CN110770752A - 多尺度特征融合网络结合定位模型的害虫自动计数方法 - Google Patents

多尺度特征融合网络结合定位模型的害虫自动计数方法 Download PDF

Info

Publication number
CN110770752A
CN110770752A CN201880024482.0A CN201880024482A CN110770752A CN 110770752 A CN110770752 A CN 110770752A CN 201880024482 A CN201880024482 A CN 201880024482A CN 110770752 A CN110770752 A CN 110770752A
Authority
CN
China
Prior art keywords
layer
feature
scale
pests
image
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.)
Withdrawn
Application number
CN201880024482.0A
Other languages
English (en)
Inventor
李�瑞
王儒敬
谢成军
张洁
陈天娇
陈红波
胡海瀛
吴晓伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Zhongke Intelligent Perception Industry Technology Research Institute Co Ltd
Original Assignee
Anhui Zhongke Intelligent Perception Industry Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Zhongke Intelligent Perception Industry Technology Research Institute Co Ltd filed Critical Anhui Zhongke Intelligent Perception Industry Technology Research Institute Co Ltd
Publication of CN110770752A publication Critical patent/CN110770752A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种多尺度特征融合网络结合定位模型的害虫自动计数方法，其步骤包括：第一步、训练样本的建立：获取若干田间自然环境下害虫图像作为训练图像，且对图像中害虫进行标记，得到训练样本；第二步、构造害虫检测计数模型：构造定位模型和多尺度特征融合网络，利用定位模型提取训练样本的候选区域，再通过多尺度融合网络提取候选区域的特征后对其分类，并输出对应图中的坐标值；第三步、待计数图像的获取：获取田间拍摄的害虫图像，并进行预处理得到待计数图像；第四步、害虫个数的获得：将待计数图像输入害虫检测计数模型，得到图像中害虫个数。该方法能够精准地定位出害虫个数和具体位置，具有较高的鲁棒性与准确度。

