-
公开(公告)号：CN111178121B
公开(公告)日：2023-04-07
申请号：CN201811586823.1
申请日：2018-12-25
Applicant: 中国科学院合肥物质科学研究院
IPC: G06V20/10 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于空间特征和深度特征强化技术的害虫图像定位识别方法，与现有技术相比解决了图像识别技术无法满足农业害虫检测需要的缺陷。本发明包括以下步骤：基础图像数据的获取；标准卷积块的处理；全局激活模块的处理；害虫图像候选框的提取；害虫图像的定位识别。本发明利用基于空间和深度特征强化的全局激活模块去学习特征权重，基于空间特征强化的网络结构分支使得在空间上有效的空间位置信息权重大、无效或效果小的空间位置信息权重小，基于深度特征强化的网络结构分支使得在通道上有效的特征图权重大、无效或效果小的特征图权重小，并可以将全局激活模块应用到不同深度的标准卷积模块结构后强化重要的信息特征。
-
公开(公告)号：CN104102922B
公开(公告)日：2017-08-01
申请号：CN201410337565.9
申请日：2014-07-15
Applicant: 中国科学院合肥物质科学研究院 , 安徽省农业科学院农业经济与信息研究所
IPC: G06K9/62
Abstract: 本发明提供一种基于上下文感知字典学习的害虫图像分类方法，包括以下步骤：将已知类别的害虫图像的上下文感知信息添加到害虫图像样本库，得到若干类训练样本，构造学习函数，利用训练样本完成害虫图像过完备字典的学习；将待分类害虫图像进行预处理，得到测试样本；将测试样本进行稀疏表示维数约简处理；将经过稀疏表示维数约简后的测试样本读入稀疏表示分类器，根据通过学习得到的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差；对测试样本与各类训练样本上下文感知信息的残差进行分析，判定测试样本的类别。本发明能够提高复杂场景中的害虫图像分类的精度和效率，提升传统农作物害虫诊断模式。
-
公开(公告)号：CN104091175B
公开(公告)日：2017-08-01
申请号：CN201410337605.X
申请日：2014-07-15
Applicant: 中国科学院合肥物质科学研究院 , 安徽省农业科学院农业经济与信息研究所
IPC: G06K9/62
Abstract: 本发明涉及一种基于Kinect深度信息获取技术的害虫图像自动识别方法，与现有技术相比解决了害虫图像识别方法识别率低、鲁棒性差的缺陷。本发明包括以下步骤：像素位置转换；图像分割；方向校正；特征提取；特征训练及害虫识别。本发明能够自动识别害虫种类，提高了害虫的识别率与鲁棒性。
-
公开(公告)号：CN104077580A
公开(公告)日：2014-10-01
申请号：CN201410337568.2
申请日：2014-07-15
Applicant: 中国科学院合肥物质科学研究院
IPC: G06K9/00
Abstract: 本发明提供一种基于深信度网络的害虫图像自动识别方法，包括以下步骤：对收集的若干训练图像进行预处理，得到若干训练样本，对训练样本进行HOG特征提取，形成训练样本的联合图像特征向量；构造基于受限玻尔兹曼机的深信度网络，将训练样本的联合图像特征向量输入构造的深信度网络，完成对深信度网络的训练；对待测害虫图像进行预处理，得到测试样本，对测试样本进行HOG特征提取，形成测试样本的联合图像特征向量；将测试样本的联合图像特征向量输入训练完成的深信度网络，识别得到待测害虫图像的类别。本发明能够提高害虫识别的准确率，增强害虫识别算法的鲁棒性。
-
公开(公告)号：CN103903006A
公开(公告)日：2014-07-02
申请号：CN201410079477.3
申请日：2014-03-05
Applicant: 中国科学院合肥物质科学研究院 , 安徽省农业科学院情报研究所
IPC: G06K9/62
Abstract: 本发明涉及基于Android平台的农作物害虫识别方法，启动Android平台手机的应用软件，连接无线网络，选择农作物的种类；采集害虫图像，并将害虫图像传输到应用程序服务器；应用程序服务器对害虫图像进行图像分割，并判断是否达到预期阈值，若判断结果为是，则对害虫图像依次进行预处理、特征提取和多特征融合，否则，返回重新对害虫图像进行分割；对害虫图像特征进行识别，并将识别结果及相应的害虫防治方法传送至Android平台手机。本发明还公开了基于Android平台的农作物害虫识别系统。本发明使用户随时随地都可以对农作物害虫进行智能诊断，避免一味的依托农业专家的限制，利用Android手机平台，彻底改变了传统的农作物害虫诊断模式，提高了农田管理效率，方便了用户。
-
