CN113159150A - 一种基于多算法集成的分歧介入珍珠分拣方法 - Google Patents
一种基于多算法集成的分歧介入珍珠分拣方法 Download PDFInfo
- Publication number
- CN113159150A CN113159150A CN202110386522.XA CN202110386522A CN113159150A CN 113159150 A CN113159150 A CN 113159150A CN 202110386522 A CN202110386522 A CN 202110386522A CN 113159150 A CN113159150 A CN 113159150A
- Authority
- CN
- China
- Prior art keywords
- pearl
- classification
- divergence
- models
- sorting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000010354 integration Effects 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 239000011049 pearl Substances 0.000 claims description 72
- 230000007547 defect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000007636 ensemble learning method Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- -1 color Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000004519 manufacturing process 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/3412—Sorting according to other particular properties according to a code applied to the object which indicates a property of the object, e.g. quality class, contents or incorrect indication
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种基于多算法集成的分歧介入珍珠分拣方法,含有:步骤1:将珍珠数据集按类别分别记为Class1‑7,并给每张图片制定好标签,按6:2:2的比例分成训练集、验证集和测试集;步骤2:选取目前较为主流先进的三个模型ResNet50、SE‑ResNet50和Vgg16进行独立训练,需均能够完成珍珠分拣任务,并分别保存最优模型;步骤3:将获取的三个最优模型用于仲裁***,即针对构造后的主、次***给出的预测结果进行分歧仲裁;步骤4:在实验验证阶段,我们使用分歧准确指数α和额外成本指数β作为***分歧的评价指标,评估***的整体性能;步骤5:根据步骤四的评价指标,选取既达到分拣精度提升较高又同时所需的人力成本较少的***组合作为最终的珍珠分拣***;步骤6:输出最终分类结果。本发明通过基于多个冗余算法的分歧找出机器分类可能存在的错误预测,并以最少的人力成本介入纠正其预测输出,从而提升整个珍珠分拣的分类精度。
Description
技术领域
本发明涉及一种珍珠检测分类方法,适用于利用人的介入方案解决纯深度学习在珍珠分拣精度提升受限的情况。
背景技术
传统珍珠分拣主要通过人工进行,经验丰富的从业人员通过肉眼观察珍珠的颜色、光泽、形状和质地等多种外观特征,然后依照某种事先定好的等级规则进行分类。容易认识到,对大量外观差距可能并不太大的珍珠进行观察分拣是一项重复单调的劳动;而随着时间的增加,人的疲劳也会大大影响分拣的准确度。然而,将高等级珍珠误分为低等级固然会错误的降低售卖价值,反过来将低等级珍珠误分为高等级也会影响产品质量和信誉。因此,为了分拣的高效和稳定,就有必要引入自动化的分拣方法。
由于珍珠分拣主要基于珍珠外观进行,自动化的分拣方法因而大多基于机器视觉的方法和技术。传统计算机视觉方法中珍珠特征的手工标注依赖于专家知识,成本相对较高。近年来,深度学习方法尤其是卷积神经网络CNN在图像分类方面取得了很大的成功,它可以自动生成有用的特征,从而节省大量手工标注工作。目前依靠深度学习方法训练的自动分类***已经达到了92.57%的分拣精度,但这对企业的要求来讲仍然是不够的。对珍珠生产企业而言,1%的分拣准确度提升也有很大的经济价值。这主要是因为珍珠单价昂贵,不同等级之间价格甚至相差几百倍,把优等珍珠分成次等品会导致利益损失严重,而把有瑕疵珍珠分成上等品会造成产品质量争议和企业信誉受损。这就对珍珠分拣准确度的提升提出了现实的需求。
可以理解的是,在此基础上的准确度的进一步提升存在很大的困难。原因一方面是技术上的,目前基于深度学习的人工智能技术仍存在着难解释,鲁棒性差等缺点,导致难以训练出具有更高精度的算法来,其中存在的错误输出也无法预知。另一方面的原因是成本上的,大量准确标注的珍珠数据集难以获取。上述分析意味着如果需要进一步提升珍珠分拣的准确度,很有可能需要跳出现有的单纯的深度学习技术框架。
发明内容
本发明要克服现有技术的上述缺点,即对珍珠分拣准确度的现实需求和提升准确度在现有框架下的限制,提供一种基于多算法集成的分歧介入珍珠分拣方法。
本发明能够在不改动算法本身的情况下,使用了一种基于多个冗余算法分歧的方法,通过引入冗余的自动分拣算法,将多个算法产生判定分歧的珍珠认定为分拣失误,并以最少的人力成本对分拣失误的部分进行再判定,这对此类珍珠分拣方法的精度提升提供了一种思路。
