-
公开(公告)号：CN104091175A
公开(公告)日：2014-10-08
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：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：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。
-
Patent Agency Ranking
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：CN104102920A
公开(公告)日：2014-10-15
申请号：CN201410336163.7
申请日：2014-07-15
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及基于形态学多特征融合的害虫图像分类方法，该方法包括训练过程：对训练图像集的数据进行图像分割，对经分割后的训练图像进行预处理，提取训练图像的形态学特征，经过多形态特征融合，得到训练图像特征矩阵；测试过程：输入待识别的测试图像，对测试图像进行图像分割、预处理，提取测试图像的形态学特征，经过多形态特征融合，得到测试图像特征矩阵；识别害虫种类：计算测试图像特征矩阵与训练图像特征矩阵的相似度，找出相似度最高的类别，根据相似度得到害虫种类与防治方法。本发明还公开了基于形态学多特征融合的害虫图像分类系统。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：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。
-
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。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.046 seconds)
