标志”src=

机器人杂志
PDF
机器人杂志/2021年/文章

研究文章|开放获取

体积 2021年 |文章的ID 3584422 | https://doi.org/10.1155/2021/3584422

鑫,胡锦涛吴,Xianhai杨,彭天雪,帅, ”多视图机器视觉研究的水果箱处理机器人基于内核改进的二维主成分分析网络”,机器人杂志, 卷。2021年, 文章的ID3584422, 13 页面, 2021年。 https://doi.org/10.1155/2021/3584422

多视图机器视觉研究的水果箱处理机器人基于内核改进的二维主成分分析网络

鑫李,1 胡吴,1 Xianhai杨,1 彭雪,2 和 帅谭2

1机械工程学院、山东科技大学、255000年淄博,中国

2国家工程研究中心生产设备,东营257091年,中国

学术编辑器:l .命运
收到了 2021年5月01
接受 2021年6月21日
发表 08年7月2021年

文摘

为了更好地实现果园智能机械化和降低工人的劳动强度,智能水果箱处理机器人的研究是必要的。第一个条件,实现情报是水果框识别,这是本文的研究内容。多视图的方法采用二维(2 d)认可。水果箱的多视图的数据集。为了结构的原始图像,内核二进制多视图模型的二维主成分分析网络(BM2DKPCANet)成立以减少数据冗余,增加之间的关系视图。水果箱的多视图识别方法,提出了结合BM2DKPCANet和支持向量机(SVM)分类器。性能验证了通过比较与主成分分析网络(PCANet),二维主成分分析(2 dpcanet)网络,内核网络(KPCANet)、主成分分析和二元多视图内核主成分分析网络(BMKPCANet)的识别率和时间消耗。实验结果表明,该方法的识别率是11.84%高于平均值的PCANet尽管它需要更多的时间。与KPCANet的平均值相比,识别率超过2.485%,节省时间是24.5%。模型可以满足水果箱的要求处理机器人。

1。介绍

随着国民经济的主要行业,农业生产的基本条件,精准农业的建议提出了更高的要求。水果行业作为一个劳动密集型的行业,有一个很大的劳动力需求和较低的工作效率。自动化和机械化产业链升级的迫切需要1]。随着人工智能的快速发展,水果识别和摘水果一直被研究[2]。有水果处理的研究相对较少3]。在农场和水果批发市场,水果箱的处理仍以手工劳动为主,耗时且labour-consuming。在新时期,体力劳动的成本逐年增加,这并不能满足精准农业的需求。为了实现智能处理,本文研究了基于机器视觉水果框识别。

根据不同的目标外观的造型方法,目标识别的研究成果近年来已分成三个类别(4):基于特征不变量,表示学习,深入学习。视图模型基于特征不变量提取多个图像的特点从不同的角度,然后训练分类器,是用于少量训练样本的场合。的研究主要集中在建设人工特征和分类算法,和许多优秀作品已经出现。由于需要提前学习目标的特征不变性,候选人特性有字符如弱适应性,泛化能力较差,和大型应用程序的限制。它有大的特征描述向量维度,分类器的训练成本高。研究者提出了基于子空间学习解决问题的方法,而转换成低维的高维特征向量。子空间分类器的训练。典型的代表方法如下:主成分分析(PCA)基于无监督学习和线性判别分析(LDA)基于监督学习。在此基础上,数据较低维度的方法,强噪声处理能力,提出了效率高,如健壮的PCA (RPCA),归纳RPCA (IRPCA),核主成分分析(KPCA),二维主成分分析(2神龙公司),和歧视低秩和稀疏编码(D-LSPFC)主要特性。随着大量的公众形象的出现数据集,基于深度学习的目标识别方法研究了越来越多。 The models based on convolutional neural network (CNN) promoted the development of computer vision in particular by virtue of its strong nonlinear feature expression ability and good generalization performance. Region CNN (R-CNN) [5应用深度学习在第一次的目标识别。然后深卷积神经网络快速R-CNN [6]和更快的R-CNN [7)提出了结合训练和测试过程中,大大提高了识别精度和效率。产品集成的模糊逻辑推理和神经网络的自学习能力,neurofuzzy网络也被广泛应用(8]。CNN-based单射探测器(SSD) [9有人知道由罗()和10]深学习对象检测方法进一步提高一个新的高度实时效果。在此基础上,提出YOLOv2 [11和YOLO V3意思12逐渐改善了运行速度和鲁棒性,检测性能显著提高。YOLO V4(意思13]双提高速度和准确性,实现了CSPDarkNet53 + SPP + PANet (path-aggregation-neck) + yolov3-head模型。不可否认的影响基于深度学习的目标识别算法是非凡的,和识别精度远远高于传统的手工方法和学习方法的表示。然而,不容忽视的目标识别仍有很大的挑战在某些场合,如目标重叠,部分阻塞,相似性高,复杂的环境,强烈的干扰。复杂的模型的方法,训练时间长和高要求的硬件计算能力影响了在移动机器人中的应用。