Description

多尺度特征融合网络结合定位模型的害虫自动计数方法
技术领域
本发明涉及图像识别技术领域，具体涉及一种多尺度特征融合网络结合定位模型的害虫自动计数方法。
背景技术
小麦是我国主要的粮食作物之一，在小麦生产过程中，容易受到多种灾害，害虫是其中之一,它刺吸麦叶汁液、甚至干枯，严重影响小麦的产量。害虫种群数量的检测是害虫防治的重要手段，为害虫防治决策提供了理论依据。因此，田间害虫的识别与计数对于提高小麦产量至关重要。
随着计算机视觉技术和图像处理技术的快速发展，基于图像的害虫自动识别与计数技术在近年来已成为研究热点。虽然此方法省时省力、具有智能化等优点，但是其不能适用于田间害虫的识别与计数。原因在于：首先，害虫个体很小只有几毫米大小，针对这样的小目标利用传统的图像识别技术(SVM)很难检测到；其次，采集图像时，外界环境的光照不稳定、不均匀都会影响图像的质量；再者，在实际应用中，采集的图像常混有其他杂物，背景较复杂。
因此，如何在复杂的环境下实现害虫这类小目标的检测已经成为急需解决的技术问题。
发明内容
本发明的目的在于提供一种多尺度特征融合网络结合定位模型的害虫自动计数方法，解决现有技术针对小目标进行图像检测误差率高，缺乏在复杂的环境下实现对害虫这类小目标准确计数的缺陷。
所述的基于多尺度特征融合网络与定位模型相结合的害虫自动计数方法，包括以下步骤：
第一步、训练样本的建立：获取若干田间自然环境下害虫图像作为训练图像，且对图像中害虫进行标记，得到训练样本；
第二步、构造害虫检测计数模型：构造定位模型和多尺度特征融合网络，利用定位模型提取训练样本的候选区域，再通过多尺度融合网络提取候选区域的特征后对其分类，并输出对应图中的坐标值；
第三步、待计数图像的获取：获取田间拍摄的害虫图像，并进行预处理得到待计数图像；
第四步、害虫个数的获得：将待计数图像输入害虫检测计数模型，得到图像中害虫个数。
优选的，所述第二步具体包括下列步骤：
S2.1、构造定位模型，定位出害虫的候选区域；
S2.2、构造多尺度特征融合网络，对多尺度特征融合网络结构进行改造以提取害虫特征；
S2.3、训练多尺度特征融合网络，根据定位模型针对训练样本定位出来的候选区域作为特征进行训练，将其每层的输出结果作为预测结果。
优选的，所述步骤S2.1具体包括下列步骤：
S2.1.1、设定颜色空间转换模块：颜色空间转换模块用于将RGB颜色空间转换为YcbCr颜色空间，并分割为R＝{r1,r2,...rn}个分割区域；
S2.1.2、计算色彩信息相似度：使用L1范式归一化获取图像每个颜色通道的25个直方图，计算该色彩空间的相似度，其计算公式如下：
Figure BDA0002229139430000031
其中，fcolor(ri,rj)表示分割区域ri与rj的色彩空间相似度，表示第i个通道、第k个直方图向量，i＝1,2,3，k＝0,1....,25，n表示直方图个数，ri表示分割区域R＝{r1,r2,...rn}第i个区域；表示第j个通道、第k个直方图向量，j＝1,2,3，m表示m个直方图；
S2.1.3、计算边缘信息相似度，对每个颜色通道的8个不同方向计算方差σ＝1的高斯微分，每个通道每个颜色获取10个的直方图使用L1范式归一化，计算边缘信息相似度，其计算公式如下：
Figure BDA0002229139430000034
其中，fedage(ri,rj)表示分割区域ri与rj的边缘信息相似度，表示第i个通道、第k个直方图向量，
Figure BDA0002229139430000036
表示第j个通道、第k个直方图向量，其中i＝1,2,3，j＝1,2,3，k＝0,1....,10；n表示直方图个数，m表示m个直方图，ri表示分割区域R＝{r1,r2,...rn}第i个区域；
S2.1.4、计算区域大小相似度，其计算公式如下：
其中farea(ri,rj)表示表示分割区域ri与rj的区域大小相似度，area()表示区域面积；area(img)表示图片面积，ri表示分割区域R＝{r1,r2,...rn}第i个区域，rj表示分割区域R＝{r1,r2,...rn}第j个区域；
S2.1.5、将色彩信息相似度、边缘信息相似度、区域大小相似度融合，其计算公式如下：
f(ri,rj)＝w1fcolor(ri,rj)+w2fedage(ri,rj)+w3farea(ri,rj)，
其中，f(ri,rj)表示分割区域ri与rj融合后的相似度，w1、w2、w3分别表示信息相似度、边缘信息相似度、区域大小相似度的权值，ri表示分割区域R＝{r1,r2,...rn}第i个区域，rj表示分割区域R＝{r1,r2,...rn}第j个区域；
经过色彩信息形似度、边缘信息相似度、区域大小相似度合并，ri与rj不断融合最终生成的n个区域，即为害虫的候选区域。
优选的，所述步骤S2.2中，多尺度特征融合网络结构通过利用固有的多尺度和锥形层次结构的特征图来构造具有边际的多尺度特征网络，在此开发具有侧向连接的自顶向下的架构，用于在所有尺度上构建高级语义特征图，依靠一种通过自上而下的路径和横向连接将低分辨率但语义强的特征与高分辨率语义弱的特征结合在一起，获得高分辨率、强语义的特征。
优选的，所述步骤S2.2具体包括以下步骤：
S2.2.1、设定n层多尺度神经网络，从最顶层开始进行反卷积操作生成反卷积层；
S2.2.2、设定第1层的输入为训练样本、输出第1层特征图，第1层特征图作为第2层的输入，输出第2层特征图，第2层特征图作为第3层的输入，…直至第n-1层特征图作为第n层的输入；
S2.2.3、将第1层特征图、第2层特征图…第n层特征图与对应的第1层反卷积层、第二层反卷积层、…第n层反卷积层通过1*1卷积核连接，生成多尺度特征融合网络。
优选的，所述的步骤S2.3具体包括以下步骤：
S2.3.1、将训练样本输入定位模型，定位模型定位出训练样本的候选区域；
