-
公开(公告)号：CN110428413B
公开(公告)日：2021-09-28
申请号：CN201910710686.6
申请日：2019-08-02
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种用于灯诱设备下的草地贪夜蛾成虫图像检测方法，与现有技术相比解决了难以在灯诱设备下进行草地贪夜蛾成虫快速检测的缺陷。本发明包括以下步骤：训练样本的收集和预处理；构建并训练草地贪夜蛾成虫检测模型；灯诱设备下草地贪夜蛾成虫图像的收集和预处理；灯诱设备下草地贪夜蛾成虫的标记。本发明改进了目标检测方法中普遍存在需要产生大量冗余候选框的缺陷，增强了数据的可靠性，保证了对草地贪夜蛾成虫图像检测精度的同时极大减少了候选区域，提高了检测速度。
-
Patent Agency Ranking
公开(公告)号：CN110414615A
公开(公告)日：2019-11-05
申请号：CN201910710621.1
申请日：2019-08-02
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及基于阶段性深度修复图像及改进Double-DQN技术的玉米草地贪夜蛾检测方法，与现有技术相比解决了不同虫龄玉米草地贪夜蛾难以精确检测的缺陷。本发明包括以下步骤：训练样本的收集；训练样本进行预处理；构造并训练不同虫龄玉米草地贪夜蛾图像检测模型；待检测玉米草地贪夜蛾图像以及相应的上下文信息的收集和预处理；不同虫龄的玉米草地贪夜蛾在玉米图像中具体位置的标记。本发明通过构建不同虫龄草地贪夜蛾边缘图模型与草地贪夜蛾图像深度修复模型融合实现大面积缺失的图像阶段性修复，在此基础上训练不同虫龄玉米草地贪夜蛾及相应上下文信息图像检测模型，提高了不同虫龄玉米草地贪夜蛾图像检测和识别能力。
-
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：CN110428413A
公开(公告)日：2019-11-08
申请号：CN201910710686.6
申请日：2019-08-02
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种用于灯诱设备下的草地贪夜蛾成虫图像检测方法，与现有技术相比解决了难以在灯诱设备下进行草地贪夜蛾成虫快速检测的缺陷。本发明包括以下步骤：训练样本的收集和预处理；构建并训练草地贪夜蛾成虫检测模型；灯诱设备下草地贪夜蛾成虫图像的收集和预处理；灯诱设备下草地贪夜蛾成虫的标记。本发明改进了目标检测方法中普遍存在需要产生大量冗余候选框的缺陷，增强了数据的可靠性，保证了对草地贪夜蛾成虫图像检测精度的同时极大减少了候选区域，提高了检测速度。
-
公开(公告)号：CN110414615B
公开(公告)日：2021-12-10
申请号：CN201910710621.1
申请日：2019-08-02
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及基于阶段性深度修复图像及改进Double‑DQN技术的玉米草地贪夜蛾检测方法，与现有技术相比解决了不同虫龄玉米草地贪夜蛾难以精确检测的缺陷。本发明包括以下步骤：训练样本的收集；训练样本进行预处理；构造并训练不同虫龄玉米草地贪夜蛾图像检测模型；待检测玉米草地贪夜蛾图像以及相应的上下文信息的收集和预处理；不同虫龄的玉米草地贪夜蛾在玉米图像中具体位置的标记。本发明通过构建不同虫龄草地贪夜蛾边缘图模型与草地贪夜蛾图像深度修复模型融合实现大面积缺失的图像阶段性修复，在此基础上训练不同虫龄玉米草地贪夜蛾及相应上下文信息图像检测模型，提高了不同虫龄玉米草地贪夜蛾图像检测和识别能力。
-
公开(公告)号：CN111476317A
公开(公告)日：2020-07-31
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。
-
-
-
-
-
Search Results
6
records
(took 0.033 seconds)
