-
公开(公告)号：CN113159183B
公开(公告)日：2022-08-30
申请号：CN202110440782.0
申请日：2021-04-23
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 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：CN109145770B
公开(公告)日：2022-07-15
申请号：CN201810863041.1
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：CN109034079B
公开(公告)日：2022-03-11
申请号：CN201810865356.X
申请日：2018-08-01
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06V40/16 , G06V10/44 , G06V10/764 , G06K9/62
摘要： 本发明涉及一种用于人脸非标准姿态下的面部表情识别方法，与现有技术相比解决了无法在面部表情信息不全面的条件下进行表情识别的缺陷。本发明包括以下步骤：训练图像的收集和预处理；分类模型的构造；对待测图像进行收集和预处理；面部表情的识别。本发明基于预测分析技术在面部表情信息不全面的条件下预测出面部表情，以实现针对不同角度的人脸进行表情识别。
-
公开(公告)号：CN109086823B
公开(公告)日：2022-02-11
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。
-
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
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
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
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
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：CN107808375B
公开(公告)日：2019-07-16
申请号：CN201710894729.1
申请日：2017-09-28
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及融合多种上下文深度学习模型的水稻病害图像检测方法，与现有技术相比解决了水稻病害检测未考虑其相关条件因素的缺陷。本发明包括以下步骤：训练样本的收集和预处理；基于深度学习融合水稻图像上下文信息获得水稻病害图像检测模型；待检测水稻图像的空间、位置、温湿度信息收集和预处理；病害在水稻图像中具体位置的标记。本发明不仅考虑了病害图像本身的特征，还考虑了采集时空间、时间、温湿度等相关因素，通过对水稻病害图像全局上下文训练模型、水稻病害图像局部上下文训练模型、水稻病害属性约束上下文训练模型的融合，提高了田间复杂应用情况下水稻病害图像检测与识别能力，提高了水稻病害图像检测率。
-
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
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G01N21/359 , G01N21/3563 , G06N3/04 , G06N3/08
摘要： 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。
-
-
-
-
-
-
-
-
-
搜索结果
84 条记录 (耗时 0.043 秒)