S2.3.2、将训练样本的候选区域分别输入多尺度神经网络的第1层，多尺度神经网络的第1层输出第1层特征图；
S2.3.3、所述第1层特征图输入多尺度神经网络的第2层，多尺度神经网络的第2层输出第2层特征图，以此类推直至第n-1层特征图输入多尺度神经网络的第n层；
S2.3.4、对第n层特征图进行反卷积操作，生成第n层反卷积层，对第n-1层进行反卷积操作，生成第n-1层反卷积层，以此类推直至生成第1层反卷积层；
S2.3.5、第1层特征图、第2层特征图、…直至第n层特征图与第1层反卷积层、第2层反卷积层、…直至第n层反卷积层依次一一对应通过1*1卷积核连接；
S2.3.6、第1层特征图与第1层反卷积层经过1*1卷积核连接后提取第一层特征，继而生成第一层预测结果；第2层特征图与第2层反卷积层经过1*1卷积核连接后提取第二层特征，继而生成第二层预测结果；…依次类推直至第n层特征图与第n层反卷积层经过1*1卷积核连接后提取第n层特征，继而生成第n层预测结果；
S2.3.7、对第1层预测结果、第2层预测结果、…直至第n层结果做回归处理，生成最终的预测结果，回归函数如下：
Figure BDA0002229139430000061
其中，C(λ)为最终的预测结果，λ表示训练参数，n表示网络层数，y(j)表示真实的类别，pλ(x(j))表示第j层预测的结果；x(j)表示第j层的特征向量；
S2.3.8、通过C(λ)得到最终得分，预测害虫类别与该害虫在图中所在的坐标。
优选的，所述第四步具体包括以下步骤：
S4.1、将待计数图像输入定位模型，通过定位模型定位出待计数图像的候选区域；
S4.2、将待计数图像的候选区域输入多尺度特征融合网络，得到图像中害虫的预测分类，并通过对坐标值的统计对害虫数量进行统计，得到图像中害虫个数。
优选的，所述第一步中田间自然环境下害虫图像不少于2000张。
本发明的优点在于：对采集的图像通过预处理消除了光照对检测计数的影响，将复杂环境简单化；再通过定位模型定位出疑似害虫的候选区域；对候选区域利用多尺度特征融合网络进行特征提取，然后通过多预测结果回归计算最终确定害虫区域。候选区域的定位确定大大减少了特征提取时间与特征维数，增强了计数的实时性，提高了效率降低了工作量；同时，多预测结果的回归融合保证了各个尺度的害虫都能准确的检测到，提高了自动检测计数的鲁棒性与准确度，克服了现有技术所具有的缺陷。
附图说明
图1为本发明多尺度特征融合网络结合定位模型的害虫自动计数方法的整体流程图；
图2为本发明中多尺度特征融合网络的结构示意图；
图3为现有技术中利用常规的SVM算法获得的害虫检测结果图；
图4为本发明所获得的获得的害虫检测结果图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1所示，本发明所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，包括以下步骤：
第一步，训练样本的建立。获取多于2000张田间自然环境下害虫图像作为训练图像，且图像中害虫已进行标记，得到训练样本。害虫图像不少于2000张是为了提供足够的训练样本，保证训练后的神经网络具有足够的准确性。
第二步，构造害虫检测计数模型。构造定位模型和多尺度特征融合网络，利用定位模型提取训练样本的的候选区域，即定位出害虫的候选区域，再通过多尺度融合网络提取候选区域的特征后对其分类，如果分类判断是害虫则输出害虫在图中的坐标值，如果不是害虫则候选区取消。具体步骤为：
首先，构造定位模型。为了减少特征提取时间，减少特征向量维数，增强自动计数的实时性，在此首先构造定位模型，以定位出害虫的候选区域，然后根据候选区域进行特征提取。
构造定位模型的具体步骤如下：
(1)设定颜色空间转换模块，颜色空间转换模块用于将RGB颜色空间转换为YcbCr颜色空间，并分割为R＝{r1,r2,...rn}个分割区域。
(2)计算色彩信息相似度。使用L1范式归一化获取图像每个颜色通道的25个直方图，计算该色彩空间的相似度，其计算公式如下：
Figure BDA0002229139430000081
其中，fcolor(ri,rj)表示分割区域ri与rj的色彩空间相似度；
Figure BDA0002229139430000082
表示第i个通道、第k个直方图向量，i＝1,2,3，k＝0,1....,25，n表示直方图个数，ri表示分割区域R＝{r1,r2,...rn}第i个区域；
Figure BDA0002229139430000083
表示第j个通道、第k个直方图向量，j＝1,2,3，m表示m个直方图。
(3)计算边缘信息相似度。对每个颜色通道的8个不同方向计算方差σ＝1的高斯微分，每个通道每个颜色获取10个的直方图使用L1范式归一化，计算边缘信息相似度，其计算公式如下：
Figure BDA0002229139430000084
其中，fedage(ri,rj)表示分割区域ri与rj的边缘信息相似度，
Figure BDA0002229139430000091
表示第i个通道、第k个直方图向量，表示第j个通道、第k个直方图向量，其中i＝1,2,3，j＝1,2,3，k＝0,1....,10；n表示直方图个数，m表示m个直方图，ri表示分割区域R＝{r1,r2,...rn}第i个区域。
(4)计算区域大小相似度，其计算公式如下：
Figure BDA0002229139430000093
其中farea(ri,rj)表示表示分割区域ri与rj的区域大小相似度，area()表示区域面积；area(img)表示图片面积，ri表示分割区域R＝{r1,r2,...rn}第i个区域，rj表示分割区域R＝{r1,r2,...rn}第j个区域。
(5)将色彩信息相似度、边缘信息相似度、区域大小相似度融合，其计算公式如下：
