CN110517228A - 基于卷积神经网络与迁移学习的树干图像快速检测方法 - Google Patents
基于卷积神经网络与迁移学习的树干图像快速检测方法 Download PDFInfo
- Publication number
- CN110517228A CN110517228A CN201910694942.7A CN201910694942A CN110517228A CN 110517228 A CN110517228 A CN 110517228A CN 201910694942 A CN201910694942 A CN 201910694942A CN 110517228 A CN110517228 A CN 110517228A
- Authority
- CN
- China
- Prior art keywords
- trunk
- image
- detection
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 20
- 238000013526 transfer learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 14
- 230000005012 migration Effects 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 230000003416 augmentation Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000013434 data augmentation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241000894007 species Species 0.000 description 4
- 241001536352 Fraxinus americana Species 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络与迁移学习的树干图像快速检测方法。解决现有树干检测方法存在不稳定性、耗时费力的问题。通过在采集图像数据构建训练样本，采用迁移学习和卷积神经网络对训练样本进行训练，获得树干检测模型，对测试图像进行检测，获取检测结果。本发明采用基于卷积神经网络与迁移学习的树干检测模型对图像进行检测，获取树干图像，相比传统树干检测方法稳定性更好，耗时更短。
Description
技术领域
本发明涉及图像识别技术领域，尤其是涉及一种基于卷积神经网络与迁移学习的树干图像快速检测方法。
背景技术
树干是树的重要组成部分，树干检测是农林业机器人环境理解与导航的基础。树干的有效识别与定位是实现农业机器人对靶(果树树根)施肥，树干注药、喷药防治病害虫，非接触式的树木因子(胸径、树高等)自动测量等自动化生产的前提条件。
目前，树干检测的研究方法主要有基于激光雷达、基于颜色空间模型、颜色空间与分类器等结合。Bargoti等人先处理点云数据得到粗估计的候选树干，再对拍摄的图像按像素分类、并使用隐semi-Markov模型结合上下文信息实现苹果树干检测。该法适应于单棵果树识别，不能实现多目标检测。树干检测也可利用视觉系统信息，从复杂的背景中识别显著区域。管昉立等人通过在Lab颜色空间构建视觉显著图并结合HSV颜色空间的H分量增强颜色对比度实现树干检测。由于不同树种的树干颜色存在差异、有些树干颜色与背景颜色相近，那么基于颜色空间的树干检测效果不明显，故Chen等人结合颜色直方图和训练分类器的方式提高树干检测能力。该法首先使用定向梯度和支持向量机的直方图训练初始橙子树干分类器，再提取树干和非树干图像的灰度直方图特征优化分类器，最后利用Roberts边缘检测器提取树干的梯度直方图特征提高分类器的识别精度。Juman等人结合深度信息和颜色空间提高树干检测率，首先将基于颜色差异去除地面等背景的图像送入MicrosoftKINECT传感器完成树干初识别，再结合深度传感器进一步提高检测器的准确率。由于树木种类、生长环境等不同，且每张图像中树木株数和位置不定，无法实现树干的批量化识别、定位。因此亟需研究出一种快速检测图像中是否包含树干并对其进行定位的方法，从而减少人为操作，提高农业机器人标靶施肥、采摘以及非接触式的树木胸径测量的效率。
发明内容
本发明主要是解决现有树干检测方法存在不稳定性、耗时费力的问题，提供了一种基于卷积神经网络与迁移学习的树干图像快速检测方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于卷积神经网络与迁移学习的树干图像快速检测方法，包括以下步骤，
S1.采集图像数据构建训练样本；
S2.对训练样本采用迁移学习和卷积神经网络进行训练，获得树干检测模型；
S3.使用训练好的树干检测模型对测试图像进行检测，获取检测结果。
本发明采用基于卷积神经网络与迁移学习的树干检测模型对图像进行检测，获取树干图像，相比传统树干检测方法具有稳定性好，耗时短的优点。基于卷积神经网络的树干检测模型能快速识别出树干，借助迁移学习使得树干检测模型更容易收敛。
作为一种优选方案，步骤S1的具体步骤包括，
S11.采集树木的图像，图像在不同光照、不同角度和不同距离情况下采集，采集包括不同树种、不同树龄的树干图像，树干图像包括包含不同遮挡物和垂直物体图像；不同光照情况包括晴天、雨天、阴天，以及光强、光弱的情况；不同树龄为树木胸径范围0.1-0.7m；不同距离范围包括3-10m，通过不同拍摄角度和不同距离，使得采集的图像中树干呈现的姿态各有不同；不同遮挡物指树干受遮挡物遮挡程度不同；垂直物体指在树干图像中包含与树干相似的路灯、电线杆等垂直物体。采用摄像头采集RGB图像。
