CN111723848A - 一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法 - Google Patents
一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法 Download PDFInfo
- Publication number
- CN111723848A CN111723848A CN202010452771.XA CN202010452771A CN111723848A CN 111723848 A CN111723848 A CN 111723848A CN 202010452771 A CN202010452771 A CN 202010452771A CN 111723848 A CN111723848 A CN 111723848A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional
- residual
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000001093 holography Methods 0.000 title abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10052—Images from lightfield camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Holo Graphy (AREA)
Abstract
一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法,包括以下步骤:1)使用数字全息***拍摄海洋浮游生物的全息图像;2)构建卷积神经网络模型,设定卷积层数,卷积核尺寸,训练参数和损失函数,将1)中得到的图片输入至神经网络中,运行神经网络,获得最终分类结果。本发明针对目前数字全息***对海洋浮游生物的广泛应用,为满足高效率、低成本和快速性的要求,利用数字全息技术结合深度学习技术,公开了一种基于数字全息图像的海洋浮游生物快速分类方法。
Description
技术领域
本发明涉及一种图像自动分类方法,尤其是一种基于卷积神经网络和数字全息技术的海洋浮游生物自动分类的方法。
背景技术
海洋浮游生物是海洋生态***的重要组成部分。海洋浮游生物的研究对海洋生态环境的监测和保护具有重要意义。海洋浮游生物种类繁多,种类丰富,分布广泛。因此,海洋浮游生物的观察、分类和统计具有重要的研究价值。(数字全息技术是其中之一)研究人员提出了许多研究海洋浮游生物的方法,包括光学浮游生物记录器(OPR)、光学浮游生物计数器(OPC)和数字全息(DH)。DH是一项强大的技术,它能够实现三维(3-D)记录、高分辨率成像和非接触测量。这些优势使得DH被广泛应用于海洋浮游生物的形态、数量和分布研究。目前利用数字全息技术对浮游生物的观测方法都依赖于全息图像的重构。全息图像难以通过人眼直接观察和分辨,在采集到样本的全息图像之后,需要先将全息图像重建还原样本的原始物象,然后基于重建的图像来辨别和观察样本。全息图像的重建难以得到准确重构距离,并且自动重构过程需要大量的迭代运算,因此对硬件有较高的要求,也造成人力和时间的消耗。
发明内容
针对现有数字全息技术对海洋浮游生物的观测的不足指出,本发明提出一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法,基于原始的数字全息图像,利用神经网络从全息图像中提取和学习特征,从而实现对浮游生物的自动分类,无需对全息图像进行重构,提高了利用数字全息技术对海洋浮游生物的观测效率,并节省了计算资源。
为了实现上述目的,本发明采用的技术方案为:
一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法,包括以下步骤:
1)使用数字全息***拍摄海洋浮游生物的全息图像,包括以下步骤:
1.1)设计拍摄光路,选择合适的激光光源和CCD相机,并按照设计好的光路放置激光光源、工业相机、载物台、待测样本;
1.2)使用CCD相机拍摄标本的全息图像,并调节标本与CCD相机感光元件之间的距离,获取不同焦距的全息图像,CCD获取的全息图像表示为:
其中,r(x,y)和o(x,y)分别为参考光和物光的强度分布;
2)构建卷积神经网络模型,设定卷积层数,卷积核尺寸,训练参数和损失函数,将1)中得到的图片输入至神经网络中,运行神经网络,获得最终分类结果,构建神经网络的过程包括以下步骤:
2.1)卷积神经网络构建
构建一个残差卷积神经网络模型,整个残差神经网络的层包括三个部分,由输入层、中间层和输出层构成,输入层提取低层次特征,低层次特征包括边缘和线条,后续的卷积层通过迭代从前面的层提取更复杂的特征,最后的输出层为全连接层,它将卷积层中提取到的特征整合并映射为一个特征向量;其中输入层由一个卷积层和一个MaxPool层构成,卷积核大小为7×7,数量为64个;第二层到第16层为中间层,其由8个残差单元组成,每两个相同的卷积块和短连接构成一个残差单元;每个卷积块包含一个卷积层后面带有一个BN层和修正线性激活函数ReLU,其中第一个和第二个残差单元的卷积层的卷积核大小为3×3,数目为64个;第三个和第四个残差单元卷积层的卷积核大小为3×3,数目为128个;第五个和第六个残差单元卷积层的卷积核大小为3×3,数目为256个;第七个和第八个残差单元卷积层的卷积核大小为3×3,数目为512个;每个残差单元的输入和输出通过shortcut直接相连,因此,残差单元允许输入信息直接传递到后续的层,将残差单元中多个卷积块的堆栈映射表示为将输入表示为x,残差单元的表达式近似为因此原始函数表示为由多个非线性层非线性逼近近似,当输入和输出通道数相同时,残差单元被表示为:
