-
公开(公告)号：CN118823773A
公开(公告)日：2024-10-22
申请号：CN202411055089.1
申请日：2024-08-02
Abstract: 本发明涉及一种遮挡场景下的小麦赤霉病孢子目标检测方法，与现有技术相比解决了难以在遮挡场景下进行小麦赤霉病孢子检测的缺陷。本发明包括以下步骤：小麦赤霉病孢子图像的获取及预处理；构建遮挡场景孢子目标检测模型；遮挡场景孢子目标检测模型的训练；孢子遮挡图像的获取和预处理；孢子目标检测结果的获得。本发明有效实现了遮挡场景下的小麦赤霉病孢子检测，提高了在孢子小目标检测及遮挡场景检测下的实时性、检测率、鲁棒性和召回率。
-
公开(公告)号：CN114596429B
公开(公告)日：2024-04-19
申请号：CN202210201369.3
申请日：2022-02-28
Applicant: 安徽大学
IPC: G06V10/20 , G06V10/24 , G06V10/774 , G06V10/764
Abstract: 本发明涉及一种基于自定义旋转框的麦穗检测方法，包括如下步骤：步骤S100，拍摄观测区群体麦穗图像；步骤S200，改进YoloV5目标检测网络的检测框定义方式和损失函数，获得基于自定义旋转框的YoloV5目标检测网络模型；步骤S300，对改进后的基于自定义旋转框的YoloV5目标检测网络模型进行训练；步骤S400，利用训练好的基于自定义旋转框的YoloV5目标检测网络模型对观测区群体麦穗图像进行检测，并获得利用旋转框框出的麦穗检测结果图像。本方法有效提高了小麦麦穗检测精度，且能够在任何复杂条件下使用，无需任何辅助设备(材料)，拥有良好的泛用性。此外，有效解决了照片中因拍摄角度导致的检测框背景较多的情况，目标检测网络模型的角度检测精度也得到了提高。
-
公开(公告)号：CN114596429A
公开(公告)日：2022-06-07
申请号：CN202210201369.3
申请日：2022-02-28
Applicant: 安徽大学
IPC: G06V10/20 , G06V10/24 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明涉及一种基于自定义旋转框的麦穗检测方法，包括如下步骤：步骤S100，拍摄观测区群体麦穗图像；步骤S200，改进YoloV5目标检测网络的检测框定义方式和损失函数，获得基于自定义旋转框的YoloV5目标检测网络模型；步骤S300，对改进后的基于自定义旋转框的YoloV5目标检测网络模型进行训练；步骤S400，利用训练好的基于自定义旋转框的YoloV5目标检测网络模型对观测区群体麦穗图像进行检测，并获得利用旋转框框出的麦穗检测结果图像。本方法有效提高了小麦麦穗检测精度，且能够在任何复杂条件下使用，无需任何辅助设备(材料)，拥有良好的泛用性。此外，有效解决了照片中因拍摄角度导致的检测框背景较多的情况，目标检测网络模型的角度检测精度也得到了提高。
-
公开(公告)号：CN116524255A
公开(公告)日：2023-08-01
申请号：CN202310444199.6
申请日：2023-04-24
IPC: G06V10/764 , G06V10/82 , G06V10/52 , G06V10/20 , G06V10/80 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明涉及基于Yolov5‑ECA‑ASFF的小麦赤霉病孢子识别方法，与现有技术相比解决了难以针对样本为赤霉病孢子的小目标进行检测识别的缺陷。本发明包括以下步骤：孢子图像数据集的建立；构建小麦赤霉病孢子识别模型；小麦赤霉病孢子识别模型的训练；待识别小麦赤霉病孢子的获取；待识别小麦赤霉病孢子识别结果的获得。本发明在YOLOv5s骨干网络的CSPNet残差块末端添加具有ECA空间注意力机制，用以加强输入端特征图的通道特征；在其Neck特征提取网络末端引入具有自适应特征融合机制的ASFF模块，有效的实现了小麦赤霉病孢子快速准确检测识别。
-
公开(公告)号：CN114120203B
公开(公告)日：2024-11-26
申请号：CN202111452227.6
申请日：2021-12-01
Applicant: 安徽大学 , 安徽黄鹄电子信息技术有限公司
IPC: G06V20/40 , G06N3/0464 , G06N3/08 , G06V10/762 , G06V10/764
Abstract: 本发明涉及一种基于改进YoloV4的田间小麦赤霉病发生程度评估方法，包括如下步骤：S100、拍摄观测区群体麦穗图像；S200、利用训练好的改进YoloV4目标检测网络模型对观测区群体麦穗图像进行检测并获得单个麦穗图像；S300、统计麦穗个数得到麦穗总数，同时对单个麦穗图像进行特征提取和随机森林分类并统计患病麦穗个数；S400、根据麦穗总数和患病麦穗个数计算群体麦穗的病穗率，按照国家相关标准得到该群体麦穗的赤霉病发生程度。本方法提高了小麦赤霉病发生程度的预测精度，且能够在复杂条件下使用，无需辅助设备或材料，拥有良好的泛用性，有效解决了拍摄角度导致的麦穗遮挡而无法检测的情况，目标检测网络模型的检测精度也得到提高，缩短了模型训练时间。
