CN113378706A - 一种辅助儿童观察植物和学习生物多样性的绘画*** - Google Patents

一种辅助儿童观察植物和学习生物多样性的绘画*** Download PDF

Info

Publication number
CN113378706A
CN113378706A CN202110645869.1A CN202110645869A CN113378706A CN 113378706 A CN113378706 A CN 113378706A CN 202110645869 A CN202110645869 A CN 202110645869A CN 113378706 A CN113378706 A CN 113378706A
Authority
CN
China
Prior art keywords
plant
knowledge
children
learning
biodiversity
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
CN202110645869.1A
Other languages
English (en)
Other versions
CN113378706B (zh
Inventor
姚琤
张超
吴嘉贻
刘鉴辉
胡雅静
周子理
邵雅平
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110645869.1A priority Critical patent/CN113378706B/zh
Publication of CN113378706A publication Critical patent/CN113378706A/zh
Application granted granted Critical
Publication of CN113378706B publication Critical patent/CN113378706B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种辅助儿童观察植物和学习生物多样性的绘画***，包括植物识别学习***和儿童写生绘画***；植物识别学习***用于识别拍摄的植物照片，将植物名称和相关生物多样性知识呈现在显示界面的设定区域并通过语音播放；儿童写生绘画***用于将拍摄的植物照片转化为轮廓图，并在儿童进行生物特征绘画时比对植物照片与绘图区域的色彩，在界面上进行信息反馈与展示；所述的植物识别学习***包括植物图像识别模块和植物知识检索模块；所述的儿童写生绘画***包括植物轮廓图生成模块和智能辅助绘画模块。利用本发明的***，可以将植物生物多样性的学习过程结合到儿童植物写生绘画的过程中，并在儿童写生绘画时根据绘制对象提供指导。