S12.图像数据增广，对部分图像进行镜面变换、裁剪、旋转、随机水平、垂直翻转操作，获得增广后图像数据集；通过图像数据增广，减少训练阶段的过拟合、欠拟合现象，提高了树干检测性能。增广后图像数据集图像不少于1000幅，另外在增广后随机选取大部分图像用于训练，其余部分用于测试。
S13.图像标注，标注出树干图像中树干、垂直物体；本方案中对图像数据标注出树干、电线杆和路灯。其中树干的矩形上标注标记到第一个树杈，下标注标记到树根，其中含有白灰保护的树干没有标注底部白灰，以减少对特征学习的影响。
S14.经过增广和标注后获得的图像数据集作为训练样本。
作为一种优选方案，所述垂直物体包括电线杆和路灯，采集的图像中包含树干和垂直物体的数量为1-20个。
作为一种优选方案，所述步骤S2中获取树干检测模型过程包括，
在yolov3算法上修改源网络输入尺寸，设置480×480像素值作为输入值；对源网络输入尺寸进行修改，高分辨率的输入图像经过下采样得到的图像特征更加细化，有利于树干图像的特征表达。考虑计算运行速度及产生奇数×奇数的格网，设置480×480像素值作为输入值。
设置卷积块DBL_block，在yolov3算法结构中Darknet-53网络层、两个张量拼接层后分别连接卷积块DBL_block，其中卷积块DBL_block包括三组独立的不等的卷积组，分别为：
DBL_block1-Conv1×1
DBL_block2-Conv1×1-Conv3×3-Conv1×1
DBL_block3-Conv1×1-Conv3×3-Conv1×1-Conv3×3-Conv1×1
其中DBL_block n为不同的卷积组，Convn×n为卷积核；每组卷积组分别采用不同深度的卷积层增加网络的深度，采用1×1卷积核压缩参数数量，3×3卷积核增加channel，达到增强语义特征提取能力。本方案中采用卷积块DBL_block代替原来yolov3算法结构中固定的卷积层，卷积块DBL_block包括三组卷积组，可以根据需求选择相应的卷积组，卷积块DBL_block位于特征交互层用于边界框预测，因树干标签无标准边界值且为了识别出图像中所有树干，可以根据效率、召回率来选择对应的卷积组进行压缩或增加网络深度。
微调源网络模型参数，
根据训练样本分类数修改cls num数量；
将yolov3算法三个检测模型的yolo detection层前一层的filters修改为24；yolov3算法包括三个不同深度的检测模型。
各检测模型的超参数设置为：每批训练样本数32，动量因子为0.9，权重衰减值为0.0005，学习率为0.0001，经过30次迭代至各检测模型损失趋于稳定；
为了使得树干检测模型在图像数据集上快速收敛，且取得较好的训练效果，要微调源网络模型参数。其中样本标签包含树干、路灯、电线杆，则修改cls num为3。
改进后获得树干检测模型。
作为一种优选方案，所述步骤S2中将训练样本使用带有动量的梯度下降法训练树干检测模型，获得训练好的树干检测模型。
因此，本发明的优点是：采用基于卷积神经网络与迁移学习的树干检测模型对图像进行检测，获取树干图像，相比传统树干检测方法稳定性更好，耗时更短。
附图说明
图1是本发明的一种流程示意图；
图2是本发明中树干检测模型的一种结构图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例基于卷积神经网络与迁移学习的树干图像快速检测方法，如图1所示，包括以下步骤：
S1.采集图像数据构建训练样本；
S2.采用迁移学习和卷积神经网络对训练样本进行训练，获得树干检测模型；
S3.使用树干检测模型对测试图像进行检测，获取检测结果。
步骤S1中构建训练样本的具体过程包括：
S11.采集树木的图像，图像在不同光照、不同角度和不同距离情况下采集，采集包括不同树种、不同树龄的树干图像，树干图像包括包含不同遮挡物和垂直物体图像；可以采用摄像机或手机摄像头进行RGB图像采集，本实施例以采集812幅为例，获得树干数据集，针对不同因素对树干数据集训练的影响，采集图像考虑以下几个方面：
（1）图像在不同光照下采集，包括晴天、阴天、雨天以及光强、光弱等条件；
（2）采集不同树种、不同树龄的树干图像，树龄为胸径范围0.1-0.7m；
（3）调节拍摄角度、距离，其中距离范围为3-10m；
（4）包含树干受遮挡程度不同的图像；
（5）图像中包含与树干相似的垂直物体，垂直物体为路灯、电线杆，且每张图像中包含树干、垂直物体的数量为1-20个。
S12.图像数据增广，对部分图像进行镜面变换、裁剪、旋转、随机水平、垂直翻转操作，获得增广后图像数据集；
采集的树干图像数据不足以支撑深度卷积网络重复学习树干特征，为减少训练阶段的过拟合、欠拟合现象、提高树干检测性能，通过对部分的图像进行镜面变换、裁剪、旋转、随机水平、垂直翻转操作，最终获得增广后图像数据集总数为1198幅，其中树干总株数占数据集图像个数的90%，路灯、电线杆占数据集图像个数的10%，随机选取90%的图像用于训练，其余10%用于测试。
S13.图像标注，标注出树干图像中树干、垂直物体；
为提高图像中每株树干被检测的概率，对图像中远距离的树干进行完整标注，另外考虑树干无标准边界，则矩形上标注标记到第一个树杈，下标注标记到树根（含有白灰保护的树干没有标注底部的白灰），标记后将图像数据集分为训练数据集和测试数据集，树干、电线杆、路灯分别被标记为trunk、telegraph、lamppost。
