CN113077002A - 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 - Google Patents

基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 Download PDF

Info

Publication number
CN113077002A
CN113077002A CN202110381702.9A CN202110381702A CN113077002A CN 113077002 A CN113077002 A CN 113077002A CN 202110381702 A CN202110381702 A CN 202110381702A CN 113077002 A CN113077002 A CN 113077002A
Authority
CN
China
Prior art keywords
image
gas
gas classification
classification
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.)
Granted
Application number
CN202110381702.9A
Other languages
English (en)
Other versions
CN113077002B (zh
Inventor
张文理
孙要伟
郑晶月
刘兆瑜
王毅
陈宇
梁坤
赵贞贞
王恒
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.)
Zhengzhou University of Aeronautics
Original Assignee
Zhengzhou University of Aeronautics
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 Zhengzhou University of Aeronautics filed Critical Zhengzhou University of Aeronautics
Priority to CN202110381702.9A priority Critical patent/CN113077002B/zh
Publication of CN113077002A publication Critical patent/CN113077002A/zh
Application granted granted Critical
Publication of CN113077002B publication Critical patent/CN113077002B/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
    • 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
    • G06V10/46—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]

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)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明提供了一种基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，包括如下步骤：S1，通过气敏传感器获取气体分类数据信息，采集气体分类的图像数据，对图像数据进行灰度处理和降噪过程；S2，根据图像数据进行卷积化处理，定义气体分类图像的目标函数；根据目标函数对图像误差进行卷积神经网络期望值计算；S3，对卷积神经网络期望值进行训练，不断优化气体分类图像权值参数，对气体分类筛选形成集成分类器。

