-
公开(公告)号：CN111476317B
公开(公告)日：2023-03-24
申请号：CN202010352773.1
申请日：2020-04-29
Applicant: 中国科学院合肥物质科学研究院
Abstract: 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：CN114419512A
公开(公告)日：2022-04-29
申请号：CN202210091469.5
申请日：2022-01-26
Applicant: 中国科学院合肥物质科学研究院
IPC: G06V20/40 , G06K9/62 , G06V10/774 , G06V10/764
Abstract: 本发明涉及一种基于特征重构的任意方向小麦病害图像检测方法，与现有技术相比解决了难以针对任意方向小麦病害图像进行检测的缺陷。本发明包括以下步骤：小麦病害图像的获取和预处理；构建小麦病害检测模型；小麦病害检测模型的训练；待检测小麦病害图像的获取；小麦病害图像检测结果的获得。本发明可实现任意方向小麦病斑区域的准确定位和快速检测，提高小麦病害检测的准确率，增强小麦病害检测算法的鲁棒性。
-
公开(公告)号：CN107194418B
公开(公告)日：2021-09-28
申请号：CN201710325110.9
申请日：2017-05-10
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种基于对抗特征学习的水稻蚜虫检测方法，与现有技术相比解决了水稻蚜虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤：水稻蚜虫图像的收集和预处理；获得水稻蚜虫图像检测模型；待检测水稻图像的收集和预处理；蚜虫在图像中具体位置的标记，将待检测图像输入训练完成后的水稻蚜虫图像检测模型，进行水稻蚜虫的检测，定位并标记出蚜虫在图像中具体位置。本发明通过图像判别网络模型与图像生成网络模型之间的对抗训练，提高了图像判别网络模型的识别能力，提高了水稻蚜虫识别率。
-
公开(公告)号：CN113159183A
公开(公告)日：2021-07-23
申请号：CN202110440782.0
申请日：2021-04-23
Applicant: 中国科学院合肥物质科学研究院
Abstract: 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：CN113159182A
公开(公告)日：2021-07-23
申请号：CN202110440745.X
申请日：2021-04-23
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种基于密集区域再细化技术的农业微小害虫图像检测方法，与现有技术相比解决了密集区域检测范围较大导致微小害虫检测精度差的缺陷。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；害虫密集区域检测网络的再训练；害虫目标识别定位网络的构建与训练；待检测害虫图像的获取；害虫图像检测结果的获得。本发明通过害虫密集区域检测网络直接从整体图片特征图中提取密集区域信息，大量减少运算负担；同时通过害虫密集区域检测网络的再训练，有效利用相对较少的害虫图片中的密集区域信息，提高密集区域检测网络密度得分预测准确度。
-
Patent Agency Ranking
公开(公告)号：CN111476314A
公开(公告)日：2020-07-31
申请号：CN202010342615.8
申请日：2020-04-27
Applicant: 中国科学院合肥物质科学研究院
Abstract: 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：CN106991666B
公开(公告)日：2019-06-07
申请号：CN201710102807.X
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种适用于多尺寸图片信息的病害图像识别方法，与现有技术相比解决了病害图像分辨率与尺寸大小不一导致识别率低、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；构造并训练MCNN网络模型；对待测图像进行收集和预处理，利用采集设备拍摄待识别的病害图像，并对待测的病害图像进行直方图均衡化，得到测试样本；将测试样本输入经过训练后的MCNN网络模型中，进行病害图像的自动识别。本发明在识别之前无需统一图像大小，可以直接对不同分辨率、不同大小的图像进行特征提取，进行分类预测。
-
公开(公告)号：CN109063643A
公开(公告)日：2018-12-21
申请号：CN201810862983.8
申请日：2018-08-01
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/00302 , G06K9/00248 , G06K9/3233 , G06K9/6256 , G06K9/6267
Abstract: 本发明涉及一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法，与现有技术相比解决了表情痛苦度识别必须依赖全脸图像的缺陷。本发明包括以下步骤：脸部信息隐藏数据库的获得；表情识别自动学习模型的建立；待检测表情帧图像的获取；面部表情痛苦度识别；表情识别自动学习模型的再训练。本发明能够在脸部器官部分遮挡的情况下进行痛苦度的识别。
-
公开(公告)号：CN106991666A
公开(公告)日：2017-07-28
申请号：CN201710102807.X
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06T7/0012 , G06K9/6273 , G06N3/0454 , G06N3/084 , G06T2207/20081 , G06T2207/20084 , G06T2207/30004
Abstract: 本发明涉及一种适用于多尺寸图片信息的病害图像识别方法，与现有技术相比解决了病害图像分辨率与尺寸大小不一导致识别率低、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；构造并训练MCNN网络模型；对待测图像进行收集和预处理，利用采集设备拍摄待识别的病害图像，并对待测的病害图像进行直方图均衡化，得到测试样本；将测试样本输入经过训练后的MCNN网络模型中，进行病害图像的自动识别。本发明在识别之前无需统一图像大小，可以直接对不同分辨率、不同大小的图像进行特征提取，进行分类预测。
-
公开(公告)号：CN106991428A
公开(公告)日：2017-07-28
申请号：CN201710103223.4
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/6269 , G06K9/6256 , G06N3/08
Abstract: 本发明涉及基于自适应池化模型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；训练卷积神经网络模型；对待测图像进行收集和预处理；将测试样本输入经过训练后的卷积神经网络模型，进行害虫图像的自动识别。本发明在卷积神经网络模型的训练过程中，将动态自适应的池化模型用于卷积神经网络的池化过程，使得网络模型在不同的池化域的迭代次数下提取的特征更加准确，致使提取的特征更精确。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.277 seconds)