S14. 经过增广和标注后获得的图像数据集作为训练样本。将获得的训练数据集作为训练样本。
ResNet、VGG和Darknet等深度卷积神经网络模型在图像目标检测中取得巨大成功，在大型数据集上得到充分训练，学习到图像目标检测所需的大量图像特征。因此，鉴于迁移学习思路，将ResNet、VGG和Darknet等预训练模型在VOC数据集上学习得到的大量信息充分应用于树干图像检测。这样既缩减了训练时间，亦有利于网络快速收敛。一般迁移方式分为两种：一是采用预训练模型的结构，先将所有的权重随机化，再依据自己的数据集进行训练。二是参数迁移，训练特定层，冻结其它层：先将模型起始的一些层的权重保持不变，重新训练后面的层，得到新的权重。本实施例中选用第二种参数精调的迁移学习方式，将yolov3改进成用于快速检测树干的方法。在yolov3算法基础上进行改进，得到新的检测模型即树干检测模型，该树干检测模型结构如图2所示，改进包括：
（1）在yolov3算法上修改源网络输入尺寸，设置480×480像素值作为输入值；对源网络输入尺寸进行修改，高分辨率的输入图像经过下采样得到的图像特征更加细化，有利于树干图像的特征表达。考虑计算运行速度及产生奇数×奇数的格网，设置480×480像素值作为输入值。
（2）设置卷积块DBL_block，在yolov3算法结构中Darknet-53网络层、两个张量拼接层后分别连接卷积块DBL_block，其中卷积块DBL_block包括三组独立的不等的卷积组，分别为：
DBL_block1-Conv1×1
DBL_block2-Conv1×1-Conv3×3-Conv1×1
DBL_block3-Conv1×1-Conv3×3-Conv1×1-Conv3×3-Conv1×1
其中DBL_block n为不同的卷积组，Convn×n为卷积核；每组卷积组分别采用不同深度的卷积层增加网络的深度，采用1×1卷积核压缩参数数量，3×3卷积核增加channel，达到增强语义特征提取能力。
（3）微调源网络模型参数，
根据训练样本分类数修改cls num数量；
将yolov3算法三个检测模型的yolo detection层前一层的filters修改为24；
各检测模型的超参数设置为：每批训练样本数32，动量因子为0.9，权重衰减值为0.0005，学习率为0.0001，经过30次迭代至各检测模型损失趋于稳定；
经过上述改进后获得树干检测模型，将训练样本使用带有动量的梯度下降法训练树干检测模型，获得训练好的树干检测模型。
使用训练好的树干检测模型对测试图像进行检测，获取检测结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征在于：包括以下步骤，
S1.采集图像数据构建训练样本；
S2.采用迁移学习和卷积神经网络对训练样本进行训练，获得树干检测模型；
S3.使用树干检测模型对测试图像进行检测，获取检测结果。
2.根据权利要求1所述的基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征是步骤S1的具体步骤包括，
S11.采集树木的图像，图像在不同光照、不同角度和不同距离情况下采集，采集包括不同树种、不同树龄的树干图像，树干图像包括包含不同遮挡物和垂直物体图像；
S12.图像数据增广，对部分图像进行镜面变换、裁剪、旋转、随机水平、垂直翻转操作，获得增广后图像数据集；
S13.图像标注，标注出树干图像中树干、垂直物体；
S14.经过增广和标注后获得的图像数据集作为训练样本。
3.根据权利要求2所述的基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征是所述垂直物体包括电线杆和路灯，采集的图像中包含树干和垂直物体的数量为1-20个。
4.根据权利要求1所述的基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征是所述步骤S2中获取树干检测模型过程包括，
在yolov3算法上修改源网络输入尺寸，设置480×480像素值作为输入值；
设置卷积块DBL_block，在yolov3算法结构中Darknet-53网络层、两个张量拼接层后分别连接卷积块DBL_block，其中卷积块DBL_block包括三组独立的不等的卷积组，分别为：
DBL_block1-Conv1×1
DBL_block2-Conv1×1-Conv3×3-Conv1×1
DBL_block3-Conv1×1-Conv3×3-Conv1×1-Conv3×3-Conv1×1
其中DBL_block n为不同的卷积组，Convn×n为卷积核；
微调源网络模型参数，
根据训练样本分类数修改cls num数量；
将yolov3算法三个检测模型的yolo detection层前一层的filters修改为24；
各检测模型的超参数设置为：每批训练样本数32，动量因子为0.9，权重衰减值为0.0005，学习率为0.0001，经过30次迭代至各检测模型损失趋于稳定；
改进后获得树干检测模型。