当输入和输出通道数改变时,残差单元被表示为:
神经网络的输出层为具有15个神经元的全连接层,通过激活函数Softmax,输出每个类别的概率;
2.2)运行神经网络
神经网络同过深度迁移学习方法,预先在ImageNet的数据集上训练过,神经网络的输入为尺寸128×128×3的图像,将(1)中得到的全息图像裁剪并将单幅灰度图转换为三通道;
确定残差神经网络的参数,将上述图像输入神经网络,使用Adam优化器进行迭代优化,使得损失函数不断下降,损失函数被定义为交叉熵误差:
当损失函数不再下降时,即神经网络训练完成,将新采集的浮游生物的全息图像输入神经网络,得到对浮游生物种类的分类结果。
本发明的有益效果主要表现在:针对目前数字全息***对海洋浮游生物的广泛应用,为满足高效率、低成本和快速性的要求,利用数字全息技术结合深度学习技术,公开了一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法。
1)降低了成本
使用神经网络,能够从原始的全息图像中直接辨别浮游生物的种类,不需要对全息图像进行重构,从而避免了重构的计算过程对硬件的要求,提高了效率并且降低了成本。
2)更快速地自动分类
通过迁移学习,降低了神经网络的训练所需的数据量和训练时间,经过训练的神经网络,能够实现基于海洋浮游生物的全息图像快速地自动判别浮游生物种类。
附图说明
图1为一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法的流程图;
图2为基于卷积神经网络和数字全息的海洋浮游生物自动分类***硬件平台示意图,其中1表示激光光源,2表示浮游生物标本,3表示CCD相机,4表示计算机;
图3为本发明神经网络的结构图。
具体实施方式
下面结合附图对本发明作进一步描述:
参照图1~图3,一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法,包括以下步骤:
1)参见图2,拍摄浮游生物图像过程为,将海洋浮游生物标本放置在载物台上,并使用CCD相机捕获样本的全息图像,包括以下步骤:
1.1)设计拍摄光路,选择合适的激光光源和CCD相机,并按照设计好的光路放置激光光源、工业相机、载物台、待测样本;
1.2)使用CCD相机拍摄标本的全息图像,并调节标本与CCD相机感光元件之间的距离,获取不同焦距的全息图像,CCD获取的全息图像表示为:
其中,r(x,y)和o(x,y)分别为参考光和物光的强度分布;
2)构建卷积神经网络模型,设定训练参数和损失函数,将1)中的到的图片经过裁剪后输入至神经网络中,运行神经网络,获得最终的分类结果,包括以下步骤:
2.1)卷积神经网络构建
参见图3,构建一个残差卷积神经网络模型,整个残差神经网络的层包括三个部分,由输入层、中间层和输出层构成,输入层提取一些低层次特征,比如边缘和线条,后续的卷积层通过迭代从前面的层提取更复杂的特征,最后的输出层为全连接层,它将卷积层中提取到的特征整合并映射为一个特征向量,其中输入层由一个卷积层和一个MaxPool层构成,卷积核大小为7×7,数量为64个;第二层到第16层为中间层,其由8个残差单元组成,每两个相同的卷积块和短连接构成一个残差单元。每个卷积块包含一个卷积层后面带有一个BN层和修正线性激活函数ReLU,其中第一个和第二个残差单元的卷积层的卷积核大小为3×3,数目为64个;第三个和第四个残差单元卷积层的卷积核大小为3×3,数目为128个;第五个和第六个残差单元卷积层的卷积核大小为3×3,数目为256个;第七个和第八个残差单元卷积层的卷积核大小为3×3,数目为512个;每个残差单元的输入和输出通过shortcut直接相连,因此,残差单元允许输入信息直接传递到后续的层,将残差单元中多个卷积块的堆栈映射表示为将输入表示为x,因此残差单元的表达式近似为因此原始函数表示为可以由多个非线性层非线性逼近近似,当输入和输出通道数相同时,残差单元被表示为:
当输入和输出通道数改变时,残差单元被表示为:
神经网络的输出层为具有15个神经元的全连接层,通过激活函数Softmax,输出每个类别的概率;
2.2)运行神经网络
神经网络同过深度迁移学习方法,预先在ImageNet的数据集上训练过,神经网络的输入为尺寸128×128×3的图像,将(1)中得到的全息图像裁剪并将单幅灰度图转换为三通道;
确定残差神经网络的参数,将上述图像输入神经网络,使用Adam优化器进行迭代优化,使得损失函数不断下降,损失函数被定义为交叉熵误差:
当损失函数不再下降时,即神经网络训练完成,将新采集的浮游生物的全息图像输入神经网络,得到对浮游生物种类的分类结果。
Claims (1)
1.一种基于卷积神经网络的利用数字全息图像来识别海洋浮游生物的方法,其特征在于,所述方法包括以下步骤:
1)使用数字全息***拍摄海洋浮游生物的全息图像,包括以下步骤:
1.1)设计拍摄光路,选择合适的激光光源和CCD相机,并按照设计好的光路放置激光光源、工业相机、载物台、待测样本;
1.2)使用CCD相机拍摄标本的全息图像,并调节标本与CCD相机感光元件之间的距离,获取不同焦距的全息图像,CCD获取的全息图像表示为:
其中,r(x,y)和o(x,y)分别为参考光和物光的强度分布;
2)构建卷积神经网络模型,设定卷积层数,卷积核尺寸,训练参数和损失函数,将1)中得到的浮游生物全息图像输入至神经网络中,运行神经网络,获得最终分类结果,构建神经网络的过程包括以下步骤:
2.1)卷积神经网络构建