f(ri,rj)＝w1fcolor(ri,rj)+w2fedage(ri,rj)+w3farea(ri,rj)，
其中，f(ri,rj)表示分割区域ri与rj融合后的相似度，w1、w2、w3分别表示信息相似度、边缘信息相似度、区域大小相似度的权值，ri表示分割区域R＝{r1,r2,...rn}第i个区域，rj表示分割区域R＝{r1,r2,...rn}第j个区域。
经过色彩信息形似度、边缘信息相似度、区域大小相似度合并，ri与rj不断融合最终生成的n个区域，即为害虫的候选区域。
其次，构造多尺度特征融合网络，对多尺度特征融合网络结构进行改造。为了更好的提取每个尺度、各种形态的害虫特征，设计了多尺度特征融合网络，来准确分辨出害虫候选区域的准确区域。
如图2所示，多尺度特征融合网络结构通过利用固有的多尺度和锥形层次结构的特征图来构造具有边际的多尺度特征网络，在此开发具有侧向连接的自顶向下的架构，用于在所有尺度上构建高级语义特征图，依靠一种通过自上而下的路径和横向连接将低分辨率但语义强的特征与高分辨率语义弱的特征结合在一起，这样就可以获得高分辨率、强语义的特征，有利于害虫这种小目标的检测。
构造多尺度特征融合网络的具体步骤如下：
(1)设定n层多尺度神经网络，从最顶层开始进行反卷积操作生成反卷积层。
(2)设定第1层的输入为训练样本、输出第1层特征图，第1层特征图作为第2层的输入、输出第2层特征图，第2层特征图作为第3层的输入，…直至第n-1层特征图作为第n层的输入。
(3)将第1层特征图、第2层特征图…第n层特征图与对应的第1层反卷积层、第二层反卷积层、…第n层反卷积层通过1*1卷积核连接，生成多尺度特征融合网络。
在此通过下采样生成特征图，将每一张训练图像作为输入，采用多尺度神经网络提取特征，多尺度神经网络每层通过下采样都会生成一张特征图。
然后最后一层反卷积生成上一层大小的特征图，再依次迭代直到反卷积生成第二层大小的特征图为止。由于多尺度网络的每层都会下采样这样会导致特征图会越来越小，而特征图片中的害虫就会更小甚至达到几个像素大小，对于害虫检测计数影响很大。为避免这个问题，对每层金字塔图像采用反卷积操作，通过上采样将特征图放大到上一层大小这既能有效的提取害虫特征，又保证了害虫在图片中的大小。
将反卷积生成的各层特征图通过1*1卷积核连接，生成多尺度特征融合网络。
最后，训练多尺度特征融合网络。根据定位模型针对训练样本定位出来的候选区域作为特征即训练样本进行训练，将其每层的输出结果作为预测结果。其具体步骤如下：
(1)将训练样本输入定位模型，定位模型定位出训练样本的候选区域。
(2)将训练样本的候选区域分别输入多尺度神经网络的第1层，多尺度神经网络的第1层输出第1层特征图。
(3)第1层特征图输入多尺度神经网络的第2层，多尺度神经网络的第1层输出第2层特征图，依次迭代直至第n-1层特征图输入多尺度神经网络的第n层。
(4)对第n层特征图进行反卷积操作，生成第n层反卷积层，对第n-1层进行反卷积操作，生成第n-1反卷积层，依次迭代直至第1层反卷积层。
(5)第1层特征图、第2层特征图、…直至第n层特征图与第1层反卷积层、第2层反卷积层、…直至第n层反卷积层依次一一对应通过1*1卷积核连接。
(6)第1层特征图与第1层反卷积层经过1*1卷积核连接后提取第一层特征，继而生成第一层预测结果；第2层特征图与第2层反卷积层经过1*1卷积核连接后提取第二层特征，继而生成第二层预测结果；…以此类推直至第n层特征图与第n层反卷积层经过1*1卷积核连接后提取第n层特征，继而生成第n层预测结果。
(7)对第1层预测结果、第2层预测结果、…直至第n层结果做回归处理，生成最终的预测结果，回归函数如下：
Figure BDA0002229139430000121
其中，C(λ)为最终的预测结果，λ表示训练参数，n表示网络层数，y(j)表示真实的类别，pλ(x(j))表示第j层预测的结果；x(j)表示第j层的特征向量。
(8)通过C(λ)得到最终得分，预测害虫类别与该害虫在图中所在的坐标。坐标就是害虫在图中的位置。
第三步，待计数图像的获取。获取田间拍摄的害虫图像，并进行预处理得到待计数图像。
第四步，害虫个数的获得。将待计数图像输入害虫检测计数模型，得到图像中害虫个数。其具体步骤如下：
(1)将待计数图像输入定位模型，通过定位模型定位出待计数图像的候选区域。
(2)将待计数图像的候选区域输入多尺度特征融合网络，得到图像中害虫的预测分类，并通过对坐标值的统计对害虫数量进行统计，得到图像中害虫个数。
图3为现有技术中利用常规的SVM算法获得的害虫检测结果图。从图3中可以看到，其小框检测出的害虫区域非常大，特别是在图3中部大框范围，其错误地将多个相对集中的害虫全部归入一个大框的范围内。产生这种错误标示的原因在于：传统的SVM算法并未进行先期定位，若采用定位模型先定位出候选区域，则可以避免此类现象。而产生小框检测出的害虫区域非常大的原因在于：传统的SVM算法并未采用多个预测结果的回归融合。此外在图3中，还有部分小框出现误标识，
图4为本发明所获得的获得的害虫检测结果图。由图4可知，相对于传统的SVM算法而言，本发明能够精准地定位出害虫个数和具体位置，标定区域小而精确，具有较高的鲁棒性与准确度。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。
权利要求书(按照条约第19条的修改)
1.多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：包括以下步骤：
第一步、训练样本的建立：获取若干田间自然环境下害虫图像作为训练图像，且对图像中害虫进行标记，得到训练样本；
第二步、构造害虫检测计数模型：构造定位模型和多尺度特征融合网络，利用定位模型提取训练样本的候选区域，再通过多尺度融合网络提取候选区域的特征后对其分类，并输出对应图中的坐标值；