Description

一种辅助儿童观察植物和学习生物多样性的绘画***
技术领域
本发明属于人工智能应用技术领域，尤其是涉及一种辅助儿童观察植物和学习生物多样性的绘画***。
背景技术
儿童对自然的反复观察可以增加他们对生物多样性的知识和认识。写生是鼓励儿童重复观察的重要方法之一。写生是一种快速画法，显示所观察事物的有趣特征，鼓励参与者进行重复观察和比较。
然而，写生对于儿童来说门槛较高，因为儿童往往无法正确把握所绘制对象的形态和色彩。现在也没有工具或***可以帮助儿童以学习生物多样性作为目的进行写生绘画。
随着人工智能技术的发展，图像识别技术和知识***或者专家***应用越来越广泛。其中涌现了很多关于植物或者生物识别的***，他们利用神经网络学习大量的标记图片，建立分类回归的输出层，并将其映射到专家***的数据库中。
如公开号为CN103902996A的中国专利文献公开了一种基于图像识别技术的多元化植物手机APP识别方法，在手机APP上构建植物专家库、模式识别模块，以及植物专家库与模式识别模块之间的链接，通过手机摄像头采集植物的图像信息，图像信息经过模式识别模块识别，通过植物名称在植物专家库进行查询，对于模式识别模块无法识别的，通过手机APP进行发布等待专家解答。
公开号为CN110555416A的中国专利文献公开了一种植物识别方法及装置，包括：步骤S1，获取包含待识别的目标植物的植物图像；步骤S2，根据所述植物图像的属性信息，确定所述目标植物的属性；步骤S3，从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息，所述植物识别模型为神经网络模型。
但是，上述这些应用和方法并没有将植物生物多样性的学习过程结合到儿童植物写生绘画的过程中，也没有在儿童写生绘画时根据绘制对象提供绘画指导。
发明内容
针对现有技术的不足，本发明提供了一种辅助儿童观察植物和学习生物多样性的绘画***，可以将植物生物多样性的学习过程结合到儿童植物写生绘画的过程中，并在儿童写生绘画时根据绘制对象提供指导。
一种辅助儿童观察植物和学习生物多样性的绘画***，包括植物识别学习***和儿童写生绘画***；
所述的植物识别学习***用于识别拍摄的植物照片，将植物名称和相关生物多样性知识呈现在显示界面的设定区域并通过语音播放；
所述的儿童写生绘画***用于将拍摄的植物照片转化为轮廓图，并在儿童进行生物特征绘画时比对植物照片与绘图区域的色彩，在界面上进行信息反馈与展示。
进一步地，所述的植物识别学习***包括植物图像识别模块和植物知识检索模块；所述的儿童写生绘画***包括植物轮廓图生成模块和智能辅助绘画模块；
所述的植物图像识别模块包含卷积神经网络，用于对拍摄的植物照片进行特征识别和分类；
所述的植物知识检索模块用于对植物图像识别模块识别的植物名称进行检索，得到相关的生物多样性百科知识，并利用知识图谱对植物知识库进行归纳；
所述的植物轮廓图生成模块包含生成对抗网络，用于提取植物照片的轮廓生成简笔画风格的轮廓图；
所述的智能辅助绘画模块用于比对植物图像和界面画布区域的颜色，利用利用机器视觉技术分析色彩偏差并输出偏差数据。
进一步地，所述植物图像识别模块的构建过程如下：
步骤a1，收集不同植物图像的数据，构成植物图像数据集；
步骤a2，构建基于卷积神经网络的植物图像识别模型，所述的卷积神经网络采用Mobilenet-v3模型，并基于轻量化网络设计、模型剪枝和知识蒸馏减少模型计算量，并将输出层的模型架构调整为高斯混合模型和SoftMax逻辑回归模型；