Description

基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法
技术领域
本发明涉及机器嗅觉智能分析领域，尤其涉及一种基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法。
背景技术
机器嗅觉又称电子鼻，是基于仿生学原理而衍生出来的技术，由多个性能彼此重叠的气敏传感器模拟人类嗅觉细胞，并用“模式识别”方法模拟人类对嗅觉信息的认知和判断过程，实现其对气体的智能感知。
造成“应用场景、检测环境稳定性、检测时间集中性”问题的原因之一是现有机器嗅觉***的“气体传感技术”仍不完善，现有机器嗅觉的数据处理算法比较单一，表现在现有机器嗅觉数据处理算法在解决小样本、一维传感数据时有良好的分析结果，但对大样本、可视化传感数据进行处理时存在着计算复杂度高、分析效率低等问题，对于海量可视化数据无法分类，这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法。
为了实现本发明的上述目的，本发明提供了一种基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，包括如下步骤：
S1，通过气敏传感器获取气体分类数据信息，采集气体分类的图像数据，对图像数据进行灰度处理和降噪过程；
S2，根据图像数据进行卷积化处理，定义气体分类图像的目标函数；根据目标函数对图像误差进行卷积神经网络期望值计算；
S3，对卷积神经网络期望值进行训练，不断优化气体分类图像权值参数，对气体分类筛选形成集成分类器。
进一步地，所述S1包括：
S1-1，收集气体数据后，对气体进行分类操作，划分不同颜色种类的气体图像，对图像的L、a和b通道图像IL(n)，Ia(n)和Ib(n)；
计算
Figure BDA0003013257630000021
其中IL(n)，Ia(n)和Ib(n)分别表示通道L、a和b的图像；Ii(n)表示灰度图像；获取气体分类筛选特征描述直方图Mfeature＝N(Ii(n))，N()为任一气体分类中用于灰度图像Ii(n)的筛选特征。
进一步地，所述S1还包括：
S1-2，通过设定灰度图像Ii(n)中的高斯白噪声p＝{p(i)·λ(i)|i∈I}，任一气体分类图像i中带噪声的灰度估计值p(i)乘以滤波参数λ(i)，获得图像的加权平均值为
Figure BDA0003013257630000022
δ(i,j)为图像灰度处理的权值，I为灰度图像的像素集合，j为噪声气体分类图像；
在灰度图像中去噪过程由于气体分类筛选特征分布不同，异常气体具有特征相似度，对图像灰度处理的权值δ(i,j)加入特征因子和纹理因子，对异常气体相似度进行重新度量，完成降噪过程，
Figure BDA0003013257630000023
其中，δ1(i,j)为图像灰度处理的特征因子，δ2(i,j)为图像灰度处理的纹理因子，在气体分类图像i中的图像特征Pi和噪声气体分类图像j中的图像特征Pj绝对差值的平方，a的取值为噪声气体图像相似度数量。
进一步地，所述S2包括：
S2-1，在降噪完成后，设定图像的尺度参数提取进行卷积输出处理的气体分类图像，
卷积的输出为
Figure BDA0003013257630000031
其中，r()为非线性函数，气体分类图像i的灰度图像的像素集合总数为I，
Figure BDA0003013257630000032
为卷积输出的气体分类图像的权值，
Figure BDA0003013257630000033
为卷积输入的气体分类图像特征向量。
进一步地，所述S2还包括：
S2-2，通过卷积神经网络训练形成目标函数：
Figure BDA0003013257630000034
Figure BDA0003013257630000035
为预测输出的图像样本，d为实际输出的图像样本，
Figure BDA0003013257630000036
为气体分类图像损失函数，
Figure BDA0003013257630000037
为第i个气体分类图像预测输出标签，l(di)为第i个气体分类图像实际输出标签。
进一步地，所述S2还包括：
S2-3，对需要识别的气体分类图像通过目标函数运算后，根据卷积神经网络输出的结果，判断期望值的相符程度进行反向传播，求出气体分类图像结果与期望值的误差，再进行权值更新；通过训练样本和期望值来调整获取气体分类图像；
期望值计算为
Figure BDA0003013257630000038
Gh为第h种正常气体分类图像数据经过神经网络运算后的输出值，Gk为k种异常气体分类图像数据经过神经网络运算后的输出值，ω为特征调节值。
进一步地，所述S3包括：
S3-1，经过期望值的训练之后，对气体分类图像权值参数进行优化，
优化计算为
Figure BDA0003013257630000041
Dx,y为气体分类图像提取特征验证值，x为提取特征的方向，y为提取特征的尺度，||·||为范数计算，hx,y为x方向y尺度的特征发现频率，k为气体图像位置坐标；
S3-2，经过优化计算之后，形成分类器
U＝Uin·K·σ