本步骤具体包括下列步骤：
S2.1、构造定位模型，定位出害虫的候选区域；
S2.2、构造多尺度特征融合网络，对多尺度特征融合网络结构进行改造以提取害虫特征；
S2.3、训练多尺度特征融合网络，根据定位模型针对训练样本定位出来的候选区域作为特征进行训练，将其每层的输出结果作为预测结果；
其中步骤S2.1具体包括下列步骤：
S2.1.1、设定颜色空间转换模块：颜色空间转换模块用于将RGB颜色空间转换为YcbCr颜色空间，并分割为R＝{r1,r2,...rn}个分割区域；
S2.1.2、计算色彩信息相似度：使用L1范式归一化获取图像每个颜色通道的25个直方图，计算该色彩空间的相似度，其计算公式如下：
其中，fcolor(ri,rj)表示分割区域ri与rj的色彩空间相似度，
S2.1.3、计算边缘信息相似度，对每个颜色通道的8个不同方向计算方差σ＝1的高斯微分，每个通道每个颜色获取10个的直方图使用L1范式归一化，计算边缘信息相似度，其计算公式如下：
其中，fedage(ri,rj)表示分割区域ri与rj的边缘信息相似度，
S2.1.4、计算区域大小相似度，其计算公式如下：
其中farea(ri,rj)表示表示分割区域ri与rj的区域大小相似度，area()表示区域面积；area(img)表示图片面积，ri表示分割区域R＝{r1,r2,...rn}第i个区域，rj表示分割区域R＝{r1,r2,...rn}第j个区域；
S2.1.5、将色彩信息相似度、边缘信息相似度、区域大小相似度融合，其计算公式如下：
f(ri,rj)＝w1fcolor(ri,rj)+w2fedage(ri,rj)+w3farea(ri,rj)，
其中，f(ri,rj)表示分割区域ri与rj融合后的相似度，w1、w2、w3分别表示信息相似度、边缘信息相似度、区域大小相似度的权值，ri表示分割区域R＝{r1,r2,...rn}第i个区域，rj表示分割区域R＝{r1,r2,...rn}第j个区域；
经过色彩信息形似度、边缘信息相似度、区域大小相似度合并，ri与rj不断融合最终生成的n个区域，即为害虫的候选区域；
第三步、待计数图像的获取：获取田间拍摄的害虫图像，并进行预处理得到待计数图像；
第四步、害虫个数的获得：将待计数图像输入害虫检测计数模型，得到图像中害虫个数。
2.根据权利要求1所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述步骤S2.2中，多尺度特征融合网络结构通过利用固有的多尺度和锥形层次结构的特征图来构造具有边际的多尺度特征网络，在此开发具有侧向连接的自顶向下的架构，用于在所有尺度上构建高级语义特征图，依靠一种通过自上而下的路径和横向连接将低分辨率但语义强的特征与高分辨率语义弱的特征结合在一起，获得高分辨率、强语义的特征。
3.根据权利要求2所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于，所述步骤S2.2具体包括以下步骤：
S2.2.1、设定n层多尺度神经网络，从最顶层开始进行反卷积操作生成反卷积层；
S2.2.2、设定第1层的输入为训练样本、输出第1层特征图，第1层特征图作为第2层的输入，输出第2层特征图，第2层特征图作为第3层的输入，…直至第n-1层特征图作为第n层的输入；
S2.2.3、将第1层特征图、第2层特征图…第n层特征图与对应的第1层反卷积层、第二层反卷积层、…第n层反卷积层通过1*1卷积核连接，生成多尺度特征融合网络。
4.根据权利要求3所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述的步骤S2.3具体包括以下步骤：
S2.3.1、将训练样本输入定位模型，定位模型定位出训练样本的候选区域；
S2.3.2、将训练样本的候选区域分别输入多尺度神经网络的第1层，多尺度神经网络的第1层输出第1层特征图；
S2.3.3、所述第1层特征图输入多尺度神经网络的第2层，多尺度神经网络的第2层输出第2层特征图，以此类推直至第n-1层特征图输入多尺度神经网络的第n层；
S2.3.4、对第n层特征图进行反卷积操作，生成第n层反卷积层，对第n-1层进行反卷积操作，生成第n-1层反卷积层，以此类推直至生成第1层反卷积层；
S2.3.5、第1层特征图、第2层特征图、…直至第n层特征图与第1层反卷积层、第2层反卷积层、…直至第n层反卷积层依次一一对应通过1*1卷积核连接；
S2.3.6、第1层特征图与第1层反卷积层经过1*1卷积核连接后提取第一层特征，继而生成第一层预测结果；第2层特征图与第2层反卷积层经过1*1卷积核连接后提取第二层特征，继而生成第二层预测结果；…依次类推直至第n层特征图与第n层反卷积层经过1*1卷积核连接后提取第n层特征，继而生成第n层预测结果；
S2.3.7、对第1层预测结果、第2层预测结果、…直至第n层结果做回归处理，生成最终的预测结果，回归函数如下：
其中，C(λ)为最终的预测结果，λ表示训练参数，n表示网络层数，y(j)表示真实的类别，pλ(x(j))表示第j层预测的结果；x(j)表示第j层的特征向量；
S2.3.8、通过C(λ)得到最终得分，预测害虫类别与该害虫在图中所在的坐标。
5.根据权利要求1所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述第四步具体包括以下步骤：
S4.1、将待计数图像输入定位模型，通过定位模型定位出待计数图像的候选区域；
S4.2、将待计数图像的候选区域输入多尺度特征融合网络，得到图像中害虫的预测分类，并通过对坐标值的统计对害虫数量进行统计，得到图像中害虫个数。
6.根据权利要求1所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述第一步中田间自然环境下害虫图像不少于2000张。

