-
公开(公告)号：CN111476315A
公开(公告)日：2020-07-31
申请号：CN202010342622.8
申请日：2020-04-27
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种基于统计相关性与图卷积技术的图像多标签识别方法，与现有技术相比解决了未充分考虑多标签图像中对象之间关系的缺陷。本发明包括以下步骤：多标签图像的收集和预处理；计算标签之间的相关性；构建图像多标签识别网络；对图像多标签识别网络进行训练；待检测多标签图像的获取；图像多标签识别结果的获得。本发明利用图像标签数据学习邻接矩阵，通过图卷积网络更新图像中对象特征表示，结合全局特征残差提升图像多标签分类性能。
-
公开(公告)号：CN107179291B
公开(公告)日：2020-02-14
申请号：CN201710325019.7
申请日：2017-05-10
Applicant: 中国科学院合肥物质科学研究院
IPC: G01N21/3586
Abstract: 本发明涉及基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，与现有技术相比解决了无法对土壤成分进行大批量综合分析概括的缺陷。本发明包括以下步骤：土壤样本的获取和预处理；构造基于深度自动编码器的预测模型,在模型构造上采用去噪自动编码器和压缩编码器堆叠形成深度自动编码器预测模型；深度自动编码器预测模型的训练，将训练样本的太赫兹光谱数据输入深度自动编码器预测模型，完成对深度自动编码器预测模型的训练；土壤重金属元素含量的预测。本发明通过深度自动编码器的结构模型并结合太赫兹光谱来进行土壤重金属元素成分分析预测。
-
公开(公告)号：CN107016405B
公开(公告)日：2019-08-30
申请号：CN201710103514.3
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种基于分级预测卷积神经网络的害虫图像分类方法，与现有技术相比解决了害虫图像分类正确率低的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；对图像样本数据进行标注；训练基于分级预测卷积神经网络的分类模型；对待测图像进行预处理；基于分级模型自动进行害虫图像分类。本发明采用了分级预测框架，先预测图像的分割结果然后再结合整体图像，共同进行最终的分类预测。
-
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
Applicant: 中国科学院合肥物质科学研究院
Abstract: 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
Applicant: 中国科学院合肥物质科学研究院
Abstract: 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。
-
Patent Agency Ranking
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
Applicant: 中国科学院合肥物质科学研究院
IPC: G06K9/62
Abstract: 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
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06T7/0012 , G06Q10/04 , G06Q50/02 , G06T2207/10032 , G06T2207/20081 , G06T2207/20084 , G06T2207/30188
Abstract: 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
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/00308 , G06K9/4609 , G06K9/6269
Abstract: 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
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06T7/0012 , G06K9/6288 , G06T2207/20076 , G06T2207/20081 , G06T2207/20084 , G06T2207/30188
Abstract: 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
Applicant: 中国科学院合肥物质科学研究院
Abstract: 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。
-
-
-
-
-
-
-
-
-
Search Results
138
records
(took 0.089 seconds)