三维(3 d)对象,直接三维特征的提取和识别水果箱导致复杂的计算和存储高操作。本文采用基于视图的方法,也就是说,3 d对象表示通过多个视图。常见的3 d对象识别方法,多视图学习模型和识别方法也得到更多的关注。multiview-based卷积神经网络(MVCNN)始建于14]。最大池层混合多个视图的功能。MVCNN模型的收敛速度和较低的低效率特征提取,因为它不是端到端网络。端到端组对卷积神经网络(GPCNN)成立于15]。小规模的问题可以得到解决。这部小说成对多视图卷积神经网络(PMV-CNN)提出了16],它关注之间互补信息视图。特征提取和目标识别统一到CNN。它可以提高特征提取的鲁棒性明显当训练样本的数量是很小的。为了弥补缺点造成的随机选择在多视图识别图像,一个多视图的歧视和成对卷积神经网络(MDPCNN)获得通过添加片层和Concat层(17]。模型验证了同类密实度好,组内的分离性。的multiview-based暹罗卷积神经网络利用18]。一个端到端的多视图三维指纹学习模式提出了在19),其中包括完整的卷积网络和暹罗三个网络。中使用的多视图发生器模块(20.)项目的3 d点云飞机在特定角度。保留底层特征的前提下,空间采用回输法操作实现不同预测之间的互动,和功能重建的目标识别。基于semisupervised学习和期望最大化,一个多视图融合策略分类方法提出了品牌传播的能力(21]。一个端到端的云卷积神经网络是建立在22基于投影网络机制。点云是投射到一个二维视图与丰富的判别功能,和鲁棒性和精度显著提高。多视图特性预测编码为二进制的(23]。块聚识别描述符的统计特性。虽然上面的方法取得了良好的效果,但基于卷积神经网络(CNN)模型也有一些问题,如结构复杂,训练周期长。他们似乎并没有水果箱搬运机器人的最佳选择。从上面的研究,可以得出的结论是,考虑到多个视图之间的关系可以提高识别的准确性和鲁棒性,以及二进制编码方法可以提高模型的运行效率,也成为研究因素的新模型。

没有系统是完美的。隐藏的状态可以刺激系统中不可避免的不确定性,这些不确定性之间的关系和对象系统可以建立以改善系统性能24]。虽然水果包装箱一般常规的立方体,传统的基于规则的特征提取和识别方法不能达到更好的效果,因为各种各样的水果和表面的影响模式,颜色,和周围的环境。因此,深入学习算法更优越。当前的深度学习目标识别算法是一个端到端的解决方案;也就是说,它是在一个步骤完成从输入图像输出任务的结果,但它是在阶段完成内部图像特征提取网络分类和回归。针对经典的CNN参数的训练时间长,简单的主成分分析网络(PCANet)始建于25]。CNN的卷积层引入经典的特征提取框架”功能Map-Pattern Map-Histogram。“无人监督的层次特征。造成的高计算复杂度的迭代和优化是可以避免的。它被广泛用于简单的模型和快速计算。由于PCA不能提取图像之间的非线性关系,内核主成分分析网络(KPCANet)模型成立于(26比PCANet],它取得了更好的分类结果。为了消除冗余的multiperspective视图,我们的团队提出了一个二进制多视图内核主成分分析网络(BMKPCANet)模型(27多视图对象识别)。然而,模型二维图像矩阵转换成向量特征提取时,原始图像结构被破坏,和计算也大,所以我们改进模型。灵感来自于二维主成分分析(2 dpcanet)网络(28内核)和二维主成分分析(2 dkpca) (29日),水果箱的图像处理2 dkpca,和一个新的多视图特征提取模型成立。综述了这项工作的主要贡献如下:(1)内核二进制多视图的二维主成分分析网络(BM2DKPCANet)模型建立了提取聚类特性,可以减少数据冗余,实现二进制多视图集群。(2)水果箱的多视图识别方法,提出了结合BM2DKPCANet模型与支持向量机(SVM)。(3)该方法是与PCANet相比,2 dpcanet KPCANet和BMKPCANet模型在水果箱数据集和乙- 80和线圈- 100公共数据集。以识别的准确度和时间消耗作为评价指标,实验表明,该方法的识别性能优于其他方法。

接下来的工作是组织如下。基于2神龙公司和KPCA方法介绍了部分2。水果箱图像的获取方法从多视图的角度介绍了部分3。提出BM2DKPCANet算法的特征提取过程和识别过程的水果箱也节中详细讨论3。实验过程、结果和讨论部分所示4。最后,总结了研究和未来工作部分5。

