CN108615046A - 一种储粮害虫检测识别方法及装置 - Google Patents
一种储粮害虫检测识别方法及装置 Download PDFInfo
- Publication number
- CN108615046A CN108615046A CN201810220737.2A CN201810220737A CN108615046A CN 108615046 A CN108615046 A CN 108615046A CN 201810220737 A CN201810220737 A CN 201810220737A CN 108615046 A CN108615046 A CN 108615046A
- Authority
- CN
- China
- Prior art keywords
- pest
- image
- grain storage
- model
- convolutional neural
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 4
- 235000013339 cereals Nutrition 0.000 description 58
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000254152 Sitophilus oryzae Species 0.000 description 1
- 241000254154 Sitophilus zeamais Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种储粮害虫检测识别方法及装置。所述方法包括:将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。本发明基于深度学习的目标检测算法和采集到的储粮害虫数据,训练出一个能够正确定位并识别多类储粮害虫的模型,避免了手工设计特征鲁棒性和泛化性差的弊端,提升了检测识别的精度和效率。
Description
技术领域
本发明涉及人工智能领域,更具体地,涉及一种储粮害虫检测识别方法及装置。
背景技术
近年来,计算机视觉技术取得了巨大的进步,这主要得益于以深度学习为核心的人工智能技术的革命性发展。伴随着计算机硬件的不断进步和互联网时代积累的大量数据资源,使得巨型神经网络可以训练并发挥其优势。与传统计算机视觉技术不同的是,基于深度学习的计算机视觉技术可以从大量的数据中自动的学习特征,具有强大的特征表示能力,能够带来更高的检测识别精度。
储粮害虫种类繁多,给手工设计特征的传统计算机视觉方法带来困难。储粮害虫图像目标物体小,背景复杂,也给手工设计特征带来不便,而基于深度神经网络的目标检测算法不需要对原始图像过多的处理就可以很好的学习图像特征;对于某些外形相似度极高的储粮害虫(如米象和玉米象),传统方法手工提取的特征不能达到很好的识别效果。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的储粮害虫检测识别方法及装置。
根据本发明的一个方面,提供一种储粮害虫检测识别方法,包括:
将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;
根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。
根据本发明的另一个方面,还提供一种储粮害虫检测识别装置,包括:
模型判定模块,用于将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;以及
害虫标注模块,用于根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。
根据本发明的另一个方面,还提供电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行本发明储粮害虫检测识别方法及其任一可选实施例的方法。
根据本发明的另一个方面,提供一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行本发明储粮害虫检测识别方法及其任一可选实施例的方法。
本发明提出一种储粮害虫检测识别方法,基于深度学习的目标检测算法和采集到的储粮害虫数据,训练出一个能够正确定位并识别多类储粮害虫的模型,避免了手工设计特征鲁棒性和泛化性差的弊端,提升了检测识别的精度和效率。
附图说明
图1为本发明实施例一种储粮害虫检测识别方法流程示意图;
图2为本发明实施例一种电子设备的框架示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明实施例一种储粮害虫检测识别方法流程示意图,如图1所示的储粮害虫检测识别方法,包括:
S100,将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;
本发明实施例所述原始储粮害虫图像是指对储粮系统中的粮食进行拍照采集,得到的可能包含害虫的图像。具体的,可采用工业摄像头以640*480的分辨率拍摄处于粮食表面的常见种类储粮害虫。
所述人工智能分析模型是基于深度学习模型进行训练得到,具体的是采用储粮害虫图像进行训练的用于识别储粮害虫图像中的害虫位置和类别的人工智能模型。
S200,根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。
在步骤S100通过人工智能模型得到了储粮害虫图像中害虫位置和类型后,对识别的图像上的害虫位置处进行标注,并同时标注害虫类别。通过步骤S200的自动标注,可以方便工作人员进行后续处理。
由于不需要花费大量的时间和精力针对特定任务去设计特征,因此基于深度神经网络的计算机视觉技术具有更好的泛化性和更易于推广;因此,本发明实施例基于深度学习的目标检测算法和采集到的储粮害虫数据,训练出一个能够正确定位并识别多类储粮害虫的模型,避免了手工设计特征鲁棒性和泛化性差的弊端,提升了检测识别的精度和效率。
