CN108334938A - 一种基于图像识别的蚊媒自动监测系统 - Google Patents
一种基于图像识别的蚊媒自动监测系统 Download PDFInfo
- Publication number
- CN108334938A CN108334938A CN201810134513.XA CN201810134513A CN108334938A CN 108334938 A CN108334938 A CN 108334938A CN 201810134513 A CN201810134513 A CN 201810134513A CN 108334938 A CN108334938 A CN 108334938A
- Authority
- CN
- China
- Prior art keywords
- mosquito
- mosquito matchmaker
- matchmaker
- image
- monitoring system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图像识别的蚊媒自动监测系统,包括设置在后台服务器中的图像预处理模块和蚊媒类型识别模块,用于对待识别的蚊媒图像进行自动识别;其中,所述图像预处理模块用于对蚊媒图像进行标准化、光照校正和去噪处理;所述蚊媒类型识别模块用于结合VGG‑16模型和Faster R‑CNN框架模型,对预处理后的蚊媒图像进行种类识别和数量统计;由于采用了Faster R‑CNN框架模型和VGG‑16模型理论,一改传统蚊媒监测系统的纯人工检查监测手段,不仅节省了大量人力物力,并有利于实现对蚊媒的在线实时智能监测功能,可迅速准确获得蚊媒监测结果,操作简单、节省人力,能现场快速检测,可满足大面积的现场检测工作需要以及长期全面高效蚊媒监测的需求,具有很强的实用价值。
Description
技术领域
本发明涉及蚊媒监测系统领域,尤其涉及的是一种基于图像识别的蚊媒自动监测系统。
背景技术
随着全球化、气候变化和城市化进程的加速,近年来登革热、基孔肯亚热、寨卡等蚊媒传染病在全球范围内呈扩散趋势,中国也面临巨大的蚊媒传染病防控压力。
例如,白纹伊蚊和三带喙库蚊等蚊媒是传播登革热和流行性乙型脑炎等传染病的重要媒介,其将病原生物从宿主传播给人类,对人类健康带来巨大危害,严重威胁到人民的生命财产安全。而对蚊媒进行监测是进行蚊媒传染病防控的关键,不仅有利于了解蚊虫的种属构成和密度分布,还可对蚊媒传染病流行提供预警和风险分析。
目前,中国国内蚊媒监测的常用方法有人工叮咬法、人帐诱捕法、紫外灯诱捕法、CO2诱捕法、黑箱法、灭蚊磁场法、BGS诱蚊器、诱蚊诱卵法等等。人工叮咬法和人帐诱捕法虽操作简单,但存在易使操作者感染疾病的风险;紫外灯诱捕法利用蚊虫的趋光性捕捉蚊虫,使用范围广,但其本身对蚊类的吸引力不强;CO2诱捕法以CO2作为引诱剂,安全无害,且更倾向于吸引雌蚊,但有研究认为该法对库蚊与按蚊的捕捉效果欠佳;黑箱法设备简单、易操作,但有研究指出可能不适用于捕获按蚊;灭蚊磁场法因无需外接电源,主要应用于蚊害严重的偏远地区;BGS诱蚊器需要动力来源且成本较高;而诱蚊诱卵法多适用于登革媒介白纹伊蚊种群的监测。因而,大多蚊媒监测方法都有其缺点和局限性,不能满足长期全面高效蚊媒监测的需求。
此外,目前传统的蚊媒监测多是先通过上述方法捕捉蚊虫后,再通过人工肉眼清点记录捕获的蚊虫数量和种类。少数或在显微镜下逐个检查测定蚊虫,或使用一些新兴的检测方法,如酶学方法和分子生物学方法等进行监测。但是,这些检测方法都耗费人力,操作步骤繁琐,受人为因素的影响较大,不够客观和科学,难以指导传染病的防控工作,且不能现场快速检测,难以满足大面积的现场监测工作需要。
发明内容
为解决上述技术问题,本发明提供一种基于图像识别的蚊媒自动监测系统,操作简单、节省人力,能现场快速检测,可满足大面积的现场检测工作需要以及长期全面高效蚊媒监测的需求。
本发明的技术方案如下:一种基于图像识别的蚊媒自动监测系统,设置在后台服务器中,用于对待识别的蚊媒图像进行自动识别,包括图像预处理模块和蚊媒类型识别模块:所述图像预处理模块用于对蚊媒图像进行标准化、光照校正和去噪处理;所述蚊媒类型识别模块用于结合VGG-16模型和Faster R-CNN框架模型,对预处理后的蚊媒图像进行种类识别和数量统计。
所述的基于图像识别的蚊媒自动监测系统,其中,所述图像预处理模块用于对待识别的蚊媒图像的大小进行统一标准化处理,并采用Gamma校正算法对标准化后的蚊媒图像进行光照规整处理,以及采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
所述的基于图像识别的蚊媒自动监测系统,其中,所述Faster R-CNN框架模型包括区域建议网络模块和检测识别模块,所述区域建议网络模块为全卷积神经网络,用于提取蚊媒区域,所述检测识别模块基于区域建议网络模块对提取的蚊媒区域进行蚊媒类别的识别。
所述的基于图像识别的蚊媒自动监测系统,其中,所述检测识别模块用于将经过预处理后的蚊媒图像输入VGG-16模型进行特征提取得到特征层,且采用全卷积神经网络生成与蚊子尸体一一对应的蚊媒提取窗口,将该蚊媒提取窗口映射到提取的特征层上,并将每个蚊媒提取窗口基于最大值池化理论划分成固定尺寸的特征层,以及利用探测分类概率对每个蚊媒提取窗口中的蚊子尸体进行分类。
