CN111784688A - 基于深度学习的鲜花自动化分级方法 - Google Patents
基于深度学习的鲜花自动化分级方法 Download PDFInfo
- Publication number
- CN111784688A CN111784688A CN202010722613.1A CN202010722613A CN111784688A CN 111784688 A CN111784688 A CN 111784688A CN 202010722613 A CN202010722613 A CN 202010722613A CN 111784688 A CN111784688 A CN 111784688A
- Authority
- CN
- China
- Prior art keywords
- flower
- image
- deep learning
- flowers
- images
- 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 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 230000006378 damage Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 230000000873 masking effect Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000025962 Crush injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的鲜花自动化分级方法,包括以下步骤,S1、采集图像,通过图像采集处理***采集流水线中鲜花的俯视图像;S2、图像预处理,使用掩摸工具掩盖背景区域,使用标记工具标注图像的特征区域;S3、建立深度学习模型,将预处理后的图像输入到GoogLeNet深度学习算法训练分类模型,利用深度学习模型实现对鲜花的开放度分类、花损检测和弯头检测。本发明使用深度学习算法对开放度精确分级和缺陷检测能解决鲜花自动化分级的核心问题,代替人工分级鲜花;实现鲜花的自动化高精度分级,能提高花场的生产速度、降低人工成本、保障流入市场鲜花的品质。
Description
技术领域
本发明涉及图像视觉处理技术领域,尤其是一种基于深度学习的鲜花自动化分级方法。
背景技术
开放度是对鲜花分级的最重要的指标,且弯头和花损缺陷样品也需要进行剔除,因此实现开放度分级和缺陷的自动化检测是实现鲜花自动化分级的关键问题。但鲜花的背景多样、姿态多变导致传统图像处理算法无法精确地对开放度分级以及对弯头和花损缺陷进行检测。
现有的基于机器视觉技术主要使用了图像面积对鲜花的开放度进行分类,而鲜花是不规则的作物,面积大小不能准确鉴定鲜花开放度。当鲜花的开放度差异较小时,面积的差异很微小,这时原来的方法也不能准确的区分不同的开放度。而弯头畸形的产品图像面积和好的产品的面积基本接近,很难被区分出来。
发明内容
本发明要解决的技术问题是:提供一种基于深度学习的鲜花自动化分级方法,基于检测***相机组件采集流水线上的鲜花图像,提取图像中的感兴趣区域,利用深度学习算法训练分类模型,从而进行准确分类以及辨别缺陷品,提高鲜花出厂质量。
本发明解决其技术问题所采用的技术方案是:一种基于深度学习的鲜花自动化分级方法,包括以下步骤,
S1、采集图像,通过图像采集处理***采集流水线中鲜花的俯视图像;
S2、图像预处理,使用掩摸工具掩盖背景区域,使用标记工具标注图像的特征区域;
S3、建立深度学习模型,将预处理后的图像输入到GoogLeNet深度学习算法训练分类模型,利用深度学习模型实现对鲜花的开放度分类、花损检测和弯头检测。
进一步的说,本发明所述步骤S1中的图像采集处理***包括图像处理服务器、采集控制器、编码器、触发光电传感器,长度测量光电传感器、相机组件以及PLC;所述的相机组件包括相机和光源,安装在鲜花的正上方,采集鲜花的俯视图像;所述俯视图像为3通道彩色图像;所述的长度测量光电传感器为光栅式光电传感器,安装在鲜花的侧面,用于测量鲜花花杆长度。
再进一步的说,本发明所述的编码器和触发光电传感器输入每支鲜花在流水线中位置信息给采集控制器,所述采集控制器把位置信息转换为行信号和触发信号触发长度测量光电传感器和相机进行工作,所述相机和长度测量光电传感器同时对同一支鲜花进行成像和测量,并同时将图像和长度数据发给图像处理服务器;所述的图像处理服务器基于深度学习算法处理鲜花图像,结合鲜花长度得出判别结果;图像处理服务器把判别结果发给PLC控制机械运动将鲜花流入到相应的收集仓中。
进一步的说,本发明所述步骤S2中,利用感兴趣区域样本集建立模型数据集,感兴趣区域样本集分为训练集与预测集,由训练集与预测集共同组成模型数据集;其中的样本集包括不同开放度的鲜花图像、弯头鲜花图像以及花损鲜花图像。
进一步的说,本发明所述步骤S3中,利用GoogLeNet模型的训练过程如下:
A、从样本集中取一个样本(Xp,Yp),将Xp输入网络,其中Xp为第p个输入样本,Yp为理想输出结果;
