-
公开(公告)号：CN113159182A
公开(公告)日：2021-07-23
申请号：CN202110440745.X
申请日：2021-04-23
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密集区域再细化技术的农业微小害虫图像检测方法，与现有技术相比解决了密集区域检测范围较大导致微小害虫检测精度差的缺陷。本发明包括以下步骤：训练图像的获取；害虫密集区域检测网络的构建；害虫密集区域检测网络的训练；害虫密集区域检测网络的再训练；害虫目标识别定位网络的构建与训练；待检测害虫图像的获取；害虫图像检测结果的获得。本发明通过害虫密集区域检测网络直接从整体图片特征图中提取密集区域信息，大量减少运算负担；同时通过害虫密集区域检测网络的再训练，有效利用相对较少的害虫图片中的密集区域信息，提高密集区域检测网络密度得分预测准确度。
-
公开(公告)号：CN111476314A
公开(公告)日：2020-07-31
申请号：CN202010342615.8
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：CN107808116B
公开(公告)日：2020-05-05
申请号：CN201710894737.6
申请日：2017-09-28
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深度多层特征融合学习的小麦麦蜘蛛检测方法，与现有技术相比解决了尚无针对不同级别特征层的特征进行融合学习的缺陷。本发明包括以下步骤：小麦麦蜘蛛图像的收集；通过标记软件对麦蜘蛛在训练图像中进行具体位置的标记；构造小麦麦蜘蛛图像检测模型，构造基于Faster‑RCNN方法通过融合不同级别特征层特征的检测模型；待检测小麦图像的收集；麦蜘蛛在图像中具体位置的检测。本发明提升了深度网络模型的检测能力，提高了小麦麦蜘蛛这种小目标的检测率。
-
公开(公告)号：CN106991666B
公开(公告)日：2019-06-07
申请号：CN201710102807.X
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种适用于多尺寸图片信息的病害图像识别方法，与现有技术相比解决了病害图像分辨率与尺寸大小不一导致识别率低、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MCNN网络模型；对待测图像进行收集和预处理，利用采集设备拍摄待识别的病害图像，并对待测的病害图像进行直方图均衡化，得到测试样本；将测试样本输入经过训练后的MCNN网络模型中，进行病害图像的自动识别。本发明在识别之前无需统一图像大小，可以直接对不同分辨率、不同大小的图像进行特征提取，进行分类预测。
-
公开(公告)号：CN109784294A
公开(公告)日：2019-05-21
申请号：CN201910071932.8
申请日：2019-01-25
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粗糙集理论候选框选择技术的枸杞图像识别定位方法，与现有技术相比解决了复杂环境下枸杞图像识别定位精准度低的缺陷。本发明包括以下步骤：训练样本的获取；设定卷积神经网络；卷积神经网络的训练；待识别图像的获取；枸杞的识别定位。本发明改进了传统Faster-RCNN中候选框选择的方法，降低候选框被误删或者漏删的情况，增强了数据的可靠性，从而保证了对枸杞图像识别和定位的精准度。
-
Patent Agency Ranking
公开(公告)号：CN109063643A
公开(公告)日：2018-12-21
申请号：CN201810862983.8
申请日：2018-08-01
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/00302 , G06K9/00248 , G06K9/3233 , G06K9/6256 , G06K9/6267
Abstract: 本发明涉及一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法，与现有技术相比解决了表情痛苦度识别必须依赖全脸图像的缺陷。本发明包括以下步骤：脸部信息隐藏数据库的获得；表情识别自动学习模型的建立；待检测表情帧图像的获取；面部表情痛苦度识别；表情识别自动学习模型的再训练。本发明能够在脸部器官部分遮挡的情况下进行痛苦度的识别。
-
公开(公告)号：CN106991666A
公开(公告)日：2017-07-28
申请号：CN201710102807.X
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06T7/0012 , G06K9/6273 , G06N3/0454 , G06N3/084 , G06T2207/20081 , G06T2207/20084 , G06T2207/30004
Abstract: 本发明涉及一种适用于多尺寸图片信息的病害图像识别方法，与现有技术相比解决了病害图像分辨率与尺寸大小不一导致识别率低、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MCNN网络模型；对待测图像进行收集和预处理，利用采集设备拍摄待识别的病害图像，并对待测的病害图像进行直方图均衡化，得到测试样本；将测试样本输入经过训练后的MCNN网络模型中，进行病害图像的自动识别。本发明在识别之前无需统一图像大小，可以直接对不同分辨率、不同大小的图像进行特征提取，进行分类预测。
-
公开(公告)号：CN106991428A
公开(公告)日：2017-07-28
申请号：CN201710103223.4
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/6269 , G06K9/6256 , G06N3/08
Abstract: 本发明涉及基于自适应池化模型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：对训练图像进行收集和预处理；训练卷积神经网络模型；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卷积神经网络模型，进行害虫图像的自动识别。本发明在卷积神经网络模型的训练过程中，将动态自适应的池化模型用于卷积神经网络的池化过程，使得网络模型在不同的池化域的迭代次数下提取的特征更加准确，致使提取的特征更精确。
-
公开(公告)号：CN106845401A
公开(公告)日：2017-06-13
申请号：CN201710041268.3
申请日：2017-01-20
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/00671 , G06N3/0454 , G06N3/08
Abstract: 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：CN106126879A
公开(公告)日：2016-11-16
申请号：CN201610416698.4
申请日：2016-06-07
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06F19/00 , G06K9/6227 , G06K9/6256
Abstract: 本发明涉及一种基于稀疏表示技术的土壤近红外光谱分析预测方法，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的缺陷。本发明包括以下步骤：训练样本土壤集的获取和预处理；构造基于稀疏表示的分类预测模型；测试样本的获取和预处理；将测试土壤样本的光谱数据特征向量输入构造的分类预测模型，完成对测试样本土壤成分的分类预测。本发明基于稀疏表示框架来进行土壤近红外光谱分析预测，提高了近红外光谱土壤主要成分预测的精度和模型的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
142
records
(took 0.106 seconds)
