CN111898680A - 一种基于检材多视角形态图像和深度学习的生物鉴别方法 - Google Patents
一种基于检材多视角形态图像和深度学习的生物鉴别方法 Download PDFInfo
- Publication number
- CN111898680A CN111898680A CN202010759848.8A CN202010759848A CN111898680A CN 111898680 A CN111898680 A CN 111898680A CN 202010759848 A CN202010759848 A CN 202010759848A CN 111898680 A CN111898680 A CN 111898680A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- convolutional neural
- biological
- deep learning
- 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
- 239000000463 material Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000007689 inspection Methods 0.000 title claims abstract description 19
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 19
- 230000000007 visual effect Effects 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 241000894007 species Species 0.000 description 22
- 241000238631 Hexapoda Species 0.000 description 14
- 238000011176 pooling Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000004166 bioassay Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Library & Information Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于检材多视角形态图像和深度学习的生物鉴别方法,该鉴别方法为:建立模型‑检材采样‑特征提取直至提取完所有不同视角下获取到的外部形态图像对应的图像特征‑特征组合‑比对鉴别:与现有技术相比,本发明提供的鉴别方法具有节省人工、鉴定效率高、准确度高的有益效果。
Description
技术领域
本发明属于图像识别技术领域,特别涉及一种基于生物的多维图像的物种鉴别方法。
背景技术
进出口检验检疫、自然环境科考、司法鉴定等场合中常常需对检材做出鉴别,鉴定检材中包括的生物的具体种属信息。
现有技术中,为实现生物种属鉴别,通常采用的方法有形态学、血清学法、细胞学法以及生物化学法等,这些方法对检材的质量要求较高,且整个检品的制备过程相当复杂,对制备器材、制备环境以及制备人员的要求尤其高,且整个鉴定过程大部分为人工操作,整个操作流程十分繁复,重复性极高,对人工依赖程度非常高,整个鉴定过程效率相当低下。
在进出口检验检疫、自然环境科考、司法鉴定等场合中,检材为具有完整外形的生物标本的情形十分常见,在对这些检材做出鉴别时,需要鉴别人员依赖以往的鉴定经验,查阅生物检索表或种属图鉴等专业资料,对比查找后才能最终得到种属鉴别结果,这个过程十分考验鉴定人员的知识储备,整个过程具有极强的经验主义。
近年来,随着计算机技术的发展,深度学习以其高度的自主性、广泛的适应性以及强大的计算能力在越来越多的领域中得到应用,具体到生物鉴定领域,对于具有完整外部形态的检材,如何基于深度学习技术,根据其外部形态判断其具体的生物种属,在此之前还未见相关资料记载。因此,如何利用检材的外部形态,将深度学习技术应用到生物鉴定过程中,获得理想的鉴定结果,是本领域技术人员亟需解决的技术问题。
发明内容
为解决上述问题,本发明的目的在于提供一种针对具有完整外部形态的检材、基于深度学习技术,以检材外部形态图像对其进行种属鉴别的方法。
本发明的另一个目的在于提供一种基于检材外部形态图像的生物鉴别方法,该方法以多视角获取检材的外部形态图像,将每一张图像均提取其图像特征后,组合所有视角的对应的图像特征,最终得到鉴别结果,以此更为完善、更为准确地鉴别检材的生物种属。
为实现上述目的,本发明的技术方案如下:
一种基于检材多视角形态图像和深度学习的生物鉴别方法,该鉴别包括有以下步骤:
S1:建立模型:建立卷积神经网络预模型并进行预训练,得到合适可用的卷积神经网络模型,在卷积神经网络中内置标准生物特征数据库;标准生物特征数据库的建立倚赖现有的生物分类学知识,技术人员依据现有的标准的生物分类表,收集其中每一个种属的生物的外部形态图像特征,将其按照种属分类成批多次重复输入到卷积神经网络预模型中,训练预模型从其中学习对应种属的生物的外部形态图像特征,建立一套判决规则,并将对应种属的生物所具有的外部形态图像特征以标准生物特征数据库的形式存储在卷积神经网络中,方便后续在实际使用过程中对样本图像作出逐类比对得到鉴别结果。
S2:检材采样:处理检材并获取检材至少两个视角的外部形态图像;采集检材的外部形态图像时,应从俯视视角、仰视视角、前视视角、后视视角、左视视角、右视视角等六个标准视角中选取至少两个视角,拍摄检材的外部形态获得图像。对于具有复杂形状、细微构造、复合鉴别要素的检材,应多变幻采集视角、采集多张图像,以保证鉴别准确度。
S3:特征提取:分别输入单张外部形态图像,卷积神经网络模型对其分别对应提取图像特征;
S4:重复S3,直至提取完所有不同视角下获取到的外部形态图像对应的图像特征;
S5:特征组合:组合每个图像特征得到组合特征;
S6:比对鉴别:将组合特征与标准生物特征数据库进行比对,选取特征距离最小的种属输出为鉴定结果。
进一步地,S1包括有以下子步骤:
S11:建立卷积神经网络预模型;
S12:对卷积神经网络预模型输入具有已知种属信息的生物图像对其进行训练;
S13:重复多次S12,使卷积神经网络预模型训练过程中从已知种属信息的生物图像自行学习,建立生物鉴别方法直至得到合适可用的卷积神经网络模型。
进一步地,S1还包括有:S14:在卷积神经网络预模型中,根据基于生物分类学的标准生物检索表建立对应的生物特征数据库。
进一步地,S2包括有以下子步骤:
S21:清洁检材,除去检材表面尘垢;
S22:对检材摄录其俯视视角、仰视视角以及侧视视角中至少两个视角的外部形态原始图像;
S23:对原始图像做白平衡处理,调整其尺寸大小,得到合适可用的外部形态图像作为样本图像。
进一步地,S3包括有以下子步骤:
S31:提取并跨层融合样本图像的高层特征以及底层特征,得到其嵌入特征;
S32:利用卷积神经网络向前传递而来的嵌入特征,以紧凑的双线性池化来获得二阶信息。相比于底层特征,对样本图像额外提取高层特征具有更加丰富的语义信息、更加广大的视野以及更为全局化的分析角度,因此,对样本图像分别提取底层特征以及高层特征,并将其跨层融合的处理方法将帮助整个卷积神经网络关注并学习到更加细微、更加复杂、更加多样化的图像特征,对于提高网络的鉴别准确性具有正面意义。
进一步地,S31具体为:
S311:卷积神经网络对输入的检材的外部形态图像进行下采样,得到高层特征Xq以及多个低层特征Xri(i=1,...,n);
S312:将高层特征与多个低层特征点乘后得到点积;
S313:对点积进行概率映射后处理得到反映每个特征元素的重要程度的概率图;
S314:将概率图与对应的低层特征点乘后得到注意力图;
S315:将注意力图与高层特征相加得到该次输入的样本图像的嵌入特征,Xs。
现有技术中对多通道的信息实现细粒度分类时,通常用求和或平均的方法处理,这样的做法只能得到一阶信息。而在本发明提供的鉴别方法中,采用紧凑的双线性池化(Compact BilinearPooling)来获得二阶信息,在一阶信息相同的时候利用二阶信息区分不同类别:
定义两组局部描述符X和Y,利用线性核机器比较二者:
上式比较了第一个图像中的每个局部描述符和第二个图像中的每个局部描述符,比较算子为一个二阶多项式核,这使得采用上式比较的两个局部描述符的方法具有二阶核机器的判别能力,帮助卷积神经网络解释在先工作中观察到的较强的经验性能。
令k(x,y)表示比较核,即二阶多项式核,φ(X)为低维投影函数,φ(x)∈Rd,当d<<c2时,,有<φ(x),φ(y)>≈k(x,y),即上式内积可近似为:
采用上述紧凑的双线性池化方法都允许梯度的梯度的反向传播来实现分类管道的端到端优化,能明显压缩特征,使得编码更加紧凑,大大减少了网络和分类参数的内存的同时,也能取得更强的结果。
进一步地,S3采用circle loss来进行优化,
由此,则普通的circle loss函数表示为:
其中,γ为尺度因子,m个设定阈值,Δn为类间距离设定阈值,Δp为类内距离设定阈值;即:
本发明的有益效果为:节省人工:在本发明提供的技术方案中,人力只需要在建立卷积神经网络预模型、对其进行预训练时投入,在卷积神经网络预模型训练完成后,仅需通过计算机图像采集***采集检材的多视角外部形态图像,训练得到的合适可用的卷积神经网络模型即可以其为样本图像自动鉴定识别,整个鉴定过程最大程度上减少了人工操作,把人力从繁冗、重复、枯燥的鉴定劳动中解放了出来,降低了生物种属鉴定工作对人工以及经验的依赖,节约了劳动成本;
鉴定效率高:从全局来看,卷积神经网络可高速运行、处理大量的样本图像并得出对应的检测结果,对比人工鉴定的方法,其效率得到了极大提高;