Claims (8)

1.多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：包括以下步骤：
第一步、训练样本的建立：获取若干田间自然环境下害虫图像作为训练图像，且对图像中害虫进行标记，得到训练样本；
第二步、构造害虫检测计数模型：构造定位模型和多尺度特征融合网络，利用定位模型提取训练样本的候选区域，再通过多尺度融合网络提取候选区域的特征后对其分类，并输出对应图中的坐标值；
第三步、待计数图像的获取：获取田间拍摄的害虫图像，并进行预处理得到待计数图像；
第四步、害虫个数的获得：将待计数图像输入害虫检测计数模型，得到图像中害虫个数。
2.根据权利要求1所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述第二步具体包括下列步骤：
S2.1、构造定位模型，定位出害虫的候选区域；
S2.2、构造多尺度特征融合网络，对多尺度特征融合网络结构进行改造以提取害虫特征；
S2.3、训练多尺度特征融合网络，根据定位模型针对训练样本定位出来的候选区域作为特征进行训练，将其每层的输出结果作为预测结果。
3.根据权利要求2所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述步骤S2.1具体包括下列步骤：
S2.1.1、设定颜色空间转换模块：颜色空间转换模块用于将RGB颜色空间转换为YcbCr颜色空间，并分割为R＝{r1,r2,...rn}个分割区域；
S2.1.2、计算色彩信息相似度：使用L1范式归一化获取图像每个颜色通道的25个直方图，计算该色彩空间的相似度，其计算公式如下：
Figure FDA0002275658160000021
其中，fcolor(ri,rj)表示分割区域ri与rj的色彩空间相似度，
Figure FDA0002275658160000022
表示第i个通道、第k个直方图向量，i＝1,2,3，k＝0,1....,25，n表示直方图个数，ri表示分割区域R＝{r1,r2,...rn}第i个区域；
Figure FDA0002275658160000023
表示第j个通道、第k个直方图向量，j＝1,2,3，m表示m个直方图；
S2.1.3、计算边缘信息相似度，对每个颜色通道的8个不同方向计算方差σ＝1的高斯微分，每个通道每个颜色获取10个的直方图使用L1范式归一化，计算边缘信息相似度，其计算公式如下：
Figure FDA0002275658160000024
其中，fedage(ri,rj)表示分割区域ri与rj的边缘信息相似度，
Figure FDA0002275658160000025
表示第i个通道、第k个直方图向量，表示第j个通道、第k个直方图向量，其中i＝1,2,3，j＝1,2,3，k＝0,1....,10；n表示直方图个数，m表示m个直方图，ri表示分割区域R＝{r1,r2,...rn}第i个区域；
S2.1.4、计算区域大小相似度，其计算公式如下：
Figure FDA0002275658160000027
其中farea(ri,rj)表示表示分割区域ri与rj的区域大小相似度，area()表示区域面积；area(img)表示图片面积，ri表示分割区域R＝{r1,r2,...rn}第i个区域，rj表示分割区域R＝{r1,r2,...rn}第j个区域；
S2.1.5、将色彩信息相似度、边缘信息相似度、区域大小相似度融合，其计算公式如下：
f(ri,rj)＝w1fcolor(ri,rj)+w2fedage(ri,rj)+w3farea(ri,rj)，
其中，f(ri,rj)表示分割区域ri与rj融合后的相似度，w1、w2、w3分别表示信息相似度、边缘信息相似度、区域大小相似度的权值，ri表示分割区域R＝{r1,r2,...rn}第i个区域，rj表示分割区域R＝{r1,r2,...rn}第j个区域；
经过色彩信息形似度、边缘信息相似度、区域大小相似度合并，ri与rj不断融合最终生成的n个区域，即为害虫的候选区域。
4.根据权利要求3所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述步骤S2.2中，多尺度特征融合网络结构通过利用固有的多尺度和锥形层次结构的特征图来构造具有边际的多尺度特征网络，在此开发具有侧向连接的自顶向下的架构，用于在所有尺度上构建高级语义特征图，依靠一种通过自上而下的路径和横向连接将低分辨率但语义强的特征与高分辨率语义弱的特征结合在一起，获得高分辨率、强语义的特征。
5.根据权利要求4所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于，所述步骤S2.2具体包括以下步骤：
S2.2.1、设定n层多尺度神经网络，从最顶层开始进行反卷积操作生成反卷积层；
S2.2.2、设定第1层的输入为训练样本、输出第1层特征图，第1层特征图作为第2层的输入，输出第2层特征图，第2层特征图作为第3层的输入，…直至第n-1层特征图作为第n层的输入；
S2.2.3、将第1层特征图、第2层特征图…第n层特征图与对应的第1层反卷积层、第二层反卷积层、…第n层反卷积层通过1*1卷积核连接，生成多尺度特征融合网络。
6.根据权利要求5所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述的步骤S2.3具体包括以下步骤：
S2.3.1、将训练样本输入定位模型，定位模型定位出训练样本的候选区域；
S2.3.2、将训练样本的候选区域分别输入多尺度神经网络的第1层，多尺度神经网络的第1层输出第1层特征图；
S2.3.3、所述第1层特征图输入多尺度神经网络的第2层，多尺度神经网络的第2层输出第2层特征图，以此类推直至第n-1层特征图输入多尺度神经网络的第n层；
S2.3.4、对第n层特征图进行反卷积操作，生成第n层反卷积层，对第n-1层进行反卷积操作，生成第n-1层反卷积层，以此类推直至生成第1层反卷积层；
S2.3.5、第1层特征图、第2层特征图、…直至第n层特征图与第1层反卷积层、第2层反卷积层、…直至第n层反卷积层依次一一对应通过1*1卷积核连接；
S2.3.6、第1层特征图与第1层反卷积层经过1*1卷积核连接后提取第一层特征，继而生成第一层预测结果；第2层特征图与第2层反卷积层经过1*1卷积核连接后提取第二层特征，继而生成第二层预测结果；…依次类推直至第n层特征图与第n层反卷积层经过1*1卷积核连接后提取第n层特征，继而生成第n层预测结果；
S2.3.7、对第1层预测结果、第2层预测结果、…直至第n层结果做回归处理，生成最终的预测结果，回归函数如下：
Figure FDA0002275658160000051
其中，C(λ)为最终的预测结果，λ表示训练参数，n表示网络层数，y(j)表示真实的类别，pλ(x(j))表示第j层预测的结果；x(j)表示第j层的特征向量；
S2.3.8、通过C(λ)得到最终得分，预测害虫类别与该害虫在图中所在的坐标。
7.根据权利要求1所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述第四步具体包括以下步骤：
S4.1、将待计数图像输入定位模型，通过定位模型定位出待计数图像的候选区域；
S4.2、将待计数图像的候选区域输入多尺度特征融合网络，得到图像中害虫的预测分类，并通过对坐标值的统计对害虫数量进行统计，得到图像中害虫个数。
8.根据权利要求1所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述第一步中田间自然环境下害虫图像不少于2000张。
CN201880024482.0A 2018-09-04 2018-09-04 多尺度特征融合网络结合定位模型的害虫自动计数方法 Withdrawn CN110770752A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/103962 WO2020047738A1 (zh) 2018-09-04 2018-09-04 多尺度特征融合网络结合定位模型的害虫自动计数方法

