1.通过双目视觉采集水果图像。2，提取水果的颜色特征，纹理特征，灰度特征等。3利用卷积神经网络对特征进行分类识别。识别率94%。可以用于生产实践。
根据深度学习的原理，用pytorch实现猫狗分类算法，识别率98%。时间在20ms内。利用自己修改的卷积神经网络实现的，值得学习的好例子
实现模板匹配算法，在待测图像中寻找模板区域，计算中心点，角度。模板和待检测图像中的ROI区域大小不一致，光照不一致。识别率100%。抗干扰能力强。是个非常好的例子。
能通过方差法，拉普拉斯能量函数 ，能量梯度函数，*Brenner函数法，*Tenegrad函数法 ，等，方法的原理，计算和评估出图像的清晰度
提出了一种基于深度学习的SSD改进模型，经典的SSD采用多尺度特征融合的方式，从网络不同尺度的特征做预测，但是没有用到底层的特征，通过引入RESNET和FPN模型，对原有模型进行改进，平均识别率达到90%以上。
本文以柑橘的虫伤、腐烂、炭浀，药伤，溃疡，灼伤，裂口等常见缺陷作为研究对象，采用经典算法，GAC模型算法，LBF模型算法对实验对象进行分割。经过实验，识别率能达到95%以上