为了减少样本维度和获得多个像素之间的非线性关系,有些学者提出了一系列算法的合成2神龙公司[的优点30.]和KPCA [31日]。一和李32]提出了基于2神龙公司,直接从二维图像中提取非线性特征。的非线性相关分析矩阵实现了。但是,内核矩阵的存储要求更高的训练样本大时。周et al。33)计算内核矩阵的低秩近似分解使用柯列斯基分解方法实现非线性特征提取。计算效率很低在测试阶段。徐et al。34)使用拉普拉斯2 dkpca后减少维度。崔et al。35]提出了增量2 dkpca (I2DKPCA),这减少了计算速度,提高了特征提取的性能。Zhang et al。29日内核)建立了二维主成分分析(2 dkpca)框架。单方面的性能2 dkpca(行和列)和双边2 dkpca面对和对象认识比较,分别。穆罕默德et al。36由双方2 dkpca]历史匹配参数。香等。37)实现降维高光谱图像使用分段row-column K2DPCA方法。为了减少内核矩阵的存储需求和计算复杂度,提出了块方法[38,39),改变了大内核矩阵分成几个小内核矩阵,然后结合小内核的特征向量矩阵。小王和周40)混合图像块和向量方法。内核矩阵的规模减少通过几个相邻的行或列的图作为nonmapping计算单位。陈等人。41)提出了双向内核四元数二维主成分分析(BD2DKQPCA)彩色图像识别。内核矩阵被用来替代样本之间的协方差矩阵,避免了高维空间的高复杂性的计算。然后他们改善2 dkqpca通过添加块过程(42]。根据四元数埃尔米特矩阵的特点,主对角线的模块,在主对角线,backdiagonal方向进行了分析。

通过上述算法的研究,考虑到识别和计算性能,本文采样图像块提取图像特征。它被证明用于算法的识别性能优于row-oriented算法通过实验提出B2DKPCA [38),双向二维KQPCA (BD2DKQPCA) [41),基于块2 dkqpca [42]。这工作采用用于算法进行2 dkpca;即图像的列向量样本映射到高维空间通过非线性映射函数。内核矩阵代替协方差矩阵。

3所示。材料和方法

3.1。实验材料
3.1.1。建立多视图数据集的水果箱

这项工作采用了多视图功能方法收集图片。原则,确保投影视图的集合是尽可能小,可以代表许多常见的态度盒,几个二维预测不同的观点是用来描述框的功能。为了描述和建立视觉模型最好,固定视图和盒子之间的相对位置关系转化为不同位置之间的关系相对运动的观点和固定框。各种姿势观察收集盒的正常操作下运动的观点。因为盒子的两端有相同的模式一般来说,多个半弧角度投影模型成立,如图1。绿色弧面上的相机不停地移动,和多个不同姿势的盒子。


图1
图像采集方法。

半弧观点表面必须被划分成小的区域获得的投影三维目标有不同的态度。视图区域合理划分和分布式的观点,以确保投影视图集尽可能小,可以代表多个共同态度的盒子。的分布所描述的观点是表示地理经度和纬度的基于统一的部门和形态学的概念图法(43)来模拟盒子的姿势在现实情况中,如图2。盒子的投影在每个角度对应于一个二维图像,分别和多视图投影模型的构造。


图2
分布的观点。

实验对象来自周家镇的水果批发市场,淄博城市,山东,中国。总共15个不同类型选择10种水果盒在实验中,它被定义为apple1, 2代,apple3, watermelon1, watermelon2, orange1, orange2, cantaloupe1, cantaloupe2,石榴,梨子,榴莲,椰子,香蕉,菠萝,如图3。多视图集合进行了每个类别的盒子,如图所示4。200每个类别的样本被保留。图像尺寸归一化到32×32岁,和灰色处理。


图3
类别的水果箱数据集。

图4
multiviews方法收集图片。
3.1.2。多视图的公共数据集

为了充分验证提出的多视图识别算法的性能,识别性能测试也在进行公共数据集eth - 80 (44)和线圈- 100 (45]。eth - 80数据集包含8种类。每个物种是一个图像组10个不同的对象,其中包含41每个对象从不同角度拍摄的图像。4每个物种的对象被随机选中形成训练集,剩下的是作为测试集。线圈- 100数据集包含100个对象的图像。每个对象是在72内的不同角度360°周长。训练集是由随机的720的图片对象。部分的图像eth - 80和线圈- 100图所示5。

(一)”name=
(一)
(b)”name=
(b)
图5
公共的部分样本数据集(a) eth - 80和(b)线圈- 100。
3.2。基于2 dkpca BM2DKPCANet模型
3.2.1之上。特征提取模型的建设

