-
公开(公告)号：CN112488244A
公开(公告)日：2021-03-12
申请号：CN202011526681.7
申请日：2020-12-22
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法，与现有技术相比解决了难以针对密集小目标害虫进行识别的缺陷。本发明包括以下步骤：获取训练样本并进行预处理；生成热力图；构建密集小目标害虫定位计数网络；训练密集小目标害虫定位计数网络；待定位计数图像的获取；小目标害虫自动计数结果的获得。本发明通过点标注方式进行害虫识别，防止候选框方式识别带来的重叠和误判，特别适用于密集分布小目标害虫的识别计数。
-
公开(公告)号：CN111476317A
公开(公告)日：2020-07-31
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：CN111178120A
公开(公告)日：2020-05-19
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
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：CN106682704B
公开(公告)日：2019-08-23
申请号：CN201710041270.0
申请日：2017-01-20
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融合上下文信息的混合卷积神经网络的病害图像识别方法，与现有技术相比解决了病害图像识别率低、鲁棒性差的缺陷。本发明包括以下步骤：训练图像的收集和预处理；构造并训练混合卷积神经网络模型；待测图像的收集和预处理；将测试样本输入训练完成后的混合卷积神经网络模型中，进行病害图像的自动识别，识别出待测病害图像的类别。本发明将病害图像的图片信息和上下文信息相结合进行混合卷积神经网络的构建，从而提高了病害识别的准确率，增强了病害识别算法的鲁棒性。
-
公开(公告)号：CN105574540B
公开(公告)日：2019-03-15
申请号：CN201510923441.3
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非监督学习技术的害虫图像特征学习与自动分类方法，与现有技术相比解决了对害虫图像因遮挡和污染导致害虫识别能力差的缺陷。本发明包括以下步骤：进行大规模害虫图像块随机采样；害虫图像的非监督特征字典学习；害虫图像特征编码并进行特征池化操作；多类分类器识别。本发明提高了害虫识别的准确率，利用非监督的字典训练方式构造非监督字典，结合稀疏编码的方式并对特征进行池化操作，实现了特征较强的鉴别力，有效地表示了害虫图像。
-
Patent Agency Ranking
公开(公告)号：CN106124449B
公开(公告)日：2019-03-05
申请号：CN201610416869.3
申请日：2016-06-07
Applicant: 中国科学院合肥物质科学研究院
IPC: G01N21/359 , G01N21/3563 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于深度学习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：训练样本的获取和预处理；构造基于深度学习的预测模型；测试样本的获取和预处理；将预处理过的测试样本的光谱数据输入构造的预测模型，完成对测试样本土壤成分含量的分析预测；将测试土壤样本采用梅尔域的滤波带系数作为参数，变成二维特征输入训练好的卷积神经网络进行土壤成分含量的分析预测。本发明基于卷积神经网络的结构模型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。
-
公开(公告)号：CN109145770A
公开(公告)日：2019-01-04
申请号：CN201810863041.1
申请日：2018-08-01
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/00664 , G06K9/4652 , G06K9/6256 , G06K9/6268 , G06N3/0454
Abstract: 本发明涉及一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法，与现有技术相比解决了针对小目标进行图像检测误差率高的缺陷。本发明包括以下步骤：训练样本的建立；构造麦蜘蛛检测计数模型；待计数图像的获取；麦蜘蛛个数的获得。本发明实现了对田间自然环境下的麦蜘蛛进行直接识别、计数。
-
公开(公告)号：CN107016680A
公开(公告)日：2017-08-04
申请号：CN201710103546.3
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显著性检测的害虫图像背景去除方法，与现有技术相比解决了害虫图像分割效果差的缺陷。本发明包括以下步骤：对原始害虫图像进行多尺度超像素预处理；显著图的获得与融合计算，在单尺度下基于多特征相似度融合显著性检测得到显著图，并融合多尺度下的显著图得到最终的显著图；对显著图进行阈值分割得到二值图；将二值图与原始害虫图像进行掩码处理得到去除背景后的害虫图像。本发明使用多特征相似度融合方法计算相似度，不仅考虑到图像的颜色信息还考虑到了图像的纹理信息，由此得到更准确的显著图，图像分割结果也更理想。
-
公开(公告)号：CN106096656A
公开(公告)日：2016-11-09
申请号：CN201610416843.9
申请日：2016-06-07
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/6249 , G06K9/6256 , G06N3/04
Abstract: 本发明涉及一种基于稀疏表示及BP神经网络技术的土壤近红外光谱分析方法，与现有技术相比解决了土壤分析方法无法满足实际需要的缺陷。本发明包括以下步骤：训练样本土壤集的获取和预处理；构造训练样本土壤数据的稀疏字典并获取训练样本的特征向量；将训练样本的特征向量作为BP神经网络的输入，训练网络参数，构建BP神经网络分类模型；测试样本土壤集的获取和预处理；利用训练样本土壤数据的稀疏字典构造测试样本的特征向量，利用训练好的BP神经网络分类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及BP神经网络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。
-
公开(公告)号：CN114863280B
公开(公告)日：2025-02-14
申请号：CN202210507746.6
申请日：2022-05-11
Applicant: 中国科学院合肥物质科学研究院
IPC: G06V20/10 , G06V10/774 , G06V10/40 , G06V10/762 , G06V10/764 , G06N3/02
Abstract: 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。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.071 seconds)