构建一个残差卷积神经网络模型,整个残差神经网络的层包括三个部分,由输入层、中间层和输出层构成,输入层提取低层次特征,低层次特征包括边缘和线条,后续的卷积层通过迭代从前面的层提取更复杂的特征,最后的输出层为全连接层,它将卷积层中提取到的特征整合并映射为一个特征向量;其中输入层由一个卷积层和一个MaxPool层构成,卷积核大小为7×7,数量为64个;第二层到第16层为中间层,其由8个残差单元组成,每两个相同的卷积块和短连接构成一个残差单元;每个卷积块包含一个卷积层后面带有一个BN层和修正线性激活函数ReLU,其中第一个和第二个残差单元的卷积层的卷积核大小为3×3,数目为64个;第三个和第四个残差单元卷积层的卷积核大小为3×3,数目为128个;第五个和第六个残差单元卷积层的卷积核大小为3×3,数目为256个;第七个和第八个残差单元卷积层的卷积核大小为3×3,数目为512个;每个残差单元的输入和输出通过shortcut直接相连,因此,残差单元允许输入信息直接传递到后续的层,将残差单元中多个卷积块的堆栈映射表示为将输入表示为x,残差单元的表达式近似为因此原始函数表示为由多个非线性层非线性逼近近似,当输入和输出通道数相同时,残差单元被表示为:
当输入和输出通道数改变时,残差单元被表示为:
神经网络的输出层为具有15个神经元的全连接层,通过激活函数Softmax,输出每个类别的概率;
2.2)运行神经网络
神经网络同过深度迁移学习方法,预先在ImageNet的数据集上训练过,神经网络的输入为尺寸128×128×3的图像,将(1)中得到的浮游生物全息图像裁剪并将单幅灰度图转换为三通道;
确定残差神经网络的参数,将上述图像输入神经网络,使用Adam优化器进行迭代优化,使得损失函数不断下降,损失函数被定义为交叉熵误差:
当损失函数不再下降时,即神经网络训练完成,将新采集的浮游生物的全息图像输入神经网络,得到对浮游生物种类的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010452771.XA CN111723848A (zh) | 2020-05-26 | 2020-05-26 | 一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010452771.XA CN111723848A (zh) | 2020-05-26 | 2020-05-26 | 一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723848A true CN111723848A (zh) | 2020-09-29 |
Family
ID=72565090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010452771.XA Pending CN111723848A (zh) | 2020-05-26 | 2020-05-26 | 一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723848A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529791A (zh) * | 2020-11-16 | 2021-03-19 | 中国海洋大学 | 基于浮游生物数字全息图像的自适应性多焦点复原方法 |
CN112749507A (zh) * | 2020-12-29 | 2021-05-04 | 浙江大学 | 一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法 |
CN113238076A (zh) * | 2021-05-10 | 2021-08-10 | 西北工业大学 | 一种基于深度学习的复杂流场测量方法与*** |
CN116343206A (zh) * | 2023-05-29 | 2023-06-27 | 山东科技大学 | 一种海洋浮游生物分析显微镜图像的自动拼接识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104567659A (zh) * | 2014-12-22 | 2015-04-29 | 南京师范大学 | 一种基于涡旋光照明的暗场数字全息显微装置及其方法 |
CN109034257A (zh) * | 2018-08-02 | 2018-12-18 | 河北工程大学 | 一种细胞图像记录***及分类方法 |
CN109190491A (zh) * | 2018-08-08 | 2019-01-11 | 上海海洋大学 | 残差卷积神经网络sar影像海冰分类方法 |
CN109597291A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 一种基于卷积神经网络的光学扫描全息图像识别方法 |
CN110728654A (zh) * | 2019-09-06 | 2020-01-24 | 台州学院 | 一种基于深度残差神经网络的管道自动检测和分类方法 |
CN110836867A (zh) * | 2019-10-18 | 2020-02-25 | 南京大学 | 一种基于卷积神经网络的无透镜全息显微微粒表征方法 |
-
2020
- 2020-05-26 CN CN202010452771.XA patent/CN111723848A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104567659A (zh) * | 2014-12-22 | 2015-04-29 | 南京师范大学 | 一种基于涡旋光照明的暗场数字全息显微装置及其方法 |
CN109034257A (zh) * | 2018-08-02 | 2018-12-18 | 河北工程大学 | 一种细胞图像记录***及分类方法 |
