公开(公告)号：CN114419439B

公开(公告)日：2024-06-21

申请号：CN202210049867.0

申请日：2022-01-17

Applicant: 安徽农业大学

Inventor： 刘连忠 ,  李栋梁 ,  王成

IPC: G06V20/10 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/762 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明公开了一种基于无人机遥感及深度学习的小麦幼苗监测方法，方法：步骤1、训练深度学习网络得到小麦幼苗检测模型；步骤2、使用小麦幼苗分级数据集训练深度学习网络得到小麦幼苗分级模型；步骤3、在小麦田间选择一个矩形区域作为取样块，在矩形的顶点处插上标签作为标记点，计算取样块面积S；步骤4、使用无人机采集取样块图像，利用小麦幼苗检测模型检测图像中所有幼苗的位置；步骤5、统计取样块内的小麦幼苗数量N，计算得到幼苗密度P=N/S；步骤6、利用小麦幼苗分级模型对取样块标记框中的所有幼苗个体进行分级，计算第i级别的幼苗数量Ni与幼苗数量N的比例Ri。本发明通过深度学习网络的训练和先验框的优化可以实现复杂场景下小麦幼苗的检测，大大提高了小麦幼苗检测的准确性和可靠性。

公开(公告)号：CN114419439A

公开(公告)日：2022-04-29

申请号：CN202210049867.0

申请日：2022-01-17

Applicant: 安徽农业大学

Inventor： 刘连忠 ,  李栋梁 ,  王成

IPC: G06V20/10 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/762 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明公开了一种基于无人机遥感及深度学习的小麦幼苗监测方法，方法：步骤1、训练深度学习网络得到小麦幼苗检测模型；步骤2、使用小麦幼苗分级数据集训练深度学习网络得到小麦幼苗分级模型；步骤3、在小麦田间选择一个矩形区域作为取样块，在矩形的顶点处插上标签作为标记点，计算取样块面积S；步骤4、使用无人机采集取样块图像，利用小麦幼苗检测模型检测图像中所有幼苗的位置；步骤5、统计取样块内的小麦幼苗数量N，计算得到幼苗密度P=N/S；步骤6、利用小麦幼苗分级模型对取样块标记框中的所有幼苗个体进行分级，计算第i级别的幼苗数量Ni与幼苗数量N的比例Ri。本发明通过深度学习网络的训练和先验框的优化可以实现复杂场景下小麦幼苗的检测，大大提高了小麦幼苗检测的准确性和可靠性。

公开(公告)号：CN112131982A

公开(公告)日：2020-12-25

申请号：CN202010949092.3

申请日：2020-09-10

Applicant: 安徽农业大学

Inventor： 刘连忠 ,  宁井铭 ,  吴国栋 ,  江朝晖 ,  张晴晴 ,  李栋梁 ,  李孟杰

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提供一种基于卷积神经网络的茶树嫩芽识别方法，包括下列步骤：步骤1、使用图像采集设备进行目标茶树图像的连续采集；步骤2、对采集的茶树图像进行预处理得到待处理茶树图像；步骤3、构建用于嫩芽识别的卷积神经网络，使用不同场景条件下的训练输入图像对神经网络进行训练，建立茶树嫩芽识别模型；步骤4、利用所述茶树嫩芽识别模型识别待处理茶树图像中的嫩芽及其所在位置，并显示识别结果。其中，所用的卷积神经网络结构使用了多个池化窗口来提高对目标大小变化的适应能力。本发明的方法可以有效实现复杂场景下茶树嫩芽的准确识别，增强了对环境变化的适应能力，大大提高了嫩芽识别的准确性和可靠性。