Publications (1)

Publication Number Publication Date
CN110770752A true CN110770752A (zh) 2020-02-07

Family

ID=69328711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880024482.0A Withdrawn CN110770752A (zh) 2018-09-04 2018-09-04 多尺度特征融合网络结合定位模型的害虫自动计数方法

Country Status (2)

Country Link
CN (1) CN110770752A (zh)
WO (1) WO2020047738A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001365A (zh) * 2020-09-22 2020-11-27 四川大学 一种高精度的农作物病虫害识别方法
CN113554042A (zh) * 2020-04-08 2021-10-26 富士通株式会社 神经网络及其训练方法
CN114724031A (zh) * 2022-04-08 2022-07-08 中国科学院合肥物质科学研究院 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法
CN116012718A (zh) * 2023-02-15 2023-04-25 黑龙江科技大学 田间害虫检测方法、系统、电子设备及计算机存储介质

Families Citing this family (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429352B (zh) * 2020-03-26 2023-04-18 深圳大学 一种基于神经网络的图像超分辨率重建方法及设备
CN111523645B (zh) * 2020-04-16 2023-04-18 北京航天自动控制研究所 一种提升小尺度目标检测识别性能的卷积神经网络设计方法
CN111476238B (zh) * 2020-04-29 2023-04-07 中国科学院合肥物质科学研究院 一种基于区域尺度感知技术的害虫图像检测方法
CN111476317B (zh) * 2020-04-29 2023-03-24 中国科学院合肥物质科学研究院 一种基于强化学习技术的植保图像非密集害虫检测方法
CN111553433B (zh) * 2020-04-30 2023-04-18 河北工业大学 一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法
CN111611889B (zh) * 2020-05-12 2023-04-18 安徽大学 基于改进卷积神经网络的农田微型虫害识别装置
CN111652247A (zh) * 2020-05-28 2020-09-11 大连海事大学 一种基于深度卷积神经网络的双翅目昆虫识别方法
CN111626373B (zh) * 2020-06-01 2023-07-25 中国科学院自动化研究所 多尺度加宽残差网络、小目标识别检测网络及其优化方法
CN111914993B (zh) * 2020-06-05 2024-04-16 西安理工大学 基于非均匀分组的多尺度深度卷积神经网络模型构建方法
CN111860587B (zh) * 2020-06-12 2024-02-02 长安大学 一种用于图片小目标的检测方法
CN111738344B (zh) * 2020-06-24 2024-02-02 上海应用技术大学 一种基于多尺度融合的快速目标检测方法
CN111768392B (zh) * 2020-06-30 2022-10-14 创新奇智(广州)科技有限公司 目标检测方法及装置、电子设备、存储介质
CN112036437B (zh) * 2020-07-28 2024-06-07 农业农村部南京农业机械化研究所 基于改进yolov3网络的水稻秧苗检测模型及其方法
CN112070667B (zh) * 2020-08-14 2024-06-18 深圳市九分文化传媒有限公司 一种多尺度特征融合的视频超分辨率重建的方法
CN111986172B (zh) * 2020-08-18 2024-06-04 华北电力科学研究院有限责任公司 一种面向电力设备的红外图像故障检测方法及装置
CN112001290B (zh) * 2020-08-18 2023-10-27 南京工程学院 一种基于yolo算法的稻飞虱迁飞路径预测方法
CN111951260B (zh) * 2020-08-21 2022-04-01 苏州大学 基于部分特征融合卷积神经网络实时目标计数系统及方法
CN112101214B (zh) * 2020-09-15 2022-08-26 重庆市农业科学院 一种基于热力图的快速计数茶网蝽的网络结构
CN115661491A (zh) * 2020-09-15 2023-01-31 重庆市农业科学院 一种茶树种植中虫害防治的监测方法
CN112116580B (zh) * 2020-09-22 2023-09-05 中用科技有限公司 用于摄像头支架的检测方法、系统及设备
CN114494266B (zh) * 2020-10-26 2024-05-28 中国人民解放军空军军医大学 一种层级空洞金字塔卷积的宫颈及周边多器官分割方法
CN112419323B (zh) * 2020-11-23 2023-05-02 安徽农道智能科技有限公司 基于可穿戴式麦穗采集装置的麦穗计数方法
CN112270681B (zh) * 2020-11-26 2022-11-15 华南农业大学 一种黄板害虫深度检测与计数方法与系统
CN112446354A (zh) * 2020-12-14 2021-03-05 浙江工商大学 一种基于多尺度显著图定位的细粒度图像分类方法
CN112446356B (zh) * 2020-12-15 2024-05-24 西北工业大学 基于多重极坐标的自然场景下任意形状文本的检测方法
CN112613498B (zh) * 2020-12-16 2024-07-02 浙江大华技术股份有限公司 一种指针识别方法、装置、电子设备及存储介质
CN112733614B (zh) * 2020-12-22 2022-09-09 中国科学院合肥物质科学研究院 一种带有相似尺寸强化识别的害虫图像检测方法
CN112488244B (zh) * 2020-12-22 2022-09-09 中国科学院合肥物质科学研究院 一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法
CN112686862A (zh) * 2020-12-30 2021-04-20 浙江托普云农科技股份有限公司 害虫识别记数方法、系统、装置及可读存储介质
CN112700462B (zh) * 2020-12-31 2024-09-17 北京迈格威科技有限公司 一种图像分割方法、装置、电子设备及存储介质
CN112967184B (zh) * 2021-02-04 2022-12-13 西安理工大学 一种基于双尺度卷积神经网络的超分辨放大方法
CN112861767A (zh) * 2021-02-26 2021-05-28 北京农业信息技术研究中心 一种粘虫板图像上小体积害虫检测方法及系统
CN112989992B (zh) * 2021-03-09 2023-12-15 阿波罗智联(北京)科技有限公司 目标检测方法、装置、路侧设备和云控平台
CN112990317B (zh) * 2021-03-18 2022-08-30 中国科学院长春光学精密机械与物理研究所 一种弱小目标检测方法
CN113486908B (zh) * 2021-07-13 2023-08-29 杭州海康威视数字技术股份有限公司 目标检测方法、装置、电子设备及可读存储介质
CN113763386B (zh) * 2021-07-13 2024-04-19 合肥工业大学 基于多尺度特征融合的手术器械图像智能分割方法和系统
CN113610097B (zh) * 2021-08-09 2023-05-05 西安电子科技大学 基于多尺度相似指导网络的sar舰船目标分割方法
CN113705476A (zh) * 2021-08-30 2021-11-26 国网四川省电力公司营销服务中心 一种基于神经网络的现场作业违章行为分析方法及系统
CN113988359B (zh) * 2021-09-08 2024-08-13 中南大学 基于非对称Laplace分布的风功率预测方法和系统
CN113807259B (zh) * 2021-09-18 2022-11-18 上海北昂医药科技股份有限公司 一种基于多尺度特征融合的染色体分裂相定位与排序的方法
CN113989211B (zh) * 2021-10-22 2024-04-02 广东海洋大学 一种虫卵计数方法和装置
CN114494185B (zh) * 2022-01-25 2022-09-30 国网吉林省电力有限公司电力科学研究院 一种基于rgb-t多尺度特征融合的电气设备故障检测方法
CN114694003B (zh) * 2022-03-24 2024-08-13 湖北工业大学 基于目标检测的多尺度特征融合方法
CN114708295B (zh) * 2022-04-02 2024-04-16 华南理工大学 一种基于Transformer的物流包裹分离方法
CN114821056B (zh) * 2022-04-24 2024-06-28 国家林业和草原局华东调查规划院 一种遥感影像中基于ai技术的林草资源变化自动判读方法
CN115240020A (zh) * 2022-04-29 2022-10-25 清远蓄能发电有限公司 基于弱光补偿的MaskRCNN渗水检测方法及系统
CN114862831A (zh) * 2022-05-30 2022-08-05 中国农业大学 一种基于轻量化网络的鱼苗计数方法及装置
CN115861185B (zh) * 2022-11-14 2023-08-11 杭州电子科技大学 一种田间复杂背景的稻飞虱计数方法
CN115937689B (zh) * 2022-12-30 2023-08-11 安徽农业大学 一种农业害虫智能识别与监测技术
CN116311083B (zh) * 2023-05-19 2023-09-05 华东交通大学 一种人群计数模型训练方法及系统
CN117523550B (zh) * 2023-11-22 2024-06-25 中化现代农业有限公司 苹果病虫害检测方法、装置、电子设备和存储介质
CN117405570B (zh) * 2023-12-13 2024-03-08 长沙思辰仪器科技有限公司 一种油液颗粒度计数器自动检测方法与系统
CN118014860B (zh) * 2024-02-28 2024-07-23 上海大学 一种基于注意力机制的多源多尺度图像融合方法与装置
CN118096544B (zh) * 2024-04-23 2024-08-13 浙江优众新材料科技有限公司 一种基于灰度颜色融合的光场图像增强方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130223677A1 (en) * 2012-02-23 2013-08-29 Kirk Ots System for counting trapped insects
CN103177263B (zh) * 2013-03-13 2016-03-23 浙江理工大学 一种基于图像的水稻田间飞虱自动检测与计数方法
CN105005813B (zh) * 2015-06-26 2017-11-10 广州铁路职业技术学院 虫害分析计数方法及系统
CN105447859A (zh) * 2015-11-18 2016-03-30 扬州大学 一种田间麦蚜虫计数方法
CN107194418B (zh) * 2017-05-10 2021-09-28 中国科学院合肥物质科学研究院 一种基于对抗特征学习的水稻蚜虫检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554042A (zh) * 2020-04-08 2021-10-26 富士通株式会社 神经网络及其训练方法
CN112001365A (zh) * 2020-09-22 2020-11-27 四川大学 一种高精度的农作物病虫害识别方法
CN114724031A (zh) * 2022-04-08 2022-07-08 中国科学院合肥物质科学研究院 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法
CN116012718A (zh) * 2023-02-15 2023-04-25 黑龙江科技大学 田间害虫检测方法、系统、电子设备及计算机存储介质
CN116012718B (zh) * 2023-02-15 2023-10-27 黑龙江科技大学 田间害虫检测方法、系统、电子设备及计算机存储介质