本发明解决其技术问题所采用的技术方案是:
一种基于多算法集成的分歧介入珍珠分拣方法,含有以下步骤:
步骤一:将珍珠数据集按类别分别记为Class1-7,并给每张图片制定好标签,按6:2:2的比例分成训练集、验证集和测试集;
步骤二:选取目前较为主流先进的三个模型ResNet50、SE-ResNet50和Vgg16进行独立训练,需均能够完成珍珠分拣任务,并分别保存最优模型;
步骤三:将获取的三个最优模型用于仲裁***,即针对构造后的主、次***给出的预测结果进行分歧仲裁;
步骤四:在实验验证阶段,我们使用分歧准确指数α和额外成本指数β作为***分歧的评价指标,评估***的整体性能;
步骤五:根据步骤四的评价指标,选取既达到分拣精度提升较高又同时所需的人力成本较少的***组合作为最终的珍珠分拣***;
步骤六:输出最终分类结果。
本发明提出了能在不改动算法本身的情况下,使用了一种基于多个冗余算法分歧的方法,通过引入冗余的自动分拣算法,将多个算法产生判定分歧的珍珠认定为分拣失误,并以最少的人力成本对分拣失误的部分进行再判定,这对此类珍珠分拣方法的精度提升提供了一种思路。卷积神经网络CNN可以对图片中的特征进行提取,对新的图片中的信息进行识别,因此就可以对大量的已知标签的图片进行训练后,对未知标签的图片进行分类;人的有效介入能够纠正***自身存在的预测偏差问题。
与现有技术相比,本发明技术方案的优点有:
(1)利用多个冗余算法的分歧能更为简单有效检测出仅使用一类算法预测分类出错的情况;
(2)必要时引入少量的人力成本校正错误分类,有效利用人的优势弥补机器过失,易获得更高的分拣精度。
附图说明
图1:本发明方法的流程图;
图2:本发明方法的分歧仲裁框图;
图3:本发明方法的基于多算法的人的分歧介入框图;
图4:本发明方法的基于算法集成的分歧介入框图;
图5:本发明方法中使用的数据集。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图和实施例对本发明作进一步的详细描述。
一种基于多算法集成的分歧介入珍珠分拣方法,含有以下步骤:
步骤一:将珍珠数据集按类别分别记为Class1-7,并给每张图片制定好标签,按6:2:2的比例分成训练集、验证集和测试集;
步骤二:选取目前较为主流先进的三个模型ResNet50、SE-ResNet50和Vgg16进行独立训练,需均能够完成珍珠分拣任务,并分别保存最优模型:训练模型时设置训练最大次数为10个Epoch,将训练和测试时的单次处理样本数Batch设置为32,学习率为0.0001,使用Adam优化器,并将step-size设置为5,gamma设置为0.1,学习率将在训练过程中经过5次变化逐渐变成0.1,最终得出这三个最优模型的精度分别为91.84%、92.25%、91.29%;
步骤三:将获取的三个最优模型用于仲裁***,即针对构造后的主、次***给出的预测结果进行分歧仲裁:若有分歧产生则认为***分类可能有误,需介入人做最终决策;若无分歧,则保留主算法的预测结果。这里,三个模型两两分组,剩下的一个模型作为主***,搭配的两模型以集成学习方法构成次***,其中集成得到的次***最终预测输出定义为:
步骤四:在实验验证阶段,使用分歧准确指数α和额外成本指数β作为***分歧的评价指标,评估***的整体性能:分歧准确指数α指的是主算法分类错误后被纠正的图片数目占该模型分类错误的图片总数目的比值,用于评价该方法找出分类错误的能力;额外成本指数β指的是主算法分类正确但交于人进行判断的图片数目占最优模型分类正确的图片总数目的比值,用于表示该方法消耗的无效人力成本;
步骤五:根据步骤四的评价指标,选取既达到分拣精度提升较高又同时所需的人力成本较少的***组合作为最终的珍珠分拣***;
步骤六:输出最终分类结果:若仲裁器选取主***给出的分类结果即为该珍珠类型,反之经由人的判定分类后重新给出预测结果,视该结果为最终类型。
所述的珍珠数据集分类步骤具体包括:首先按粗糙规则分类可大致分为两类:1)一类为价值较低的扁平型或深瑕疵珍珠;2)另一类为瑕疵程度较小的珍珠;其次按更为精细的分类标准,第一大类较差的珍珠分类又可分为三个小类:A1)具有多个平面的珍珠;A2)形状对称的珍珠;A3)其他珍珠;第二大类较好的珍珠分类又可分为四个小类:B1)短半径与长半径之比大于0.7的珍珠;B2)颜色浅淡的珍珠;B3)隐含斑点的珍珠;B4)其余珍珠。
本发文所称的卷积神经网络、珍珠数据集,参见Qi Xuan、Binwei Fang等人发表于IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 2018的《Automatic PearlClassification Machine Based on a Multistream Convolutional Neural Network》一文。
本发明通过基于多个冗余算法的分歧找出机器分类可能存在的错误预测,并以最少的人力成本介入纠正其预测输出,从而提升整个珍珠分拣的分类精度。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种基于多算法集成的分歧介入珍珠分拣方法,含有以下步骤:
步骤一:将珍珠数据集按类别分别记为Class1-7,并给每张图片制定好标签,按6:2:2的比例分成训练集、验证集和测试集;
步骤二:选取目前较为主流先进的三个模型ResNet50、SE-ResNet50和Vgg16进行独立训练,需均能够完成珍珠分拣任务,并分别保存最优模型:训练模型时设置训练最大次数为10个Epoch,将训练和测试时的单次处理样本数Batch设置为32,学习率为0.0001,使用Adam优化器,并将step-size设置为5,gamma设置为0.1,学习率将在训练过程中经过5次变化逐渐变成0.1,最终得出这三个最优模型的精度分别是91.84%、92.25%、91.29%;
