CN112749747B - 垃圾分类质量评估方法及*** - Google Patents

垃圾分类质量评估方法及*** Download PDF

Info

Publication number
CN112749747B
CN112749747B CN202110042073.7A CN202110042073A CN112749747B CN 112749747 B CN112749747 B CN 112749747B CN 202110042073 A CN202110042073 A CN 202110042073A CN 112749747 B CN112749747 B CN 112749747B
Authority
CN
China
Prior art keywords
garbage
image
classification
unit
loss
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
CN202110042073.7A
Other languages
English (en)
Other versions
CN112749747A (zh
Inventor
朱弘恣
贺毅楠
邰俊
毕珠洁
奚慧
楼紫阳
过敏意
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.)
Shanghai Environmental Sanitation Engineering Design Institute Co ltd
Shanghai Jiaotong University
Original Assignee
Shanghai Environmental Sanitation Engineering Design Institute Co ltd
Shanghai Jiaotong University
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 Shanghai Environmental Sanitation Engineering Design Institute Co ltd, Shanghai Jiaotong University filed Critical Shanghai Environmental Sanitation Engineering Design Institute Co ltd
Priority to CN202110042073.7A priority Critical patent/CN112749747B/zh
Publication of CN112749747A publication Critical patent/CN112749747A/zh
Application granted granted Critical
Publication of CN112749747B publication Critical patent/CN112749747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (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)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种垃圾分类质量评估方法及***，利用训练后的深度卷积神经网络识别输入图像中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的总体评估。本发明基于图像识别技术识别源头分类混合垃圾图像中各类垃圾的占比，评估生活垃圾分类的质量，可以搭载于手机等便携设备，或集成在智能垃圾桶上，自动检测生活垃圾分类质量并实时反馈给居民，能够降低监督居民垃圾投放行为的成本，并有望解除垃圾投放时间和地点的限制，提高居民生活垃圾分类与投放的体验。