Also Published As

Publication number Publication date
WO2020047738A1 (zh) 2020-03-12

Similar Documents

Publication Publication Date Title
CN110770752A (zh) 多尺度特征融合网络结合定位模型的害虫自动计数方法
Ma et al. A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network
Jiao et al. AF-RCNN: An anchor-free convolutional neural network for multi-categories agricultural pest detection
CN109344701B (zh) 一种基于Kinect的动态手势识别方法
Chen et al. Weed detection in sesame fields using a YOLO model with an enhanced attention mechanism and feature fusion
CN108830285B (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
Li et al. A coarse-to-fine network for aphid recognition and detection in the field
Li et al. A fast and lightweight detection algorithm for passion fruit pests based on improved YOLOv5
CN111062885B (zh) 基于多阶段迁移学习的标志检测模型训练及标志检测方法
CN114897816B (zh) 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法
CN112364931B (zh) 一种基于元特征和权重调整的少样本目标检测方法及网络系统
CN110766041A (zh) 一种基于深度学习的害虫检测方法
CN113609896A (zh) 基于对偶相关注意力的对象级遥感变化检测方法及系统
Bansal et al. An Automated Approach for Accurate Detection and Classification of Kiwi Powdery Mildew Disease
CN109145770B (zh) 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
CN116563205A (zh) 基于小目标检测和改进YOLOv5的麦穗计数检测方法
Sun et al. FBoT-Net: Focal bottleneck transformer network for small green apple detection
Almalky et al. An Efficient Deep Learning Technique for Detecting and Classifying the Growth of Weeds on Fields
Akanksha et al. A Feature Extraction Approach for Multi-Object Detection Using HoG and LTP.
CN112465821A (zh) 一种基于边界关键点感知的多尺度害虫图像检测方法
CN111160079A (zh) 一种快速识别柑橘花期的方法
Guo et al. Identifying rice field weeds from unmanned aerial vehicle remote sensing imagery using deep learning
CN115410089A (zh) 自适应局部上下文嵌入的光学遥感小尺度目标检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200207