5.根据权利要求1所述的基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征是所述步骤S2中将训练样本使用带有动量的梯度下降法训练树干检测模型，获得训练好的树干检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910694942.7A CN110517228A (zh) | 2019-07-30 | 2019-07-30 | 基于卷积神经网络与迁移学习的树干图像快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910694942.7A CN110517228A (zh) | 2019-07-30 | 2019-07-30 | 基于卷积神经网络与迁移学习的树干图像快速检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110517228A true CN110517228A (zh) | 2019-11-29 |
Family
ID=68624849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910694942.7A Pending CN110517228A (zh) | 2019-07-30 | 2019-07-30 | 基于卷积神经网络与迁移学习的树干图像快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517228A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144494A (zh) * | 2019-12-27 | 2020-05-12 | 睿魔智能科技（深圳）有限公司 | 物体检测模型训练方法、检测方法、装置、设备及介质 |
| CN111578940A (zh) * | 2020-04-24 | 2020-08-25 | 哈尔滨工业大学 | 一种基于跨传感器迁移学习的室内单目导航方法及系统 |
| CN112082475A (zh) * | 2020-08-25 | 2020-12-15 | 中国科学院空天信息创新研究院 | 活立木的种类识别方法与材积测量方法 |
| CN113021355A (zh) * | 2021-03-31 | 2021-06-25 | 重庆正格技术创新服务有限公司 | 一种用于预测遮挡农作物摘取点的农业机器人作业方法 |
| CN114998182A (zh) * | 2021-12-24 | 2022-09-02 | 长沙理工大学 | 一种在役混凝土结构表面病害分类识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170053193A1 (en) * | 2015-08-20 | 2017-02-23 | Intel Corporation | Fast Image Object Detector |
| CN109782771A (zh) * | 2019-02-26 | 2019-05-21 | 西安交通大学 | 一种果园移动机器人及地头转向方法 |
| CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
| CN109948444A (zh) * | 2019-02-19 | 2019-06-28 | 重庆理工大学 | 基于cnn的果实与障碍物的同步识别方法、系统与机器人 |
| CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
-
2019
- 2019-07-30 CN CN201910694942.7A patent/CN110517228A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170053193A1 (en) * | 2015-08-20 | 2017-02-23 | Intel Corporation | Fast Image Object Detector |
| CN109948444A (zh) * | 2019-02-19 | 2019-06-28 | 重庆理工大学 | 基于cnn的果实与障碍物的同步识别方法、系统与机器人 |
| CN109782771A (zh) * | 2019-02-26 | 2019-05-21 | 西安交通大学 | 一种果园移动机器人及地头转向方法 |
| CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
| CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| QQWWEEE: "keras-yolo3", 《GITHUB》 * |
| 木盏: "yolo系列之yolo v3【深度解析】", 《CSDN》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144494A (zh) * | 2019-12-27 | 2020-05-12 | 睿魔智能科技（深圳）有限公司 | 物体检测模型训练方法、检测方法、装置、设备及介质 |
| CN111578940A (zh) * | 2020-04-24 | 2020-08-25 | 哈尔滨工业大学 | 一种基于跨传感器迁移学习的室内单目导航方法及系统 |
| CN111578940B (zh) * | 2020-04-24 | 2021-05-11 | 哈尔滨工业大学 | 一种基于跨传感器迁移学习的室内单目导航方法及系统 |
| CN112082475A (zh) * | 2020-08-25 | 2020-12-15 | 中国科学院空天信息创新研究院 | 活立木的种类识别方法与材积测量方法 |
