公开(公告)号：CN119339206A

公开(公告)日：2025-01-21

申请号：CN202411393313.8

申请日：2024-10-08

Applicant: 哈尔滨工业大学

Inventor： 李继卿 ,  尹振东 ,  李大森 ,  徐占胜 ,  赵延龙

IPC: G06V10/82 ,  G06V10/764 ,  G06V10/771 ,  G06T7/00 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/082 ,  G06N3/096

Abstract: 本发明提供一种基于特征空间校准的植物病害小样本分类方法及系统，属于数据处理领域。为解决现有深度学习算法在图像分类时需要大量带注释的数据集，但部分植物病害发病率低，图像数据少，限制深度学习算法在植物病害识别中大规模应用的问题。利用FAS评分对移除全连接层后的Swin‑Transformer V2网络的每一个特征输出层进行打分分析，选择分值最高的层作为特征向量，得到Swin‑Transformer V2F6网络，再进行植物病害特征空间校准。本发明在小样本病害分类的准确率可有效提高，相对于需要使用大量带注释的数据集来说，可在少量数据集的基础上提高识别的准确性。

公开(公告)号：CN114926445A

公开(公告)日：2022-08-19

申请号：CN202210605942.7

申请日：2022-05-31

Applicant: 哈尔滨工业大学

Inventor： 李大森 ,  尹振东 ,  赵延龙 ,  吴芝路 ,  李继卿

IPC: G06T7/00 ,  G06V10/764 ,  G06N3/08 ,  G06N3/04 ,  G06V10/82

Abstract: 一种基于孪生网络的小样本农作物病害图像识别方法及系统，涉及图像识别领域，为解决现有小样本识别方法，易导致训练过拟合、识别准确率较低的问题。具体过程为：步骤一：每种病害类别的训练样本中分别随机选取一张图像作为参照样本；步骤二：设计孪生网络结构，按照三元组模式将一个参照样本、一个与参照样本病害类别相同的样本和一个其他病害类别的样本输入至网络，迭代训练后得到孪生网络模型，记录并保存各参照样本的映射结果；步骤三：分别设定各病害的距离判定阈值；步骤四：将待检测样本输入至孪生网络模型，计算其映射结果；并计算其与各参照样本间的距离，选取其中的最小值，将其与该类别的距离判定阈值比较并输出判定结果。

公开(公告)号：CN119478578A

公开(公告)日：2025-02-18

申请号：CN202411393939.9

申请日：2024-10-08

Applicant: 哈尔滨工业大学

Inventor： 李继卿 ,  尹振东 ,  李大森 ,  徐占胜 ,  赵延龙

IPC: G06V10/774 ,  G06N20/20

Abstract: 一种基于TOP2混合决策模型集成算法的图像识别方法及系统，属于图像数据处理技术领域。本发明的目的是为了降低模型的过拟合风险，并在各种数据集上都能显著提高模型的计算效率和测试精度。技术要点：初始化基模型随机种子、基于数据集训练多个基模型、决策矩阵初始化、基模型前向推断计算输出、更新决策矩阵、判断是否完成了所有的基模型的前向推断和对决策矩阵的更新并给出判断条件、重排决策矩阵、给出重排类别索引集合，根据最佳排序索引顺序导出类别索引的最佳排序集合、计算决策矩阵统计量、统计量符合统计显著性的判断。本发明适用于医疗影像分析、监控视频处理等多模型决策场景。

公开(公告)号：CN114926445B

公开(公告)日：2024-03-26

申请号：CN202210605942.7

申请日：2022-05-31

Applicant: 哈尔滨工业大学

Inventor： 李大森 ,  尹振东 ,  赵延龙 ,  吴芝路 ,  李继卿

IPC: G06T7/00 ,  G06V10/764 ,  G06N3/084 ,  G06N3/0464 ,  G06V10/82

Abstract: 一种基于孪生网络的小样本农作物病害图像识别方法及系统，涉及图像识别领域，为解决现有小样本识别方法，易导致训练过拟合、识别准确率较低的问题。具体过程为：步骤一：每种病害类别的训练样本中分别随机选取一张图像作为参照样本；步骤二：设计孪生网络结构，按照三元组模式将一个参照样本、一个与参照样本病害类别相同的样本和一个其他病害类别的样本输入至网络，迭代训练后得到孪生网络模型，记录并保存各参照样本的映射结果；步骤三：分别设定各病害的距离判定阈值；步骤四：将待检测样本输入至孪生网络模型，计算其映射结果；并计算其与各参照样本间的距离，选取其中的最小值，将其与该类别的距离判定阈值比较并输出判定结果。

公开(公告)号：CN115830389A

公开(公告)日：2023-03-21

申请号：CN202211623017.3

申请日：2022-12-16

Applicant: 哈尔滨工业大学

Inventor： 李继卿 ,  尹振东 ,  李大森 ,  吴芝路 ,  赵延龙

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/778 ,  G06V10/82 ,  G06N3/0464 ,  G06Q50/02

Abstract: 本发明公开了一种基于负样本编码增强的农作物病害细粒度分类方法及系统，涉及深度学习技术领域。本发明的技术要点包括：对现有的样本编码技术One‑Hot进行了拓展，增加了All‑Zeros的全“0”样本编码；同时对于收集到的健康样本不足的情况，提出了使用PhotoShop中的内容识别填充进行图像生成与数量扩充的方法；进一步，对现有的深度学习架构进行了调整，移除了最后一层的SoftmaxLayer。本发明使得改进后的网络在学习病害样本的同时，也可以抑制对健康样本的学习，从而在现实场景下，遇到没有病害的健康样本或者无关复杂背景时，能够输出更低的置信度从而保证模型的判别能力。

公开(公告)号：CN114937021A

公开(公告)日：2022-08-23

申请号：CN202210605763.3

申请日：2022-05-31

Applicant: 哈尔滨工业大学

Inventor： 李大森 ,  尹振东 ,  赵延龙 ,  吴芝路 ,  李继卿

IPC: G06T7/00 ,  G06V10/764 ,  G06N3/08 ,  G06N3/04 ,  G06V10/82

Abstract: 本发明提供了一种基于Swin‑Transformer的农作物病害细粒度分类方法，涉及深度学习技术领域，主要针对农作物病害细粒度分类任务中由于类别差异较为细微，不能提取到不同病害独有的特征而引发误分类问题。包括以下步骤：步骤一、采集农作物病害图像，对图像标注病害标签，对标注后的病害图像进行预处理，再随机划分得到训练样本和测试样本；步骤二、设计Swin‑Transformer网络结构，输入训练样本对Swin‑Transformer网络进行迭代训练并更新网络参数，同时采用测试样本对每轮训练的网络结构进行测试，记录并保存训练结果和测试结果，根据最优的测试结果确定网络模型；步骤三：将待检测样本进行预处理，再将待检测样本输入至网络模型得到相应的类别评分，选取最高评分的类别作为输出结果。