-
公开(公告)号：CN106997475B
公开(公告)日：2019-08-13
申请号：CN201710103222.X
申请日：2017-02-24
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种基于并行卷积神经网络的害虫图像识别方法，与现有技术相比解决了害虫图像样本数量少导致害虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；构造并训练并行卷积神经网络模型；对待测图像进行收集和预处理；将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。本发明通过构造的并行卷积神经网络在样本数量不充裕的情况下使得网络训练更充分，并使得分类能力更强的特征发挥的作用更大。
-
公开(公告)号：CN107025431B
公开(公告)日：2019-06-18
申请号：CN201710105763.6
申请日：2017-02-24
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及基于深度特征与多核Boosting学习相结合的害虫图像识别方法，与现有技术相比解决了害虫图像识别率低的缺陷。本发明包括以下步骤：获取自然图像集；害虫图像的收集、标记和预处理；利用训练集的样本形成块级特征；利用多核Boosting学习的SVM训练多核分类框架；将测试集的样本形成块级特征后，输入训练完成后的多核分类框架中，进行害虫图像的自动识别。本发明利用了害虫图像的多层深度特征并与多核Boosting学习相结合进行害虫的图像识别，提高了害虫识别的准确率。
-
公开(公告)号：CN105488536B
公开(公告)日：2019-03-05
申请号：CN201510923464.4
申请日：2015-12-10
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06K9/62
摘要： 本发明涉及一种基于多特征深度学习技术的农田害虫图像识别方法，与现有技术相比解决了复杂环境条件下害虫图像识别性能差的缺陷。本发明包括以下步骤：针对大规模害虫图像样本进行多特征提取，提取大规模害虫图像样本的颜色特征、纹理特征、形状特征、尺度不变特征转换特征和方向梯度直方图特征；多特征深度学习，对不同类型特征分别进行非监督字典训练，获得不同类型特征的稀疏表示；训练样本的多特征表示，通过结合不同类型特征，构建害虫图像样本的多特征表示形式‑多特征稀疏编码直方图；构建多核学习分类器，通过学习害虫图像正负样本的稀疏编码直方图构建多核分类器，实现害虫图像的分类。本发明提高了害虫识别的准确率。
-
公开(公告)号：CN109064460A
公开(公告)日：2018-12-21
申请号：CN201810865344.7
申请日：2018-08-01
申请人： 中国科学院合肥物质科学研究院
CPC分类号： G06T7/0012 , G06Q10/04 , G06Q50/02 , G06T2207/10032 , G06T2207/20081 , G06T2207/20084 , G06T2207/30188
摘要： 本发明涉及基于多时序属性元素深度特征的小麦重度病害预测方法，与现有技术相比解决了无法针对小麦重度病害进行预测的缺陷。本发明包括以下步骤：基础数据的获取；小麦重度病害预测模型的构建；时序信息存储网络和深度卷积神经网络的联合训练；待预测图像和待预测环境信息数据的获取；小麦重度病害的预测。本发明从小麦病害发生的时序维度上图像、环境等多种特征因素出发，利用时序信息存储网络以及深度特征提取网络融合小麦重度病害多时序属性元素，自动学习和获知数据序列中不同时间段小麦病害的程度，从而实现针对于小麦重度病害的预测。
-
公开(公告)号：CN109034079A
公开(公告)日：2018-12-18
申请号：CN201810865356.X
申请日：2018-08-01
申请人： 中国科学院合肥物质科学研究院
CPC分类号： G06K9/00308 , G06K9/4609 , G06K9/6269
摘要： 本发明涉及一种用于人脸非标准姿态下的面部表情识别方法，与现有技术相比解决了无法在面部表情信息不全面的条件下进行表情识别的缺陷。本发明包括以下步骤：训练图像的收集和预处理；分类模型的构造；对待测图像进行收集和预处理；面部表情的识别。本发明基于预测分析技术在面部表情信息不全面的条件下预测出面部表情，以实现针对不同角度的人脸进行表情识别。