B、计算相应的实际输出结果Op;在此阶段,信息从输入层经过逐级的变换,传送到输出层;这个过程也是网络在完成训练后正常运行时执行的过程;在此过程中,网络执行的是计算:
Op=Fn(…(F2(F1(XpW(1))W(2))…)W(n))
其中,Fn为第n层网络的计算函数,W(n)是第n层的权值矩阵。
C、计算实际输出Op与相应的理想输出Yp的差;
D、按极小化误差的方法反向传播调整权值矩阵。
本发明的有益效果是,解决了背景技术中存在的缺陷,
使用深度学习算法对开放度精确分级和缺陷检测能解决鲜花自动化分级的核心问题,代替人工分级鲜花;实现鲜花的自动化高精度分级,能提高花场的生产速度、降低人工成本、保障流入市场鲜花的品质;
将鲜花深度学习模型分类结果和长度测量结果综合进行分类,得到准确的分类信息及缺陷产品,再将结果按照设定的控制命令发送给PLC,控制设备机械部分运动,按照使用厂家的要求,准确的将鲜花分至对应的收集仓中。
附图说明
图1是本发明图像采集处理***结构原理框图;
图2是本发明成像***采集图像的结构原理图;
图中,1、相机;2、光源;3、鲜花;4、光电传感器。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1-2所示的一种基于深度学习的鲜花自动化分级方法,具体分为图像采集、图像预处理、训练模型三个步骤。
S1:图像采集,通过成像***采集流水线中鲜花的俯视图像;
S2:图像预处理,使用掩摸工具缩小背景区域,使用标记工具标注图像的特征区域;
S3:训练模型,将预处理后的图像输入到GoogLeNet深度学习算法训练分类模型,利用深度学习模型实现对鲜花的开放度分类、弯头检测和花损检测。
图像采集处理***,用于采集鲜花的俯视图和测量花杆长度;由触发光电、编码器、采集控制器、第一组件、第二组件、图像处理服务器和PLC组成。
第一组件为成像***,包括相机和光源,安装在鲜花的正上方,获取鲜花的数字图像数据,采集鲜花的俯视图像。第一组件采集到的图像进行直方图均衡化处理;处理后的图像进行中值滤波处理。俯视图像为3通道彩色图像。
第二组件为光栅式的长度测量光电传感器,安装在鲜花的侧面,用于测量鲜花花杆长度。
工作流程为,
图像采集:编码器和触发光电输入每支鲜花在流水线中位置信息给采集控制器,采集控制器把位置信息转换为行信号和触发信号触发长度测量光电和相机进行工作,相机和长度测量光电同时对同一支鲜花进行成像和测量,并同时将图像和长度数据发给图像处理服务器。
图像处理:然后图像处理服务器基于深度学习算法处理鲜花图像,结合鲜花长度得出判别结果。
判别处理:最后图像处理服务器把判别结果发给PLC,PLC控制机械运动将鲜花流入到相应的收集仓中。
根据鲜花的开放度、弯头和花损指标分别建立开放度模型、弯头模型和花损模型,实现鲜花分级。利用感兴趣区域样本集建立模型数据集,感兴趣区域样本集分为训练集与预测集,由训练集与预测集共同组成模型数据集;其中的样本集包含不同开放度的鲜花图像,弯头鲜花图像,花损鲜花图像。
建立开放度模型,具体步骤为
S1:设置样本集:采集开放度1度、2度、3度和4度图像各100张,共400张;按照随机分组分方式以1:1的比例设置训练集和预测集,1度、2度、3度、4度样本集用X表示。
S2:图像预处理:使用不同类别的标记工具,分别标记开放度1度、2度、3度和4度的花心区域,1度、2度、3度、4度类别用Y表示。
S3:训练深度学习模型
S3-1:从样本集中取一个样本(Xp,Yp),将Xp输入网络,其中Xp为第p个输入样本,Yp为理想输出结果;
S3-2:计算相应的实际输出结果Op;在此阶段,信息从输入层经过逐级的变换,传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中,网络执行的是计算:
Op=Fn(…(F2(F1(XpW(1))W(2))…)W(n))
其中,Fn为第n层网络的计算函数,W(n)是第n层的权值矩阵。
S3-3:计算实际输出Op与相应的理想输出Yp的差;
S3-4:按极小化误差的方法反向传播调整权值矩阵。
建立弯头模型,具体步骤为
S1:设置样本集:采集正常和弯头样本图像各100张,共200张;按照随机分组分方式以1:1的比例设置训练集和预测集,正常和弯头样本集用X’表示。
S2:图像预处理:对弯头样本,使用掩膜工具掩盖弯头花心出现的区域;对正常样本,增加相同的掩膜,并且使用标记工具标记花心区域,正常和弯头类别用Y’表示。
S3:训练深度学习模型
S3-1:从样本集中取一个样本(X’p,Y’p),将X’p输入网络,其中X’p为第p个输入样本,Y’p为理想输出结果;
S3-2:计算相应的实际输出结果O’p;在此阶段,信息从输入层经过逐级的变换,传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中,网络执行的是计算:
O’p=Fn(…(F2(F1(X’pW(1))W(2))…)W(n))
其中,Fn为第n层网络的计算函数,W(n)是第n层的权值矩阵。
S3-3:计算实际输出O’p与相应的理想输出Y’p的差;
