CN110782435A - 一种基于深度学习模型的烟虫检测方法 - Google Patents

一种基于深度学习模型的烟虫检测方法 Download PDF

Info

Publication number
CN110782435A
CN110782435A CN201910988567.7A CN201910988567A CN110782435A CN 110782435 A CN110782435 A CN 110782435A CN 201910988567 A CN201910988567 A CN 201910988567A CN 110782435 A CN110782435 A CN 110782435A
Authority
CN
China
Prior art keywords
tobacco
image
worm
images
deep learning
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
Application number
CN201910988567.7A
Other languages
English (en)
Inventor
陆海华
洪金华
李捷
忻惠琴
刘瑞东
陈良
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.)
China Tobacco Zhejiang Industrial Co Ltd
Original Assignee
China Tobacco Zhejiang Industrial 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 China Tobacco Zhejiang Industrial Co Ltd filed Critical China Tobacco Zhejiang Industrial Co Ltd
Priority to CN201910988567.7A priority Critical patent/CN110782435A/zh
Publication of CN110782435A publication Critical patent/CN110782435A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30108—Industrial image inspection

Landscapes

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

Abstract

本发明公开了一种基于深度学习模型的烟虫检测方法，包括以下步骤：(1)采集烟虫图像；(2)对烟虫图像进行尺寸调整和数据增强，生成训练样本集；(3)采用k‑means++聚类方法生成先验瞄点框；(4)根据获得的先验锚点框，利用训练样本集对YOLOV3模型进行训练，获得训练好的YOLOV3模型；(5)应用时，将采集的烟虫图像做尺寸调整后输入至训练好的YOLOV3模型中，经计算，输出烟虫识别结果。该烟虫检测方法能够有效地提高目标检测的精度，实现对烟虫的实时检测和识别，以便车间有关部门能够及时掌握烟虫的情况，为预防做好准备。