Description

垃圾分类质量评估方法及***
技术领域
本发明涉及的是一种图像处理领域的技术，具体是一种垃圾分类质量评估方法及***。
背景技术
目前，各生活垃圾分类管理条例试点城市仍然在使用原始的人力监督方法，在居民小区、用人单位等地雇佣清洁工或招募志愿者，逐一检查居民投入垃圾桶的垃圾是否符合分类标准，亟需有效的自动化手段代替人力评估垃圾分类的质量，对居民垃圾分类行为进行监督和引导。现有的图像识别技术如目标检测和语义分割，均有潜力识别混合垃圾的组分，但许多因素导致它们并不能实际解决垃圾分类质量评估问题。
目标检测技术使用多层神经网络检测输入图像中是否存在预先定义的目标，判断该目标的类别，并用边界框对目标进行定位。将目标检测技术应用在垃圾分类质量评估问题上，则模型接收混合垃圾图像作为输入，然后输出图像中各个垃圾的边界框。但由于混合垃圾中的垃圾种类多样，分布密集，互相遮挡严重，构成了非常复杂的场景。现有的目标检测算法尚未突破密集目标识别的难关，并不具备准确地识别混合垃圾中各个垃圾的能力。其次，训练目标检测模型需要大规模的垃圾图像数据集，人工用边界框标记每张图像中的每个垃圾，现在并没有这样的数据集，并且建立这样的数据集是一项成本过于高昂的任务。
语义分割技术使用多层神经网络预测输入图像中每一个像素所属的语义类别，应用在垃圾分类质量评估问题上，即模型接收混合垃圾图像作为输入，然后输出图像中每个像素属于哪种垃圾。但由于垃圾物品图像与一般物品图像不同，存在严重的污损和变形问题，这会影响语义分割模型的性能。其次，训练语义分割模型同样需要大规模的垃圾图像数据集，人工用每张图像中的每个像素的类别，这样的数据集并不存在也几乎不可能构建。
发明内容
本发明针对现有人工监督生活垃圾分类质量成本高且效率低的问题，提出一种垃圾分类质量评估方法及***，基于图像识别技术识别源头分类混合垃圾图像中各类垃圾的占比，评估生活垃圾分类的质量，可以搭载于手机等便携设备，或集成在智能垃圾桶上，自动检测生活垃圾分类质量并实时反馈给居民，能够降低监督居民垃圾投放行为的成本，并有望解除垃圾投放时间和地点的限制，提高居民生活垃圾分类与投放的体验。
本发明是通过以下技术方案实现的：
本发明涉及一种垃圾分类质量评估方法，利用训练后的深度卷积神经网络识别输入图像中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的总体评估。
所述的输入图像中包含的对象包括：湿垃圾、纸张、塑料、有害垃圾、金属、布料、玻璃以及垃圾桶壁。
所述的输入图像包括但不限于便携设备于垃圾桶上方拍摄的混合垃圾图像。
当输入图像Ii属于所述对象的类别j，根据中心极限定理认为Ii源自于高斯分布N(μj，σj 2)，该高斯分布体现了垃圾类别j的特征。
所述的总体评估是指：图像中各类垃圾的占比，评估垃圾分类的质量。
所述的深度卷积神经网络为包含高斯编码层的高斯分类网络，能够在过滤图像噪声的同时提取与分类任务紧密相关的图像特征，适用于受污迹、变形等严峻噪声污染的垃圾图像。
所述的识别是指：对输入图像Ii进行预处理后，通过深度卷积神经网络的骨干网络提取得到卷积特征f；通过两个全连接层分别提取卷积特征f的高斯分布的均值特征fμ和方差特征fσ，对应μj和方差logσj 2；将均值特征fμ和方差特征fσ拼接成为高斯特征fgauss，再输入由全连接层和softmax函数组成的分类器中，得到预测的垃圾样本图像类别。
所述的预处理，包括：随机切割、随机擦除、正则化处理。
所述的骨干网络采用但不限于ResNet、VGG、GoogleNet等。
所述的训练，优选使用随机梯度下降算法，其损失函数是分类损失Lc和散度损失Le之和，其中：分类损失采用交叉熵损失，即衡量预测值y′i和标记的真实值yi之间的差异：Lc＝-∑iyilog(y′i)；散度损失采用KL散度约束提取的fμ和fσ符合标准正态分布：
Figure GDA0003000428330000021
Figure GDA0003000428330000022
所述的训练，通过垃圾图像数据集实现，其中每张混合垃圾图像只需人工用方框标记1～2个易于辨认的显眼垃圾的位置和种类，大大降低了建立数据集的成本。
技术效果
本发明整体解决了现有技术不能分析混合垃圾复杂图像，只能识别单一垃圾物品图像，并且对存在污损的垃圾图像识别准确率低的缺陷。
与现有技术相比，本发明可以自动分割并识别混合垃圾图像中不同种类的垃圾，直接应用于源头垃圾分类质量判别，使用者可拍摄源头垃圾桶中的垃圾，应用本发明自动分析垃圾组分，降低监督垃圾分类的人力成本；本发明中的高斯分类网络创新的高斯编码结构有效提高了垃圾图像分类准确率。