其中，Uin为输入的气体分类图像的特征认证集合，K为选用的分类认证参数。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明首先从机器嗅觉***对其气敏传感器阵列的基本要求入手，建立“基于空间外差拉曼光谱技术的高分辨可视化气体传感”的数学模型，进而将其用于气敏传感，构建新型的机器嗅觉气体传感***。该分析方法在面对大样本、二维可视化数据时能快速、准确地得到检测结果。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明总体流程图；
图2是本发明效果示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1和2所示，本发明提供了一种基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，包括如下步骤：
S1，通过气敏传感器获取气体分类数据信息，采集气体分类的图像数据，对图像数据进行灰度处理和降噪过程；
S2，根据图像数据进行卷积化处理，定义气体分类图像的目标函数；根据目标函数对图像误差进行卷积神经网络期望值计算；
S3，对卷积神经网络期望值进行训练，不断优化气体分类图像权值参数，对气体分类筛选形成集成分类器。
所述S1包括：
S1-1，收集气体数据后，对气体进行分类操作，划分不同颜色种类的气体图像，对图像的L、a和b通道图像IL(n)，Ia(n)和Ib(n)；
计算
Figure BDA0003013257630000051
其中IL(n)，Ia(n)和Ib(n)分别表示通道L、a和b的图像；Ii(n)表示灰度图像；获取气体分类筛选特征描述直方图Mfeature＝N(Ii(n))，N()为任一气体分类中用于灰度图像Ii(n)的筛选特征；
S1-2，通过设定灰度图像Ii(n)中的高斯白噪声p＝{p(i)·λ(i)|i∈I}，任一气体分类图像i中带噪声的灰度估计值p(i)乘以滤波参数λ(i)，获得图像的加权平均值为
Figure BDA0003013257630000052
δ(i,j)为图像灰度处理的权值，I为灰度图像的像素集合，j为噪声气体分类图像；
在灰度图像中去噪过程由于气体分类筛选特征分布不同，异常气体具有特征相似度，对图像灰度处理的权值δ(i,j)加入特征因子和纹理因子，对异常气体相似度进行重新度量，完成降噪过程，
Figure BDA0003013257630000061
其中，δ1(i,j)为图像灰度处理的特征因子，δ2(i,j)为图像灰度处理的纹理因子，在气体分类图像i中的图像特征Pi和噪声气体分类图像j中的图像特征Pj绝对差值的平方，a的取值为噪声气体图像相似度数量，
所述S2包括：
S2-1，在降噪完成后，设定图像的尺度参数提取进行卷积输出处理的气体分类图像，
卷积的输出为
Figure BDA0003013257630000062
其中，r()为非线性函数，气体分类图像i的灰度图像的像素集合总数为I，
Figure BDA0003013257630000063
为卷积输出的气体分类图像的权值，
Figure BDA0003013257630000064
为卷积输入的气体分类图像特征向量，
S2-2，通过卷积神经网络训练形成目标函数：
Figure BDA0003013257630000065
Figure BDA0003013257630000066
为预测输出的图像样本，d为实际输出的图像样本，
Figure BDA0003013257630000067
为气体分类图像损失函数，
Figure BDA0003013257630000068
为第i个气体分类图像预测输出标签，l(di)为第i个气体分类图像实际输出标签，
S2-3，对需要识别的气体分类图像通过目标函数运算后，根据卷积神经网络输出的结果，判断期望值的相符程度进行反向传播，求出气体分类图像结果与期望值的误差，再进行权值更新；通过训练样本和期望值来调整获取气体分类图像；
期望值计算为
Figure BDA0003013257630000071
Gh为第h种正常气体分类图像数据经过神经网络运算后的输出值，Gk为k种异常气体分类图像数据经过神经网络运算后的输出值，ω为特征调节值；
所述S3包括：
S3-1，经过期望值的训练之后，对气体分类图像权值参数进行优化，
优化计算为
Figure BDA0003013257630000072
Dx,y为气体分类图像提取特征验证值，x为提取特征的方向，y为提取特征的尺度，||·||为范数计算，hx,y为x方向y尺度的特征发现频率，k为气体图像位置坐标；
S3-2，经过优化计算之后，形成分类器
U＝Uin·K·σ
其中，Uin为输入的气体分类图像的特征认证集合，K为选用的分类认证参数。
本发明基于空间外差拉曼光谱仪的机器嗅觉气味传感***主要用途是进行空气污染、土壤污染、水质污染以及有毒物品(如毒品、毒气)等的检测，最终实现对空气、水质、土壤等的智慧化检测和实时监测，以达到环境保护的目的。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，其特征在于，包括如下步骤：
S1，通过气敏传感器获取气体分类数据信息，采集气体分类的图像数据，对图像数据进行灰度处理和降噪过程；
S2，根据图像数据进行卷积化处理，定义气体分类图像的目标函数；根据目标函数对图像误差进行卷积神经网络期望值计算；
S3，对卷积神经网络期望值进行训练，不断优化气体分类图像权值参数，对气体分类筛选形成集成分类器。
