-
公开(公告)号：CN116342925A
公开(公告)日：2023-06-27
申请号：CN202310010579.9
申请日：2023-01-05
Applicant: 中国科学院合肥物质科学研究院
IPC: G06V10/764 , G06V10/44 , G06V10/24 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08 , G06N3/048
Abstract: 本发明涉及一种基于特征差异化和任务分离技术的相似害虫图像检测方法，包括：获取相似害虫图像；构建相似害虫检测模型，包括特征提取网络、特征差异化网络、特征融合网络和任务分离网络；利用相似害虫图像数据集对相似害虫检测模型进行训练；获取待检测的田间害虫图像；将待检测的田间害虫图像输入训练后的相似害虫检测模型，得到田间相似害虫的分类和定位结果。本发明从整体图片特征图中提取害虫差异化信息，特征语义表达能力更强，有利于相似害虫的区分,避免硬性选择某个尺度的特征导致的次优问题，更有利于多尺度目标的识别和检测；将害虫分类及定位特征进行分离，不同的特征专注于不同任务，更有利于分类和定位的准确性和网络训练。
-
公开(公告)号：CN115937091A
公开(公告)日：2023-04-07
申请号：CN202211299675.1
申请日：2022-10-24
Applicant: 合肥中科融道智能科技有限公司 , 中国科学院合肥物质科学研究院
IPC: G06T7/00 , G06V10/26 , G06V10/42 , G06V10/766 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于可变换patch的变电站设备缺陷图像检测方法，与现有技术相比解决了难以识别变电站设备极小缺陷图像的缺陷。本发明包括以下步骤：变电站设备缺陷图像样本的获取；可变换patch模块的构建；变电站设备图像缺陷检测模型的构建；变电站设备图像缺陷检测模型的训练；待检测变电站设备图像的获取；待检测变电站设备图像缺陷结果的检测。本发明将带有缺陷的图片准确切分成多个patch作为Tranformer结构的输入序列，利用了可变的patch分割和Transformer对特征的提取，提高了变电站设备缺陷检测的准确率，实现了变电站设备极小缺陷图像的检测。
-
公开(公告)号：CN115082798A
公开(公告)日：2022-09-20
申请号：CN202210793757.5
申请日：2022-07-07
Applicant: 中国科学院合肥物质科学研究院 , 合肥中科融道智能科技有限公司
Abstract: 本发明涉及一种基于动态感受野的输电线路销钉缺陷检测方法，与现有技术相比解决了输电线路销钉缺陷检测方法精度不高、鲁棒性较差的缺陷。本发明包括以下步骤：输电线路销钉缺陷样本的获取和预处理；输电线路销钉缺陷检测模型的构建；输电线路销钉缺陷检测模型的训练；待检测输电线路销钉图像的获得；输电线路销钉缺陷检测结果的获得。本发明在特征金字塔网络不同层融合过程中自适应的使用不同的感受野，充分融合了多通道的上下文信息，利用不同大小感受野和通道内信息；通过空间激活区域生成网络，增强感兴趣区域的信息获取，提高深层卷积网络的特征提取，保留更多的信息用于检测器最后的分类和回归，进一步提高销钉缺陷检测的精度和识别率。
-
公开(公告)号：CN109064460B
公开(公告)日：2021-09-28
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
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：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。
-
Patent Agency Ranking
公开(公告)号：CN109784294B
公开(公告)日：2020-07-28
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。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
142
records
(took 0.082 seconds)