由无监督分割图像区域和有监督分类图像样本组成的分步式图像识别方法，在无需对垃圾图像进行像素级人工标记的情况下实现了像素级的图像识别，大大降低了建立数据集和训练模型的成本。本发明通过适用于垃圾图像的高斯分类网络，能够抑制如污损、变形等无关的噪声，提取与垃圾类别相关的图像特征，实现比现有模型更高精度的垃圾图像分类效果。
附图说明
图1为本发明***示意图；
图2为本发明区域分割模块示意图；
图3为本发明垃圾图像样本分类模块示意图；
图4为效果示意图。
具体实施方式
如图1所示，为本实施例涉及的一种垃圾分类质量评估***，包括：区域分割模块、垃圾图像样本提取模块、垃圾图像样本分类模块和区域分类模块，其中：区域分割模块通过内置的无监督图像分割神经网络，在没有任何标记数据训练的情况下，将输入图像划分为多个不重叠的分割区域，垃圾图像样本提取模块从分割区域中提取垃圾图像样本以识别垃圾区域的种类，垃圾图像样本分类模块使用深度神经网络识别垃圾图像样本对应所属的垃圾类别，区域分类模块对每个垃圾区域提取的垃圾图像样本的分类结果投票决定该垃圾区域的类别，即将相同种类的垃圾区域被合并，最终混合垃圾图像上的每一个像素都被确定了所属的垃圾种类。
如图2所示，所述的区域分割模块包括：卷积模块单元、分类器单元、超像素优化单元和损失计算单元，其中：卷积模块单元包含三层卷积层，对输入图像进行卷积运算，得到响应图；分类器单元对响应图使用Argmax函数得到聚类标签；超像素优化单元根据每个超像素中出现频率最高的聚类标签，统一每个超像素的标签，得到优化后的聚类标签；损失计算单元根据响应图和优化后的聚类标签计算分类损失，反向传播优化网络参数，迭代五次后得到的优化后的聚类标签为最终的区域分割结果。
所述的垃圾图像样本提取模块包括：连通域提取单元，去噪单元，样本切割单元，其中：连通域提取单元根据区域分割的聚类标签信息，使用两编扫描算法，找到每个由具有相同聚类标签的相邻像素组成的像素集合作为连通分量，每个连通分量作为一个垃圾区域，认为其中只包含同一种类的垃圾；去噪单元遍历所有垃圾区域，将面积小于5000像素的垃圾区域标记为噪声；样本切割单元对应每个垃圾区域生成一个最小的包围框，包围框的尺寸为lx×ly；以一个尺寸为l×l的候选框在包围框中随机滑动，当候选框中属于垃圾区域的像素占比超过85％，则将候选框中的子图像作为一个垃圾图像样本；重复此过程以生成若干个垃圾图像样本，其中：l＝min(224,min(lx，ly))，垃圾图像样本的数量
Figure GDA0003000428330000031
如图3所示，所述的垃圾图像样本分类模块包括：骨干网络单元，高斯编码单元，分类器单元和损失计算单元，其中：骨干网络单元采用ResNet-152结构，对输入图像进行一系列卷积池化运算，得到2048维的卷积特征f；高斯编码单元使用两个全连接层进行运算，将卷积特征f转换为两个512维的高斯参数特征fμ和fσ，拼接合成1024维的高斯特征fgauss；分类器单元使用全连接层和softmax函数对高斯特征进行运算，使用Argmax函数得到输入图像所属类别；损失计算单元计算预测结果和标记数据的交叉熵得到分类损失，计算fμ和fσ代表的高斯分布和标准正态分布的KL散度得到散度损失，以分类损失和散度损失的加权求和作为损失函数，反向传播优化网络参数。
所述的区域分类模块采用高斯分类网络实现，该高斯分类网络使用每类1200样本的垃圾图像数据集训练，使用随机梯度下降算法，批量大小64，初始学习率0.01，每40次迭代后衰减，衰减指数为0.1，训练过程共迭代100次。
如图4所示，为垃圾分类质量评估结果，其中：真实组分为人工标记，预测组分为本发明自动输出结果，图中不同颜色代表该区域垃圾的种类，以区域面积占比作为该类垃圾的比例。
本发明***使用PyTorch框架实现神经网络结构，在装载3.80GHz Intel i7-9800X CPU和4x GeForce RTX2080Ti GPU的服务器上运行，能够得到的实验数据是：高斯分类网络识别垃圾图像样本的类别平均准确率达到88.5％，垃圾分类质量评估***识别混合垃圾图像的组分的频权交并比(fwIoU)达到54.8。
与现有技术相比，本方法在垃圾图像数据集上比现有技术提高了分类准确率，现有技术最高分类准确率为83.8％，而本发明分类准确率达到88.5％；本发明创新地实现了混杂垃圾图像组分分析的功能，频权交并比(fwIoU)达到54.8，而现有技术不能处理混杂垃圾图像。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (9)