Patent Agency Ranking
公开(公告)号：CN111178120B
公开(公告)日：2023-04-21
申请号：CN201811586713.5
申请日：2018-12-25
Applicant: 中国科学院合肥物质科学研究院
IPC: G06V10/764 , G06N3/0464 , G06V10/774 , G06V20/40 , G06V10/82
Abstract: 本发明涉及一种基于作物识别级联技术的害虫图像检测方法，与现有技术相比解决了不同类别害虫之间的互相关性影响害虫检测结果的缺陷。本发明包括以下步骤：获取基础数据图像；构造并训练多层感知信息识别网络；构造并训练多投影检测模型；待检测害虫图像的获取；害虫图像的检测。本发明提出了两阶段基于移动视觉的级联害虫检测方法，能够应用于大规模多种害虫数据，通过在新建立的大规模数据集粮食作物田间害虫数据集中对本方法的评估，充分的实验结果表明，本发明所述方法优于传统先进的物体检测方法。
-
公开(公告)号：CN104091181A
公开(公告)日：2014-10-08
申请号：CN201410336226.9
申请日：2014-07-15
Applicant: 中国科学院合肥物质科学研究院
IPC: G06K9/66
Abstract: 本发明涉及基于深度受限玻尔兹曼机的害虫图像自动识别方法，包括：训练过程：对训练图像集的数据进行预处理，对经预处理的训练图像分组构建训练图像立方体，采用受限玻尔兹曼机算法提取每组训练图像的特征，经过反馈调节，得到训练后的训练图像集特征数据；测试过程：输入待识别的测试图像，对测试图像进行预处理，采用受限玻尔兹曼机算法提取测试图像特征，经过反馈调节，得到误差较小的测试图像的特征数据；识别害虫种类，给出预防方法。本发明该公开了一种基于深度受限玻尔兹曼机的害虫图像自动识别系统。本发明提高了害虫识别率与程序的鲁棒性，提升了害虫识别在农业生产中的实际应用价值。
-
公开(公告)号：CN104077612B
公开(公告)日：2017-09-22
申请号：CN201410337582.2
申请日：2014-07-15
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多特征稀疏表示技术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方法在复杂现实环境中识别能力较差的缺陷。本发明包括以下步骤：害虫图像的多特征提取；构建多特征训练样本矩阵；多特征融合学习；多特征融合识别。本发明提高了害虫识别的准确率。利用害虫图像的颜色特征、形状特征以及纹理特征分别构造相应的特征训练样本矩阵，结合稀疏表示识别框架，通过融合颜色、形状、纹理三种特征下的识别结果，实现了不同特征的有效融合。
-
公开(公告)号：CN104102922A
公开(公告)日：2014-10-15
申请号：CN201410337565.9
申请日：2014-07-15
Applicant: 中国科学院合肥物质科学研究院 , 安徽省农业科学院农业经济与信息研究所
IPC: G06K9/62
Abstract: 本发明提供一种基于上下文感知字典学习的害虫图像分类方法，包括以下步骤：将已知类别的害虫图像的上下文感知信息添加到害虫图像样本库，得到若干类训练样本，构造学习函数，利用训练样本完成害虫图像过完备字典的学习；将待分类害虫图像进行预处理，得到测试样本；将测试样本进行稀疏表示维数约简处理；将经过稀疏表示维数约简后的测试样本读入稀疏表示分类器，根据通过学习得到的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差；对测试样本与各类训练样本上下文感知信息的残差进行分析，判定测试样本的类别。本发明能够提高复杂场景中的害虫图像分类的精度和效率，提升传统农作物害虫诊断模式。
-
公开(公告)号：CN104077612A
公开(公告)日：2014-10-01
申请号：CN201410337582.2
申请日：2014-07-15
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多特征稀疏表示技术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方法在复杂现实环境中识别能力较差的缺陷。本发明包括以下步骤：害虫图像的多特征提取；构建多特征训练样本矩阵；多特征融合学习；多特征融合识别。本发明提高了害虫识别的准确率。利用害虫图像的颜色特征、形状特征以及纹理特征分别构造相应的特征训练样本矩阵，结合稀疏表示识别框架，通过融合颜色、形状、纹理三种特征下的识别结果，实现了不同特征的有效融合。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.049 seconds)
