CN112101214A - 一种基于热力图的快速计数茶网蝽的网络结构 - Google Patents

一种基于热力图的快速计数茶网蝽的网络结构 Download PDF

Info

Publication number
CN112101214A
CN112101214A CN202010967812.9A CN202010967812A CN112101214A CN 112101214 A CN112101214 A CN 112101214A CN 202010967812 A CN202010967812 A CN 202010967812A CN 112101214 A CN112101214 A CN 112101214A
Authority
CN
China
Prior art keywords
layer
network
feature fusion
convolution
feature
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.)
Granted
Application number
CN202010967812.9A
Other languages
English (en)
Other versions
CN112101214B (zh
Inventor
王晓庆
陈世春
江宏燕
胡翔
彭萍
尹旭敏
商靖
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.)
Chongqing Academy of Agricultural Sciences
Original Assignee
Chongqing Academy of Agricultural Sciences
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 Chongqing Academy of Agricultural Sciences filed Critical Chongqing Academy of Agricultural Sciences
Priority to CN202211141551.0A priority Critical patent/CN115410159A/zh
Priority to CN202010967812.9A priority patent/CN112101214B/zh
Publication of CN112101214A publication Critical patent/CN112101214A/zh
Application granted granted Critical
Publication of CN112101214B publication Critical patent/CN112101214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于热力图的快速计数茶网蝽的网络结构，包括主干网络、第一特征融合网络以及第二特征融合网络；其中，所述主干网络包括VGG16网络结构中的卷积层。通过主干网络与第一特征融合网络的融合，将将浅层特征融合到深层特征上，补充和丰富了深层特征的空间信息和细节信息；同时通过主干网络与第二特征融合网络的融合，将深层特征反向融合到浅层特征，从而避免深层特征信息丰富后、浅层特征空间信息和细节信息得不到充分表达的情况；本发明通过双向特征融合结构，确保浅层特征与深层特征的空间信息和细节信息均能充分表达，进而确保能够及时、快速、精确的对茶网蝽进行识别、计数，避免干扰。