步骤a3，利用植物图像数据集对卷积神经网络进行迁移学习，并采用数据增强方法避免训练过程过拟合。
步骤a3中，采用数据增强方法包括：
对植物图像的大小进行随机缩放，扩充模型训练的数据集大小；
利用腐蚀算法对植物图像进行模糊处理，增加数据集的噪声从而提升模型训练的鲁棒性。
进一步地，所述植物知识检索模块的构建过程如下：
步骤b1，对植物图像识别模块中的植物图像数据进行百科数据收集，得到植物知识数据集；
步骤b2，构建基于植物知识数据集的知识图谱，根据谷歌的知识图谱接口建立每种植物的知识数据图谱；
步骤b3，建立基于知识图谱的检索***，使用半监督社区发现算法对植物知识数据进行检索。
步骤b3的具体过程为：
步骤b3-1，建立转移矩阵公式：
Figure BDA0003109558490000031
其中，dij是两个数据之间的欧几里得距离，σ是随机初始化后待更新的参数，e是自然对数。
步骤b3-2，对步骤b1中收集到的植物知识数据集进行分类处理：未标注的样本数据随机初始化；已标注的样本数据保留标签；
步骤b3-3，利用转移矩阵公式计算状态量；
步骤b3-4，利用状态量对转移矩阵进行更新并归一化处理；
步骤b3-5，重复进行步骤b3-3和步骤b3-4直到收敛。
进一步地，所述植物轮廓图生成模块的构建过程如下：
步骤c1，使用Amazon Mechanical Turk收集用户描绘的简笔画，数据库中包含多种不同类别的图片，每种类别选取5张，将得到的轮廓图简笔画图片组成轮廓图简笔画数据集；
步骤c2，构建基于生成对抗网络的轮廓图生成模型，优化生成对抗网络cGAN框架和根据轮廓图稀疏性的特征修改损失函数；
步骤c3，利用轮廓图简笔画数据集对生成对抗网络进行训练。
步骤c2中，优化生成对抗网络cGAN框架包括如下表达式进行优化：
LcGAN(x，y)＝minGmaXDΞx，y[logD(x，y)]+Ξx[log1-D(x，G(x))]
其中，x是条件，y是映射之后的图片，z是原始输入的噪声，G表示生成器，D表示辨别器，G(x)表示生成器基于条件x生成样本，D(x，y)表示判别器判断样本(x，y)为真实样本的概率，E表示高斯分布。
根据轮廓图稀疏性的特征修改损失函数是指根据一个输入有多个合理的输出轮廓图，定义损失函数为：
Figure BDA0003109558490000041
其中，x是条件，y是映射之后的输出轮廓图，M为输出样本总数，λ为比率超参(训练时初始化为0.01)，LcGAN表示根据条件xi生成的样本yj的标准生成对抗网络损失。损失函数的第一项为平均值让生成对抗网络平等对待所有的目标轮廓图；第二项为最小值则让生成对抗网络趋向于生成效果最好的图片并防止图片的模糊。
进一步地，所述智能辅助绘画模块的构建过程如下：
步骤d1，利用Javascript和p5.js搭建绘画***；
步骤d2，对比用户绘制内容与照片，使用OpenCV比对照片和界面绘画区域的十六进制色彩数值，计算欧氏距离；
步骤d3，提供纠错与绘画指导的提示，将步骤d2中分析得到的对比数据在界面中进行呈现。
步骤d2的具体过程为：
步骤d2-1，选择最小16*16的计算矩阵，使用OpenCV提取每个单元的十六进制色彩平均值；
步骤d2-2，计算每个单元照片和界面绘图区域的欧式距离；