所述的基于图像识别的蚊媒自动监测系统,其中,所述全卷积神经网络中每个候选区域的初始窗口大小为64×64,48×84,84×48;所述特征层Feature maps的固定尺寸为7×7。
所述的基于图像识别的蚊媒自动监测系统,其中,所述Faster R-CNN框架模型通过蚊媒训练样本库的蚊媒图像进行训练,所述蚊媒训练样本库基于Faster R-CNN框架模型的识别统计结果进行迭代。
所述的基于图像识别的蚊媒自动监测系统,其中,所述蚊媒训练样本库包括初始蚊媒训练样本和后续蚊媒训练样本,所述初始蚊媒训练样本的蚊媒图像通过对实验室养殖或野外捕获并经乙醚处死的蚊子尸体进行拍照获得,所述后续蚊媒训练样本的蚊媒图像根据后续蚊媒图像处理的结果而不断更新。
所述的基于图像识别的蚊媒自动监测系统,其中,所述初始蚊媒训练样本的蚊媒图像幅数大于100张,均采用人工标记,且标记的蚊子尸体总数量超过5000只。
所述的基于图像识别的蚊媒自动监测系统,其中,所述图像预处理模块还用于对初始蚊媒训练样本的蚊媒图像的大小进行统一标准化处理,并采用Gamma校正算法对标准化后的蚊媒图像进行光照规整处理,以及采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
所述的基于图像识别的蚊媒自动监测系统,其中,所述蚊媒图像的大小统一为3264×2368×3;所述Gamma校正算法中gamma的取值范围设定在0.4~2.2之间。
本发明所提供的一种基于图像识别的蚊媒自动监测系统,由于采用了Faster R-CNN框架模型和VGG-16模型理论,一改传统蚊媒监测系统的纯人工检查监测手段,不仅节省了大量人力物力,并有利于实现对蚊媒的在线实时智能监测功能,可迅速准确获得蚊媒监测结果,操作简单、节省人力,能现场快速检测,可满足大面积的现场检测工作需要以及长期全面高效蚊媒监测的需求,具有很强的实用价值,且人为因素影响较小,较为客观和科学,适合指导蚊媒传染病的防控工作。
附图说明
图1是本发明基于图像识别的蚊媒自动监测系统实施例的构架示意图;
图2是本发明基于图像识别的蚊媒自动监测系统实施例中的Faster R-CNN框架模型结构示意图。
具体实施方式
以下将结合附图,对本发明的具体实施方式和实施例加以详细说明,所描述的具体实施例仅用以解释本发明,并非用于限定本发明的具体实施方式。
如图1和图2所示,图1是本发明基于图像识别的蚊媒自动监测系统实施例的构架示意图,图2是本发明基于图像识别的蚊媒自动监测系统实施例中的Faster R-CNN框架模型结构示意图;该蚊媒自动监测系统设置在后台服务器中,用于对待识别的蚊媒图像201进行自动识别,而待识别的蚊媒图像201则另外通过蚊媒检测系统110获得;所述蚊媒自动监测系统包括图像预处理模块120和蚊媒类型识别模块,其中,所述图像预处理模块120用于对蚊媒图像201进行标准化、光照校正和去噪的预处理;所述蚊媒类型识别模块用于结合VGG-16模型210和Faster R-CNN框架模型200,对预处理后的蚊媒图像201进行种类识别和数量统计170,并输出识别后的蚊媒图像203。
本文中的Faster R-CNN框架模型200指的是深度学习Faster R-CNN框架模型,借鉴和参考了S. Ren, et al. “Faster R-CNN: Towards real-time object detectionwith region proposal networks.” Advances in Neural Information ProcessingSystems. 2015文献,并将其用于蚊媒自动监测系统中。
本文中的VGG-16模型210借鉴和参考了K. Simonyan and A. Zisserman. VeryDeep Convolutional Networks for Large-Scale Image Recognition. ArXivTechnical Report , 2014文献,并将其用于蚊媒图像的识别方法中。
在本发明基于图像识别的蚊媒自动监测系统的优选实施方式中,具体的,所述图像预处理模块用于对待识别的蚊媒图像201的大小进行统一标准化处理,并采用Gamma校正算法对标准化后的蚊媒图像201进行光照规整处理,以及采用高斯低通滤波算法对光照规整后的蚊媒图像201进行去噪处理。
优选地,待识别的蚊媒图像的大小统一为3264×2368×3;所述Gamma校正算法公式为Iout=Iin gamma,其中gamma的取值范围设定在0.4~2.2之间。
具体的,所述Faster R-CNN框架模型200包括区域建议网络模块(RPN)240和检测识别模块,所述区域建议网络模块(RPN)240为全卷积神经网络,用于提取蚊媒区域,所述检测识别模块基于区域建议网络模块(RPN)240对提取的蚊媒区域进行蚊媒类别的识别。
进一步地,所述检测识别模块用于将经过预处理120后的蚊媒图像201输入VGG-16模型210进行特征提取得到特征层(Feature maps)220,且采用全卷积神经网络生成与蚊子尸体一一对应的蚊媒提取窗口202,将该蚊媒提取窗口202映射到提取的特征层(Featuremaps)220上,并将每个蚊媒提取窗口202基于最大值池化(Max-pooling)理论划分成固定尺寸的特征层(Feature maps)230,以及利用探测分类概率(Softmax Loss)对每个蚊媒提取窗口202中的蚊子尸体进行分类。