由于图像数据库是由几个二维多视图图像,这些图像尽可能代表的共同体式框,导致大量的数据冗余。为了减少不必要的数据存储,本文增加了特征提取的聚类步骤模型的水果箱,如图6。根据相关研究主成分分析网络,两层2 dkpca网络构建。提取的特征向量二进制集群编码在同一时间。的聚类特性表示十进制是块直方图变换,得到的聚类特征提取是完成。


图6
BM2DKPCANet模型。
3.2.2。BM2DKPCANet模型

(1)第一个2 dkpca。数据库的图像大小调整米×n。作为输入层我我,滑动由补丁抽样k×k窗口。所有样本补丁聚集和级联。的jth的补丁我被定义为图像x我,j。的我图像可以表示为 在哪里 是行和补丁的数量吗 补丁的数量在列。贬低样本补丁得到如下:

当地的特征矩阵我图像可以写成

后做同样的进步对于其他图片,功能分析基于在本地执行2 dkpca特征矩阵。由于不需要显式形式映射后,为了避免复杂的计算在高维空间中,样本映射后的协方差矩阵被内核所取代矩阵(41]。训练样本矩阵我我(我= 1,2,…年代)∈R米×n转换成当地特征矩阵X我(我= 1,2,…年代)∈ 补丁后滑动抽样。的尺寸列方向内核矩阵S训练样本Smn×Smn,这就需要大量的计算。这项工作采用平均列向量替换原来的锰列向量(29日];的样本训练成为非线性映射 ;也就是说, 在哪里我= 1,2,…年代,t= 1,2,…锰。年代在内核中训练样本可约表示特征空间如下:

然后内核矩阵可以表示为

维数降低年代×年代,计算复杂度大大降低。内核矩阵K1是集中的46),这样 在哪里1矩阵的顺序年代的所有组件都是1。相对应的特征向量l1最大特征值的 被作为第一层的内核主成分过滤网络。

的训练样本我我在zero-filled边界与第一层2 dkpca滤波器卷积, 在哪里 是二维卷积, ,和l1过滤器的第一2 dkpca。

(2)第二2 dkpca。采取前两dkpca的输出作为输入第二2 dkpca,作为第一个2 dkpca重复相同的过程。图像的非线性高维映射矩阵进行了。内核矩阵K2计算和集中 约。第一个l2内核的主成分特征 被用作滤波器卷积内核 第二层的网络:

类似地,输出的第一个2 dkpca进一步复杂,和第二个2的输出dkpca可以获得:

(3)二进制哈希功能集群。同样,输出的第一个2 dkpca进一步复杂,和第二个2的输出dkpca可以获得:为了减少造成的数据冗余multiangle收购盒子形象的过程,在这个阶段进行聚类操作。双聚类算法(47)使用二进制编码技术来解决多视图聚类的问题。二进制编码和集群的多个视图联合优化的同时。大数据存储和长耗时的操作的问题也得到了改善。它大大减少了计算时间和存储空间。提高速度和效率。模型提出了编码和集群多视图数据同时,和总优化函数设置为 在哪里 的重量吗米th视图,米= 1,…,米。不同的观点有不同的权重。r> 1是标量控制权重。 , 是协作的二进制代码我th实例,每个编码B由聚类质心的产物吗C和指标向量 。 是映射矩阵米视图。 是基于非线性RBF核函数之间的映射的输出特性第二2 dkpca和随机选择采样点米视图。 是负的常数。 和 正则化参数。

优化问题分为若干子问题。U米,B,C,G, 进行了优化和更新交替的交替优化策略。一些变量更新时,其他变量是固定的。相应的优化成本函数如下;的样本训练成为非线性映射 ;也就是说, 在反对不变对吗B。H每个距离吗B集群中心。直到总优化函数最优,二进制散列聚类优化完成。

(4)的输出块直方图特征。l2为每个输入输出特性 在第二个2 dkpca的二进制单元向量集群和优化作为一个整体。每个优化特性转换成小数, 在哪里 ,每个像素是一个整数 。Z每个块 通过直方图统计 。可以通过连接一个向量 , 在哪里 BM2DKPCANet的特征吗我th样本下米视图。

3.2.3。水果框识别基于BM2DKPCANET模型

提取的水果箱功能BM2DKPCANet模型输入到分类器进行训练识别。分类器的性能直接决定了识别准确度和分类速度。支持向量机(SVM)是广泛应用于模式识别领域由于其突出的优势在解决非线性高维小样本模式识别(48,49]。这项工作也使用支持向量机作为分类器。根据先前的研究27),径向基函数(RBF)被选为内核函数,特征映射到高维空间寻找最优超平面。正确识别不同种类的水果箱实现。水果箱的具体识别过程如图7。