准确度高:一方面,在卷积神经网络预模型的训练过程中,通过在其内部设置标准生物特征数据库,替代传统的深度学习算法中的原始标准数据,为后续的实际鉴别过程提供对应生物种属的比照标准,而另一方面,随着训练量不断提升、实际鉴别量不断提升,卷积神经网络不断修正模型参数、不断学习判定方法、不断记忆图像特征,其鉴别准确率也将不断提升,而最重要的是,区别于其他利用单一视角图像作出鉴别的方法,在本发明提供的鉴别方法中,对于同一检材,取至少两个视角采集器外图像,则可重复获取到检材的外部形态特征,进一步保证检材生物种属鉴别的准确性。
附图说明
图1是具体实施方式中所实现的基于检材多视角形态图像和深度学习的昆虫鉴别方法的工作流程图。
图2是具体实施方式中所实现的基于检材多视角形态图像和深度学习的昆虫鉴别方法的鉴别示意图。
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,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为实现上述目的,本发明的技术方案如下:
请参阅图1-2。
在本具体实施方式中提供一种基于检材多视角形态图像和深度学习的昆虫鉴别方法,该鉴别包括有以下步骤:
S1:建立模型:建立卷积神经网络预模型并进行预训练,得到合适可用的卷积神经网络模型,在卷积神经网络中内置标准昆虫特征数据库;
S2:检材采样:处理检材并获取检材至少两个视角的外部形态图像;采集检材的外部形态图像时,应从俯视视角、仰视视角、前视视角、后视视角、左视视角、右视视角等六个标准视角中选取至少两个视角,拍摄检材的外部形态获得图像。对于具有复杂形状、细微构造、复合鉴别要素的检材,应多变幻采集视角、采集多张图像,以保证鉴别准确度。
S3:特征提取:分别输入单张外部形态图像,卷积神经网络模型对其分别对应提取图像特征;
S4:重复S3,直至提取完所有不同视角下获取到的外部形态图像对应的图像特征;
S5:特征组合:组合每个图像特征得到组合特征;
S6:比对鉴别:将组合特征与标准昆虫特征数据库进行比对,选取特征距离最小的种属输出为鉴定结果。
进一步地,S1包括有以下子步骤:
S11:建立卷积神经网络预模型;
S12:对卷积神经网络预模型输入具有已知种属信息的昆虫图像对其进行训练;
S13:重复多次S12,使卷积神经网络预模型训练过程中从已知种属信息的昆虫图像自行学习,建立昆虫鉴别方法直至得到合适可用的卷积神经网络模型。
进一步地,S1还包括有:S14:在卷积神经网络预模型中,根据基于昆虫分类学的标准昆虫检索表建立对应的昆虫特征数据库。
进一步地,S2包括有以下子步骤:
S21:清洁检材,除去检材表面尘垢;
S22:开启相机有关设备预热,检查设备、网络、软件***等。
将相机设备、电脑进行开机预热,检查相机设备、电脑、网络、软件***等,保持硬件设备、网络、软件***等处于正常工作状态。
S23:对检材摄录俯视图、仰视图、前视图、后视图、左视图以及右视图;
S24:对各个视角视图做白平衡处理,调整其尺寸大小,得到合适可用的昆虫外部形态图像作为样本图像。
进一步地,S3包括有以下子步骤:
S31:提取并跨层融合样本图像的高层特征以及底层特征,得到其嵌入特征;
S32:利用卷积神经网络向前传递而来的嵌入特征,以紧凑的双线性池化来获得二阶信息。
进一步地,S31具体为:
S311:卷积神经网络对输入的检材的外部形态图像进行下采样,得到高层特征Xq以及多个低层特征Xri(i=1,...,n);
S312:将高层特征与多个低层特征点乘后得到点积;
S313:对点积进行概率映射后经softmax处理得到反映每个特征元素的重要程度的概率图;
S314:将概率图与对应的低层特征点乘后得到昆虫各个微小局部的注意力图,包括但不限于大小注意力图,沟槽注意力图,颖片注意力图,形状注意力图,表面光滑/突起注意力图,纹样注意力图,脐条注意力图等;
S315:将注意力图与高层特征相加得到该次输入的样本图像的嵌入特征,Xs。
在本具体实施方式提供的鉴别方法中,采用紧凑的双线性池化(CompactBilinear Pooling)来获得二阶信息,在一阶信息相同的时候利用二阶信息区分不同类别:
定义两组局部描述符X和Y,利用线性核机器比较二者:
上式比较了第一个图像中的每个局部描述符和第二个图像中的每个局部描述符,比较算子为一个二阶多项式核,这使得采用上式比较的两个局部描述符的方法具有二阶核机器的判别能力,帮助卷积神经网络解释在先工作中观察到的较强的经验性能。
令k(x,y)表示比较核,即二阶多项式核,φ(X)为低维投影函数,φ(x)∈Rd,当d<<c2时,,有<(x),φ(y)>≈k(x,y),即上式内积可近似为:
采用上述紧凑的双线性池化方法都允许梯度的梯度的反向传播来实现分类管道的端到端优化,能明显压缩特征,使得编码更加紧凑,大大减少了网络和分类参数的内存的同时,也能取得更强的结果。
进一步地,S3采用circle loss来进行优化,
由此,则普通的circle loss函数表示为:
其中,γ为尺度因子,m个设定阈值,Δn为类间距离设定阈值,Δp为类内距离设定阈值;即:
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于检材多视角形态图像和深度学习的生物鉴别方法,其特征在于,该鉴别方法包括有以下步骤:
S1:建立模型:建立卷积神经网络预模型并进行预训练,得到合适可用的卷积神经网络模型,在卷积神经网络中内置标准生物特征数据库;
S2:检材采样:处理检材并获取检材至少两个视角的外部形态图像;
S3:特征提取:分别输入单张外部形态图像,卷积神经网络模型对其分别对应提取图像特征;
S4:重复S3,直至提取完所有不同视角下获取到的外部形态图像对应的图像特征;
S5:特征组合:组合每个图像特征得到组合特征;
S6:比对鉴别:将组合特征与标准生物特征数据库进行比对,选取特征距离最小的种属输出为鉴定结果。
2.如权利要求1所述的基于检材多视角形态图像和深度学习的生物鉴别方法,其特征在于,所述S1包括有以下子步骤:
S11:建立卷积神经网络预模型;
S12:对卷积神经网络预模型输入具有已知种属信息的生物图像对其进行训练;
S13:重复多次S12,使卷积神经网络预模型训练过程中从已知种属信息的生物图像自行学习,建立生物鉴别方法直至得到合适可用的卷积神经网络模型。
3.如权利要求2所述的基于检材多视角形态图像和深度学习的生物鉴别方法,其特征在于,所述S1还包括有:S14:在卷积神经网络预模型中,根据基于生物分类学的标准生物检索表建立对应的生物特征数据库。
4.如权利要求1所述的基于检材多视角形态图像和深度学习的生物鉴别方法,其特征在于,所述S2包括有以下子步骤:
S21:清洁检材,除去检材表面尘垢;
S22:对检材摄录其俯视视角、仰视视角以及侧视视角中至少两个视角的外部形态原始图像;
S23:对原始图像做白平衡处理,调整其尺寸大小,得到合适可用的外部形态图像作为样本图像。
5.如权利要求1所述的基于检材多视角形态图像和深度学习的生物鉴别方法,其特征在于,所述S3包括有以下子步骤:
S31:提取并跨层融合样本图像的高层特征以及底层特征,得到其嵌入特征;
S32:利用卷积神经网络向前传递而来的嵌入特征,以紧凑的双线性池化来获得二阶信息。
6.如权利要求5所述的基于检材多视角形态图像和深度学习的生物鉴别方法,其特征在于,所述S31具体为:
S311:卷积神经网络对输入的检材的外部形态图像进行下采样,得到高层特征Xq以及多个低层特征Xri(i=1,...,n);
S312:将高层特征与多个低层特征点乘后得到点积;
S313:对点积进行概率映射后处理得到反映每个特征元素的重要程度的概率图;
S314:将概率图与对应的低层特征点乘后得到注意力图;
S315:将注意力图与高层特征相加得到该次输入的样本图像的嵌入特征,Xs。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759848.8A CN111898680A (zh) | 2020-07-31 | 2020-07-31 | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759848.8A CN111898680A (zh) | 2020-07-31 | 2020-07-31 | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898680A true CN111898680A (zh) | 2020-11-06 |
Family
ID=73183930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010759848.8A Pending CN111898680A (zh) | 2020-07-31 | 2020-07-31 | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898680A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418350A (zh) * | 2020-12-10 | 2021-02-26 | 陈艳 | 一种基于远心相机矩阵的生物图像鉴别***及其鉴别方法 |
CN116704356A (zh) * | 2023-08-08 | 2023-09-05 | 吉林省农业科学院 | 基于卷积神经网络的玉米耐盐碱鉴定方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
CN106934359A (zh) * | 2017-03-06 | 2017-07-07 | 重庆邮电大学 | 基于高阶张量子空间学习的多视角步态识别方法及*** |
CN107239514A (zh) * | 2017-05-19 | 2017-10-10 | 邓昌顺 | 一种基于卷积神经网络的植物识别方法及*** |
CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及*** |
KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
CN108108768A (zh) * | 2017-12-29 | 2018-06-01 | 清华大学 | 基于卷积神经网络的光伏玻璃缺陷分类方法及装置 |
CN108875811A (zh) * | 2018-06-01 | 2018-11-23 | 平安科技(深圳)有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
CN109344917A (zh) * | 2018-11-08 | 2019-02-15 | 李凯兵 | 一种毒蛾属昆虫的物种鉴别方法及鉴别*** |
CN109446985A (zh) * | 2018-10-28 | 2019-03-08 | 贵州师范学院 | 基于矢量神经网络的多角度植物识别方法 |
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 |
CN110287882A (zh) * | 2019-06-26 | 2019-09-27 | 北京林业大学 | 一种基于深度学习的大菊品种图像识别方法 |
WO2019196308A1 (zh) * | 2018-04-09 | 2019-10-17 | 平安科技(深圳)有限公司 | 人脸识别模型的生成装置、方法及计算机可读存储介质 |
CN110473178A (zh) * | 2019-07-30 | 2019-11-19 | 上海深视信息科技有限公司 | 一种基于多光源融合的外观缺陷检测方法及*** |
-
2020
- 2020-07-31 CN CN202010759848.8A patent/CN111898680A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
CN106934359A (zh) * | 2017-03-06 | 2017-07-07 | 重庆邮电大学 | 基于高阶张量子空间学习的多视角步态识别方法及*** |
CN107239514A (zh) * | 2017-05-19 | 2017-10-10 | 邓昌顺 | 一种基于卷积神经网络的植物识别方法及*** |
CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及*** |
CN108108768A (zh) * | 2017-12-29 | 2018-06-01 | 清华大学 | 基于卷积神经网络的光伏玻璃缺陷分类方法及装置 |
WO2019196308A1 (zh) * | 2018-04-09 | 2019-10-17 | 平安科技(深圳)有限公司 | 人脸识别模型的生成装置、方法及计算机可读存储介质 |
CN108875811A (zh) * | 2018-06-01 | 2018-11-23 | 平安科技(深圳)有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
WO2019227617A1 (zh) * | 2018-06-01 | 2019-12-05 | 平安科技(深圳)有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
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 |
CN109446985A (zh) * | 2018-10-28 | 2019-03-08 | 贵州师范学院 | 基于矢量神经网络的多角度植物识别方法 |
CN109344917A (zh) * | 2018-11-08 | 2019-02-15 | 李凯兵 | 一种毒蛾属昆虫的物种鉴别方法及鉴别*** |
CN110287882A (zh) * | 2019-06-26 | 2019-09-27 | 北京林业大学 | 一种基于深度学习的大菊品种图像识别方法 |
CN110473178A (zh) * | 2019-07-30 | 2019-11-19 | 上海深视信息科技有限公司 | 一种基于多光源融合的外观缺陷检测方法及*** |
Non-Patent Citations (3)
Title |
---|
YANG GAO, OSCAR BEIJBOM ET AL: "Compact Bilinear Pooling", 2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 30 June 2016 (2016-06-30), pages 1 - 10 * |