所谓的最大值池化(Max-pooling)指的是选取图像区域的最大值作为该区域池化(Pooling)后的值;所谓的探测分类概率指的是Softmax损失函数。
而全卷积神经网络可以接受任意尺寸的输入图像,并采用反卷积层对最后一个卷积层的特征层Feature map进行上采样,使它恢复到输入图像相同的尺寸,从而可以对每个像素都产生一个预测,同时也保留了原始输入图像中的空间信息,便于最后在采样的特征图上进行逐像素分类;图2中的RPN指的是区域建议网络模块240,作为Faster R-CNN框架模型200的一部分,该区域建议网络模块240就是一种全卷积神经网络,用于提取候选框即蚊媒区域;在特征层(Feature maps)220的基础上,用RPN生成蚊媒提取窗口(Proposals)202a,每张图片中的每只蚊子尸体对应一个蚊媒提取窗口202a。
优选地,所述全卷积神经网络中每个候选区域的初始窗口大小为64×64,48×84,84×48,由此可以节省大量的计算时间和存储容量。
优选地,所述特征层(Feature maps)230的固定尺寸为7×7。
在本发明基于图像识别的蚊媒自动监测系统的优选实施方式中,所述Faster R-CNN框架模型200通过蚊媒训练样本库160的蚊媒图像进行训练,所述蚊媒训练样本库160又基于该Faster R-CNN框架模型200的识别统计结果进行迭代,以适应蚊媒种类及其尸体姿态的多样性。
进一步地,所述蚊媒训练样本库160包括初始蚊媒训练样本和后续蚊媒训练样本;其中,所述初始蚊媒训练样本的蚊媒图像通过对实验室养殖或野外捕获并经乙醚处死的蚊子尸体进行拍照获得,即图1中训练样本图像采集140;所述后续蚊媒训练样本的蚊媒图像则根据后续蚊媒图像处理的结果而不断更新。
较好的是,所述初始蚊媒训练样本的蚊媒图像幅数大于100张,均采用人工标记,且标记的蚊子尸体总数量超过5000只。
所述图像预处理模块还用于对初始蚊媒训练样本的蚊媒图像进行标准化、光照校正和去噪的预处理150,具体的,所述图像预处理模块对初始蚊媒训练样本的蚊媒图像的大小进行统一标准化处理,并采用Gamma校正算法对标准化后的蚊媒图像进行光照规整处理,以及采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
优选地,所述初始蚊媒训练样本的蚊媒图像的大小统一为3264×2368×3;所述Gamma校正算法公式为Iout=Iin gamma,其中gamma的取值范围设定在0.4~2.2之间。
本发明基于图像识别的蚊媒自动监测系统,较好地克服了目前蚊媒监测工作中存在的问题和技术难点,可大幅提高中国国内对蚊媒传染病的监测能力,进一步掌握中国国内重点传染病的发病规律和流行趋势,有助形成科学有效的传染病风险评估体系,并为疾病防控提供科学理论依据。
应当理解的是,以上所述仅为本发明的较佳实施例而已,并不足以限制本发明的技术方案,对本领域普通技术人员来说,在本发明的精神和原则之内,可以根据上述说明加以增减、替换、变换或改进,而所有这些增减、替换、变换或改进后的技术方案,都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于图像识别的蚊媒自动监测系统,设置在后台服务器中,用于对待识别的蚊媒图像进行自动识别,其特征在于,包括图像预处理模块和蚊媒类型识别模块:
所述图像预处理模块用于对蚊媒图像进行标准化、光照校正和去噪处理;
所述蚊媒类型识别模块用于结合VGG-16模型和Faster R-CNN框架模型,对预处理后的蚊媒图像进行种类识别和数量统计。
2.根据权利要求1所述的基于图像识别的蚊媒自动监测系统,其特征在于,所述图像预处理模块用于对待识别的蚊媒图像的大小进行统一标准化处理,并采用Gamma校正算法对标准化后的蚊媒图像进行光照规整处理,以及采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
3.根据权利要求1所述的基于图像识别的蚊媒自动监测系统,其特征在于:所述FasterR-CNN框架模型包括区域建议网络模块和检测识别模块,所述区域建议网络模块为全卷积神经网络,用于提取蚊媒区域,所述检测识别模块基于区域建议网络模块对提取的蚊媒区域进行蚊媒类别的识别。
4.根据权利要求3所述的基于图像识别的蚊媒自动监测系统,其特征在于:所述检测识别模块用于将经过预处理后的蚊媒图像输入VGG-16模型进行特征提取得到特征层,且采用全卷积神经网络生成与蚊子尸体一一对应的蚊媒提取窗口,将该蚊媒提取窗口映射到提取的特征层上,并将每个蚊媒提取窗口基于最大值池化理论划分成固定尺寸的特征层,以及利用探测分类概率对每个蚊媒提取窗口中的蚊子尸体进行分类。
5.根据权利要求4所述的基于图像识别的蚊媒自动监测系统,其特征在于:所述全卷积神经网络中每个候选区域的初始窗口大小为64×64,48×84,84×48;所述特征层Featuremaps的固定尺寸为7×7。
6.根据权利要求1所述的基于图像识别的蚊媒自动监测系统,其特征在于:所述FasterR-CNN框架模型通过蚊媒训练样本库的蚊媒图像进行训练,所述蚊媒训练样本库基于Faster R-CNN框架模型的识别统计结果进行迭代。