1.一种垃圾分类质量评估方法，其特征在于，利用训练后的深度卷积神经网络识别输入图像中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的总体评估，即图像中各类垃圾的占比，评估垃圾分类的质量；
当输入图像Ii属于所述对象的类别j，根据中心极限定理认为Ii源自于高斯分布N(μj,σj 2)，该高斯分布体现了垃圾类别j的特征；
所述的深度卷积神经网络为包含高斯编码层的高斯分类网络，在过滤图像噪声的同时提取与分类任务紧密相关的图像特征；
所述的识别是指：对输入图像Ii进行预处理后，通过深度卷积神经网络的骨干网络提取得到卷积特征f；通过两个全连接层分别提取卷积特征f的高斯分布的均值特征fμ和方差特征fσ，对应μj和方差logσj 2；将均值特征fμ和方差特征fσ拼接成为高斯特征fgauss，再输入由全连接层和softmax函数组成的分类器中，得到预测的垃圾样本图像类别。
2.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的预处理，包括：随机切割、随机擦除、正则化处理。
3.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的骨干网络采用ResNet、VGG、GoogleNet。
4.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的训练，使用随机梯度下降算法，其损失函数是分类损失Lc和散度损失Le之和，其中：分类损失采用交叉熵损失，即衡量预测值y′i和标记的真实值yi之间的差异：Lc＝-∑iyilog(y′i)；散度损失采用KL散度约束提取的fμ和fσ符合标准正态分布：
Figure FDA0003613175090000011
5.根据权利要求1或4所述的垃圾分类质量评估方法，其特征是，所述的训练，通过垃圾图像数据集实现：使用每类1200样本的垃圾图像数据集训练，使用随机梯度下降算法，批量大小64，初始学习率0.01，每40次迭代后衰减，衰减指数为0.1，训练过程共迭代100次。
6.一种实现权利要求1～5中任一所述垃圾分类质量评估方法的垃圾分类质量评估***，其特征在于，包括：区域分割模块、垃圾图像样本提取模块、垃圾图像样本分类模块和区域分类模块，其中：区域分割模块通过内置的无监督图像分割神经网络，在没有任何标记数据训练的情况下，将输入图像划分为多个不重叠的分割区域，垃圾图像样本提取模块从分割区域中提取垃圾图像样本以识别垃圾区域的种类，垃圾图像样本分类模块使用深度神经网络识别垃圾图像样本对应所属的垃圾类别，区域分类模块对每个垃圾区域提取的垃圾图像样本的分类结果投票决定该垃圾区域的类别，即将相同种类的垃圾区域被合并，最终混合垃圾图像上的每一个像素都被确定了所属的垃圾种类。
7.根据权利要求6所述的垃圾分类质量评估***，其特征是，所述的区域分割模块包括：卷积模块单元、分类器单元、超像素优化单元和损失计算单元，其中：卷积模块单元包含三层卷积层，对输入图像进行卷积运算，得到响应图；分类器单元对响应图使用Argmax函数得到聚类标签；超像素优化单元根据每个超像素中出现频率最高的聚类标签，统一每个超像素的标签，得到优化后的聚类标签；损失计算单元根据响应图和优化后的聚类标签计算分类损失，反向传播优化网络参数，迭代五次后得到的优化后的聚类标签为最终的区域分割结果。
8.根据权利要求6所述的垃圾分类质量评估***，其特征是，所述的垃圾图像样本提取模块包括：连通域提取单元，去噪单元，样本切割单元，其中：连通域提取单元根据区域分割的聚类标签信息，使用两编扫描算法，找到每个由具有相同聚类标签的相邻像素组成的像素集合作为连通分量，每个连通分量作为一个垃圾区域，认为其中只包含同一种类的垃圾；去噪单元遍历所有垃圾区域，将面积小于5000像素的垃圾区域标记为噪声；样本切割单元对应每个垃圾区域生成一个最小的包围框，包围框的尺寸为lx×ly；以一个尺寸为l×l的候选框在包围框中随机滑动，当候选框中属于垃圾区域的像素占比超过85％，则将候选框中的子图像作为一个垃圾图像样本；重复此过程以生成若干个垃圾图像样本，其中l＝min(224,min(lx,ly))，垃圾图像样本的数量
Figure FDA0003613175090000021
9.根据权利要求6所述的垃圾分类质量评估***，其特征是，所述的垃圾图像样本分类模块包括：骨干网络单元，高斯编码单元，分类器单元和损失计算单元，骨干网络单元采用ResNet-152结构，对输入图像进行一系列卷积池化运算，得到2048维的卷积特征f；高斯编码单元使用两个全连接层进行运算，将卷积特征f转换为两个512维的高斯参数特征fμ和fσ，拼接合成1024维的高斯特征fgauss；分类器单元使用全连接层和softmax函数对高斯特征进行运算，使用Argmax函数得到输入图像所属类别；损失计算单元计算预测结果和标记数据的交叉熵得到分类损失，计算fμ和fσ代表的高斯分布和标准正态分布的KL散度得到散度损失，以分类损失和散度损失的加权求和作为损失函数，反向传播优化网络参数。
CN202110042073.7A 2021-01-13 2021-01-13 垃圾分类质量评估方法及*** Active CN112749747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110042073.7A CN112749747B (zh) 2021-01-13 2021-01-13 垃圾分类质量评估方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110042073.7A CN112749747B (zh) 2021-01-13 2021-01-13 垃圾分类质量评估方法及***