YIFAN SUN, CHANGMAO CHENG ET AL: "Circle Loss_ A Unified Perspective of Pair Similarity Optimization", 2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 19 June 2020 (2020-06-19), pages 6397 - 6406, XP033805042, DOI: 10.1109/CVPR42600.2020.00643 * |
蓝洁,周欣等: "基于跨层精简双线性网络的细粒度鸟类识别", 科学技术与工程, vol. 19, no. 36, 31 December 2019 (2019-12-31), pages 240 - 246 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418350A (zh) * | 2020-12-10 | 2021-02-26 | 陈艳 | 一种基于远心相机矩阵的生物图像鉴别***及其鉴别方法 |
CN116704356A (zh) * | 2023-08-08 | 2023-09-05 | 吉林省农业科学院 | 基于卷积神经网络的玉米耐盐碱鉴定方法及*** |
CN116704356B (zh) * | 2023-08-08 | 2023-10-03 | 吉林省农业科学院 | 基于卷积神经网络的玉米耐盐碱鉴定方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171184B (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN108960140B (zh) | 基于多区域特征提取和融合的行人再识别方法 | |
CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
CN111709311B (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
CN111178197A (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN112633382B (zh) | 一种基于互近邻的少样本图像分类方法及*** | |
CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
CN106951551B (zh) | 联合gist特征的多重索引图像检索方法 | |
Rasyidi et al. | Batik pattern recognition using convolutional neural network | |
CN105678344A (zh) | 一种电力仪表设备的智能分类方法 | |
CN111898680A (zh) | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 | |
CN107992783A (zh) | 人脸图像处理方法及装置 | |
CN104504406B (zh) | 一种快速高效的近似重复图像匹配方法 | |
Sun et al. | Brushstroke based sparse hybrid convolutional neural networks for author classification of Chinese ink-wash paintings | |
CN110580510A (zh) | 一种聚类结果评价方法和*** | |
CN111814705A (zh) | 一种基于批次分块遮挡网络的行人再辨识方法 | |
Sadique et al. | Content-based image retrieval using color layout descriptor, gray-level co-occurrence matrix and k-nearest neighbors | |
CN110083724A (zh) | 一种相似图像检索方法、装置及*** | |
CN113723558A (zh) | 基于注意力机制的遥感图像小样本舰船检测方法 | |
CN110909678B (zh) | 一种基于宽度学习网络特征提取的人脸识别方法及*** | |
Fang et al. | Pedestrian attributes recognition in surveillance scenarios with hierarchical multi-task CNN models | |
CN110738194A (zh) | 一种基于点云有序编码的三维物体识别方法 | |
Du et al. | Image retrieval based on colour and improved NMI texture features | |
CN113887509B (zh) | 一种基于图像集合的快速多模态视频人脸识别方法 |
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 |