7.根据权利要求6所述的基于图像识别的蚊媒自动监测系统,其特征在于:所述蚊媒训练样本库包括初始蚊媒训练样本和后续蚊媒训练样本,所述初始蚊媒训练样本的蚊媒图像通过对实验室养殖或野外捕获并经乙醚处死的蚊子尸体进行拍照获得,所述后续蚊媒训练样本的蚊媒图像根据后续蚊媒图像处理的结果而不断更新。
8.根据权利要求7所述的基于图像识别的蚊媒自动监测系统,其特征在于:所述初始蚊媒训练样本的蚊媒图像幅数大于100张,均采用人工标记,且标记的蚊子尸体总数量超过5000只。
9.根据权利要求7所述的基于图像识别的蚊媒自动监测系统,其特征在于:所述图像预处理模块还用于对初始蚊媒训练样本的蚊媒图像的大小进行统一标准化处理,并采用Gamma校正算法对标准化后的蚊媒图像进行光照规整处理,以及采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
10.根据权利要求2和9所述的基于图像识别的蚊媒自动监测系统,其特征在于:所述蚊媒图像的大小统一为3264×2368×3;所述Gamma校正算法中gamma的取值范围设定在0.4~2.2之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810134513.XA CN108334938A (zh) | 2018-02-09 | 2018-02-09 | 一种基于图像识别的蚊媒自动监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810134513.XA CN108334938A (zh) | 2018-02-09 | 2018-02-09 | 一种基于图像识别的蚊媒自动监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334938A true CN108334938A (zh) | 2018-07-27 |
Family
ID=62927419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810134513.XA Pending CN108334938A (zh) | 2018-02-09 | 2018-02-09 | 一种基于图像识别的蚊媒自动监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334938A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377479A (zh) * | 2018-09-27 | 2019-02-22 | 中国电子科技集团公司第五十四研究所 | 基于遥感影像的蝶形卫星天线目标检测方法 |
CN109583564A (zh) * | 2018-10-31 | 2019-04-05 | 东华大学 | 基于vgg卷积神经网络的极相似动物纤维自动识别方法 |
US10963742B2 (en) | 2018-11-02 | 2021-03-30 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11048928B1 (en) | 2020-02-04 | 2021-06-29 | University Of South Florida | Systems and methods of entomology classification based on extracted anatomies |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332086A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于双阈值局部二进制模式的人脸识别方法 |
CN106384345A (zh) * | 2016-08-31 | 2017-02-08 | 上海交通大学 | 一种基于rcnn的图像检测以及流量统计方法 |
CN106548192A (zh) * | 2016-09-23 | 2017-03-29 | 北京市商汤科技开发有限公司 | 基于神经网络的图像处理方法、装置和电子设备 |
CN107247955A (zh) * | 2016-07-29 | 2017-10-13 | 竹间智能科技(上海)有限公司 | 配件识别方法及装置 |
CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
-
2018
- 2018-02-09 CN CN201810134513.XA patent/CN108334938A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332086A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于双阈值局部二进制模式的人脸识别方法 |
CN107247955A (zh) * | 2016-07-29 | 2017-10-13 | 竹间智能科技(上海)有限公司 | 配件识别方法及装置 |
CN106384345A (zh) * | 2016-08-31 | 2017-02-08 | 上海交通大学 | 一种基于rcnn的图像检测以及流量统计方法 |
CN106548192A (zh) * | 2016-09-23 | 2017-03-29 | 北京市商汤科技开发有限公司 | 基于神经网络的图像处理方法、装置和电子设备 |
CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377479A (zh) * | 2018-09-27 | 2019-02-22 | 中国电子科技集团公司第五十四研究所 | 基于遥感影像的蝶形卫星天线目标检测方法 |
CN109377479B (zh) * | 2018-09-27 | 2021-10-22 | 中国电子科技集团公司第五十四研究所 | 基于遥感影像的蝶形卫星天线目标检测方法 |
CN109583564A (zh) * | 2018-10-31 | 2019-04-05 | 东华大学 | 基于vgg卷积神经网络的极相似动物纤维自动识别方法 |
US10963742B2 (en) | 2018-11-02 | 2021-03-30 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11501113B2 (en) | 2018-11-02 | 2022-11-15 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11989936B2 (en) | 2018-11-02 | 2024-05-21 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11048928B1 (en) | 2020-02-04 | 2021-06-29 | University Of South Florida | Systems and methods of entomology classification based on extracted anatomies |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334938A (zh) | 一种基于图像识别的蚊媒自动监测系统 | |
Bjerge et al. | Real‐time insect tracking and monitoring with computer vision and deep learning | |
Miranda et al. | Pest detection and extraction using image processing techniques | |
CN109543679A (zh) | 一种基于深度卷积神经网络的死鱼识别方法及预警系统 | |
CN109726652B (zh) | 一种基于卷积神经网络检测值班人员睡觉行为的方法 | |
WO2020007363A1 (zh) | 识别目标数量的方法、装置及计算机可读存储介质 | |
CN114359727B (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN113223035B (zh) | 笼养鸡智能巡检系统 | |
CN112270681B (zh) | 一种黄板害虫深度检测与计数方法与系统 | |
CN109190608A (zh) | 一种城市违章智能识别方法 | |
CN113822185A (zh) | 一种群养生猪日常行为检测方法 | |
Wang et al. | Recognition and counting of typical apple pests based on deep learning | |
CN114049550A (zh) | 基于深度学习的笼养死亡肉鸡自动识别方法 | |
CN110287902B (zh) | 畜禽存活检测方法、装置、设备及计算机程序产品 | |
CN112106747A (zh) | 一种智慧农业虫害远程自动监控系统 | |
CN107610122A (zh) | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 | |
CN110059076A (zh) | 一种输变电线路设备的故障数据库半自动化建立方法 | |
CN116824626A (zh) | 一种动物异常状态人工智能识别的方法 | |
CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
CN114511801A (zh) | 一种虫害识别模型训练方法、虫害监测方法和电子设备 | |
CN108304818A (zh) | 一种蚊媒图像自动识别方法 | |
CN110245604A (zh) | 基于卷积神经网络的蚊虫识别方法 | |
CN114299332A (zh) | 核电厂冷源海生物智能探测方法及系统 | |
CN105900955A (zh) | 太阳能靶标害虫自动识别系统 | |
Wei et al. | Small sample and efficient crop pest recognition method based on transfer learning and data transformation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |
|
RJ01 | Rejection of invention patent application after publication |