S3-4:按极小化误差的方法反向传播调整权值矩阵。
建立花损模型,具体步骤为
S1:设置样本集:采集正常、菌斑、污渍和压伤样本图像各100张,共400张;按照随机分组分方式以1:1的比例设置训练集和预测集,正常、菌斑、污渍和压伤样本集用X”表示。
S2:图像预处理:对正常样本,不进行标记;对于菌斑、污渍和压伤样本,使用标记工具标记菌斑、污渍和压伤区域,正常、菌斑、污渍、压伤类别用Y”表示。
S3:训练深度学习模型
S3-1:从样本集中取一个样本(X”p,Y”p),将X”p输入网络,其中X”p为第p个输入样本,Y”p为理想输出结果;
S3-2:计算相应的实际输出结果O”p;在此阶段,信息从输入层经过逐级的变换,传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中,网络执行的是计算:
O”p=Fn(…(F2(F1(X”pW(1))W(2))…)W(n))
其中,Fn为第n层网络的计算函数,W(n)是第n层的权值矩阵。
S3-3:计算实际输出O”p与相应的理想输出Y”p的差;
S3-4:按极小化误差的方法反向传播调整权值矩阵。
开放度模型、弯头模型和花损模型的深度学习模型为GoogLeNet。
GoogLeNet网络结构如下:
0、输入
原始输入图像为224x224x3,且都进行了零均值化的预处理操作(图像每个像素减去均值)。
1、第一层(卷积层)
使用7x7的卷积核(滑动步长2,padding为3),64通道,输出为112x112x64,卷积后进行ReLU操作;
经过3x3的max pooling(步长为2),输出为((112-3+1)/2)+1=56,即56x56x64,再进行ReLU操作;
2、第二层(卷积层)
使用3x3的卷积核(滑动步长为1,padding为1),192通道,输出为56x56x192,卷积后进行ReLU操作;
经过3x3的max pooling(步长为2),输出为((56-3+1)/2)+1=28,即28x28x192,再进行ReLU操作;
3a、第三层(Inception 3a层)
分为四个分支,采用不同尺度的卷积核来进行处理;
(1)64个1x1的卷积核,然后RuLU,输出28x28x64;
(2)96个1x1的卷积核,作为3x3卷积核之前的降维,变成28x28x96,然后进行ReLU计算,再进行128个3x3的卷积(padding为1),输出28x28x128;
(3)16个1x1的卷积核,作为5x5卷积核之前的降维,变成28x28x16,进行ReLU计算后,再进行32个5x5的卷积(padding为2),输出28x28x32;
(4)pool层,使用3x3的核(padding为1),输出28x28x192,然后进行32个1x1的卷积,输出28x28x32。
将四个结果进行连接,对这四部分输出结果的第三维并联,即64+128+32+32=256,最终输出28x28x256;
3b、第三层(Inception 3b层)
(1)128个1x1的卷积核,然后RuLU,输出28x28x128;
(2)128个1x1的卷积核,作为3x3卷积核之前的降维,变成28x28x128,进行ReLU,再进行192个3x3的卷积(padding为1),输出28x28x192;
(3)32个1x1的卷积核,作为5x5卷积核之前的降维,变成28x28x32,进行ReLU计算后,再进行96个5x5的卷积(padding为2),输出28x28x96;
(4)pool层,使用3x3的核(padding为1),输出28x28x256,然后进行64个1x1的卷积,输出28x28x64。
将四个结果进行连接,对这四部分输出结果的第三维并联,即128+192+96+64=480,最终输出输出为28x28x480;
第四层(4a,4b,4c,4d,4e)、第五层(5a,5b)……,与3a、3b类似,在此不再重复。
以上说明书中描述的只是本发明的具体实施方式,各种举例说明不对本发明的实质内容构成限制,所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形,而不背离发明的实质和范围。
Claims (5)
1.一种基于深度学习的鲜花自动化分级方法,其特征在于:包括以下步骤,
S1、采集图像,通过图像采集处理***采集流水线中鲜花的俯视图像;
S2、图像预处理,使用掩摸工具掩盖背景区域,使用标记工具标注图像的特征区域;
S3、建立深度学习模型,将预处理后的图像输入到GoogLeNet深度学习算法训练分类模型,利用深度学习模型实现对鲜花的开放度分类、花损检测和弯头检测。
2.如权利要求1所述的基于深度学习的鲜花自动化分级方法,其特征在于:所述步骤S1中的图像采集处理***包括图像处理服务器、采集控制器、编码器、触发光电传感器,长度测量光电传感器、相机组件以及PLC;所述的相机组件包括相机和光源,安装在鲜花的正上方,采集鲜花的俯视图像;所述俯视图像为3通道彩色图像;所述的长度测量光电传感器为光栅式光电传感器,安装在鲜花的侧面,用于测量鲜花花杆长度。