本发明实施例实现了对于任意大小的储粮害虫图像输入均可准确检测粮虫位置并给出粮虫所属类别的概率的目的,易于操作、准确性高,用于储粮粮堆内害虫危害的预测预报和防治决策,提高防治效果。
在一个可选的实施例中,根据储粮害虫图像组成的数据集训练和验证所述卷积神经网络,具体包括:
步骤1,根据储粮害虫的原始图像,获得所述原始图像上的害虫位置和类别进行人工标注的人工标注图像,基于所有人工标注图像构建数据集;
具体的,步骤1中,通过图像采集系统进行害虫图像数据采集,并可以由行业专家进行专业的害虫类别的标注,最终将标注过的储粮害虫图像存储在计算机中,形成储粮害虫图像基础数据库。
具体的,可以使用专业的图像标注软件将图像上的害虫用一个矩形框标注出来,目标害虫的位置坐标和类别信息被保存在一个XML文件中。
步骤2,将所述数据集分为训练集、验证集和测试集,其中所述训练集用于训练所述卷积神经网络,所述验证集用于训练过程中调节所述卷积神经网络的参数,所述测试集用于测试所述卷积神经网络的效果;
步骤3,利用所述训练集、验证集和测试集对所述卷积神经网络进行迭代训练和验证,从而构建所述人工智能分析模型。
本发明实施例通过卷积神经网络对训练集进行迭代训练,构建初步训练模型;通过验证集调整相关网络参数,确定网络结构,进而优化训练模型,构建最终人工智能分析模块。
具体的,所述卷积网络采用端到端框架进行数据训练。
具体的,卷积层中包含了13个卷积层、13个激活函数层和4个池化层。所述卷积神经网络作为特征提取器经过一系列卷积、池化等操作生成表示图像特征的特征图。
在一个可选的实施例中,所述卷积神经网络包含候选框提取模块和目标检测模块;
所述候选框提取模块,用于对训练集的所有Feature map进行候选框提取;所述目标检测模块,用于对所提取的候选框进行目标识别检测。
本发明实施例中所述候选框提取模块和所述目标检测模块为述卷积神经网络的两个子网络,负责对训练集的所有Feature map进行候选框提取的子网,称为候选框提取模块;负责对所提取的候选框进行目标识别检测的子网,称为目标检测模块。
具体的,所述候选框提取模块为一全卷积神经网络;具体的,所述候选框提取模块为区域生成网络RPN。
基于上述实施例,所述利用所述训练集、验证集和测试集对所述卷积神经网络和RPN网络进行迭代训练和验证,从而构建所述人工智能分析模型,具体包括:
将所述数据集中任意大小的人工标注图像缩放至固定大小后输入神经网络;
通过所述卷积神经网络的卷积池化和非线性激励操作提取所述人工标注图像的高维特征;
利用所述候选框提取模块根据所述高维特征进行候选框提取,并利用所述目标检测模块识别所提取的候选框,进行迭代训练和验证,以构建所述人工智能分析模型。
具体的,所述候选框提取模块为区域生成网络RPN,目标检测模块为带有RoiPooling层的边框回归网络和softmax网络;则所述利用所述候选框提取模块根据所述高维特征进行候选框提取,并利用所述目标检测模块识别所提取的候选框,进行迭代训练和验证,包括:
基于所述高维特征,所述区域生成网络RPN首先经过3x3卷积,再分别生成foreground anchors与bounding box regression偏移量,并根据所述foregroundanchors与bounding box regression偏移量计算proposals;
Roi Pooling层利用所述proposals从feature maps中提取proposal feature送入后续全连接和softmax网络;
利用proposal feature maps计算proposal的类别,同时再次bounding boxregression获得检测框最终的精确位置。
经过上述目标分类和位置回归,就构建了人工智能分析模型。
在一个可选的实施例中,所述根据储粮害虫的原始图像,获得所述原始图像上的害虫位置和类别进行人工标注的人工标注图像,基于所有人工标注图像构建数据集,还包括:
对所有的人工标注图像进行如下的一种或多种处理,以进行图像增强:任意角度旋转、镜像处理、添加噪声信号、模糊处理和位置变化;根据图像增强后的人工标注图像构建数据集。
本实施例应用图像增强算法对储粮害虫图像进行数据扩充,构建训练模型所用的训练集,训练集中图像数据越多,能获取的特征信息也就越多。
在一个可选的实施例中,所述根据图像增强后的人工标注图像构建数据集,还包括:
对所述数据集中的人工标注图像进行去均值、归一化、主成分分析和白化中的一种或多种处理。
具体的,可根据图像的分辨率、背景、目标检测问题等实际情况选择上述均值、归一化、主成分分析和白化中的一种或多种处理对数据集中的图像进行预处理。
在一个可选的实施例中,所述根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别,之后还包括:
根据所述根据位置定位和类别判定的结果,获取每种类别的害虫的数量;根据所述位置定位、每种类别的害虫的数量,进行分级告警并发出警报。
具体的,若图像中存在储粮害虫,人工智能分析模块可以自动的标记出害虫的位置和所属类别,并自动的发出警报,提醒监控人员做出相应的反应。
具体的,分级告警可根据害虫类别和数量确定,越是危险严重的害虫,数量越多,则告警级别越高。
综上所述,本发明实施例通过图像采集系统进行害虫图像数据采集,并由行业专家进行专业的害虫类别的标注,最终将标注过的储粮害虫图像存储在计算机中,形成储粮害虫图像基础数据库;将基础数据库中的储粮害虫图像经过一定的预处理后,形成计算机模型后期供训练用的训练集,通过人工智能方法对训练集进行训练,并调整相关参数,最后经过测试和验证后得出有监督的人工智能分析模型;人工智能分析模型对未经过任何处理和标注的新采集的害虫原始图像进行粮虫的位置和类别判定,完成判定后自动打上标签反馈给相关工作人员。本发实施例明公开的一种基于深度学习方法的储粮害虫检测识别方法实现了对于任意大小的图像输入均可准确检测粮虫位置并给出粮虫所属类别的概率的目的,易于操作、准确性高,用于储粮粮堆内害虫危害的预测预报和防治决策,提高防治效果。