Description

一种基于深度学习模型的烟虫检测方法
技术领域
本发明属于烟虫检测领域，具体涉及一种基于深度学习模型的烟虫检测方法。
背景技术
卷烟是一种可吸食的食品，随着消费者对健康意识的提高，卷烟品质已然成为消费者关注的重点之一(张娟,王彬彬.卷烟生产过程烟虫防治浅析[J].企业导报,2015(20):150-150.ZHANG Juan,WANG Binbin.Preliminary analysis of tobacco insect controlin cigarette production[J].Guide to Business,2015(20):150-150.)。然而，在烟草生产加工环节，特别是卷烟卷制包装加工环节，为保障机器的最佳运行性能和卷烟产品的品质，生产车间需要常年保持恒温恒湿的环境，而这种舒适的环境恰好有利于烟虫的生长；在卷烟生产过程中会产生大量的烟丝烟末等，为烟虫的繁殖提供了充分的食源；在整个卷烟生产过程中，其是一个相对开放式的环境，物料的进入、人员的进出、各种车辆的进出等，均不可避免的会产生烟草害虫，并长期在车间隐匿和繁殖。在这样舒适的环境下，大量烟虫得以繁殖和成长，并严重地影响到卷烟品质。为有效降低烟虫对卷烟品质的影响，对于烟虫的防治和治理工作十分必要和需要。
为此，廖明俊(廖明俊,郭俊成,李翊玮.以清洁卫生为主的车间烟虫综合治理研究——以江西中烟工业公司赣南卷烟厂为例[J].LIAO Mingjun,GUO Juncheng,LIXiangwei.Research on the comprehensive prevention and elim ination of tobaccopests in workshops based on sanitation and hygiene[J].Journal of AnhuiAgricultural Sciences,2009,35(19):9034-9035.)等人提出了以清洁卫生为主的车间烟虫治理方法。
程红军(程红军,毛建军,顾亮等.基于预控技术的烟草甲虫防控模式研究[J].农产品加工(学刊),2013(12):69-72.CHENG Hongjun，MAO Jianjun，GU Liang，etal.Tobacco beetle control mode based on the control technology[J].AcademicPeriodical of Farm Products Processing,2013(12):69-72.)等人建立了一套基于预控技术的烟草甲虫治理模式，通过其能够及时发现生产各区域的虫情并予以预警和处理，但其缺点是无法实现自动、及时和精准的掌握虫情。
段晓威(段晓威,李健,鲁菁.基于图像处理的烟虫预警系统的设计与实现[J].通讯世界,2016(17):224-224.DUAN Xiaowei,LI Jiang,LU Jing.Design andimplementation of tobacco insect early warning system based on imageprocessing[J].Telecom World,2016(17):224-224.)等人提出采用图像处理技术对粘虫板上的烟虫进行处理和预警，但其缺点是当粘虫板上有较多烟虫或者存在烟末时则无法实现烟虫的精准检测识别。
发明内容
本发明提供了一种基于深度学习模型的烟虫检测方法，克服现有技术存在的烟虫识别不准、效率不高、模型泛化能力不强等缺点。本发明提供的烟虫检测方法能够有效地提高目标检测的精度，实现对烟虫的实时检测和识别，以便车间有关部门能够及时掌握烟虫的情况，为预防做好准备。
本发明提供的技术方案为：
一种基于深度学习模型的烟虫检测方法，包括以下步骤：
(1)采集烟虫图像；
(2)对烟虫图像进行尺寸调整和数据增强，生成训练样本集；
(3)采用k-means++聚类方法生成先验瞄点框；
(4)根据获得的先验锚点框，利用训练样本集对YOLOV3模型进行训练，获得训练好的YOLOV3模型；
(5)应用时，将采集的烟虫图像做尺寸调整后输入至训练好的YOLOV3模型中，经计算，输出烟虫识别结果。
优选地，步骤(2)中，利用图像变换方法对图像进行增强，获得变换图像；
利用基于两个贝塔分布对两张图像进行融合，获得融合图像；
变换图像和融合图像组成训练样本集。
优选地，所述图像变换方法包括：旋转、缩放、平移、高斯噪声以及翻转。
优选地，基于两个贝塔分布对两张图像进行融合时，采用以下公式：
Figure BDA0002237494260000031
其中，
Figure BDA0002237494260000032
