-
公开(公告)号：CN103903006A
公开(公告)日：2014-07-02
申请号：CN201410079477.3
申请日：2014-03-05
Applicant: 中国科学院合肥物质科学研究院 , 安徽省农业科学院情报研究所
IPC: G06K9/62
Abstract: 本发明涉及基于Android平台的农作物害虫识别方法，启动Android平台手机的应用软件，连接无线网络，选择农作物的种类；采集害虫图像，并将害虫图像传输到应用程序服务器；应用程序服务器对害虫图像进行图像分割，并判断是否达到预期阈值，若判断结果为是，则对害虫图像依次进行预处理、特征提取和多特征融合，否则，返回重新对害虫图像进行分割；对害虫图像特征进行识别，并将识别结果及相应的害虫防治方法传送至Android平台手机。本发明还公开了基于Android平台的农作物害虫识别系统。本发明使用户随时随地都可以对农作物害虫进行智能诊断，避免一味的依托农业专家的限制，利用Android手机平台，彻底改变了传统的农作物害虫诊断模式，提高了农田管理效率，方便了用户。
-
公开(公告)号：CN117151983A
公开(公告)日：2023-12-01
申请号：CN202311200961.2
申请日：2023-09-18
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小波启发和高频增强的图像全色锐化方法，与现有技术相比解决了融合图像易产生伪影、颜色失真、泛化性差的缺陷。本发明包括以下步骤：全色图像和多光谱图像的获取和预处理；构建全色锐化模型；全色锐化模型的训练；待处理的图像获取；图像全色锐化结果的生成。本发明提升了融合图像的精度和色彩表现，在多种参考指标上都优于现有的方法。
-
公开(公告)号：CN111178120B
公开(公告)日：2023-04-21
申请号：CN201811586713.5
申请日：2018-12-25
Applicant: 中国科学院合肥物质科学研究院
IPC: G06V10/764 , G06N3/0464 , G06V10/774 , G06V20/40 , G06V10/82
Abstract: 本发明涉及一种基于作物识别级联技术的害虫图像检测方法，与现有技术相比解决了不同类别害虫之间的互相关性影响害虫检测结果的缺陷。本发明包括以下步骤：获取基础数据图像；构造并训练多层感知信息识别网络；构造并训练多投影检测模型；待检测害虫图像的获取；害虫图像的检测。本发明提出了两阶段基于移动视觉的级联害虫检测方法，能够应用于大规模多种害虫数据，通过在新建立的大规模数据集粮食作物田间害虫数据集中对本方法的评估，充分的实验结果表明，本发明所述方法优于传统先进的物体检测方法。
-
公开(公告)号：CN111476317B
公开(公告)日：2023-03-24
申请号：CN202010352773.1
申请日：2020-04-29
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强化学习技术的植保图像非密集害虫检测方法，与现有技术相比解决了植保图像非密集害虫检测计算量大、资源消耗高的缺陷。本发明包括以下步骤：获取植保图像数据库；植保图像特征图的提取；构建害虫目标检测网络；害虫目标检测网络的训练；待检测植保图像的获取和特征图提取；害虫检测结果的获得。本发明利用强化学习的动作空间和深度学习的特征空间去由粗到细的进行目标检测，结合改进的强化学习算法和区域选择网络去搜索最优候选区域，而后利用深度学习去进一步精修目标候选区域坐标，进一步提高检测精度。
-
公开(公告)号：CN114419512A
公开(公告)日：2022-04-29
申请号：CN202210091469.5
申请日：2022-01-26
Applicant: 中国科学院合肥物质科学研究院
IPC: G06V20/40 , G06K9/62 , G06V10/774 , G06V10/764
Abstract: 本发明涉及一种基于特征重构的任意方向小麦病害图像检测方法，与现有技术相比解决了难以针对任意方向小麦病害图像进行检测的缺陷。本发明包括以下步骤：小麦病害图像的获取和预处理；构建小麦病害检测模型；小麦病害检测模型的训练；待检测小麦病害图像的获取；小麦病害图像检测结果的获得。本发明可实现任意方向小麦病斑区域的准确定位和快速检测，提高小麦病害检测的准确率，增强小麦病害检测算法的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN107194418B
公开(公告)日：2021-09-28
申请号：CN201710325110.9
申请日：2017-05-10
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对抗特征学习的水稻蚜虫检测方法，与现有技术相比解决了水稻蚜虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤：水稻蚜虫图像的收集和预处理；获得水稻蚜虫图像检测模型；待检测水稻图像的收集和预处理；蚜虫在图像中具体位置的标记，将待检测图像输入训练完成后的水稻蚜虫图像检测模型，进行水稻蚜虫的检测，定位并标记出蚜虫在图像中具体位置。本发明通过图像判别网络模型与图像生成网络模型之间的对抗训练，提高了图像判别网络模型的识别能力，提高了水稻蚜虫识别率。
-
公开(公告)号：CN113159183A
公开(公告)日：2021-07-23
申请号：CN202110440782.0
申请日：2021-04-23
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及基于局部密集区域密度特征检测的微小害虫图像识别方法，与现有技术相比解决了微小害虫识别率低的缺陷。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；害虫密集区域标准化；局部区域害虫目标检测网络组的构建与训练；全局害虫目标检测网络的构建与训练；害虫检测结果融合；待检测害虫图像的获取；害虫图像检测结果的获得。本发明利用微小害虫聚集区域的密度特征信息，将密集区域准确切分出并进行单独的害虫目标检测，弥补了全局害虫目标检测在该类区域中存在的检测遗漏及检测精度不高等问题，提高了微小害虫图像检测的整体检测精度。
-
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：CN112580519A
公开(公告)日：2021-03-30
申请号：CN202011526728.X
申请日：2020-12-22
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及基于自适应混合特征重校准的深度学习模型的大豆损伤识别方法，该方法包括以下步骤：(1)采集大豆图像建立数据集；(2)构建基于自适应混合特征重校准的深度学习模型；(3)对深度学习模型进行训练；(4)采用完成训练的深度学习模型对测试样本进行识别。本发明通过构建基于自适应混合特征重校准的深度学习模型对大豆表面损伤进行识别，解决了大豆种粒体积小、表面损伤细微，难以准确识别的问题，同时本发明所构建的深度学习模型相比于传统图像识别深度学习模型参数量及运算量大幅下降，为将该模型应用于便携式移动设备创造了条件。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
138
records
(took 0.099 seconds)