本发明实施例还提供一种储粮害虫检测识别装置,包括:
模型判定模块,用于将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;以及
害虫标注模块,用于根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。
本发明实施例的装置,可用于执行图1所示的储粮害虫检测识别方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图2示出了本发明实施例电子设备的框架示意图。
参照图2,所述设备,包括:处理器(processor)201、存储器(memory)202和总线203;其中,所述处理器201和存储器202通过所述总线203完成相互间的通信;
所述处理器201用于调用所述存储器202中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。
本发明另一实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。
本发明另一实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。
本领域普通技术人员可以理解:实现上述设备实施例或方法实施例仅仅是示意性的,其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种储粮害虫检测识别方法,其特征在于,包括:
将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;
根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。
2.根据权利要求1所述的方法,其特征在于,根据储粮害虫图像组成的数据集训练和验证所述卷积神经网络,具体包括:
根据储粮害虫的原始图像,获得所述原始图像上的害虫位置和类别进行人工标注的人工标注图像,基于所有人工标注图像构建数据集;
将所述数据集分为训练集、验证集和测试集,其中所述训练集用于训练所述卷积神经网络,所述验证集用于训练过程中调节所述卷积神经网络的参数,所述测试集用于测试所述卷积神经网络的效果;
利用所述训练集、验证集和测试集对所述卷积神经网络进行迭代训练和验证,从而构建所述人工智能分析模型。
3.根据权利要求2所述的方法,其特征在于,所述卷积神经网络包含候选框提取模块和目标检测模块;
所述候选框提取模块,用于对训练集的所有Feature map进行候选框提取;所述目标检测模块,用于对所提取的候选框进行目标识别检测。
4.根据权利要求3所述的方法,其特征在于,所述利用所述训练集、验证集和测试集对所述卷积神经网络和RPN网络进行迭代训练和验证,从而构建所述人工智能分析模型,具体包括:
将所述数据集中任意大小的人工标注图像缩放至固定大小后输入神经网络;
通过所述卷积神经网络的卷积池化和非线性激励操作提取所述人工标注图像的高维特征;
利用所述候选框提取模块根据所述高维特征进行候选框提取,并利用所述目标检测模块识别所提取的候选框,进行迭代训练和验证,以构建所述人工智能分析模型。
5.根据权利要求2所述的方法,其特征在于,所述根据储粮害虫的原始图像,获得所述原始图像上的害虫位置和类别进行人工标注的人工标注图像,基于所有人工标注图像构建数据集,还包括:
对所有的人工标注图像进行如下的一种或多种处理,以进行图像增强:任意角度旋转、镜像处理、添加噪声信号、模糊处理和位置变化;根据图像增强后的人工标注图像构建数据集。
6.根据权利要求3所述的方法,其特征在于,所述根据图像增强后的人工标注图像构建数据集,还包括:
对所述数据集中的人工标注图像进行去均值、归一化、主成分分析和白化中的一种或多种处理。
7.根据权利要求1所述的方法,其特征在于,所述根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别,之后还包括:
根据所述根据位置定位和类别判定的结果,获取每种类别的害虫的数量;
根据所述位置定位、每种类别的害虫的数量,进行分级告警并发出警报。
8.一种储粮害虫检测识别装置,其特征在于,包括:
模型判定模块,用于将原始储粮害虫图像输入人工智能分析模型中进行害虫的位置定位和类别判定,所述人工智能分析模型为根据储粮害虫图像组成的数据集进行训练和验证的卷积神经网络;以及
害虫标注模块,用于根据位置定位和类别判定的结果,在所述原始储粮害虫图像上标注害虫位置和类别。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220737.2A CN108615046A (zh) | 2018-03-16 | 2018-03-16 | 一种储粮害虫检测识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220737.2A CN108615046A (zh) | 2018-03-16 | 2018-03-16 | 一种储粮害虫检测识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108615046A true CN108615046A (zh) | 2018-10-02 |
Family
ID=63658879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810220737.2A Pending CN108615046A (zh) | 2018-03-16 | 2018-03-16 | 一种储粮害虫检测识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108615046A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444141A (zh) * | 2018-12-24 | 2019-03-08 | 安徽高哲信息技术有限公司 | 一种基于深度学习的粮食籽粒检测与计数的方法及装置 |
