-
公开(公告)号：CN111060671B
公开(公告)日：2024-07-05
申请号：CN201911388196.5
申请日：2019-12-30
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种集成式农业四情快速检测装置及其工作方法，该检测装置包括伸缩杆、安装在伸缩杆头部的转向杆、安装在转向杆头部的镜头相机、安装在转向杆中段的环境温湿度传感器、可拆卸安装在伸缩杆中段的操作终端支架、安装在操作终端支架中的操作终端、安装在伸缩杆底部的土壤墒情传感器以及套设在土壤墒情传感器外侧且与伸缩杆的尾部活动相连的保护套筒。本发明能够解决现有技术中存在的不足，提升植保工作效率，改善植保人员工作环境。
-
公开(公告)号：CN117036960A
公开(公告)日：2023-11-10
申请号：CN202311157147.7
申请日：2023-09-08
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06V20/10 , G06V10/22 , G06V10/24 , G06V10/32 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
摘要： 本发明涉及一种基于无锚框的两阶段稻纵卷叶螟为害状图像检测方法，与现有技术相比解决了稻纵卷叶螟为害状图像难以在复杂田间背景条件下检出的缺陷。本发明包括以下步骤：稻纵卷叶螟为害图像的获取及预处理；稻纵卷叶螟为害状检测模型的构建；稻纵卷叶螟为害状检测模型的训练；待检测图像的获取与预处理；稻纵卷叶螟为害图像检测结果的获得。本发明提出一个两阶段的检测网络，更符合田间为害状的生长环境，利用定向框更能精准定位发病区域。
-
公开(公告)号：CN116258711A
公开(公告)日：2023-06-13
申请号：CN202310274762.X
申请日：2023-03-16
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06T7/00 , G06V10/44 , G06V10/764 , G06T7/62 , G06V10/774
摘要： 本发明涉及一种基于倾斜矩形框的稻纵卷叶螟为害状图像检测方法，与现有技术相比解决了田间复杂环境下水稻稻纵卷叶螟为害状有不定向生长、尺寸多样等现象难以进行准确检测的缺陷。本发明包括以下步骤：水稻稻纵卷叶螟为害状图像的获取和预处理；构建稻纵卷叶螟为害状检测模型；稻纵卷叶螟为害状检测模型的训练；待检测稻纵卷叶螟害虫图像的获取；稻纵卷叶螟害虫图像检测结果的获得。本发明可实现复杂的田间环境下水稻为害状区域的精准检测，提高水稻稻纵卷叶螟为害状检测的准确性，增强水稻稻纵卷叶螟为害状检测的可视化能力。
-
公开(公告)号：CN116205905A
公开(公告)日：2023-06-02
申请号：CN202310449336.5
申请日：2023-04-25
申请人： 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
摘要： 本发明涉及基于移动端的配电网施工安全及质量图像检测方法，与现有技术相比解决了配电网施工安全及质量图像检测运算量大、无法满足移动端应用需要的缺陷。本发明包括以下步骤：获取移动端的配电网施工现场图像；构建配电网施工安全及质量图像检测模型；配电网施工安全及质量图像检测模型的训练；获取待检测配电网施工图像；获得配电网施工安全及质量检测结果。本发明提供一种特征区分能力更强、模型训练简单、网络结构相对简单、推理时间复杂度较低，同时识别精度更优的目标检测方法，实现配电网施工场景安全及质量类目标的精准检测。
-
公开(公告)号：CN111476315B
公开(公告)日：2023-05-05
申请号：CN202010342622.8
申请日：2020-04-27
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06V10/764 , G06F17/16 , G06N3/0464 , G06V10/774 , G06V10/25 , G06V10/82 , G06V20/00
摘要： 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。
-
公开(公告)号：CN111476314B
公开(公告)日：2023-03-07
申请号：CN202010342615.8
申请日：2020-04-27
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06V10/774 , G06V10/82 , G06V10/764 , G06V10/80 , G06V20/40 , G06T7/269 , G06T7/73
摘要： 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：CN114863280A
公开(公告)日：2022-08-05
申请号：CN202210507746.6
申请日：2022-05-11
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06V20/10 , G06V10/774 , G06V10/40 , G06V10/762 , G06V10/764 , G06K9/62 , G06N3/02
摘要： 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。
-
公开(公告)号：CN106845401B
公开(公告)日：2020-11-03
申请号：CN201710041268.3
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：CN111476238A
公开(公告)日：2020-07-31
申请号：CN202010352776.5
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区域尺度感知技术的害虫图像检测方法，与现有技术相比解决了中小尺寸害虫目标难以准确检测的缺陷。本发明包括以下步骤：获取害虫图像数据集并进行预处理；害虫图像候选区域的提取；构建尺度感知害虫检测网络；尺度感知害虫检测网络的训练；待检测害虫图像的获取；待检测害虫图像候选区域的提取；害虫图像检测结果的获得。本发明通过感知害虫区域的位置，使基于卷积神经网络的害虫检测框架能够受到害虫区域尺寸大小的指导，从而自动地在多尺度害虫图像特征图中有效地学习所需要的害虫局部特征并针对性的实现特征融合，使得表达能力更强的害虫局部特征发挥的作用更大，由此提高了害虫识别与检测的准确率。
-
公开(公告)号：CN111178121A
公开(公告)日：2020-05-19
申请号：CN201811586823.1
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空间特征和深度特征强化技术的害虫图像定位识别方法，与现有技术相比解决了图像识别技术无法满足农业害虫检测需要的缺陷。本发明包括以下步骤：基础图像数据的获取；标准卷积块的处理；全局激活模块的处理；害虫图像候选框的提取；害虫图像的定位识别。本发明利用基于空间和深度特征强化的全局激活模块去学习特征权重，基于空间特征强化的网络结构分支使得在空间上有效的空间位置信息权重大、无效或效果小的空间位置信息权重小，基于深度特征强化的网络结构分支使得在通道上有效的特征图权重大、无效或效果小的特征图权重小，并可以将全局激活模块应用到不同深度的标准卷积模块结构后强化重要的信息特征。
-
-
-
-
-
-
-
-
-
搜索结果
88 条记录 (耗时 0.044 秒)