步骤d2-3，与阈值进行比较，欧氏距离以0.2作为阈值，小于0.2的计算矩阵单元格表示色彩相似，反之，色彩不同。
与现有技术相比，本发明具有以下有益效果：
本发明提出的***结合植物图像识别、植物知识检索，植物轮廓图生成以及智能辅助绘画，能够便利于儿童认识大自然中的不同植物，并将照片转换为轮廓图，在轮廓图的基础上观察与绘制眼前的植物，并了解相关的生物多样性知识，在观察中学习。
附图说明
图1为本发明一种辅助儿童观察植物和学习生物多样性的绘画***的不同模块的工作流程图；
图2为本发明中植物识别学习***的工作流程图；
图3为本发明中儿童写生绘画***的工作流程图；
图4为本发明中植物轮廓图生成模块的生成对抗网络结构图；
图5为本发明实施例中轮廓图生成结果示例图；
图6为本发明绘画***的初始界面图；
图7为本发明绘画***的指导界面图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种辅助儿童观察植物和学习生物多样性的绘画***，包括植物识别学习***和儿童写生绘画***。
植物识别学习***包括植物图像识别模块和植物知识检索模块；儿童写生绘画***包括植物轮廓图生成模块和智能辅助绘画模块。
植物图像识别模块，用于进行植物生物特征的识别与逻辑回归，利用卷积神经网络对植物图像进行分类。
植物知识检索模块，用于检索植物的生物多样性百科知识，利用知识图谱对植物知识库进行归纳。
植物轮廓图生成模块，用于根据植物图像生成植物轮廓图，利用生成对抗网络提取图像轮廓生成简笔画风格的轮廓图。
智能辅助绘画模块，用于比对植物图像和界面画布区域的颜色，利用机器视觉技术分析色彩偏差并输出偏差数据。
如图2所示，植物识别学习***将植物图像识别模块与植物知识检索模块相配合，用于识别拍摄的植物照片，将植物名称和相关生物多样性知识呈现在显示界面的设定区域并通过语音播放。
如图3所示，儿童写生绘画***将植物轮廓图生成模块和智能辅助绘画模块相配合，用于将拍摄的植物照片转化为轮廓图，并在儿童进行生物特征绘画时比对植物照片与绘图区域的色彩，在界面上进行信息反馈与展示。
具体的，构建植物图像识别模块时，包括：
步骤a1，植物图像数据集的收集，利用python中的urllib库和selenium库从iNaturalist网站中收集98种植物图像的数据，共计7028张图片。
步骤a2，构建基于卷积神经网络的植物图像识别算法，根据谷歌提出的Mobilenet-v3模型，并基于轻量化网络设计、模型剪枝和知识蒸馏减少模型计算量，并将输出层的模型架构调整为高斯混合模型和SoftMax逻辑回归模型。
轻量化网络设计是指使用Group卷积、1x1卷积等技术减少网络计算量的同时，尽可能的保证网络的精度；模型剪枝是指大网络往往存在一定的冗余，通过剪去冗余部分，减少网络计算量；知识蒸馏是指利用大模型来帮助小模型学习，提高学习模型的精度。
步骤a3，利用植物图像数据集对卷积神经网络进行迁移学习，并采用数据增强方法避免训练过程过拟合。
构建植物知识检索模块时，包括：
步骤b1，植物知识数据集的收集，利用python中的urllib库和selenium库从***中根据98种植物的名称爬取百科数据。
步骤b2，构建基于植物知识数据集的知识图谱，根据谷歌的知识图谱接口建立98种植物的知识数据图谱。
步骤b3，建立基于知识图谱的检索***，使用半监督社区发现算法对植物知识数据进行检索。
