[go: up one dir, main page]

CN114636736B - 一种基于aif-1dcnn的电子舌白酒检测方法 - Google Patents

一种基于aif-1dcnn的电子舌白酒检测方法 Download PDF

Info

Publication number
CN114636736B
CN114636736B CN202111312263.2A CN202111312263A CN114636736B CN 114636736 B CN114636736 B CN 114636736B CN 202111312263 A CN202111312263 A CN 202111312263A CN 114636736 B CN114636736 B CN 114636736B
Authority
CN
China
Prior art keywords
1dcnn
aif
vector
convolution
electrode
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
CN202111312263.2A
Other languages
English (en)
Other versions
CN114636736A (zh
Inventor
章伟
朱亚龙
刘嘉明
朱晓龙
胡雪峰
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.)
Chuzhou Yiran Sensing Technology Research Institute Co ltd
Original Assignee
Chuzhou Yiran Sensing Technology Research Institute Co ltd
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 Chuzhou Yiran Sensing Technology Research Institute Co ltd filed Critical Chuzhou Yiran Sensing Technology Research Institute Co ltd
Priority to CN202111312263.2A priority Critical patent/CN114636736B/zh
Publication of CN114636736A publication Critical patent/CN114636736A/zh
Application granted granted Critical
Publication of CN114636736B publication Critical patent/CN114636736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/28—Electrolytic cell components
    • G01N27/30—Electrodes, e.g. test electrodes; Half-cells
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于AIF‑1DCNN的电子舌白酒检测方法。该方法包括以下步骤：利用集成电极获得白酒的原始响应数据矩阵X进行预处理形成样本集E；对样本集E进行卷积核尺寸为n电极注意力特征提取得到长度为k向量对样本集E进行卷积核尺寸为u方波注意力特征提取得到长度为w向量Ψ；将向量向量Ψ进行加权融合得到向量Τ，并将Τ对原始输入进行融合得到λ；采用自适应动量随机优化方法对输入λ训练AIF‑1DCNN神经网络，利用训练好的AIF‑1DCNN神经网络模型对测试集进行分类检测。本发明解决了现有深度学习算法只用电子舌测得的全时域信息而忽略了每个电极以及不同方波的影响造成准确率低的技术问题，提高了白酒年份分析的效率及正确率。