步骤三:将获取的三个最优模型用于仲裁***,即针对构造后的主、次***给出的预测结果进行分歧仲裁:若有分歧产生则认为***分类可能有误,需介入人做最终决策;若无分歧,则保留主算法的预测结果。这里,三个模型两两分组,留下的一模型作为主***,搭配的两模型以集成学习方法构成次***,其中集成得到的次***最终预测输出定义为:
其中,hi(x)是第i个模型的概率输出结果,T是模型的个数,wi是单个模型hi的权重,通常有
步骤四:在实验验证阶段,使用分歧准确指数α和额外成本指数β作为***分歧的评价指标,评估***的整体性能:分歧准确指数α指的是主算法分类错误后被纠正的图片数目占该模型分类错误的图片总数目的比值,用于评价该方法找出分类错误的能力;额外成本指数β指的是主算法分类正确但交于人进行判断的图片数目占最优模型分类正确的图片总数目的比值,用于表示该方法消耗的无效人力成本;
步骤五:根据步骤四的评价指标,选取既达到分拣精度提升较高又同时所需的人力成本较少的***组合作为最终的珍珠分拣***;
步骤六:输出最终分类结果:若仲裁器选取主***给出的分类结果即为该珍珠类型,反之经由人的判定分类后重新给出预测结果,视该结果为最终类型。
2.如权利要求1所述的一种珍珠的检测分类方法,其特征在于:步骤一所述的珍珠数据集分类步骤具体包括:首先按粗糙规则分类可大致分为两类:1)一类为价值较低的扁平型或深瑕疵珍珠;2)另一类为瑕疵程度较小的珍珠;其次按更为精细的分类标准,第一大类较差的珍珠分类又可分为三个小类:A1)具有多个平面的珍珠;A2)形状对称的珍珠;A3)其他珍珠;第二大类较好的珍珠分类又可分为四个小类:B1)短半径与长半径之比大于0.7的珍珠;B2)颜色浅淡的珍珠;B3)隐含斑点的珍珠;B4)其余珍珠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110386522.XA CN113159150B (zh) | 2021-04-12 | 2021-04-12 | 一种基于多算法集成的分歧介入珍珠分拣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110386522.XA CN113159150B (zh) | 2021-04-12 | 2021-04-12 | 一种基于多算法集成的分歧介入珍珠分拣方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159150A true CN113159150A (zh) | 2021-07-23 |
CN113159150B CN113159150B (zh) | 2024-07-19 |
Family
ID=76889906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110386522.XA Active CN113159150B (zh) | 2021-04-12 | 2021-04-12 | 一种基于多算法集成的分歧介入珍珠分拣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159150B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529568A (zh) * | 2016-10-11 | 2017-03-22 | 浙江工业大学 | 一种基于bp神经网络的珍珠多分类方法 |
CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
CN109684922A (zh) * | 2018-11-20 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的多模型对成品菜的识别方法 |
CN110263774A (zh) * | 2019-08-19 | 2019-09-20 | 珠海亿智电子科技有限公司 | 一种人脸检测方法 |
CN110689081A (zh) * | 2019-09-30 | 2020-01-14 | 中国科学院大学 | 一种基于分歧学习的弱监督目标分类和定位方法 |
CN110932274A (zh) * | 2019-12-18 | 2020-03-27 | 辽宁工业大学 | 一种电力***测量与负荷参数分析辨识方法 |
CN112381127A (zh) * | 2020-11-03 | 2021-02-19 | 浙江工业大学 | 一种基于人的分歧介入的珍珠分拣方法 |
CN112559791A (zh) * | 2020-11-30 | 2021-03-26 | 广东工业大学 | 一种基于深度学习的布匹分类检索方法 |
-
2021
- 2021-04-12 CN CN202110386522.XA patent/CN113159150B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529568A (zh) * | 2016-10-11 | 2017-03-22 | 浙江工业大学 | 一种基于bp神经网络的珍珠多分类方法 |
CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
CN109684922A (zh) * | 2018-11-20 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的多模型对成品菜的识别方法 |
CN110263774A (zh) * | 2019-08-19 | 2019-09-20 | 珠海亿智电子科技有限公司 | 一种人脸检测方法 |
CN110689081A (zh) * | 2019-09-30 | 2020-01-14 | 中国科学院大学 | 一种基于分歧学习的弱监督目标分类和定位方法 |