CN109492684A (zh) * | 2018-10-31 | 2019-03-19 | 西安同瑞恒达电子科技有限公司 | 数据处理方法及装置 |
CN109932715A (zh) * | 2019-02-18 | 2019-06-25 | 珠海格力电器股份有限公司 | 储粮桶、粮食检测方法、装置和存储介质 |
CN110287822A (zh) * | 2019-06-10 | 2019-09-27 | 浙江大学城市学院 | 一种铁皮石斛栽培中基于视觉目标检测的蜗牛虫害防治方法 |
CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
WO2020124948A1 (zh) * | 2018-12-21 | 2020-06-25 | 中科寒武纪科技股份有限公司 | 网络离线模型的处理方法、人工智能处理装置及相关产品 |
CN111914951A (zh) * | 2020-08-21 | 2020-11-10 | 安徽省农业科学院农业经济与信息研究所 | 一种基于图像实时识别的农作物害虫智能诊断系统及方法 |
CN111931581A (zh) * | 2020-07-10 | 2020-11-13 | 威海精讯畅通电子科技有限公司 | 一种基于卷积神经网络农业害虫识别方法、终端及可读存储介质 |
CN112215293A (zh) * | 2020-10-20 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 植物病虫害识别方法、装置及计算机设备 |
CN112465811A (zh) * | 2020-12-16 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 电力作业现场高精度动态目标定位方法及装置 |
CN112529043A (zh) * | 2020-11-19 | 2021-03-19 | 江苏科技大学 | 一种基于mdrn网络的储粮害虫在线识别系统及其方法 |
CN112598663A (zh) * | 2020-12-30 | 2021-04-02 | 河南工业大学 | 基于视觉显著性的粮食害虫检测方法和装置 |
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN113506579A (zh) * | 2021-05-27 | 2021-10-15 | 华南师范大学 | 基于人工智能和声音识别虫害方法和机器人 |
US11699073B2 (en) | 2018-12-29 | 2023-07-11 | Cambricon Technologies Corporation Limited | Network off-line model processing method, artificial intelligence processing device and related products |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160180195A1 (en) * | 2013-09-06 | 2016-06-23 | Toyota Jidosha Kabushiki Kaisha | Augmenting Layer-Based Object Detection With Deep Convolutional Neural Networks |
CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
CN107665355A (zh) * | 2017-09-27 | 2018-02-06 | 重庆邮电大学 | 一种基于区域卷积神经网络的农业害虫检测方法 |
-
2018
- 2018-03-16 CN CN201810220737.2A patent/CN108615046A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160180195A1 (en) * | 2013-09-06 | 2016-06-23 | Toyota Jidosha Kabushiki Kaisha | Augmenting Layer-Based Object Detection With Deep Convolutional Neural Networks |
CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
CN107665355A (zh) * | 2017-09-27 | 2018-02-06 | 重庆邮电大学 | 一种基于区域卷积神经网络的农业害虫检测方法 |
Non-Patent Citations (1)
Title |
---|
徐阿衡: "卷积神经网络CNN笔记-目标探测", 《HTTP://WWW.SHUANG0420.COM/2017/06/20/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C-%E7%9B%AE%E6%A0%87%E6%8E%A2%E6%B5%8B/》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492684A (zh) * | 2018-10-31 | 2019-03-19 | 西安同瑞恒达电子科技有限公司 | 数据处理方法及装置 |
WO2020124948A1 (zh) * | 2018-12-21 | 2020-06-25 | 中科寒武纪科技股份有限公司 | 网络离线模型的处理方法、人工智能处理装置及相关产品 |