2.根据权利要求1所述的基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，其特征在于，所述S1包括：
S1-1，收集气体数据后，对气体进行分类操作，划分不同颜色种类的气体图像，对图像的L、a和b通道图像IL(n)，Ia(n)和Ib(n)；
计算
Figure FDA0003013257620000011
其中IL(n)，Ia(n)和Ib(n)分别表示通道L、a和b的图像；Ii(n)表示灰度图像；获取气体分类筛选特征描述直方图Mfeature＝N(Ii(n))，N()为任一气体分类中用于灰度图像Ii(n)的筛选特征。
3.根据权利要求2所述的基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，其特征在于，所述S1还包括：
S1-2，通过设定灰度图像Ii(n)中的高斯白噪声p＝{p(i)·λ(i)|i∈I}，任一气体分类图像i中带噪声的灰度估计值p(i)乘以滤波参数λ(i)，获得图像的加权平均值为
Figure FDA0003013257620000021
δ(i,j)为图像灰度处理的权值，I为灰度图像的像素集合，j为噪声气体分类图像；
在灰度图像中去噪过程由于气体分类筛选特征分布不同，异常气体具有特征相似度，对图像灰度处理的权值δ(i,j)加入特征因子和纹理因子，对异常气体相似度进行重新度量，完成降噪过程，
Figure FDA0003013257620000022
其中，δ1(i,j)为图像灰度处理的特征因子，δ2(i,j)为图像灰度处理的纹理因子，在气体分类图像i中的图像特征Pi和噪声气体分类图像j中的图像特征Pj绝对差值的平方，a的取值为噪声气体图像相似度数量。
4.根据权利要求1所述的基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，其特征在于，所述S2包括：
S2-1，在降噪完成后，设定图像的尺度参数提取进行卷积输出处理的气体分类图像，
卷积的输出为
Figure FDA0003013257620000023
其中，r()为非线性函数，气体分类图像i的灰度图像的像素集合总数为I，
Figure FDA0003013257620000024
为卷积输出的气体分类图像的权值，
Figure FDA0003013257620000025
为卷积输入的气体分类图像特征向量。
5.根据权利要求4所述的基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，其特征在于，所述S2还包括：
S2-2，通过卷积神经网络训练形成目标函数：
Figure FDA0003013257620000026
Figure FDA0003013257620000031
为预测输出的图像样本，d为实际输出的图像样本，
Figure FDA0003013257620000032
为气体分类图像损失函数，
Figure FDA0003013257620000033
为第i个气体分类图像预测输出标签，l(di)为第i个气体分类图像实际输出标签。
6.根据权利要求4所述的基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，其特征在于，所述S2还包括：
S2-3，对需要识别的气体分类图像通过目标函数运算后，根据卷积神经网络输出的结果，判断期望值的相符程度进行反向传播，求出气体分类图像结果与期望值的误差，再进行权值更新；通过训练样本和期望值来调整获取气体分类图像；
期望值计算为
Figure FDA0003013257620000034
Gh为第h种正常气体分类图像数据经过神经网络运算后的输出值，Gk为k种异常气体分类图像数据经过神经网络运算后的输出值，ω为特征调节值。
7.根据权利要求1所述的基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法，其特征在于，所述S3包括：
S3-1，经过期望值的训练之后，对气体分类图像权值参数进行优化，
优化计算为
Figure FDA0003013257620000035
Dx,y为气体分类图像提取特征验证值，x为提取特征的方向，y为提取特征的尺度，||·||为范数计算，hx,y为x方向y尺度的特征发现频率，k为气体图像位置坐标；
S3-2，经过优化计算之后，形成分类器
U＝Uin·K·σ
其中，Uin为输入的气体分类图像的特征认证集合，K为选用的分类认证参数。
CN202110381702.9A 2021-04-09 2021-04-09 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 Active CN113077002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110381702.9A CN113077002B (zh) 2021-04-09 2021-04-09 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110381702.9A CN113077002B (zh) 2021-04-09 2021-04-09 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法