CN109190491A (zh) * | 2018-08-08 | 2019-01-11 | 上海海洋大学 | 残差卷积神经网络sar影像海冰分类方法 |
CN109597291A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 一种基于卷积神经网络的光学扫描全息图像识别方法 |
CN110728654A (zh) * | 2019-09-06 | 2020-01-24 | 台州学院 | 一种基于深度残差神经网络的管道自动检测和分类方法 |
CN110836867A (zh) * | 2019-10-18 | 2020-02-25 | 南京大学 | 一种基于卷积神经网络的无透镜全息显微微粒表征方法 |
Non-Patent Citations (1)
Title |
---|
CARLOS TRUJILLO 等: "Automatic detection and counting of phase objects in raw holograms of digital holographic microscopy via deep learning", 《OPTICS AND LASERS IN ENGINEERING》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529791A (zh) * | 2020-11-16 | 2021-03-19 | 中国海洋大学 | 基于浮游生物数字全息图像的自适应性多焦点复原方法 |
CN112749507A (zh) * | 2020-12-29 | 2021-05-04 | 浙江大学 | 一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法 |
CN113238076A (zh) * | 2021-05-10 | 2021-08-10 | 西北工业大学 | 一种基于深度学习的复杂流场测量方法与*** |
CN116343206A (zh) * | 2023-05-29 | 2023-06-27 | 山东科技大学 | 一种海洋浮游生物分析显微镜图像的自动拼接识别方法 |
CN116343206B (zh) * | 2023-05-29 | 2023-08-08 | 山东科技大学 | 一种海洋浮游生物分析显微镜图像的自动拼接识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723848A (zh) | 一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法 | |
CN110321910B (zh) | 面向点云的特征提取方法、装置及设备 | |
CN111814661B (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
Al Banna et al. | Camera model identification using deep CNN and transfer learning approach | |
CN112102165B (zh) | 一种基于零样本学习的光场图像角域超分辨***及方法 | |
CN112818849B (zh) | 基于对抗学习的上下文注意力卷积神经网络的人群密度检测算法 | |
CN111666852A (zh) | 一种基于卷积神经网络的微表情双流网络识别方法 | |
CN112926485A (zh) | 一种少样本水闸图像分类方法 | |
CN114998507A (zh) | 一种基于自监督学习的光度立体三维重建方法 | |
CN112528782A (zh) | 水下鱼类目标检测方法及装置 | |
CN115131503A (zh) | 一种虹膜三维识别的健康监测方法及其*** | |
CN107578067A (zh) | 一种基于卷积神经网络的烟丝组分识别方法及装置 | |
CN114170657A (zh) | 融合注意力机制与高阶特征表示的面部情感识别方法 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
CN111968039B (zh) | 基于硅传感器相机的昼夜通用图像处理方法、装置及设备 | |
CN116740547A (zh) | 基于数字孪生的变电站目标检测方法、***、设备及介质 | |
CN116823852A (zh) | 基于卷积神经网络的条状皮肤瘢痕图像分割方法和*** | |
CN113435588B (zh) | 基于深度卷积神经网络bn层尺度系数的卷积核嫁接方法 | |
CN116109826A (zh) | 一种道路裂缝检测方法 | |
CN114882346B (zh) | 一种基于视觉的水下机器人目标自主识别方法 | |
CN114120046A (zh) | 一种基于幻影卷积的轻量级工程结构裂缝识别方法及*** | |
CN114049500A (zh) | 基于元学习重加权网络伪标签训练的图像评价方法及*** | |
CN113313030A (zh) | 基于运动趋势特征的人体行为识别方法 | |
CN114897835B (zh) | 一种基于图像的煤炭产品灰分实时检测*** |
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: 20200929 |
|
RJ01 | Rejection of invention patent application after publication |