Description

一种基于AIF-1DCNN的电子舌白酒检测方法
技术领域
本发明涉及电子舌领域，特别涉及一种基于AIF-1DCNN的电子舌白酒检测方法。
背景技术
电子舌作为一种实时、准确、高效、非侵入性、便携的现代智能感应仪器，在食品检测领域具有很大的潜力。模式识别是电子舌系统的关键部分，常用的模式识别技术可分为两大类：机器学习和深度学习。机器学习需通过手动提取特征,过程复杂耗费时间，且很少用到电子舌测得的全时域信息，准确率高度依赖前期特征提取的好坏，不能得到很好的分类效果；在深度学习领域中，卷积神经网络(CNN)在对高维数据的特征选择与提取上具有强大的功能，目前已有应用到电子舌识别的深度学习算法只对样本数据整体进行简单的卷积特征提取分析，忽略每个电极以及不同脉冲方波电压对数据的深层次影响，因此需要提高效率以及正确率，以克服现有的不足。
发明内容
针对现有技术的不足，本发明提出了一种基于AIF-1DCNN的电子舌白酒检测方法，利用电子舌中的集成电极采集白酒样品信息，结合AIF-1DCNN的检测方法对数据进行分析，达到对白酒样本检测的目的，提高了白酒成份分析的效率及正确率。
为解决现有技术问题，本发明采取的技术方案为：
一种基于AIF-1DCNN的电子舌白酒检测方法，包括以下步骤：
S1：利用集成电极获得白酒的原始响应数据矩阵X进行预处理形成样本集E
将集成电极的6个电极测量白酒的单次数据点进行横向拼接，将所述单次数据点根据测量次数进行竖向拼接形成原始响应数据矩阵X，如公式(1)所示
其中，[xi,1,xi,2,…,xi,j]为多个电极测量白酒的单次数据点进行横向拼接构成的一个样本数据，i为多个电极测量样本的数量，j为采样点数；
进一步的将原始响应数据矩阵X进行零均值化处理采用如下公式(2)：
E为归一化处理后数据，Xmax为原始响应数据矩阵每列的最大值，Xmin为原始响应数据矩阵每列的最小值，X为原始响应数据矩阵。
S2：样本集E进行卷积核尺寸为n电极注意力特征提取得到长度为k向量
先使用核大小为n的k个卷积核对原始信号进行卷积得到特征F，进一步的对F进行全局平均池化得到FGP，然后两次1*1卷积激活提取得到长度为k电极通道注意力特征注意力提取如下公式(3)、(4)、(5)
i,j代表输入信号e的维度，e∈E，ei,j代表e中第i行第j列的数，代表第l个卷积核第i行第j列的数，bl代表第l个卷积核的偏置
其中，H,W是特征U的维度大小，Fc是特征F通道数，i,j是第c个通道上的所属位置为(i,j)的值
其中f(·)为sigmoid激活函数。
S3：对样本集E进行卷积核尺寸为u方波注意力特征提取得到长度为w向量Ψ
核大小为u的w个卷积核对原始信号进行卷积，然后进行全局平均池化和两次1*1卷积激活得到长度为w的脉冲方波通道注意力特征Ψ，操作原理同步骤S2，
其中k，n，w,u之间的关系满足公式(6)、(7)
w＝k×v (6)
k×n＝w×u (7)
其中v为单个电极的脉冲方波数，k为电极的数量，n为每个电极采集的数据长度，u为单个电极在单个方波持续时间内采集到的数据长度。
S4：将向量向量Ψ进行加权融合得到向量Τ
进一步的将Ψ进行加权融合得到Τ，考虑到ψ中每个电极对应的脉冲方波，先对ψ进行维度变换得到Φ、Ψ，Φ的维度大小为(k,1)，Ψ的维度大小为(k,v)，如公式(8)、(9)所示，进一步的将Φ与Ψ利用广播机制进行乘法运算得到加权融合注意力Τ，Τ的维度大小为(k,v)
Τ＝Φ×Ψ (10)
S5：将向量Τ对原始输入进行融合得到λ
先将加权融合注意力Τ对原始输入e进行融合得到λ。先将加权融合注意力Τ和输入信号e进行维度变换，Τ的维度大小由(k,v)变为(w,1)得到Τ'，输入信号e的维度大小由(1,k×n)变为(w,u)得到e，进一步的将注意力与输入信号利用广播机制进行融合得到Λ，如下公式(11)、(12)所示，最后将Λ重新进行维度变换得到λ，λ维度为(k×n,1)
Λ＝Γ×e (12)
S6：采用自适应动量随机优化方法对输入λ训练AIF-1DCNN神经网络，利用训练好的AIF-1DCNN神经网络模型对测试集进行分类检测
其中，AIF-1DCNN中的1DCNN卷积神经网络模块包括五个卷积层，其中卷积核使用1维卷积核，大小分别为(1*32*16，1*32*8，1*64*4，1*64*2，1*64*2)；卷积过程中将padding设置为“SAME”，步幅都为1，并选用Relu激活函数增加网络的非线性，其中，AIF-1DCNN神经网络模型中倒数第一个池化层后进行Flatten，最后通过Softmax分类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam自适应动量随机优化算法，确保损失函数迅速收敛至全局最小，最后利用训练好的AIF-1DCNN神经网络模型对测试集进行分类检测。
有益效果：
与现有技术相比，本发明一种基于E-CPAF-1DCNN的电子舌白酒检测方法，采用电子舌中的集成电极采集白酒样品信息，在上位机中利用AIF-1DCNN神经网络算法对白酒样本进行分析，解决了机器学习算法手工提取特征过程复杂、耗费时间，且很少用到电子舌测得的全时域信息以及简单1DCNN网络准确率不高的技术问题。
附图说明
图1为本发明基于AIF-1DCNN的电子舌白酒检测方法流程图；
图2为一实施例中基于AIF-1DCNN的网络模型；
图3为一实施例中AIF-1DCNN的注意力模块；
图4为一实施中AIF-1DCNN的1DCNN模块；
图5为一实施例中不同年份白酒电子舌数据分类精度与迭代次数的结果图，其中(a)为训练集损失与迭代次数的关系，(b)为训练集准确率与迭代次数的关系。
具体实施方式
如图2及图3所示，本发明的一种基于AIF-1DCNN的电子舌白酒检测方法，包括以下步骤：
S1：利用集成电极获得白酒的原始响应数据矩阵X进行预处理形成样本集E；
将集成电极的6个电极测量白酒的单次数据点进行横向拼接，将所述单次数据点根据测量次数进行竖向拼接形成原始响应数据矩阵X，如公式(1)所示
其中，[xi,1,xi,2,…,xi,j]为多个电极测量白酒的单次数据点进行横向拼接构成的一个样本数据，i为多个电极测量样本的数量,，j为采样点数；
进一步的将原始响应数据矩阵X进行零均值化处理采用如下公式(2)：
E为归一化处理后数据，Xmax为原始响应数据矩阵每列的最大值，Xmin为原始响应数据矩阵每列的最小值，X为原始响应数据矩阵。
S2：样本集E进行卷积核尺寸为n电极注意力特征提取得到长度为k向量
先使用核大小为n的k个卷积核对原始信号进行卷积得到特征F，进一步的对F进行全局平均池化得到FGP，然后两次1*1卷积激活提取得到长度为k电极通道注意力特征注意力提取如下公式(3)、(4)、(5)
i,j代表输入信号e的维度，e∈E，ei,j代表e中第i行第j列的数，代表第l个卷积核第i行第j列的数，bl代表第l个卷积核的偏置
其中，H,W是特征U的维度大小，Fc是特征F通道数，i,j是第c个通道上的所属位置为(i,j)的值。
其中f(·)为sigmoid激活函数。
S3：对样本集E进行卷积核尺寸为u方波注意力特征提取得到长度为w向量Ψ
核大小为u的w个卷积核对原始信号进行卷积，然后进行全局平均池化和两次1*1卷积激活得到长度为w的脉冲方波通道注意力特征Ψ，操作原理同步骤S2。
其中k，n，w,u之间的关系满足公式(6)、(7)
w＝k×v (6)
k×n＝w×u (7)
其中v为单个电极的脉冲方波数，k为电极的数量，n为每个电极采集的数据长度，u为单个电极在单个方波持续时间内采集到的数据长度。
S4：将向量向量Ψ进行加权融合得到向量Τ
进一步的将Ψ进行加权融合得到Τ。考虑到ψ中每个电极对应的脉冲方波，先对ψ进行维度变换得到Φ、Ψ，Φ的维度大小为(k,1)，Ψ的维度大小为(k,v)，如公式(8)、(9)所示，进一步的将Φ与Ψ利用广播机制进行乘法运算得到加权融合注意力Τ，Τ的维度大小为(k,v)，
Τ＝Φ×Ψ (10)
S5：将向量Τ对原始输入进行融合得到λ
先将加权融合注意力Τ对原始输入e进行融合得到λ。先将加权融合注意力Τ和输入信号e进行维度变换，Τ的维度大小由(k,v)变为(w,1)得到Τ'，输入信号e的维度大小由(1,k×n)变为(w,u)得到e，进一步的将注意力与输入信号利用广播机制进行融合得到Λ，如下公式(11)、(12)所示。最后将Λ重新进行维度变换得到λ，λ维度为(k×n,1)。
Λ＝Γ×e (12)
S6：采用自适应动量随机优化方法对输入λ训练AIF-1DCNN神经网络，利用训练好的AIF-1DCNN神经网络模型对测试集进行分类检测
其中，AIF-1DCNN中的1DCNN卷积神经网络模块包括五个卷积层，其中卷积核使用1维卷积核，大小分别为(1*32*16，1*32*8，1*64*4，1*64*2，1*64*2)；卷积过程中将padding设置为“SAME”，步幅都为1，并选用Relu激活函数增加网络的非线性，其中，AIF-1DCNN神经网络模型中倒数第一个池化层后进行Flatten，最后通过Softmax分类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam自适应动量随机优化算法，确保损失函数迅速收敛至全局最小。最后利用训练好的AIF-1DCNN神经网络模型对测试集进行分类检测。
下面以一具体实施例对本发明的检测方法进行说明，本实施例运行的环境为实验的实施环境为在DellT792计算机上编写实现，Windows10，因特尔至强20核处理器，64G运行内存，2*11GRTX2080Ti，Pycharm2019，Python3.7，scikit-learn0.21.3，tensorflow2.1.0，keras2.3.1。
步骤S6中训练过程中使用Adam梯度下降优化算法(lr＝1e-3)，Batch_size大小设置为32，Epoch大小为100；训练集、验证集和测试集的比例为6:2:2。
实验所用的数据为电子舌测得的五种勾兑的不同年份白酒数据，集成电极采集的数据数量如表1所示：
表1
实验中利用0.6*500个样本进行样本训练，如图5所示，随着Epoch的增加AIF-1DCNN模型逐渐收敛，因此我们将经过Epoch＝100训练后AIF-1DCNN模型作为完成训练最终模型，接着选取总样本数的0.2样本作为测试集，实验数据在完成训练的AIF-1DCNN模型结构训练集结果如图3所示。
为了验证AIF-1DCNN模型相较于简单一维卷积神经网络模型在性能上的优越性，进行对比实验，表3显示了AIF-1DCNN模型相较于传统的机器学习模型分类结果对比结果。
表3AIF-1DCNN模型相较简单一维卷积神经网络准确率
由表可以看出本发明的AIF-1DCNN模型的平均准确率为96.8％，准确率最大差异为1％；简单1DCNN模型平均准确率为93.4％，准确率最大差异为6％。
以上所述仅为本申请的部分优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (4)

1.一种基于AIF-1DCNN的电子舌白酒检测方法，其特征在于，包括以下步骤：
S1：利用集成电极获得白酒的原始响应数据矩阵X进行预处理形成样本集E，具体为：将集成电极的6个电极测量白酒的单次数据点进行横向拼接，将所述单次数据点根据测量次数进行竖向拼接形成原始响应数据矩阵X，如公式(1)所示
其中，[x1,1,x1,2,…,x1,j]为多个电极测量白酒的单次数据点进行横向拼接构成的一个样本数据，i为多个电极测量样本的数量，j为采样点数；
进一步的将原始响应数据矩阵X进行零均值化处理采用如下公式(2)：
E为归一化处理后数据，Xmax为原始响应数据矩阵每列的最大值，Xmin为原始响应数据矩阵每列的最小值，X为原始响应数据矩阵；
S2：对样本集E进行卷积核尺寸为n电极注意力特征提取得到长度为k向量先使用核大小为n的k个卷积核对原始信号进行卷积得到特征F，进一步的对F进行全局平均池化得到FGP，然后两次1*1卷积激活提取得到长度为k电极通道注意力特征注意力提取如下公式(3)、(4)、(5)
i,j代表输入信号e的维度，e∈E，ei,j代表e中第i行第j列的数，代表第l个卷积核第i行第j列的数，bl代表第l个卷积核的偏置
其中，H,W是特征U的维度大小，Fc是特征F通道数，i,j是第c个通道上的所属位置为(i,j)的值
其中f(FGp)为sigmoid激活函数；
S3：对样本集E进行卷积核尺寸为u方波注意力特征提取得到长度为w向量Ψ；
S4：将向量向量Ψ进行加权融合得到向量Τ；
S5：将向量Τ对原始输入进行融合得到λ，先将加权融合向量Τ对原始输入e进行融合得到λ，先将加权融合向量力Τ和输入信号e进行维度变换，Τ的维度大小由(k,v)变为(w,1)得到Τ'，输入信号e的维度大小由(1,k×n)变为(w,u)得到e，进一步的将注意力与输入信号利用广播机制进行融合得到Λ，如下公式(11)、(12)所示，最后将Λ重新进行维度变换得到λ，λ维度为(k×n,1)，
Λ＝Γ×e (12)，
S6：采用自适应动量随机优化方法对输入λ训练AIF-1DCNN神经网络，利用训练好的AIF-1DCNN神经网络模型对测试集进行分类检测；
其中，AIF-1DCNN神经网络模型中倒数第一个池化层后进行Flatten，最后通过Softmax分类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam梯度下降优化算法，确保损失函数迅速收敛至全局最小。
2.根据权利要求1中的一种基于AIF-1DCNN的电子舌白酒检测方法，其特征在于，步骤S3中使用核大小为u的w个卷积核对原始信号进行卷积，然后进行全局平均池化和两次1*1卷积激活得到长度为w的脉冲方波通道注意力特征Ψ，
其中k，n，w,u之间的关系满足公式(6)、(7)
w＝k×v (6)
k×n＝w×u (7)
其中v为单个电极的脉冲方波数，k为电极的数量，n为每个电极采集的数据长度，u为单个电极在单个方波持续时间内采集到的数据长度。
3.根据权利要求1中的一种基于AIF-1DCNN的电子舌白酒检测方法，其特征在于,步骤S4中进一步的将Ψ进行加权融合得到Τ，考虑到ψ中每个电极对应的脉冲方波，先对ψ进行维度变换得到Φ、Ψ，Φ的维度大小为(k,1)，Ψ的维度大小为(k,v)，如公式(8)、(9)所示，进一步的将Φ与Ψ利用广播机制进行乘法运算得到加权融合向量Τ，Τ的维度大小为(k,v)
Τ＝Φ×Ψ (10)。
4.根据权利要求1中的一种基于AIF-1DCNN的电子舌白酒检测方法，其特征在于，步骤S6中，AIF-1DCNN中的1DCNN卷积神经网络模块包括五个卷积层，其中卷积核使用1维卷积核，大小分别为1*32*16，1*32*8，1*64*4，1*64*2，1*64*2；卷积过程中将padding设置为“SAME”，步幅都为1，并选用Relu激活函数增加网络的非线性，其中，AIF-1DCNN神经网络模型中倒数第一个池化层后进行Flatten，最后通过Softmax分类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam自适应动量随机优化算法，确保损失函数迅速收敛至全局最小，最后利用训练好的AIF-1DCNN神经网络模型对测试集进行分类检测。
CN202111312263.2A 2021-11-08 2021-11-08 一种基于aif-1dcnn的电子舌白酒检测方法 Active CN114636736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111312263.2A CN114636736B (zh) 2021-11-08 2021-11-08 一种基于aif-1dcnn的电子舌白酒检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111312263.2A CN114636736B (zh) 2021-11-08 2021-11-08 一种基于aif-1dcnn的电子舌白酒检测方法

Publications (2)

Publication Number Publication Date
CN114636736A CN114636736A (zh) 2022-06-17
CN114636736B true CN114636736B (zh) 2024-11-15

Family

ID=81946680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111312263.2A Active CN114636736B (zh) 2021-11-08 2021-11-08 一种基于aif-1dcnn的电子舌白酒检测方法

Country Status (1)

Country Link
CN (1) CN114636736B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116671893B (zh) * 2022-08-16 2025-08-15 合肥工业大学 基于dwt-1dcnn的电子鼻新冠肺炎呼吸诊断装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486981A (zh) * 2021-07-30 2021-10-08 西安电子科技大学 基于多尺度特征注意力融合网络的rgb图像分类方法
CN113537278A (zh) * 2021-05-17 2021-10-22 南京益得冠电子科技有限公司 一种基于1d-cnn电子舌的酒检测方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090306741A1 (en) * 2006-10-26 2009-12-10 Wicab, Inc. Systems and methods for altering brain and body functions and for treating conditions and diseases of the same
US8930341B2 (en) * 2012-05-07 2015-01-06 Alexander Himanshu Amin Mobile communications device with electronic nose
US9140677B2 (en) * 2012-08-13 2015-09-22 Massachusetts Institute Of Technology Methods and apparatus for artificial olfaction
CN103645182B (zh) * 2013-12-13 2015-09-30 重庆大学 一种采用电子舌系统鉴定白酒香型的方法
WO2017040747A1 (en) * 2015-09-04 2017-03-09 Scion Neurostim, Llc Method and device for neurostimulation with modulation based on an audio waveform
CN110070069A (zh) * 2019-04-30 2019-07-30 重庆大学 一种基于卷积神经网络自动特征提取的茶叶分类方法
CN113313150A (zh) * 2021-05-17 2021-08-27 南京益得冠电子科技有限公司 一种基于pca及随机森林的电子舌检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537278A (zh) * 2021-05-17 2021-10-22 南京益得冠电子科技有限公司 一种基于1d-cnn电子舌的酒检测方法及系统
CN113486981A (zh) * 2021-07-30 2021-10-08 西安电子科技大学 基于多尺度特征注意力融合网络的rgb图像分类方法

Also Published As

Publication number Publication date
CN114636736A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN110045015B (zh) 一种基于深度学习的混凝土结构内部缺陷检测方法
CN112200211B (zh) 一种基于残差网络和迁移学习的小样本鱼识别方法及系统
CN109767438B (zh) 一种基于动态多目标优化的红外热图像缺陷特征识别方法
CN109767437B (zh) 基于k均值动态多目标的红外热图像缺陷特征提取方法
CN102262642B (zh) 一种Web图像搜索引擎及其实现方法
CN110413924A (zh) 一种半监督多视图学习的网页分类方法
CN103077402A (zh) 基于奇异值分解算法的变压器局部放电模式识别方法
CN108090498A (zh) 一种基于深度学习的纤维识别方法及装置
CN103473558A (zh) 基于神经网络的图像识别方法和系统
CN114529752A (zh) 一种基于深度神经网络的样本增量学习方法
CN114898136A (zh) 一种基于特征自适应的小样本图像分类方法
CN117994550B (zh) 一种基于深度在线锚点子空间学习的非完备多视角大规模动物图像聚类方法
CN103577841A (zh) 一种无监督多视图特征选择的人体行为识别方法
CN113537239A (zh) 一种基于全局关系感知注意力的高光谱图像波段选择方法
CN105678261A (zh) 基于有监督图的直推式数据降维方法
CN114488069A (zh) 基于图神经网络的雷达高分辨率距离像识别方法
CN108764357A (zh) 基于压缩-激发的聚合残差网络高光谱图像分类方法
CN114636736B (zh) 一种基于aif-1dcnn的电子舌白酒检测方法
CN111340748A (zh) 电池缺陷识别方法、装置、计算机设备和存储介质
CN116310620A (zh) 一种基于联合分布适配的零样本sar图像目标识别方法
CN105320963A (zh) 面向高分遥感图像的大尺度半监督特征选择方法
CN103310237B (zh) 手写体数字识别方法及系统
CN106780422A (zh) 一种基于Choquet积分的显著图融合方法
CN111242131B (zh) 一种智能阅卷中图像识别的方法、存储介质及装置
CN102142037B (zh) 一种基于功能磁共振成像的视频数据检索方法

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