构建植物轮廓图生成模块时，包括：
步骤c1，轮廓图简笔画数据集的收集，使用Amazon Mechanical Turk收集用户描绘的简笔画，数据库中一共有1000种不同类别的图片，每种类型选取5张，一共有5000张轮廓图简笔画图片；
步骤c2，构建基于生成对抗网络的轮廓图生成算法，优化生成对抗网络cGAN框架和根据轮廓图稀疏性的特征修改损失函数。
如图4所示，为本发明采用的生成对抗网络结构图。cGAN是在GAN基础上做的一种改进，通过给原始GAN的生成器和判别器中添加额外的条件信息，实现条件生成模型。
优化生成对抗网络cGAN框架是指以下表达式进行优化：
LcGAN(x，y，z)＝minGmaxDΞx，y[logD(x，y)]+Ξx，z[log1-D(x，G(x，z))]
其中x是条件，y是映射之后的图片，z是原始输入的噪声，不过一般情况下，z是可以忽略的，即：
LcGAN(x，y)＝minGmaxDΞx，y[logD(x，y)]+Ξx[log1-D(x，G(x))]
根据轮廓图稀疏性的特征修改损失函数是指根据一个输入有多个合理的输出轮廓图定义损失函数为：
Figure BDA0003109558490000071
第一项为平均值让生成对抗网络平等对待所有的目标轮廓图；第二项为最小值则让生成对抗网络趋向于生成效果最好的图片并防止图片的模糊。
步骤c3，利用轮廓图数据集对生成对抗网络进行训练，具体为：
步骤c3-1，利用pytorch框架搭建生成对抗网络轮廓图简笔画生成模型；
步骤c3-2，计算需要训练的参数总共有4,166,135个；
步骤c3-3，选取4400个训练集样本、300个验证集样本和300个测试集样本；
步骤c3-4，将Batch的大小设置为100，总共训练8000个Batch，平均每个Batch用时2.39s；
步骤c3-5，在训练过程中，每个Batch作为一步，每200步进行一次测试和验证。
构建智能辅助绘画模块时，包括：
步骤d1，搭建绘画***，利用Javascript和p5.js搭建绘画***。
步骤d2，对比用户绘制内容与照片，使用OpenCV比对照片和界面绘画区域的十六进制色彩数值，计算欧氏距离；具体包括：
步骤d2-1，选择最小16*16的计算矩阵，使用OpenCV提取每个单元的十六进制色彩平均值；
步骤d2-2，计算每个单元照片和界面绘图区域的欧式距离；
步骤d2-3，与阈值进行比较，欧氏距离以0.2作为阈值，小于0.2的计算矩阵单元格表示色彩相似，反之，色彩不同。
步骤d3，提供纠错与绘画指导的提示，将步骤d2中分析得到的对比数据在界面中进行呈现。
如图5所示，为本发明实施例中轮廓图生成结果示例图，其中，左图为原始图片，右图为轮廓图生成结果。
如图6所示，为本发明绘画***的初始界面图，儿童可以在绘画工具区域1选择绘画工具，以及在色彩选择区域2调整颜色。然后，儿童可以在绘图区域3进行写生绘画。初始界面会显示根据儿童所拍摄植物图片生成的轮廓图4，界面左侧信息框5显示绘画步骤的引导文字，界面底部信息框6显示所绘制植物的生物多样性知识。
如图7所示，为本发明绘画***的指导界面图。***通过比对照片与绘图区域的十六进制颜色数值并计算两者之间的欧式距离。将小于阈值的区域在界面上用虚线框7框出，并在色轮2上提示正确颜色。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (10)

1.一种辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，包括植物识别学习***和儿童写生绘画***；
所述的植物识别学习***用于识别拍摄的植物照片，将植物名称和相关生物多样性知识呈现在显示界面的设定区域并通过语音播放；
所述的儿童写生绘画***用于将拍摄的植物照片转化为轮廓图，并在儿童进行生物特征绘画时比对植物照片与绘图区域的色彩，在界面上进行信息反馈与展示。
2.根据权利要求1所述的辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，所述的植物识别学习***包括植物图像识别模块和植物知识检索模块；所述的儿童写生绘画***包括植物轮廓图生成模块和智能辅助绘画模块；
所述的植物图像识别模块包含卷积神经网络，用于对拍摄的植物照片进行特征识别和分类；
所述的植物知识检索模块用于对植物图像识别模块识别的植物名称进行检索，得到相关的生物多样性百科知识，并利用知识图谱对植物知识库进行归纳；
所述的植物轮廓图生成模块包含生成对抗网络，用于提取植物照片的轮廓生成简笔画风格的轮廓图；
所述的智能辅助绘画模块用于比对植物图像和界面画布区域的颜色，利用利用机器视觉技术分析色彩偏差并输出偏差数据。
3.根据权利要求2所述的辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，所述植物图像识别模块的构建过程如下：
步骤a1，收集不同植物图像的数据，构成植物图像数据集；
步骤a2，构建基于卷积神经网络的植物图像识别模型，所述的卷积神经网络采用Mobilenet-v3模型，并基于轻量化网络设计、模型剪枝和知识蒸馏减少模型计算量，并将输出层的模型架构调整为高斯混合模型和SoftMax逻辑回归模型；
步骤a3，利用植物图像数据集对卷积神经网络进行迁移学习，并采用数据增强方法避免训练过程过拟合。
4.根据权利要求3所述的辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，步骤a3中，采用数据增强方法包括：
对植物图像的大小进行随机缩放，扩充模型训练的数据集大小；
利用腐蚀算法对植物图像进行模糊处理，增加数据集的噪声从而提升模型训练的鲁棒性。
5.根据权利要求2所述的辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，所述植物知识检索模块的构建过程如下：
步骤b1，对植物图像识别模块中的植物图像数据进行百科数据收集，得到植物知识数据集；
步骤b2，构建基于植物知识数据集的知识图谱，根据谷歌的知识图谱接口建立每种植物的知识数据图谱；
步骤b3，建立基于知识图谱的检索***，使用半监督社区发现算法对植物知识数据进行检索。
6.根据权利要求5所述的辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，步骤b3的具体过程为：
步骤b3-1，建立转移矩阵公式：
Figure FDA0003109558480000021
其中，dij是两个数据之间的欧几里得距离，σ是随机初始化后待更新的参数，e是自然对数；
步骤b3-2，对步骤b1中收集到的植物知识数据集进行分类处理：未标注的样本数据随机初始化；已标注的样本数据保留标签；
步骤b3-3，利用转移矩阵公式计算状态量；
步骤b3-4，利用状态量对转移矩阵进行更新并归一化处理；
步骤b3-5，重复进行步骤b3-3和步骤b3-4直到收敛。
7.根据权利要求2所述的辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，所述植物轮廓图生成模块的构建过程如下：
步骤c1，使用Amazon Mechanical Turk收集用户描绘的简笔画，数据库中包含多种不同类别的图片，每种类别选取5张，将得到的轮廓图简笔画图片组成轮廓图简笔画数据集；
步骤c2，构建基于生成对抗网络的轮廓图生成模型，优化生成对抗网络cGAN框架和根据轮廓图稀疏性的特征修改损失函数；
步骤c3，利用轮廓图简笔画数据集对生成对抗网络进行训练。
8.根据权利要求7所述的辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，步骤c2中，优化生成对抗网络cGAN框架包括如下表达式进行优化：
LcGAN(x，y)＝minGmaxDΞx，y[logD(x，y)]+Ξx[log1-D(x，G(x))]
其中，x是条件，y是映射之后的图片，z是原始输入的噪声，G表示生成器，D表示辨别器，G(x)表示生成器基于条件x生成样本，D(x,y)表示判别器判断样本(x,y)为真实样本的概率，E表示高斯分布；
根据轮廓图稀疏性的特征修改损失函数是指根据一个输入有多个合理的输出轮廓图，定义损失函数为：
Figure FDA0003109558480000031
其中，x是条件，y是映射之后的输出轮廓图，M为输出样本总数，λ为比率超参，LcGAN表示根据条件xi生成的样本yi的标准生成对抗网络损失；损失函数的第一项为平均值让生成对抗网络平等对待所有的目标轮廓图；第二项为最小值则让生成对抗网络趋向于生成效果最好的图片并防止图片的模糊。
9.根据权利要求2所述的辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，所述智能辅助绘画模块的构建过程如下：
步骤d1，利用Javascript和p5.js搭建绘画***；
步骤d2，对比用户绘制内容与照片，使用OpenCV比对照片和界面绘画区域的十六进制色彩数值，计算欧氏距离；
步骤d3，提供纠错与绘画指导的提示，将步骤d2中分析得到的对比数据在界面中进行呈现。
10.根据权利要求9所述的辅助儿童观察植物和学习生物多样性的绘画***，其特征在于，步骤d2的具体过程为：
步骤d2-1，选择最小16*16的计算矩阵，使用OpenCV提取每个单元的十六进制色彩平均值；
步骤d2-2，计算每个单元照片和界面绘图区域的欧式距离；
步骤d2-3，与阈值进行比较，欧氏距离以0.2作为阈值，小于0.2的计算矩阵单元格表示色彩相似，反之，色彩不同。
CN202110645869.1A 2021-06-10 2021-06-10 一种辅助儿童观察植物和学习生物多样性的绘画*** Active CN113378706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110645869.1A CN113378706B (zh) 2021-06-10 2021-06-10 一种辅助儿童观察植物和学习生物多样性的绘画***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110645869.1A CN113378706B (zh) 2021-06-10 2021-06-10 一种辅助儿童观察植物和学习生物多样性的绘画***

Publications (2)

Publication Number Publication Date
CN113378706A true CN113378706A (zh) 2021-09-10
CN113378706B CN113378706B (zh) 2022-08-23

Family

ID=77573688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110645869.1A Active CN113378706B (zh) 2021-06-10 2021-06-10 一种辅助儿童观察植物和学习生物多样性的绘画***

Country Status (1)

Country Link
CN (1) CN113378706B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114783242A (zh) * 2022-02-28 2022-07-22 杭州小伴熊科技有限公司 一种用于在线教育的绘画教学方法及装置
CN115101047A (zh) * 2022-08-24 2022-09-23 深圳市人马互动科技有限公司 语音交互方法、装置、***、交互设备和存储介质
CN115686222A (zh) * 2022-11-18 2023-02-03 青岛酒店管理职业技术学院 一种基于混合现实技术的虚拟人像绘画***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473550A (zh) * 2013-09-23 2013-12-25 广州中医药大学 基于Lab空间和局域动态阈值的植物叶片图像分割方法
CN106355973A (zh) * 2016-10-28 2017-01-25 厦门优莱柏网络科技有限公司 一种绘画辅导方法及装置
CN107016713A (zh) * 2017-03-03 2017-08-04 北京光年无限科技有限公司 面向智能机器人的视觉数据处理方法和装置
CN107392238A (zh) * 2017-07-12 2017-11-24 华中师范大学 基于移动视觉搜索的户外植物知识拓展学习***
CN110515531A (zh) * 2019-08-28 2019-11-29 广东工业大学 一种智能辅助绘画***
US20200401883A1 (en) * 2019-06-24 2020-12-24 X Development Llc Individual plant recognition and localization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473550A (zh) * 2013-09-23 2013-12-25 广州中医药大学 基于Lab空间和局域动态阈值的植物叶片图像分割方法
CN106355973A (zh) * 2016-10-28 2017-01-25 厦门优莱柏网络科技有限公司 一种绘画辅导方法及装置
CN107016713A (zh) * 2017-03-03 2017-08-04 北京光年无限科技有限公司 面向智能机器人的视觉数据处理方法和装置
CN107392238A (zh) * 2017-07-12 2017-11-24 华中师范大学 基于移动视觉搜索的户外植物知识拓展学习***
US20200401883A1 (en) * 2019-06-24 2020-12-24 X Development Llc Individual plant recognition and localization
CN110515531A (zh) * 2019-08-28 2019-11-29 广东工业大学 一种智能辅助绘画***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114783242A (zh) * 2022-02-28 2022-07-22 杭州小伴熊科技有限公司 一种用于在线教育的绘画教学方法及装置
CN115101047A (zh) * 2022-08-24 2022-09-23 深圳市人马互动科技有限公司 语音交互方法、装置、***、交互设备和存储介质
CN115101047B (zh) * 2022-08-24 2022-11-04 深圳市人马互动科技有限公司 语音交互方法、装置、***、交互设备和存储介质
CN115686222A (zh) * 2022-11-18 2023-02-03 青岛酒店管理职业技术学院 一种基于混合现实技术的虚拟人像绘画***

Also Published As

Publication number Publication date
CN113378706B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN113378706B (zh) 一种辅助儿童观察植物和学习生物多样性的绘画***
CN112232241B (zh) 一种行人重识别方法、装置、电子设备和可读存储介质
CN112308158A (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
CN110222718B (zh) 图像处理的方法及装置
CN106407986A (zh) 一种基于深度模型的合成孔径雷达图像目标识别方法
CN112215119B (zh) 一种基于超分辨率重建的小目标识别方法、装置及介质
CN110866530A (zh) 一种字符图像识别方法、装置及电子设备
CN110619059B (zh) 一种基于迁移学习的建筑物标定方法
CN109033107A (zh) 图像检索方法和装置、计算机设备和存储介质
CN112016601B (zh) 基于知识图谱增强小样本视觉分类的网络模型构建方法
CN111611924A (zh) 一种基于深度迁移学习模型的蘑菇识别方法
CN113127737B (zh) 融合注意力机制的个性化搜索方法和搜索***
CN114463675B (zh) 一种水下鱼类群组活动强度识别方法及装置
CN113159067A (zh) 一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法及装置
CN109165698A (zh) 一种面向智慧交通的图像分类识别方法及其存储介质
CN114419468A (zh) 一种结合注意力机制和空间特征融合算法的水田分割方法
CN111126155B (zh) 一种基于语义约束生成对抗网络的行人再识别方法
CN113205103A (zh) 一种轻量级的文身检测方法
CN115331284A (zh) 一种基于自愈机制的真实场景下的人脸表情识别方法及***
CN114972952A (zh) 一种基于模型轻量化的工业零部件缺陷识别方法
CN111310837A (zh) 车辆改装识别方法、装置、***、介质和设备
CN114492634A (zh) 一种细粒度装备图片分类识别方法及***
CN116994295B (zh) 基于灰度样本自适应选择门的野生动物类别识别方法
CN117173677A (zh) 手势识别方法、装置、设备及存储介质
CN115457366A (zh) 基于图卷积神经网络的中草药多标签识别模型

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