-
公开(公告)号：CN107808375A
公开(公告)日：2018-03-16
申请号：CN201710894729.1
申请日：2017-09-28
申请人： 中国科学院合肥物质科学研究院
CPC分类号： G06T7/0012 , G06K9/6288 , G06T2207/20076 , G06T2207/20081 , G06T2207/20084 , G06T2207/30188
摘要： 本发明涉及融合多种上下文深度学习模型的水稻病害图像检测方法，与现有技术相比解决了水稻病害检测未考虑其相关条件因素的缺陷。本发明包括以下步骤：训练样本的收集和预处理；基于深度学习融合水稻图像上下文信息获得水稻病害图像检测模型；待检测水稻图像的空间、位置、温湿度信息收集和预处理；病害在水稻图像中具体位置的标记。本发明不仅考虑了病害图像本身的特征，还考虑了采集时空间、时间、温湿度等相关因素，通过对水稻病害图像全局上下文训练模型、水稻病害图像局部上下文训练模型、水稻病害属性约束上下文训练模型的融合，提高了田间复杂应用情况下水稻病害图像检测与识别能力，提高了水稻病害图像检测率。
-
公开(公告)号：CN104077612B
公开(公告)日：2017-09-22
申请号：CN201410337582.2
申请日：2014-07-15
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种基于多特征稀疏表示技术的害虫图像识别方法，与现有技术相比解决了害虫图像识别方法在复杂现实环境中识别能力较差的缺陷。本发明包括以下步骤：害虫图像的多特征提取；构建多特征训练样本矩阵；多特征融合学习；多特征融合识别。本发明提高了害虫识别的准确率。利用害虫图像的颜色特征、形状特征以及纹理特征分别构造相应的特征训练样本矩阵，结合稀疏表示识别框架，通过融合颜色、形状、纹理三种特征下的识别结果，实现了不同特征的有效融合。
-
公开(公告)号：CN107044976A
公开(公告)日：2017-08-15
申请号：CN201710325155.6
申请日：2017-05-10
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法，与现有技术相比解决了土壤重金属含量检测速度慢的缺陷。本发明包括以下步骤：土壤样本的获取和预处理；构造基于堆叠式受限玻尔兹曼机深度学习技术的预测模型；预测模型的无监督训练；预测模型的有监督训练；土壤重金属含量的分析预测。本发明利用激光诱导击穿光谱与土壤重金属含量之间的映射关系，结合堆叠式RBM深度学习技术来进行土壤重金属含量分析预测。
-
公开(公告)号：CN107038410A
公开(公告)日：2017-08-11
申请号：CN201710102806.5
申请日：2017-02-24
申请人： 中国科学院合肥物质科学研究院
CPC分类号： G06K9/00657 , G06N3/0454 , G06N3/084
摘要： 本发明涉及一种基于深度堆叠网络的杂草图像识别方法，与现有技术相比解决了杂草识别率低、效率低下的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；构造并训练深度堆叠网络模型；对待测图像进行收集和预处理；将测试样本输入经过训练后的深度堆叠网络模型，进行杂草图像的自动识别。本发明构造的深度堆叠网络不但具有很强的特征表达与分类能力，还减少了训练时间与识别时间，增强了杂草识别的鲁棒性。
-
公开(公告)号：CN107025431A
公开(公告)日：2017-08-08
申请号：CN201710105763.6
申请日：2017-02-24
申请人： 中国科学院合肥物质科学研究院
CPC分类号： G06K9/00624 , G06K9/6269
摘要： 本发明涉及基于深度特征与多核Boosting学习相结合的害虫图像识别方法，与现有技术相比解决了害虫图像识别率低的缺陷。本发明包括以下步骤：获取自然图像集；害虫图像的收集、标记和预处理；利用训练集的样本形成块级特征；利用多核Boosting学习的SVM训练多核分类框架；将测试集的样本形成块级特征后，输入训练完成后的多核分类框架中，进行害虫图像的自动识别。本发明利用了害虫图像的多层深度特征并与多核Boosting学习相结合进行害虫的图像识别，提高了害虫识别的准确率。
-
-
-
-
-
-
-
-
-
搜索结果
142 条记录 (耗时 0.051 秒)
