-26 广州绿怡信息科技有限公司 手机型号的识别方法与装置
WO2016015547A1 (zh) * 2014-08-01 2016-02-04 深圳中集天达空港设备有限公司 一种基于机器视觉的飞机入坞引导和机型识别的方法及***
CN106372638A (zh) * 2016-08-31 2017-02-01 佛山绿怡信息科技有限公司 一种识别电子设备品牌型号的方法和***
CN107507626A (zh) * 2017-07-07 2017-12-22 宁波大学 一种基于语音频谱融合特征的手机来源识别方法
CN107527068A (zh) * 2017-08-07 2017-12-29 南京信息工程大学 基于cnn和域自适应学习的车型识别方法
WO2019100724A1 (zh) * 2017-11-24 2019-05-31 华为技术有限公司 训练多标签分类模型的方法和装置
CN107944551A (zh) * 2017-12-15 2018-04-20 福州大学 一种用于电润湿显示屏缺陷识别方法
CN108681667A (zh) * 2018-04-02 2018-10-19 阿里巴巴集团控股有限公司 一种设备型号识别方法、装置及处理设备
CN109285538A (zh) * 2018-09-19 2019-01-29 宁波大学 一种基于常q变换域的加性噪声环境下手机来源识别方法
CN109522924A (zh) * 2018-09-28 2019-03-26 浙江农林大学 一种基于单张照片的阔叶林树种识别方法
CN109583471A (zh) * 2018-10-24 2019-04-05 阿里巴巴集团控股有限公司 用于智能手机识别的方法及装置
CN110136746A (zh) * 2019-03-26 2019-08-16 宁波大学 一种基于融合特征的加性噪声环境下手机来源识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic cell phone recognition from speech recordings;Ling Zou 等;2014 IEEE China Summit & International Conference on Signal and Information Processing (ChinaSIP);全文 *
基于语音频谱融合特征的手机来源识别;裴安山 等;计算机应用;全文 *

Also Published As

Publication number Publication date
CN110569764A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110543878B (zh) 一种基于神经网络的指针仪表读数识别方法
CN111028217A (zh) 一种基于全卷积神经网络的图像裂缝分割方法
CN110569764B (zh) 一种基于卷积神经网络的手机型号识别方法
CN110033473B (zh) 基于模板匹配和深度分类网络的运动目标跟踪方法
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
CN109657716A (zh) 一种基于深度学习的车辆外观损伤识别方法
CN111257341B (zh) 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法
CN110175615B (zh) 模型训练方法、域自适应的视觉位置识别方法及装置
CN104966085A (zh) 一种基于多显著特征融合的遥感图像感兴趣区域检测方法
CN111340123A (zh) 一种基于深度卷积神经网络的图像分数标签预测方法
CN110969166A (zh) 一种巡检场景下小目标识别方法和***
CN111079847A (zh) 一种基于深度学习的遥感影像自动标注方法
CN108960342B (zh) 基于改进Soft-Max损失函数的图像相似度计算方法
CN111126134A (zh) 基于非指纹信号消除器的雷达辐射源深度学习识别方法
CN112417931B (zh) 一种基于视觉显著性的水面物体检测和分类的方法
CN107563370A (zh) 一种基于视觉注意机制的海上红外目标检测方法
Zhao et al. Research on detection method for the leakage of underwater pipeline by YOLOv3
CN117911252A (zh) 基于深度学习去除图像中光照的方法及***
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN110136098B (zh) 一种基于深度学习的线缆顺序检测方法
CN111881756A (zh) 一种基于卷积神经网络的废旧手机型号识别方法
CN116824330A (zh) 一种基于深度学习的小样本跨域目标检测方法
Peng et al. Application of deep residual neural network to water meter reading recognition
CN114092410B (zh) 一种基于多尺度卷积神经网络的手机表面缺陷精准识别方法
CN113724233B (zh) 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant