-
公开(公告)号：CN111476314B
公开(公告)日：2023-03-07
申请号：CN202010342615.8
申请日：2020-04-27
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06V10/774 , G06V10/82 , G06V10/764 , G06V10/80 , G06V20/40 , G06T7/269 , G06T7/73
摘要： 本发明涉及一种融合光流算法与深度学习的模糊视频检测方法，包括：进行训练视频样本的预处理；获得模糊视频检测模型，构建模糊视频时序训练模型，通过深度学习算法获得视频帧的特征图；把待检测的帧的前十帧与后十帧的特征图按照取值从0到1、且符合正态分布的权重，用光流算法把这二十一张特征图都聚合到一张特征图上；按照正态分布算法，确定权重；检测帧特征图，检测此特征图；定位并标记出目标在视频帧中具体位置。本发明不仅考虑了视频帧本身的特征，还考虑了视频时序，以及空间、地理位置、天气等相关因素，用光流法对每一帧及其前后帧进行光流融合；提高了复杂应用情况下模糊视频检测与识别能力，提高了模糊视频中目标的检测率。
-
公开(公告)号：CN112733614B
公开(公告)日：2022-09-09
申请号：CN202011526712.9
申请日：2020-12-22
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种带有相似尺寸强化识别的害虫图像检测方法，与现有技术相比解决了难以针对植保图像中相似尺寸害虫进行检测的缺陷。本发明包括以下步骤：获取害虫图像数据集并进行预处理；构建害虫图像检测网络；害虫图像检测网络的训练；待检测害虫图像的获取；害虫图像检测结果的获得。本发明通过自学习的权重和加权注意力特征金字塔，使卷积神经网络能够重点关注数据集中大部分害虫图像尺寸所对应的特征层，提高了卷积神经网络的特征表达能力，以此应对相似尺寸的害虫误别问题；利用多尺度无锚区域建议网络，让后续的分类回归网络获得更好的候选区域，实现了相似尺寸害虫的强化识(56)对比文件陈峰等.基于机器视觉和卷积神经网络的东北寒地玉米害虫识别方法《.江苏农业科学》.2020,(第18期),Lin Jiao 等.AF-RCNN: An anchor-freeconvolutional neural network for multi-categories agricultural pest detection.《ELSEVIER》.2020,第1-9页.
-
公开(公告)号：CN114863280A
公开(公告)日：2022-08-05
申请号：CN202210507746.6
申请日：2022-05-11
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06V20/10 , G06V10/774 , G06V10/40 , G06V10/762 , G06V10/764 , G06K9/62 , G06N3/02
摘要： 本发明涉及一种基于因果干预技术的小样本害虫图像识别方法，与现有技术相比解决了小样本害虫图像识别率低的缺陷。本发明包括以下步骤：公开数据集的获取；构建和训练嵌入模型；小样本害虫图像的获取、标记和预处理；构建并训练小样本害虫图像识别模型。本发明利用了因果干预对特征进行分层，缓解了预训练知识中混杂因子带来的影响，提高了在小样本情况下害虫图像识别的准确率，增加了小样本害虫图像识别算法的鲁棒性。
-
公开(公告)号：CN112465820A
公开(公告)日：2021-03-09
申请号：CN202011526697.8
申请日：2020-12-22
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明提供一种基于语义分割的融合全局上下文信息的水稻病害检测方法，包括：获取水稻病害图像；对获取的水稻病害图像进行人工标注，分割出病斑图像并标记病斑类别；建立水稻病害样本集，并将其划分为训练样本集和测试样本集；构建基于语义分割的融合全局上下文信息的水稻病害检测模型；利用训练样本集和测试样本集分别对构建的水稻病害检测模型进行训练和模型误差分析；利用训练好的水稻病害检测模型直接对获取的实际水稻病害图像进行检测，分割出病斑图像并标记病斑类别。本发明利用全局上下文信息在语义分割中的影响构建了融合全局上下文信息的水稻病害检测模型，从而提高了水稻病害检测的准确率，增强了水稻病害检测算法的鲁棒性。
-
公开(公告)号：CN106845401B
公开(公告)日：2020-11-03
申请号：CN201710041268.3
申请日：2017-01-20
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空间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；构造多尺度的MS‑CNN网络模型和多核分类模型；对待测图像进行收集和预处理；将测试样本输入经过多核模型的训练的MS‑CNN网络模型中，进行害虫图像的自动识别。本发明提高了害虫识别的准确率，增强了害虫识别算法的鲁棒性，达到了实际应用水平。
-
公开(公告)号：CN111476238A
公开(公告)日：2020-07-31
申请号：CN202010352776.5
申请日：2020-04-29
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区域尺度感知技术的害虫图像检测方法，与现有技术相比解决了中小尺寸害虫目标难以准确检测的缺陷。本发明包括以下步骤：获取害虫图像数据集并进行预处理；害虫图像候选区域的提取；构建尺度感知害虫检测网络；尺度感知害虫检测网络的训练；待检测害虫图像的获取；待检测害虫图像候选区域的提取；害虫图像检测结果的获得。本发明通过感知害虫区域的位置，使基于卷积神经网络的害虫检测框架能够受到害虫区域尺寸大小的指导，从而自动地在多尺度害虫图像特征图中有效地学习所需要的害虫局部特征并针对性的实现特征融合，使得表达能力更强的害虫局部特征发挥的作用更大，由此提高了害虫识别与检测的准确率。
-
公开(公告)号：CN107844870B
公开(公告)日：2020-06-02
申请号：CN201711281809.6
申请日：2017-12-07
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Elman神经网络模型的土壤重金属含量预测方法,与现有技术相比解决了未考虑重金属在土壤中的迁移习性致使难以准确预测土壤重金属含量的缺陷。本发明包括以下步骤：样本数据的获取和预处理；构造基于堆栈自编码网络的Elman神经网络预测分析模型；对基于堆栈自编码网络的Elman神经网络预测分析模型进行无监督训练；基于堆栈自编码网络的Elman神经网络预测分析模型进行有监督训练；土壤重金属含量的预测分析。本发明利用充分考虑土壤重金属含量迁移特性而改进的Elman神经网络模型进行分析预测，保证了土壤中重金属元素预测的精度。
-
公开(公告)号：CN111178121A
公开(公告)日：2020-05-19
申请号：CN201811586823.1
申请日：2018-12-25
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空间特征和深度特征强化技术的害虫图像定位识别方法，与现有技术相比解决了图像识别技术无法满足农业害虫检测需要的缺陷。本发明包括以下步骤：基础图像数据的获取；标准卷积块的处理；全局激活模块的处理；害虫图像候选框的提取；害虫图像的定位识别。本发明利用基于空间和深度特征强化的全局激活模块去学习特征权重，基于空间特征强化的网络结构分支使得在空间上有效的空间位置信息权重大、无效或效果小的空间位置信息权重小，基于深度特征强化的网络结构分支使得在通道上有效的特征图权重大、无效或效果小的特征图权重小，并可以将全局激活模块应用到不同深度的标准卷积模块结构后强化重要的信息特征。
-
公开(公告)号：CN110428413A
公开(公告)日：2019-11-08
申请号：CN201910710686.6
申请日：2019-08-02
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种用于灯诱设备下的草地贪夜蛾成虫图像检测方法，与现有技术相比解决了难以在灯诱设备下进行草地贪夜蛾成虫快速检测的缺陷。本发明包括以下步骤：训练样本的收集和预处理；构建并训练草地贪夜蛾成虫检测模型；灯诱设备下草地贪夜蛾成虫图像的收集和预处理；灯诱设备下草地贪夜蛾成虫的标记。本发明改进了目标检测方法中普遍存在需要产生大量冗余候选框的缺陷，增强了数据的可靠性，保证了对草地贪夜蛾成虫图像检测精度的同时极大减少了候选区域，提高了检测速度。
-
公开(公告)号：CN109086823A
公开(公告)日：2018-12-25
申请号：CN201810864030.5
申请日：2018-08-01
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种小麦赤霉病病穗率自动统计方法，与现有技术相比解决了赤霉病图像易受到背景、光照及遮挡影响导致难以识别的缺陷。本发明包括以下步骤：小麦赤霉病图像的获取和预处理；构建小麦赤霉病图像麦穗检测模型；训练深度卷积神经网络；待统计小麦赤霉病图像的收集和预处理；正常麦穗和发病麦穗的计数；计算病穗率。本发明通过机器视觉的方法实现小麦赤霉病病穗率自动统计，提高了小麦赤霉病病穗率统计的智能化水平、鲁棒性及检测精度。
-
-
-
-
-
-
-
-
-
搜索结果
142 条记录 (耗时 0.045 秒)