图7
流程图的水果框标识。

4所示。结果与讨论

实验是由Matlab2017b和Python集成环境Anaconda3英特尔(R)上的至强(R)的CPU e5 - 1650 v4@3.6 GHz, 64 GB的RAM, NVIDIA GeForce GTX 10808 g GPU平台。分类器内核参数选择的网格搜索法和交叉验证法根据LibSVM软件包。惩罚参数C= 58和γ= 2测定。以下实验分析了参数对模型性能的影响以10测试后的平均精度为评价指标。识别精度作为评价指标: 在哪里n图像数据集的总数, 是真实的图片,地图(c我)是分类预测的算法。如果 ,然后 ;否则 。

4.1。核函数的影响

KPCA是主成分分析的非线性扩展使用内核技术。核函数的选择与数据集的提取非线性特征,直接影响模型识别的性能。本文研究了常用的核函数对BM2DKPCANet的性能模型,如线性多项式,PolyPlus高斯和乙状结肠内核函数。相应的表达式如下: 在哪里 都是真实的常数。这个定义的工作c= 0,d= 3,σ= 1,α= 1/2。 矩阵的行向量是改变。核函数对模型性能的影响在同一环境参数进行了研究,如图8。可以看出,采用高斯核函数模型可以实现最佳的识别效果。


图8
内核函数的性能比较。
4.2。滤波器参数的影响
4.2.1。准备过滤器的数量的影响

补丁的大小、块大小和重叠率设置为5×5,8×8,分别和0.5。过滤器的数量的影响在模型的性能进行了研究,如图9。水果盒上的蓝线代表了精度数据集第一2 dkpca当过滤器的数量被选中范围内从2到14。精度趋于稳定的时候l1≥8。选择第二个2 dkpca过滤器进行l1= 8。红色的线条代表的水果箱数据集上的准确性,当第二2 dkpca过滤器被数的选择范围内从2到14。精度正在企稳时l2≥6。l1= 8,l2= 6组会在接下来的实验。


图9
框识别精度与不同数量的过滤器。
4.2.2。补丁的大小和块大小的影响

由于PCA过滤的条件 ,最小块大小设置 。为了观察补丁的影响大小和块大小的识别模型,定义为4×4块大小,8×8,16×16。最大的补丁大小被设置为13×13。精度不同的块大小和不同的块大小的水果箱数据集如图10。它可以得到精度随着块大小的增加而增加。而更大的块大小将会失去一部分的第一层网络的特性25),块大小设置为5×5,与块大小设置为8×8。


图10
影响抽样块和柱状图块水果包装盒上的认可。
4.2.3。重叠率的影响

通过验证,重叠块不仅提高目标探测精度(50),但也在某种程度上抵抗几何旋转和缩放变化。鲁棒性也增强[51]。为了加强水果盒、空间信息重叠分区进行。块的重叠率从0.1到0.9,分别。重叠的影响比水果包装盒上识别与其他最优参数如图11。可以看出,当块重叠比率为0.6,模型的识别性能是最优的。


图11
块重叠的影响比水果包装盒上的认可。
4.3。实验结果分析

为了验证该算法的识别能力对水果包装盒子,80每种类型的包装箱的图片被随机选择训练样本,和其他120个图像作为测试样本。实验完成了最优参数。不同类别的识别精度表所示1。水果箱的整体识别满足需求处理机器人。,都为台苹果3代watermelon1、orange2 cantaloupe2,梨,菠萝,等等,顶部和侧表面很容易混淆,导致较低的精度。平均准确率是92.89%,这增加了2.09%相比BMKPCANet [27)模型。
类别 正确的识别号码 精度(%)
apple1 115年 95.83
2代 117年 97.5
apple3 109年 90.83
watermelon1 108年 90年
watermelon2 111年 92.5
orange1 116年 96.67
orange2 109年 90.83
cantaloupe1 113年 94.17
cantaloupe2 107年 89.17
石榴 118年 98.33
梨 106年 88.33
榴莲 111年 92.5
椰子 112年 93.33
香蕉 111年 92.5
菠萝 109年 90.83
表1
识别不同类别的准确性。

这个模型与PCANet [24),2 dpcanet [28],KPCANet [26],BMKPCANet [27)的识别率和时间正常化验证BM2DKPCANet的性能模型,如图12。可以看出,尽管提出BM2DKPCANet模型比PCANet-related模型,有更多的时间消耗的识别率是11.84%高于平均水平PCANet-related模型和比KPCANet-related模型的平均高出2.485%。此外,BM2DKPCANet可以保存的时间消费平均为24.5%。考虑到这一点,BM2DKPCANET模型比其他水果框识别模型。