为融合图像的像素值，为融合图像的类别标签，xi和xj为从训练样本集中随机抽取的第i个图像和第j个图像的像素值，λ1和λ2为融合系数，λ1∈beta(α1,β1)，λ2∈beta(α2,β2)为服从不同贝塔分布的概率值，α1,β1，α2,β2为实数。
优选地，所述烟虫检测方法还包括对获得的融合图像进行筛选，具体过程为：
将两副原图像中烟虫边缘盒重复率为98％以上的烟虫边缘盒合并，融合图像的烟虫数量相应的减1；由此规则生成符合要求的融合图像。
具体地，步骤(3)的具体过程为：
(3-1)从烟虫图像中选择一个烟虫边缘盒作为一个初始聚类中心；
(3-2)计算烟虫图像中所有烟虫边缘盒与聚类中心的最短距离，用D(x)表示，D(x)越大表示该烟虫边缘盒将被选为下一个聚类中心的概率越大，按照轮盘法选出下一个聚类中心；
(3-3)重复执行步骤(3-2)，直到获得n个聚类中心；
(3-4)采用k-means算法优化n个聚类中心，优化结束后，框选这n个聚类中心的锚点框即为先验锚点框。
步骤(3-1)中，从烟虫图像中任意选择一个烟虫边缘盒作为一个初始聚类中心；或以所有烟虫边缘盒的均值作为初始聚类中心。
与现有技术相比，本发明具有的有益效果为：
本发明提供的基于深度学习模型的烟虫检测方法对烟虫的检测具有识别精度高，抗干扰能力强，识别速度快等效果，其中精确率为98.92％，召回率为96.84％，平均精确度为96.73％,TIME(单位：秒/帧)为1.28秒，能够满足卷烟厂对烟虫检测的需要，达到及时预防和治理烟虫的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1为基于深度学习模型的烟虫检测方法的流程图；
图2(a)是采集的烟虫图像P1，图2(b)为对图2(a)旋转90度后的旋转图，图2(c)为对图2(a)旋转180度后的旋转图；
图3(a)是采集的烟虫图像P2，图3(b)为对图3(a)放大变换后的放大图，图3(c)为对图3(a)缩小变换后的缩小图；
图4(a)是采集的烟虫图像P3，图4(b)为对图4(a)沿X轴平移的平移图，图4(c)为对图4(a)沿Y轴平移的平移图；
图5(a)是采集的烟虫图像P4，图5(b)为对图5(a)翻转A角度的翻转图，图5(c)为对图5(a)翻转B角度的翻转图；
图6(a)为基于单贝塔分布的图像融合图，图6(b)为基于双贝塔分布的图像融合图。
图7为本发明基于深度学习模型的烟虫检测方法的实验效果图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
如图1所示，本实施例提供的基于深度学习模型的烟虫检测方法，包括以下步骤：
S101，采集烟虫图像。
本实施例中利用烟虫诱捕器对烟虫进行诱捕，对粘连在粘板上的烟虫通过CCD进行采集，获得采集的烟虫图像，并将采集到的烟虫图像上传至图像处理器。
S102，对烟虫图像进行尺寸调整和数据增强，生成训练样本集。
由于采集的烟虫图像是2448×2448，过大的像素会严重影响烟虫识别的效率，为此，本实施例采用图像变换技术将采集的烟虫图像统一变换到像素为416×416，将其组成图像集，变化后获得的图像集能够大幅度减少计算量，提高烟虫的检测效率。
本实施例采用YOLOV3模型对烟虫进行目标检测，在对烟虫目标进行检测之前需要对YOLOV3模型进行训练，为了提升YOLOV3模型更强的识别和泛化能力，本实施例采用两种技术实现图像集增强，一种是利用数据增强技术对图像集进行增强，另一种是采用图像融合技术对图像集进行增强。
一方面，卷积神经网络对目标对象的位置平移、尺寸大小、不同视角和光照等具有不变性，这为小样本的数据增强提供了可能；另一方面，通过增加卷积神经网络模型的深度和广度，有利于模型学习能力的提升。在卷积神经网络中，增加深度相比广度更加有效，但更深的网络则需要更大的数据集训练深度模型，为防止卷积神经网络陷入过拟合，为此，本发明将采用五种常用的数据增强技术进行图像数据增强。具体包括：
旋转：对如图2(a)所示的烟虫图像P1按逆时针旋转，第一次旋转90度得到图2(b)所示的旋转图，在图2(b)的基础上，再旋转90度，得到图2(c)所示的旋转图。
缩放：将图3(a)所示的烟虫图像P2进行放大或者缩小，对于放大后的图像将统一调整到固定比列的尺寸，如图3(b)所示，对于缩小后的图像，用白色背景进行填充，增强效果如图3(c)所示。
平移：将如图4(a)所示的烟虫图像P3沿x和y轴方向平移任意位置，假设平移后的背景为白色，增强效果如图4(b)和图4(c)。
高斯噪声：深度学习模型在学习高频特征的时候容易产生过拟合的现象，为此，本发明采用高斯噪声来消除高频特征，避免模型陷入过拟合现场。
翻转：对如图(5)所示的烟虫图像P4采用镜面映射实现图像旋转，获得如图5(b)和图5(c)所示的增强效果。