3.如权利要求2所述的基于深度学习的鲜花自动化分级方法,其特征在于:所述的编码器和触发光电传感器输入每支鲜花在流水线中位置信息给采集控制器,所述采集控制器把位置信息转换为行信号和触发信号触发长度测量光电传感器和相机进行工作,所述相机和长度测量光电传感器同时对同一支鲜花进行成像和测量,并同时将图像和长度数据发给图像处理服务器;所述的图像处理服务器基于深度学习算法处理鲜花图像,结合鲜花长度得出判别结果;图像处理服务器把判别结果发给PLC控制机械运动将鲜花流入到相应的收集仓中。
4.如权利要求1所述的基于深度学习的鲜花自动化分级方法,其特征在于:所述步骤S2中,利用感兴趣区域样本集建立模型数据集,感兴趣区域样本集分为训练集与预测集,由训练集与预测集共同组成模型数据集;其中的样本集包括不同开放度的鲜花图像、弯头鲜花图像以及花损鲜花图像。
5.如权利要求1所述的基于深度学习的鲜花自动化分级方法,其特征在于:所述步骤S3中,利用GoogLeNet模型的训练过程如下:
A、从样本集中取一个样本(Xp,Yp),将Xp输入网络,其中Xp为第p个输入样本,Yp为理想输出结果;
B、计算相应的实际输出结果Op;在此阶段,信息从输入层经过逐级的变换,传送到输出层;这个过程也是网络在完成训练后正常运行时执行的过程;在此过程中,网络执行的是计算:
Op=Fn(…(F2(F1(XpW(1))W(2))…)W(n))
其中,Fn为第n层网络的计算函数,W(n)是第n层的权值矩阵。
C、计算实际输出Op与相应的理想输出Yp的差;
D、按极小化误差的方法反向传播调整权值矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010722613.1A CN111784688A (zh) | 2020-07-24 | 2020-07-24 | 基于深度学习的鲜花自动化分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010722613.1A CN111784688A (zh) | 2020-07-24 | 2020-07-24 | 基于深度学习的鲜花自动化分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784688A true CN111784688A (zh) | 2020-10-16 |
Family
ID=72764089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010722613.1A Pending CN111784688A (zh) | 2020-07-24 | 2020-07-24 | 基于深度学习的鲜花自动化分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784688A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361642A (zh) * | 2021-07-02 | 2021-09-07 | 柒久园艺科技(北京)有限公司 | 一种鲜切花分级方法、装置及介质 |
CN115158736A (zh) * | 2022-07-20 | 2022-10-11 | 征图新视(江苏)科技股份有限公司 | 一种鲜花自动打包机 |
CN115350934A (zh) * | 2022-10-21 | 2022-11-18 | 昆明泰仕达科技有限公司 | 一种带花枝的鲜花自动分拣设备 |
CN117094997A (zh) * | 2023-10-18 | 2023-11-21 | 深圳市睿阳精视科技有限公司 | 一种鲜花开放度检测评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592969A (zh) * | 2008-05-30 | 2009-12-02 | 深圳市能联电子有限公司 | 太阳能发电的跟踪控制方法及其跟踪控制装置 |
CN107945182A (zh) * | 2018-01-02 | 2018-04-20 | 东北农业大学 | 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法 |
CN209985822U (zh) * | 2019-01-28 | 2020-01-24 | 云南安视智能设备有限公司 | 一种鲜切花形态检测装置 |
CN111428990A (zh) * | 2020-03-20 | 2020-07-17 | 浙江大学城市学院 | 一种基于深度神经网络的水培花卉开花期花卉等级评估方法 |
-
2020
- 2020-07-24 CN CN202010722613.1A patent/CN111784688A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592969A (zh) * | 2008-05-30 | 2009-12-02 | 深圳市能联电子有限公司 | 太阳能发电的跟踪控制方法及其跟踪控制装置 |