图12
比较模型性能的水果箱数据集。

相同的模型参数的识别实验来验证提出的多视图识别算法。模型性能的比较eth - 80和线圈- 100所示的数据13和14,分别。很容易发现提出BM2DKPCANET模型与其他模型相比可以达到较高的识别精度。


图13
比较模型性能的eth - 80数据集。

图14
比较模型性能的线圈- 100数据集。

它可以证明BM2DKPCANET模型取得了良好的识别效果的三个数据集实验结果的一部分。与PCANet和2 dpcanet模型相比,该模型采用核主成分分析方法,使非线性映射到一个高维空间的特性,然后进行PCA降维。提取图像的非线性关系,而计算比PCA更复杂,需要更多的时间。识别精度大为提高。在KPCANet KPCA和BMKPCANet模型相比,该模型不需要将二维矩阵转换为一维向量但直接需要的平均列向量方法基于二维图像,这不仅不会破坏原始图像的结构信息尽可能多的,但也大大降低了复杂性。因此,不仅识别率更高,但它也提高了效率。

5。结论

为了减少劳动强度处理水果果园的水果和水果市场,本文研究了识别基于机器视觉的水果盒。3 d的识别箱子被转换成二维图像的特征提取。为了最初的2 d图像的结构,建立了BM2DKPCANet模型进行两层2 dkpca分析2 d图像。二进制增加了聚类算法在特征提取阶段,减少数据冗余造成的多视图的收购。水果箱的多视图识别方法提出了基于RBF BM2DKPCANet模型与支持向量机分类器相结合。实验结果表明,该方法的识别精度高于11.84%的平均PCANet KPCANet模型的模型和平均高出2.485%,可以满足自动快速识别水果箱的要求处理。这对实现智能机械化奠定了基础的水果箱处理,减少水果农民的劳动强度。