为了进一步增强YOLOV3模型的泛化能力和防止过拟合，本发明采用基于贝塔分布的图像混合技术实现图像数据增强，图像融合公式如下：
Figure BDA0002237494260000071
其中，xi xj为从训练数据中随机抽取的两个图像的像素值，yi，yj为从训练数据中随机抽取的两个图像相应的类别标签，
Figure BDA0002237494260000073
为融合图像的像素值，
Figure BDA0002237494260000074
为融合图像的类别标签。其中λ为权重系数，且λ服从贝塔分布，即λ∈beta(α,β)，贝塔分布的概率密度函数为：
Figure BDA0002237494260000075
其中，
Figure BDA0002237494260000076
α，β为大于0的参数，x为0到1之间的随机数，对于单类目标检测，基于贝塔分布的图像融合技术在图像融合过程中会出现存在如图6(a)所示的情况，即单张图像中的烟虫在融合后的图像中呈现不明显，这样通过融合来增强图像的意义就不大。
为了尽量克服图6(a)所示的情况，经过大量探究，提供了基于两个贝塔分布进行图像组合，以尽量防止两组图像样本在混合的过程中由于混合不均衡导致如图6(a)所示情况产生。
具体地，通过以下公式对两图像进行融合：
Figure BDA0002237494260000077
其中，λ1∈beta(α1,β1)，λ2∈beta(α2,β2)为服从不同贝塔分布的概率值，α1,β1，α2,β2为实数。
通过两个服从不同参数贝塔分布的λ1和λ2对两张图像进行融合，即限定每张图像的像素值在融合图像中的占比，来调节融合图像，使得在融合图像中，两张原图像中的烟虫都能得到明显的呈现，如图6(b)所示。
此外，为了提升融合图像的质量，还对获得的融合图像进行筛选，具体过程为：筛选融合图像中烟虫边缘盒与原图像中烟虫边缘盒98％以上的融合图像作为最终有效地融合图像。
通过对图像进行旋转、缩放、平移、高斯噪声、翻转获得的转换图像以及基于贝塔分布的图像混合技术获得的融合图像，构成训练样本集。
S103，采用k-means++聚类方法生成先验瞄点框。
为了使YOLOV3模型对烟虫进行目标检测时，有针对性地识别目标，本发明提前对烟虫进行瞄准的先验瞄点框进行优化。具体地，采用k-means++聚类方法生成先验瞄点框的具体过程为：
S103-1，从烟虫图像中选择一个烟虫边缘盒作为一个初始聚类中心；在确定初始聚类中心时，从烟虫图像中任意选择一个烟虫边缘盒作为一个初始聚类中心；或以所有烟虫边缘盒均值作为初始聚类中心；
S103-2，计算烟虫图像中所有烟虫边缘盒与聚类中心的最短距离，用D(x)表示，D(x)越大表示该烟虫将被选为下一个聚类中心的概率越大，按照轮盘法选出下一个聚类中心；
S103-3，重复执行S103-2，直到获得n个聚类中心，本实施例中，n为9；
S103-4，采用k-means算法优化n个聚类中心，优化结束后，框选这n个聚类中心的锚点框即为先验锚点框。
本实施例中，9个先验锚点框的相应信息表1所示：
表1
Figure BDA0002237494260000091
从表1可以发现，在最小的13×13特征图上(有最大的感受野)应用较大的先验锚点框为21×20，24×23，28×28，适合对大目标检测；在中等的26×26特征图上(有中等的感受野)应用中等的先验框为18×19，20×16，20×23，适合中等大小目标检测；在最大的52×52特征图上(有较小的感受野)应用较小的先验框为14×12，14×18，16×15，适合对小目标检测。
S104，根据获得的先验锚点框，利用训练样本集对YOLOV3模型进行训练，获得训练好的YOLOV3模型。
S105，应用时，将采集的烟虫图像做尺寸调整后输入至训练好的YOLOV3模型中，经计算，输出烟虫识别结果。
实验例
本实验例中烟虫检测实验的运行环境是Windows10+GTX 1050+8G+Keras+python，并采用MAP间来进行评估，MAP的公式如下：
Figure BDA0002237494260000092
其中，N为类别数，AP为Average Precision，在本发明中N＝1，所以MAP等于AP。对于单类目标检测，主要采用精确率Precision，召回率Recall，AP来进行评估，其公式如下：
Figure BDA0002237494260000094
其中，TP为正样本被正确识别为正样本的数量，TN为负样本被正确识别为负样本的数量，FP为负样本被错误识别为正样本的数量，FN为正样本被错误识别为负样本的数量。平均精度AP则为P-R曲线围成的面积，即Precision与Recall围成的面积，公式为：
Figure BDA0002237494260000101