CN109444141B (zh) * | 2018-12-24 | 2021-07-02 | 安徽高哲信息技术有限公司 | 一种基于深度学习的粮食籽粒检测与计数的方法及装置 |
CN109444141A (zh) * | 2018-12-24 | 2019-03-08 | 安徽高哲信息技术有限公司 | 一种基于深度学习的粮食籽粒检测与计数的方法及装置 |
US11699073B2 (en) | 2018-12-29 | 2023-07-11 | Cambricon Technologies Corporation Limited | Network off-line model processing method, artificial intelligence processing device and related products |
CN109932715A (zh) * | 2019-02-18 | 2019-06-25 | 珠海格力电器股份有限公司 | 储粮桶、粮食检测方法、装置和存储介质 |
CN109932715B (zh) * | 2019-02-18 | 2020-08-04 | 珠海格力电器股份有限公司 | 储粮桶、粮食检测方法、装置和存储介质 |
CN110287822A (zh) * | 2019-06-10 | 2019-09-27 | 浙江大学城市学院 | 一种铁皮石斛栽培中基于视觉目标检测的蜗牛虫害防治方法 |
CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN111931581A (zh) * | 2020-07-10 | 2020-11-13 | 威海精讯畅通电子科技有限公司 | 一种基于卷积神经网络农业害虫识别方法、终端及可读存储介质 |
CN111914951A (zh) * | 2020-08-21 | 2020-11-10 | 安徽省农业科学院农业经济与信息研究所 | 一种基于图像实时识别的农作物害虫智能诊断系统及方法 |
CN112215293A (zh) * | 2020-10-20 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 植物病虫害识别方法、装置及计算机设备 |
CN112529043A (zh) * | 2020-11-19 | 2021-03-19 | 江苏科技大学 | 一种基于mdrn网络的储粮害虫在线识别系统及其方法 |
CN112465811A (zh) * | 2020-12-16 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 电力作业现场高精度动态目标定位方法及装置 |
CN112598663A (zh) * | 2020-12-30 | 2021-04-02 | 河南工业大学 | 基于视觉显著性的粮食害虫检测方法和装置 |
CN112598663B (zh) * | 2020-12-30 | 2022-10-04 | 河南工业大学 | 基于视觉显著性的粮食害虫检测方法和装置 |
CN113506579A (zh) * | 2021-05-27 | 2021-10-15 | 华南师范大学 | 基于人工智能和声音识别虫害方法和机器人 |
CN113506579B (zh) * | 2021-05-27 | 2024-01-23 | 华南师范大学 | 基于人工智能和声音识别虫害方法和机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615046A (zh) | 一种储粮害虫检测识别方法及装置 | |
Chen et al. | Identification of plant disease images via a squeeze‐and‐excitation MobileNet model and twice transfer learning | |
EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
Sladojevic et al. | Deep neural networks based recognition of plant diseases by leaf image classification | |
Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
Andrianto et al. | Smartphone application for deep learning-based rice plant disease detection | |
CN108021938A (zh) | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 | |
CN113989662B (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN109492665A (zh) | 水稻生育期的检测方法、装置及电子设备 | |
CN109919252A (zh) | 利用少数标注图像生成分类器的方法 | |
CN111753873A (zh) | 一种图像检测方法和装置 | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
CN110363218A (zh) | 一种胚胎无创评估方法及装置 | |
CN112215217A (zh) | 模拟医师阅片的数字图像识别方法及装置 |
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: 20181002 |
|
RJ01 | Rejection of invention patent application after publication |