数据可用性

在这项研究中提出的数据集都可以在请求从相应的作者。

的利益冲突

作者宣称没有利益冲突有关这项研究的出版物。

确认

作者感谢工人在淄博水果批发市场。这项研究是由中国国家自然科学基金(批准号52075306)。

引用

  1. r·h . Wang, y高,c .曹l .通用电气和x谢,“目标识别和定位与单眼PTZ摄影机的移动机器人,”机器人杂志文章ID 8789725卷,2019年,页1 - 12,2019。视图:出版商的网站|谷歌学术搜索
  2. j .元,“选择性收获机器人技术的研究进展分析,“中国农业机械学会的事务,51卷,不。9 - 17,2020页。视图:出版商的网站|谷歌学术搜索
  3. h . t .非政府组织,v . n . s . Huynh, t . p .阮和h Nguyen“可持续农业:稳定的鲁棒控制存在不确定性的多功能室内运输农产品,“农业,10卷,不。11日,第618 - 523页,2020年。视图:出版商的网站|谷歌学术搜索
  4. m·h·李”,目标识别和跟踪基于结构稀疏表示,“中国电子科技大学,成都,中国,2020年,博士论文。视图:出版商的网站|谷歌学术搜索
  5. r . Girshick j·多纳休、t·达雷尔和j·马利克,“丰富的特性准确的对象层次结构检测和语义分割”《IEEE计算机学会学报计算机视觉与模式识别会议(大会)哥伦布,页580 - 587年,哦,美国,2014年6月。视图:出版商的网站|谷歌学术搜索
  6. 在r . Girshick“快速R-CNN。《IEEE计算机视觉国际会议(ICCV),页1440 - 1448,圣地亚哥,智利,2015年12月。视图:出版商的网站|谷歌学术搜索
  7. 任,k .他、r . Girshick和j .太阳,“快R-CNN:对与地区建议网络实时目标检测,”IEEE模式分析与机器智能,39卷,不。6,1137 - 1149年,2017页。视图:出版商的网站|谷歌学术搜索
  8. m . Bucolo l .命运m . Nelke a·里索和t . Sciacca”预测模型对腐蚀现象在纸浆和造纸工厂,”控制工程实践,10卷,不。2、227 - 237年,2002页。视图:出版商的网站|谷歌学术搜索
  9. d . w . Liu Anguelov, d . Erhan et al .,“SSD:单身multibox探测器拍摄,”计算机视觉的欧洲会议(大会),页21-37,阿姆斯特丹,荷兰,2016年10月。视图:出版商的网站|谷歌学术搜索
  10. j . Redmon s Divvala r . Girshick,哈蒂,“你只看一次:统一、实时检测,”《IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页779 - 788年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
  11. j . Redmon和a·哈蒂”YOLO9000:更好,更快,更强”《IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页7263 - 7271年,美国,2017年7月,你好。视图:出版商的网站|谷歌学术搜索
  12. r·约瑟夫和f·阿里“YOLOv3:增量改进,”2018年,https://arxiv.org/abs/1804.02767v1。视图:谷歌学术搜索
  13. a . Bochkovskiy c . y . Wang和h . y .廖”YOLOv4:最优目标检测的速度和准确性,”2020年,https://arxiv.org/abs/2004.10934。视图:谷歌学术搜索
  14. h·苏s Maji、大肠Kalogerakis和e . Learned-Miller“视点卷积神经网络对3 d形状识别,”《IEEE计算机视觉国际会议(ICCV),页945 - 953,华盛顿特区,2015年12月美国。视图:出版商的网站|谷歌学术搜索
  15. x z高,d . Wang,他和h·张,“组对卷积神经网络基于多视点三维对象检索”三十二AAAI会议进行人工智能,页1 - 8,新奥尔良,洛杉矶,美国,2018年2月。视图:谷歌学术搜索
  16. z高,d . y, y . b .雪g . p .徐h . Zhang和y l .王”3 d对象识别基于成对视点卷积神经网络,”杂志的视觉传达和图像表示卷,56号10日,305 - 315年,2018页。视图:出版商的网站|谷歌学术搜索
  17. 高z、h·雪和广域网,“多个歧视和成对CNN对基于3 d对象检索”神经网络,卷125,不。2、290 - 302年,2020页。视图:出版商的网站|谷歌学术搜索
  18. h·李、郑y . j .曹,Cai,“Multi-view-based暹罗卷积神经网络对3 d对象检索”计算机与电气工程,卷78,不。7,乳,2019页。视图:出版商的网站|谷歌学术搜索
  19. 林c和a·库马尔,“非接触式和部分三维指纹识别使用视点深表示,“模式识别卷,83年,第327 - 314页,2018年。视图:出版商的网站|谷歌学术搜索
  20. y, f, f, d .曾Y.-M。霁,X.-Y。京,“视点语义学习网络检测、基于点云的三维对象”Neurocomputing,卷397,不。3、477 - 485年,2020页。视图:出版商的网站|谷歌学术搜索
  21. x x y, s .郭郭,h .任和l·李,“视点SAR目标识别分类与semi-supervised学习,”信号处理文章ID 108030卷,183年,2021年。视图:出版商的网站|谷歌学术搜索
  22. 陈x, y,和h . Najjaran”端到端3 d对象模型检索,将点云投射在一个独特的识别二维视图中,“Neurocomputing卷,402年,第345 - 336页,2020年。视图:出版商的网站|谷歌学术搜索
  23. m . Bucolo a . Buscarino c . Famoso l .命运和m . Frasca“不完美的动力系统,控制”非线性动力学,卷98,不。4、2989 - 2999年,2019页。视图:出版商的网站|谷歌学术搜索
  24. j·l·范b Zhang,腾,s . Li和d·张,“共同学习紧凑多视点哈希码few-shot FKP识别,”模式识别文章ID 107894卷,115年,2021年。视图:出版商的网站|谷歌学术搜索
  25. 郭宏源。Chan k .贾美国高,j . Lu z曾庆红,和y妈,“PCANet:一个简单的深度学习基线图像分类?”IEEE图像处理,24卷,不。12日,第5032 - 5017页,2015年。视图:出版商的网站|谷歌学术搜索