其中，P为精确率,R为召回率，P(R)为以R参数的函数，整个公式等价于计算P与R曲线围城的曲线面积，即P-R曲线面积。
实验中采集300张含烟虫图像，将其尺寸变换处理后形成300张的数据集，每张图像的像素均为416×416，并将数据集中烟虫图像增强到3245张；然后，以3245图像作为数据源，采用k-means++聚类方法生成先验瞄点框；之后，利用3245图像和生成的先验瞄点框对YOLOV3模型进行训练，得到训练好的YOLOV3模型；最后，利用测试图像对训练好的YOLOV3模型进行测试，经试验检测，得到如表2所示的检测结果：
表2
其中，如表2所示，对于Precision、Recall和AP评价指标，检测效果均达到96％以上；对于Time评价指标，单张图像平均检测速度达到0.1292秒，能够满足卷烟厂对烟虫检测速度的要求。
在获得训练好的YOLOV3模型，可以利用训练好的YOLOV3模型对待识别烟虫图像进行识别，图7为识别结果图，从图7可得，利用该YOLOV3模型能够准确识别图像中烟虫。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习模型的烟虫检测方法，包括以下步骤：
(1)采集烟虫图像；
(2)对烟虫图像进行尺寸调整和数据增强，生成训练样本集；
(3)采用k-means++聚类方法生成先验瞄点框；
(4)根据获得的先验锚点框，利用训练样本集对YOLOV3模型进行训练，获得训练好的YOLOV3模型；
(5)应用时，将采集的烟虫图像做尺寸调整后输入至训练好的YOLOV3模型中，经计算，输出烟虫识别结果。
2.如权利要求1所述的基于深度学习模型的烟虫检测方法，其特征在于，步骤(2)中，利用图像变换方法对图像进行增强，获得变换图像；
利用基于两个贝塔分布对两张图像进行融合，获得融合图像；
变换图像和融合图像组成训练样本集。
3.如权利要求2所述的基于深度学习模型的烟虫检测方法，其特征在于，所述图像变换方法包括：旋转、缩放、平移、高斯噪声以及翻转。
4.如权利要求2所述的基于深度学习模型的烟虫检测方法，其特征在于，基于两个贝塔分布对两张图像进行融合时，采用以下公式：
Figure FDA0002237494250000011
其中，
Figure FDA0002237494250000012
为融合图像的像素值，
Figure FDA0002237494250000013
为融合图像的类别标签，xi和xj为从训练样本集中随机抽取的第i个图像和第j个图像的像素值，λ1和λ2为融合系数，λ1∈beta(α1,β1)，λ2∈beta(α2,β2)为服从不同贝塔分布的概率值，α1,β1，α2,β2为实数。
5.如权利要求1或4所述的基于深度学习模型的烟虫检测方法，其特征在于，所述烟虫检测方法还包括对获得的融合图像进行筛选，具体过程为：
将两副原图像中烟虫边缘盒重复率为98％以上的烟虫边缘盒合并，融合图像的烟虫数量相应的减1；由此规则生成符合要求的融合图像。
6.如权利要求1所述的基于深度学习模型的烟虫检测方法，其特征在于，步骤(3)的具体过程为：
(3-1)从烟虫图像中选择一个烟虫边缘盒作为一个初始聚类中心；
(3-2)计算烟虫图像中所有烟虫与聚类中心的最短距离，用D(x)表示，D(x)越大表示该烟虫将被选为下一个聚类中心的概率越大，按照轮盘法选出下一个聚类中心；
(3-3)重复执行步骤(3-2)，直到获得n个聚类中心；
(3-4)采用k-means算法优化n个聚类中心，优化结束后，框选这n个聚类中心的锚点框即为先验锚点框。
7.如权利要求6所述的基于深度学习模型的烟虫检测方法，其特征在于，步骤(3-1)中，从烟虫图像中任意选择一个烟虫边缘盒作为一个初始聚类中心；或以所有烟虫边缘盒的均值作为初始聚类中心。
8.如权利要求6所述的基于深度学习模型的烟虫检测方法，其特征在于，步骤(1)中，利用烟虫诱捕器对烟虫进行诱捕，对粘连在粘板上的烟虫通过CCD进行采集，获得采集的烟虫图像。
CN201910988567.7A 2019-10-17 2019-10-17 一种基于深度学习模型的烟虫检测方法 Pending CN110782435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910988567.7A CN110782435A (zh) 2019-10-17 2019-10-17 一种基于深度学习模型的烟虫检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910988567.7A CN110782435A (zh) 2019-10-17 2019-10-17 一种基于深度学习模型的烟虫检测方法