CN107945182A (zh) * | 2018-01-02 | 2018-04-20 | 东北农业大学 | 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法 |
CN209985822U (zh) * | 2019-01-28 | 2020-01-24 | 云南安视智能设备有限公司 | 一种鲜切花形态检测装置 |
CN111428990A (zh) * | 2020-03-20 | 2020-07-17 | 浙江大学城市学院 | 一种基于深度神经网络的水培花卉开花期花卉等级评估方法 |
Non-Patent Citations (2)
Title |
---|
CHRISTIAN SZEGEDY等: ""Going Deeper with Convolutions"", 《CVPR2015》 * |
姜岱箐: ""基于图像识别的月季切花检测与分级指标研究"", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361642A (zh) * | 2021-07-02 | 2021-09-07 | 柒久园艺科技(北京)有限公司 | 一种鲜切花分级方法、装置及介质 |
CN113361642B (zh) * | 2021-07-02 | 2024-03-19 | 柒久园艺科技(北京)有限公司 | 一种鲜切花分级方法、装置及介质 |
CN115158736A (zh) * | 2022-07-20 | 2022-10-11 | 征图新视(江苏)科技股份有限公司 | 一种鲜花自动打包机 |
CN115158736B (zh) * | 2022-07-20 | 2024-04-12 | 征图新视(江苏)科技股份有限公司 | 一种鲜花自动打包机 |
CN115350934A (zh) * | 2022-10-21 | 2022-11-18 | 昆明泰仕达科技有限公司 | 一种带花枝的鲜花自动分拣设备 |
CN117094997A (zh) * | 2023-10-18 | 2023-11-21 | 深圳市睿阳精视科技有限公司 | 一种鲜花开放度检测评估方法 |
CN117094997B (zh) * | 2023-10-18 | 2024-02-02 | 深圳市睿阳精视科技有限公司 | 一种鲜花开放度检测评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784688A (zh) | 基于深度学习的鲜花自动化分级方法 | |
CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN107804514B (zh) | 一种基于图像识别的牙刷分拣方法 | |
CN114897816B (zh) | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 | |
CN110647875B (zh) | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN111724355A (zh) | 一种鲍鱼体型参数的图像测量方法 | |
CN115170572A (zh) | 一种bopp复合薄膜表面涂胶质量监测方法 | |
CN111380813B (zh) | 一种便携式小麦种子多品质无损检测装置及检测方法 | |
CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
CN112497219A (zh) | 一种基于目标检测和机器视觉的柱状工件分类定位方法 | |
CN113392748A (zh) | 一种基于卷积神经网络的遥感影像耕地信息提取方法 | |
CN110826552A (zh) | 基于深度学习的葡萄无损自动检测装置及其方法 | |
Smirnov et al. | Neural network for identifying apple fruits on the crown of a tree | |
CN110935646A (zh) | 基于图像识别的全自动螃蟹分级*** | |
Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
CN113145473A (zh) | 一种水果智能分拣***及方法 | |
CN109063738B (zh) | 一种压缩感知的陶瓷水阀片自动在线检测方法 | |
CN116646082A (zh) | 基于叠层笼养模式下鸡异常粪便的疾病早期预警溯源*** | |
CN116523865A (zh) | 一种工件表面粗糙度预测方法 | |
CN114662594B (zh) | 一种目标特征识别分析*** | |
CN116106319A (zh) | 一种合成革瑕疵自动化检测方法及*** | |
CN114549403B (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |
|
RJ01 | Rejection of invention patent application after publication |