Description

一种基于热力图的快速计数茶网蝽的网络结构
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于热力图的快速计数茶网蝽的网络结构。
背景技术
茶网蝽，Stephanitis chinensis Drake，属半翅目网蝽科冠网蝽属的一种昆虫。茶网蝽成虫体长3～4mm，体小扁平、暗褐色、前胸具网状花纹；茶网蝽若虫体形似成虫、无翅、体色随虫龄增长而异、共5龄，5龄若虫体长约2mm、体黑色、复眼红色发达、翅芽明显。
茶网蝽成、若虫喜群集于茶树叶背刺吸汁液，致受害叶现许多密集的白色细小斑点，远看茶树一片灰白；同时，叶背危害区域出现茶网蝽黑色粘液状排泄物；严重时致叶片脱落，树势衰弱，茶芽萌发缓慢且细小或发芽停滞，影响产量和品质。因此，在茶树种植过程中，必须对茶网蝽成若虫进行识别、计数、判断，从而采取有针对性且适当的措施开展防治工作。但是，茶网蝽成若虫多密集聚集于叶背、叶片时有相互遮挡重叠的现象，极大影响其识别、计数的准确度以及精度；同时，其产生的黑色粘液状排泄物，易引起工作人员识别、计数的误判，从而进一步影响识别、计数的精度以及准确度，拖慢对茶网蝽的防治工作、错过最佳防治茶网蝽的时机，从而导致茶树产量下降、影响茶叶品质等问题。
发明内容
针对以上现有技术存在的问题，本发明的目的在于提供一种基于热力图的快速计数茶网蝽的网络结构，该方法克服了茶网蝽成若虫不易发现、聚集密集、有重叠的现象以及茶网蝽黑色粘液状排泄物的影响，能够快速、准确的判断出叶背上的茶网蝽并对其进行计数，其计数效率高、精确度高。
本发明的目的通过以下技术方案实现：
一种基于热力图的快速计数茶网蝽的网络结构，其特征在于：
包括主干网络、第一特征融合网络以及第二特征融合网络；其中，所述主干网络包括VGG16网络结构中的卷积层；所述第一特征融合网络为从主干网络第二层卷积层开始提取每层的池化层，然后通过MergeTB模块逐步将最上层池化层与下一层池化层进行特征融合、并输入到下一层，最终第一特征融合网络的最下层特征与主干网络的最下层特征进行特征融合；所述第二特征融合网络为提取主干网络最下层卷积层至第二层卷积层的上采样层，然后通过MergeBT模块逐步将最下层上采样模块与上一层上采样层进行特征融合、并通过上采样模块的形式输入到上一层，上采样模块通过UpSample模块得到，最终第二特征融合网络的最上层上采样模块的池化层与主干网络的最下层特征进行特征融合；所述主干网络与所述第一特征融合网络、第二特征融合网络通过AttentionFuse模块进行融合。
在热力图计算过程中，茶网蝽体积相对于茶树叶片较小，分布于叶背，较深层网络丢掉了有用的空间信息和茶网蝽的位置信息，甚至对于体积较小的茶网蝽，其深层网络特征将可能由于过多的池化操作，忽略掉了其信息，使得对茶网蝽热力图的描述造成较大影响。因此本发明通过主干网络与第一特征融合网络进行融合、将浅层特征融合到深层特征的方式，从而补充和丰富深层特征的空间信息和细节信息，避免忽略茶网蝽热力图的信息；同时，通过第一特征融合网络与主干网络进行融合、形成双向特征融合结构，在将浅层特征融合到深层特征的同时、将深层特征反向融合到浅层特征，从而避免浅层特征融合到深层特征的方式影响到浅层特征空间信息和细节信息的充分表达，确保浅层特征与深层特征均能充分表达其空间信息与细节信息，进而避免因茶网蝽体积小、有重叠的现象以及茶网蝽黑色粘液状排泄物的影响导致的准确率低、识别计数慢的问题。
作进一步优化，所述网络结构的输入层为茶网蝽的热力图。
作进一步优化，所述热力图的训练过程采用MCNN的网络结构进行训练与评价。
作进一步优化，所述主干网络包括C1～C6的六层VGG16网络结构中的卷积层。
作进一步优化，所述MergeTB模块具体为将上一层池化层的特征进行卷积、归一化处理后，再与其(即上一层池化层)自身进行矩阵点乘，然后与本层池化层进行矩阵相加以及归一化处理，最终输出到下一层；所述卷积处理后的卷积层为C7a，且C7a为3*3卷积层，输入输出维度相等。
作进一步优化，所述UpSample模块为将上采样层进行卷积、得到卷积层C14，其中C14为3*3卷积层，用于上采样层后的过滤和平滑。
作进一步优化，所述上采样层采用对应位置输出值填充，非对应位置零值填充的方式；即若采样宽为N、高为M的数据，分别上采样A、B倍，则得到宽为NA、高为MB的数据；其中
Figure BDA0002682982400000031
为原图中(N，M)的对应位置，排除所有原图中点的对应位置后的其余点均为填充位置。
作进一步优化，所述MergeBT模块具体为将下一层上采样模块的特征进行卷积、归一化处理后，再与其(即下一层上采样模块)自身进行矩阵点乘，然后与本层上采样模块进行矩阵相加以及归一化处理，最终输出到上一层；所述卷积处理后的卷积层为C7b；且C7b为3*3卷积层，输入输出维度相等。