Publications (1)

Publication Number Publication Date
CN110782435A true CN110782435A (zh) 2020-02-11

Family

ID=69385764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910988567.7A Pending CN110782435A (zh) 2019-10-17 2019-10-17 一种基于深度学习模型的烟虫检测方法

Country Status (1)

Country Link
CN (1) CN110782435A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111537512A (zh) * 2020-05-21 2020-08-14 中国烟草总公司郑州烟草研究院 一种基于深度学习的烟梗形态智能识别系统及方法
CN112465794A (zh) * 2020-12-10 2021-03-09 无锡卡尔曼导航技术有限公司 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法
CN112686340A (zh) * 2021-03-12 2021-04-20 成都点泽智能科技有限公司 一种基于深度神经网络的密集小目标检测方法
CN113034487A (zh) * 2021-04-12 2021-06-25 河南中烟工业有限责任公司 一种烟虫预警方法及系统
CN113553948A (zh) * 2021-07-23 2021-10-26 中远海运科技(北京)有限公司 烟虫自动识别和计数方法、计算机可读介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107711762A (zh) * 2017-10-19 2018-02-23 上海中信信息发展股份有限公司 智能虫情监测方法和智能虫情监测装置
CN108040997A (zh) * 2017-12-25 2018-05-18 仲恺农业工程学院 一种基于机器视觉的虫害监测方法
CN110222215A (zh) * 2019-05-31 2019-09-10 浙江大学 一种基于f-ssd-iv3的作物害虫检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107711762A (zh) * 2017-10-19 2018-02-23 上海中信信息发展股份有限公司 智能虫情监测方法和智能虫情监测装置
CN108040997A (zh) * 2017-12-25 2018-05-18 仲恺农业工程学院 一种基于机器视觉的虫害监测方法
CN110222215A (zh) * 2019-05-31 2019-09-10 浙江大学 一种基于f-ssd-iv3的作物害虫检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谭俊: "一个改进的YOLOv3目标识别算法研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111537512A (zh) * 2020-05-21 2020-08-14 中国烟草总公司郑州烟草研究院 一种基于深度学习的烟梗形态智能识别系统及方法
CN112465794A (zh) * 2020-12-10 2021-03-09 无锡卡尔曼导航技术有限公司 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法
CN112686340A (zh) * 2021-03-12 2021-04-20 成都点泽智能科技有限公司 一种基于深度神经网络的密集小目标检测方法
CN112686340B (zh) * 2021-03-12 2021-07-13 成都点泽智能科技有限公司 一种基于深度神经网络的密集小目标检测方法
CN113034487A (zh) * 2021-04-12 2021-06-25 河南中烟工业有限责任公司 一种烟虫预警方法及系统
CN113553948A (zh) * 2021-07-23 2021-10-26 中远海运科技(北京)有限公司 烟虫自动识别和计数方法、计算机可读介质

Similar Documents

Publication Publication Date Title
CN110782435A (zh) 一种基于深度学习模型的烟虫检测方法
Yovel et al. Plant classification from bat-like echolocation signals
CN107239514A (zh) 一种基于卷积神经网络的植物识别方法及系统
Zahan et al. A deep learning-based approach for edible, inedible and poisonous mushroom classification
CN107330892A (zh) 一种基于随机森林法的向日葵病害识别方法
Moldes et al. A critical review on the applications of artificial neural networks in winemaking technology
CN109871902A (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
CN102930249A (zh) 基于颜色和模型的农田害虫识别和计数方法
CN108921210B (zh) 一种基于卷积神经网络的云分类方法
CN109034184A (zh) 一种基于深度学习的均压环检测识别方法
CN109615616A (zh) 一种基于abc-pcnn的裂缝识别方法及系统
CN110689516A (zh) 一种质量检测的方法、装置以及计算机存储介质
CN106340007A (zh) 一种基于图像处理的车身漆膜缺陷检测识别方法
CN106373136A (zh) 一种基于颜色和特征的害虫识别计数方法
CN110390673A (zh) 一种监控场景下基于深度学习的香烟自动检测方法
CN115602337A (zh) 一种基于机器学习的刺激隐核虫疾病预警方法及系统
CN115063653B (zh) 基于图像脑敏感数据的建成环境主导色测度方法和系统
CN102982511A (zh) 一种图像智能优化处理方法
CN117763186A (zh) 遥感图像检索方法、系统、计算机设备及存储介质
CN109523514A (zh) 对逆合成孔径雷达isar的批量成像质量评估方法
CN114299059A (zh) 一种热轧带钢表面未分类铸坯划伤缺陷的判定方法
Li et al. Detection of small-sized insects in sticky trapping images using spectral residual model and machine learning
Su [Retracted] Data Research on Tobacco Leaf Image Collection Based on Computer Vision Sensor
Mohanapriya et al. Recognition of unhealthy plant leaves using Naive Bayes classifier
CN113627258B (zh) 一种苹果叶部病理检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200211