Publications (2)

Publication Number Publication Date
CN112749747A CN112749747A (zh) 2021-05-04
CN112749747B true CN112749747B (zh) 2022-11-11

Family

ID=75651117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110042073.7A Active CN112749747B (zh) 2021-01-13 2021-01-13 垃圾分类质量评估方法及***

Country Status (1)

Country Link
CN (1) CN112749747B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708464B (zh) * 2022-06-01 2022-08-30 广东艺林绿化工程有限公司 一种基于道路垃圾分类的市政环卫清扫垃圾车清扫方法
CN116052027B (zh) * 2023-03-31 2023-06-09 深圳联和智慧科技有限公司 基于无人机的漂浮垃圾种类识别方法、***及云平台
CN117095242B (zh) * 2023-10-18 2023-12-26 中交一公局第六工程有限公司 一种基于机器视觉的智能建筑垃圾分类方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481231A (zh) * 2017-08-17 2017-12-15 广东工业大学 一种基于深度卷积神经网络的五金件缺陷分类识别方法
CN107871136A (zh) * 2017-03-22 2018-04-03 中山大学 基于稀疏性随机池化的卷积神经网络的图像识别方法
CN108009520A (zh) * 2017-12-21 2018-05-08 东南大学 一种基于卷积变分自编码器神经网络的手指静脉识别方法及***
CN110046599A (zh) * 2019-04-23 2019-07-23 东北大学 基于深度融合神经网络行人重识别技术的智能监控方法
CN110427896A (zh) * 2019-08-07 2019-11-08 成都理工大学 一种基于卷积神经网络的垃圾分类智能***
CN111062452A (zh) * 2019-12-31 2020-04-24 中国民用航空总局第二研究所 针对高斯分类神经网络进行强化训练的方法及设备
WO2020232942A1 (zh) * 2019-05-17 2020-11-26 丰疆智能科技股份有限公司 基于农田图像的卷积神经网络构建方法及其***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570521B (zh) * 2016-10-24 2020-04-28 中国科学院自动化研究所 多语言场景字符识别方法及识别***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871136A (zh) * 2017-03-22 2018-04-03 中山大学 基于稀疏性随机池化的卷积神经网络的图像识别方法
CN107481231A (zh) * 2017-08-17 2017-12-15 广东工业大学 一种基于深度卷积神经网络的五金件缺陷分类识别方法
CN108009520A (zh) * 2017-12-21 2018-05-08 东南大学 一种基于卷积变分自编码器神经网络的手指静脉识别方法及***
CN110046599A (zh) * 2019-04-23 2019-07-23 东北大学 基于深度融合神经网络行人重识别技术的智能监控方法
WO2020232942A1 (zh) * 2019-05-17 2020-11-26 丰疆智能科技股份有限公司 基于农田图像的卷积神经网络构建方法及其***
CN110427896A (zh) * 2019-08-07 2019-11-08 成都理工大学 一种基于卷积神经网络的垃圾分类智能***
CN111062452A (zh) * 2019-12-31 2020-04-24 中国民用航空总局第二研究所 针对高斯分类神经网络进行强化训练的方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Neural Network Structure Design based on N-Gauss Activation Function;Xiangri Lu,Hongbin Ma;《arXiv:2106.07562V1》;20210101;全文 *
基于深度神经网络的小目标语义分割算法研究;胡太;《知网硕士文献》;20190115;全文 *

Also Published As

Publication number Publication date
CN112749747A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN112749747B (zh) 垃圾分类质量评估方法及***
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN104992223B (zh) 基于深度学习的密集人数估计方法
CN109492026B (zh) 一种基于改进的主动学习技术的电信欺诈分类检测方法
CN111126136A (zh) 一种基于图像识别的烟雾浓度量化方法
CN104487843A (zh) 图像处理装置、程序、图像处理方法、计算机可读介质及图像处理***
CN110503103B (zh) 一种基于全卷积神经网络的文本行中的字符切分方法
CN111369526B (zh) 基于半监督深度学习的多类型旧桥裂痕识别方法
Mukherjee et al. Enhancement of image resolution by binarization
CN109858570A (zh) 图像分类方法及***、计算机设备及介质
CN110569755A (zh) 一种基于视频的智能积水检测方法
CN109241950B (zh) 一种基于焓值分布熵的人群恐慌状态识别方法
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN117593499A (zh) 一种基于分布式巡检策略的水电站机电设备故障识别方法
Tsai et al. Automatic detection of deficient video log images using a histogram equity index and an adaptive Gaussian mixture model
Mittal et al. Blind image quality assessment without training on human opinion scores
CN115810165A (zh) 道路清洁度检测方法、装置、电子设备及存储介质
CN115170829A (zh) 发电机转子通风孔异物监控识别***及方法
Elanangai et al. Automated system for defect identification and character recognition using IR images of SS-plates
CN117671496B (zh) 一种无人机应用成果自动比对方法
CN116630814B (zh) 一种基于机器学习的建筑灾害快速定位评估方法
CN113034502B (zh) 一种排水管道缺陷去冗余方法
CN110069915B (zh) 一种基于轮廓提取的九宫格图形验证码识别方法
CN117392465B (zh) 一种基于视觉的垃圾分类数字化管理方法
CN115063735B (zh) 工牌识别方法、装置及电子设备

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