Publications (2)

Publication Number Publication Date
CN113077002A true CN113077002A (zh) 2021-07-06
CN113077002B CN113077002B (zh) 2023-07-21

Family

ID=76615727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110381702.9A Active CN113077002B (zh) 2021-04-09 2021-04-09 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法

Country Status (1)

Country Link
CN (1) CN113077002B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173031A (zh) * 2023-06-01 2023-12-05 广州科易光电技术有限公司 针对气体的图像处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107545281A (zh) * 2017-09-29 2018-01-05 浙江工商大学 一种基于深度学习的单一有害气体红外图像分类识别方法
US20190005330A1 (en) * 2016-02-09 2019-01-03 Hrl Laboratories, Llc System and method for the fusion of bottom-up whole-image features and top-down enttiy classification for accurate image/video scene classification
CN110146642A (zh) * 2019-05-14 2019-08-20 上海大学 一种气味分析方法及装置
CN110309867A (zh) * 2019-06-21 2019-10-08 北京工商大学 一种基于卷积神经网络的混合气体识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190005330A1 (en) * 2016-02-09 2019-01-03 Hrl Laboratories, Llc System and method for the fusion of bottom-up whole-image features and top-down enttiy classification for accurate image/video scene classification
CN107545281A (zh) * 2017-09-29 2018-01-05 浙江工商大学 一种基于深度学习的单一有害气体红外图像分类识别方法
CN110146642A (zh) * 2019-05-14 2019-08-20 上海大学 一种气味分析方法及装置
CN110309867A (zh) * 2019-06-21 2019-10-08 北京工商大学 一种基于卷积神经网络的混合气体识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
PAI PENG等: "Gas Classification Using Deep Convolutional Neural Networks", 《SENSORS》, vol. 18, no. 1, pages 1 - 11 *
ROBERLÂNIO OLIVEIRA MELO等: "Applying Convolutional Neural Networks to Detect Natural Gas Leaks in Wellhead Images", 《IEEE ACCESS》, pages 191775 - 191784 *
刘辉翔: "MOS型电子鼻关键问题研究及其应用", 《中国博士学位论文全文数据库 (信息科技辑)》, pages 140 - 109 *
张文理: "面向电子鼻的复合光气体传感方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 01, pages 014 - 540 *
臧建莲: "图像处理技术在有机气敏传感器设计中的应用", 《电子元件与材料》, pages 77 - 78 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173031A (zh) * 2023-06-01 2023-12-05 广州科易光电技术有限公司 针对气体的图像处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113077002B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN109765053B (zh) 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
Martins et al. Automatic detection of surface defects on rolled steel using computer vision and artificial neural networks
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
CN105678332B (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及***
CN109919241B (zh) 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN110188774B (zh) 一种基于深度学习的电涡流扫描图像分类识别方法
EP0363828A2 (en) Method and apparatus for adaptive learning type general purpose image measurement and recognition
CN110400293B (zh) 一种基于深度森林分类的无参考图像质量评价方法
KR20070060496A (ko) 영상처리를 이용한 지질재료 분류 방법 및 그 장치
CN112258490A (zh) 基于光学和红外图像融合的低发射率涂层智能探损方法
Xu et al. D4Net: De-deformation defect detection network for non-rigid products with large patterns
CN114463843A (zh) 一种基于深度学习的多特征融合鱼类异常行为检测方法
CN111402249B (zh) 基于深度学习的图像演化分析方法
CN115294109A (zh) 基于人工智能的实木板材生产缺陷识别***、电子设备
CN116996665B (zh) 基于物联网的智能监控方法、装置、设备及存储介质
CN114065798A (zh) 基于机器识别的视觉识别方法及装置
CN106682604B (zh) 一种基于深度学习的模糊图像检测方法
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及***
CN113077002B (zh) 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法
CN116309270A (zh) 一种基于双目图像的输电线路典型缺陷识别方法
CN114119551A (zh) 一种人脸图像质量的量化分析方法
CN112508946A (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN112990333A (zh) 一种基于深度学习的天气多分类识别方法
CN117649387B (zh) 一种适用于带有表面复杂纹理物体的缺陷检测方法
CN116754467B (zh) 一种天然橡胶老化性能的测评方法

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