CN110932274A (zh) * | 2019-12-18 | 2020-03-27 | 辽宁工业大学 | 一种电力***测量与负荷参数分析辨识方法 |
CN112381127A (zh) * | 2020-11-03 | 2021-02-19 | 浙江工业大学 | 一种基于人的分歧介入的珍珠分拣方法 |
CN112559791A (zh) * | 2020-11-30 | 2021-03-26 | 广东工业大学 | 一种基于深度学习的布匹分类检索方法 |
Non-Patent Citations (3)
Title |
---|
QI XUAN 等: "Automatic Pearl Classification Machine Based on a Multistream Convolutional Neural Network", IEEE TRANSACTIONS ON INDUSTRIAL ELECTEONICS, vol. 65, no. 8, 13 April 2018 (2018-04-13), pages 6538 - 6547, XP011682147, DOI: 10.1109/TIE.2017.2784394 * |
QI XUAN 等: "Multiview Generative Adversarial Network and Its Application in Pearl Classification", IEEE TRANSACTIONS ON INDUSTRISAL ELECTEONICS, vol. 66, no. 10, 1 October 2019 (2019-10-01), pages 8244 - 8252, XP011727390, DOI: 10.1109/TIE.2018.2885684 * |
秦海;张东波;王俊超;颜霜;: "流数据环境下基于分歧策略的高效能集成学习", 计算机工程与应用, no. 13, 12 May 2015 (2015-05-12), pages 89 - 94 * |
Also Published As
Publication number | Publication date |
---|---|
CN113159150B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090902B (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
CN108256482B (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
CN110689089A (zh) | 用于深度学习多类别医疗图像分类的主动增量训练方法 | |
CN108805196B (zh) | 用于图像识别的自动增量学习方法 | |
CN104965787B (zh) | 一种基于三支决策的两阶段软件缺陷预测方法 | |
CN106096661B (zh) | 基于相对属性随机森林的零样本图像分类方法 | |
CN113643268B (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN110688888B (zh) | 一种基于深度学习的行人属性识别方法和*** | |
CN112258459A (zh) | 一种基于集成深度学习的锂电池瑕疵检测方法 | |
CN110610482A (zh) | 一种基于resnet的工件瑕疵检测方法 | |
US20220245402A1 (en) | Ai-based pre-training model determination system, and ai-based vision inspection management system using same for product production lines | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
KR20220050083A (ko) | 제품 생산 라인 상의 비전 검사를 위한 ai 기반의 신규 학습 모델 생성 시스템 | |
CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定***及方法 | |
Tian et al. | CASDD: Automatic surface defect detection using a complementary adversarial network | |
CN109598681A (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN116468935A (zh) | 一种基于多核卷积网络的交通标志阶梯式分类识别方法 | |
CN114580517A (zh) | 一种图像识别模型的确定方法及装置 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
Babnik et al. | Optimization-based improvement of face image quality assessment techniques | |
CN114372926A (zh) | 一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法 | |
CN113159150A (zh) | 一种基于多算法集成的分歧介入珍珠分拣方法 | |
CN112381127A (zh) | 一种基于人的分歧介入的珍珠分拣方法 | |
CN115759205A (zh) | 基于多模型协作对比学习的负样本采样方法 | |
CN116137012A (zh) | 一种基于互联网教育的线上教学质量监督管理*** |
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 |