-
Patent Agency Ranking
公开(公告)号：CN117557995A
公开(公告)日：2024-02-13
申请号：CN202311562904.9
申请日：2023-11-22
IPC: G06V20/69 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明涉及基于YOLOv8和CBAM注意力机制的小麦赤霉病孢子检测方法，与现有技术相比解决了由于背景复杂和目标微小而导致的检测准确率低的缺陷。本发明包括以下步骤：数据采集和预处理；构建小麦赤霉病孢子检测模型；小麦赤霉病孢子检测模型的训练；待检测小麦赤霉病孢子图像的获取；小麦赤霉病孢子检测结果的获得。本发明能够有效提高小麦赤霉病孢子检测的准确率和泛化能力。
-
公开(公告)号：CN116630971B
公开(公告)日：2023-09-29
申请号：CN202310904702.1
申请日：2023-07-24
IPC: G06V20/69 , G06V20/70 , G06V10/26 , G06V10/44 , G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明涉及基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法，与现有技术相比解决了难以针对样本为赤霉病孢子的小目标密集且存在粘连进行精准分割的缺陷。本发明包括以下步骤：小麦赤霉病孢子识别图像的获取；CRF_ResUnet++网络的构建；CRF_ResUnet++网络的训练；待分割小麦赤霉病孢子图像的获取；小麦赤霉病孢子分割结果的获得。本发明利用具有编码器解码器结构的Unet++对孢子图像进行初始分割，再在Unet++中引入残差块ResNet，以强化特征的传播能力，提取更多孢子细节信息，最后使用全连接条件随机场模型进行后处理，得到更精确的边缘和完整孢子区域。
-
公开(公告)号：CN116385432A
公开(公告)日：2023-07-04
申请号：CN202310637503.9
申请日：2023-06-01
Abstract: 本发明涉及一种轻量化解耦小麦赤霉病孢子检测方法，与现有技术相比解决了从未关注的亚洲镰孢和禾谷镰孢因类内与类间差异小、无法有效对小麦赤霉病两种主要致病孢子做出检测区分的缺陷。本发明包括以下步骤：小麦赤霉病致病孢子显微图像获取及预处理；轻量化解耦小麦赤霉病孢子检测模型的构建；轻量化解耦小麦赤霉病孢子检测模型的训练；获取待检测的小麦赤霉病致病孢子显微图像并进行预处理；小麦赤霉病孢子检测结果的获得。本发明考虑了现有农田检测设备有存储空间和功耗的限制，能精准快速对小麦赤霉病主要致病孢子显微图像进行检测。
-
公开(公告)号：CN112419323B
公开(公告)日：2023-05-02
申请号：CN202011321459.3
申请日：2020-11-23
Applicant: 安徽农道智能科技有限公司 , 安徽大学
Abstract: 本发明特别涉及一种基于可穿戴式麦穗采集装置的麦穗计数方法，包括如下步骤：S100、通过可穿戴式采集装置采集田间麦穗图像并将麦穗图像发送到服务器中；S200、服务器对采集到的图像进行预处理后输入至训练好的分割模型中进行分割后得到麦穗分割图；S300、将麦穗分割图输入至训练好的计数模型中统计麦穗数量并发送至采集装置上显示。采集装置可以方便的对田间麦穗进行图像采集，再将采集到的图像发送至服务器上进行麦穗的计数处理，这样采集装置无需进行数据处理，可以减少其体积便于携带；服务器上设置的分割模型可以方便的进行麦穗分割和计数，最后将统计的麦穗数量发送回采集装置上进行显示，这样对现场的工作人员来说，操作非常简便。
-
公开(公告)号：CN114120203A
公开(公告)日：2022-03-01
申请号：CN202111452227.6
申请日：2021-12-01
Applicant: 安徽大学 , 安徽黄鹄电子信息技术有限公司
IPC: G06V20/40 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/762 , G06V10/764
Abstract: 本发明涉及一种基于改进YoloV4的田间小麦赤霉病发生程度评估方法，包括如下步骤：S100、拍摄观测区群体麦穗图像；S200、利用训练好的改进YoloV4目标检测网络模型对观测区群体麦穗图像进行检测并获得单个麦穗图像；S300、统计麦穗个数得到麦穗总数，同时对单个麦穗图像进行特征提取和随机森林分类并统计患病麦穗个数；S400、根据麦穗总数和患病麦穗个数计算群体麦穗的病穗率，按照国家相关标准得到该群体麦穗的赤霉病发生程度。本方法提高了小麦赤霉病发生程度的预测精度，且能够在复杂条件下使用，无需辅助设备或材料，拥有良好的泛用性，有效解决了拍摄角度导致的麦穗遮挡而无法检测的情况，目标检测网络模型的检测精度也得到提高，缩短了模型训练时间。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.03 seconds)