  26. r . j . d . Wu s . Wu曾庆红,l . y .江l . Senhadji h . z蜀,“核主成分分析网络图像分类”,东南大学学报(英文版)没有,卷。31日。4、469 - 473年,2015页。视图:出版商的网站|谷歌学术搜索
  27. 李x n、h·吴和x h·杨,“视点识别基于特征聚类的水果包装箱角,“高技术信47卷,2021。视图:谷歌学术搜索
  28. d . Yu和X.-J。吴”,2 dpcanet:深入学习网络人脸识别,”多媒体工具和应用程序,卷77,不。10日,12919 - 12934年,2018页。视图:出版商的网站|谷歌学术搜索
  29. d·张,陈s, z周”认识的脸或对象从一个形象:线性和内核模式的方法,”联合IAPR学报》国际研讨会在结构和句法模式识别和统计技术在模式识别、信号4109,页889 - 897,香港,中国,2006年8月。视图:谷歌学术搜索
  30. j .剑,d, a . f . Frangi j.y. Jing-yu阳,“二维主成分分析:外貌的脸表示和识别新方法,”IEEE模式分析与机器智能,26卷,不。1,第137 - 131页,2004。视图:出版商的网站|谷歌学术搜索
  31. b . Scholkopf a Smola, K.-R。穆勒:“作为一个内核特征值问题,非线性成分分析”神经计算,10卷,不。5,1299 - 1319年,1998页。视图:出版商的网站|谷歌学术搜索
  32. v . d . m .一和李,“基于2神龙公司为人脸识别,”《2007年IEEE国际研讨会上信号处理和信息技术页35-39吉萨金字塔,埃及,2007年12月。视图:出版商的网站|谷歌学术搜索
  33. 周,y郑,xμ,“K2DPCA基于柯列斯基分解的人脸识别方法,”系统Engineering-Theory&Practice,36卷,不。2、528 - 535年,2016页。视图:出版商的网站|谷歌学术搜索
  34. m .徐、徐d和m .魏”人脸识别与拉普拉斯算子eigenmaps基于2 d-kpca,”计算机应用研究,34卷,不。7,2212 - 2215年,2017页。视图:出版商的网站|谷歌学术搜索
  35. 崔y s小泽,m·李,“增量二维核主成分分析,Neurocomputing卷,134年,第288 - 280页,2014年。视图:出版商的网站|谷歌学术搜索
  36. m . Esmaeili m·艾哈迈迪,a .大使”基于二维主成分分析应用参数化的历史匹配,”石油科学与工程》杂志上文章ID 107134卷,191年,2020年。视图:出版商的网站|谷歌学术搜索
  37. y, g·杨,j·张,王,“降维高光谱图像使用分段row-column内核二维主成分分析方法,”红外技术,39卷,不。12日,第1113 - 1107页,2017年。视图:谷歌学术搜索
  38. n .太阳H.-x。王,Z.-h。霁,C.-r。邹,l .赵”一个高效的算法内核二维主成分分析,“神经计算和应用,17卷,不。1,59 - 64年,2007页。视图:出版商的网站|谷歌学术搜索
  39. a . Eftekhari m . Forouzanfar h . Abrishami穆贾达姆,和j . Alirezaie”基于块2 d内核PCA / LDA对人脸识别,”信息处理信件,卷110,不。17日,第766 - 761页,2010年。视图:出版商的网站|谷歌学术搜索
  40. l . Wang和x周”,近似内核2神龙公司的混合向量和矩阵表示,“国际会议上计算情报和安全,12卷,不。3、1298 - 1302年,2011页。视图:出版商的网站|谷歌学术搜索
  41. j . b . Chen Yang, b .全和x张“内核四元数主成分分析及其应用在RGB-D对象识别中,“Neurocomputing卷,266年,第303 - 293页,2017年。视图:出版商的网站|谷歌学术搜索
  42. j·h·b·j . Chen Yang, c . n .粉丝问:t·苏和d . c .王”基于块内核四元数二维主成分分析,“北京邮电大学杂志》上,42卷,不。1,53-60,2019页。视图:出版商的网站|谷歌学术搜索
  43. h .彭黄k, l . t, t . x张“视点建模基于泽尼克时刻的三维目标,“红外与激光工程,34卷,不。3、292 - 296年,2005页。视图:谷歌学术搜索
  44. b Leibe和b . Schiele外观对象分类和基于轮廓的方法,分析”2003年IEEE计算机学会学报计算机视觉与模式识别会议麦迪逊,页409 - 415年,WI,美国,2003年6月。视图:谷歌学术搜索
  45. s . a . Nene s·k·纳亚尔,h . Murase20哥伦比亚对象图像库(线圈),cuc - 005 - 96纽约:计算机科学系,纽约,纽约,美国,1996年。
  46. 胡锦涛和z z . j . r . Yu”模型验证方法与基于核主成分分析的多变量输出”《北京航空航天大学,43卷,不。7,1470 - 1480年,2017页。视图:出版商的网站|谷歌学术搜索
  47. f .沈张z l . Liu, h·t·沈和l .邵“二进制多视点集群,”IEEE模式分析与机器智能第41卷。。7,1774 - 1782年,2019页。视图:出版商的网站|谷歌学术搜索
  48. 曹张x、z杨和美国,“光谱检测方法对冷却损害基于支持向量机的红薯,”中国农业机械学会的事务,51卷,不。2、471 - 477年,2020页。视图:出版商的网站|谷歌学术搜索
  49. h, h .太阳,施p”芯片高精度SMT设备外观检查方法,”机器,9卷,不。2,p。2021名。视图:出版商的网站|谷歌学术搜索
  50. r·h·苗族h·杨和h . y . Liu, j·l·吴“杂草识别重叠菠菜叶子基于图像子块和重建,”中国农业工程学会的事务(CSAE的事务),36卷,不。4、178 - 184年,2020页。视图:出版商的网站|谷歌学术搜索
  51. x y . Wang康,陈y”的强大而准确的检测图像使用PCET-SVD copy-move伪造和直方图的块相似性措施,”《信息安全与应用程序,54卷,不。2020年10篇文章ID 102536。视图:出版商的网站|谷歌学术搜索

版权©2021年鑫李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点377年
下载394年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。