| CN112082475B (zh) * | 2020-08-25 | 2022-05-24 | 中国科学院空天信息创新研究院 | 活立木的种类识别方法与材积测量方法 |
| CN113021355A (zh) * | 2021-03-31 | 2021-06-25 | 重庆正格技术创新服务有限公司 | 一种用于预测遮挡农作物摘取点的农业机器人作业方法 |
| CN114998182A (zh) * | 2021-12-24 | 2022-09-02 | 长沙理工大学 | 一种在役混凝土结构表面病害分类识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jia et al. | Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot | |
| Liang et al. | A visual detection method for nighttime litchi fruits and fruiting stems | |
| Quan et al. | Maize seedling detection under different growth stages and complex field environments based on an improved Faster R–CNN | |
| Fu et al. | Fast and accurate detection of kiwifruit in orchard using improved YOLOv3-tiny model | |
| CN110517228A (zh) | 基于卷积神经网络与迁移学习的树干图像快速检测方法 | |
| Wan et al. | A real-time branch detection and reconstruction mechanism for harvesting robot via convolutional neural network and image segmentation | |
| CN109961024A (zh) | 基于深度学习的小麦田间杂草检测方法 | |
| Ma et al. | Automatic branch detection of jujube trees based on 3D reconstruction for dormant pruning using the deep learning-based method | |
| CN109409365A (zh) | 一种基于深度目标检测的待采摘水果识别和定位方法 | |
| Lv et al. | A visual identification method for the apple growth forms in the orchard | |
| WO2021077947A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
| Liu et al. | “Is this blueberry ripe?”: a blueberry ripeness detection algorithm for use on picking robots | |
| CN104751199B (zh) | 一种棉花裂铃期自动检测方法 | |
| CN111462044B (zh) | 基于深度学习模型的温室草莓检测与成熟度评价方法 | |
| CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
| Li et al. | A novel approach for the 3D localization of branch picking points based on deep learning applied to longan harvesting UAVs | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN115424247B (zh) | 一种采用cbam与八度卷积改进yolov5的温室番茄识别与检测方法 | |
| CN110728197A (zh) | 基于深度学习的单木级树种识别方法 | |
| Wang et al. | PG-YOLO: An efficient detection algorithm for pomegranate before fruit thinning | |
| CN115311316A (zh) | 基于深度学习的立体栽培模式下小型西瓜识别与定位方法 | |
| CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
| Shan et al. | A small traffic sign detection algorithm based on modified ssd | |
| CN118334053A (zh) | 一种基于注意力和特征融合的苹果叶病分割和分级系统 | |
| CN115862003A (zh) | 一种基于轻量化YOLOv5的在体苹果目标检测和分级方法 |
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: 20191129 |
|
| RJ01 | Rejection of invention patent application after publication |