作进一步优化，所述AttentionFuse模块具体为分别将主干网络、第一特征融合网络、第二特征融合网络输出的特征进行卷积，依次形成C8、C9的卷积层后，进行特征融合，然后再进行卷积，依次形成C10、C11、C12的三层卷积层，然后通过C12卷积层生成的输出通道为3的数据块分别与主干网络、第一特征融合网络、第二特征融合网络卷积后形成的C9卷积层进行矩阵点乘，最后进行特征融合、卷积，得到卷积层C13，输出进行判定。
作进一步优化，所述C8为3*3卷积层，输入输出通道数相等；所述C9为1*1卷积层，其输出通道数为1；所述C10为1*1*128卷积层，所述C11为3*3*128卷积层；所述C12为1*1*3卷积层，输出通道数为3；所述C13为3*3卷积层。
本发明具有如下技术效果：
本发明通过采用以VGG16网络结构的主干网络与第一特征融合网络、第二特征融合网络进行融合，形成双向特征融合结构，在将浅层特征融合到深层特征的同时、将深层特征反向融合到浅层特征，从而确保浅层特征与深层特征的空间信息和细节信息均能充分表达，进而避免茶网蝽热力图因茶网蝽的体积小、聚集重叠以及其排泄物的影响而导致的无法快速识别、判断不准确的问题，使得计数误差低于±2％；确保能够及时、快速、精确的对茶树茶网蝽开展防治工作。
附图说明
图1为本发明实施例中基于热力图的快速计数茶网蝽的网络结构示意图。
图2为本发明实施例中MergeTB模块的结构示意图。
图3为本发明实施例中MergeBT模块的结构示意图。
图4为本发明实施例中AttentionFuse模块的结构示意图。
图5为本发明实施例中UpSample模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1～5所示，一种基于热力图的快速计数茶网蝽的网络结构，其特征在于：
网络结构的输入层为茶网蝽的热力图(即图1所示的Input Image为热力图)，热力图的训练过程采用MCNN的网络结构进行训练与评价。
网络结构包括主干网络以及第一特征融合网络、第二特征融合网络；其中，主干网络包括六层VGG16网络结构中的卷积层、即如图1所示的C1～C6卷积层。
第一特征融合网络为从主干网络第二层卷积层开始提取每层的池化层(如图1所示，提取主干网络C2～C6层的池化层)，然后通过MergeTB模块逐步将最上层池化层与下一层池化层进行特征融合、并输入到下一层，最终第一特征融合网络的最下层特征与主干网络的最下层特征进行特征融合；MergeTB模块具体为将上一层池化层的特征进行卷积、归一化处理后，再与其(即上一层池化层)自身进行矩阵点乘，然后与本层池化层进行矩阵相加以及归一化处理，最终输出到下一层；所述卷积处理后的卷积层为C7a，且C7a为3*3卷积层，输入输出维度相等。如图1与图2所示，以C3卷积层为例，C2卷积层的池化层Pooling1卷积后形成3*3卷积层C7a，C7a进行归一化(BN)处理后再与C2卷积层的池化层Pooling1进行矩阵点乘，然后将矩阵点乘的结果与C3卷积层的池化层进行矩阵相加，最后对相加的结果进行归一化(BN)处理，得到池化层Pooling2，输入到下一层。
第二特征融合网络为提取主干网络最下层卷积层至第二层卷积层的上采样层，然后通过MergeBT模块逐步将最下层上采样模块与上一层上采样层进行特征融合、并通过上采样模块的形式输入到上一层，上采样模块通过UpSample模块得到，最终第二特征融合网络的最上层上采样模块的池化层与主干网络的最下层特征进行特征融合。UpSample模块为将上采样层进行卷积、得到卷积层C14，其中C14为3*3卷积层，用于上采样层后的过滤和平滑；上采样层采用对应位置输出值填充，非对应位置零值填充的方式，即若采样宽为N、高为M的数据，分别上采样A、B倍，则得到宽为NA、高为MB的数据；其中
Figure BDA0002682982400000051
为原图中(N，M)的对应位置，排除所有原图中点的对应位置后的其余点均为填充位置。MergeBT模块具体为将下一层上采样模块的特征进行卷积、归一化处理后，再与其(即下一层上采样模块)自身进行矩阵点乘，然后与本层上采样模块进行矩阵相加以及归一化处理，最终输出到上一层；所述卷积处理后的卷积层为C7b；且C7b为3*3卷积层，输入输出维度相等。如图1和图3所示，以C5卷积层为例，首先，对C5卷积层下层的C6卷积层的进行上采样以及通过UpSample1模块进行卷积，并将卷积层C14输出，再对卷积层C14进行卷积得到3*3卷积层C7b，C7b进行归一化(BN)处理后再与卷积层C14进行矩阵点乘，然后将矩阵点乘的结果与C5卷积层的上采样层进行矩阵相加，最后对相加的结果进行归一化(BN)处理以及通过UpSample2模块进行卷积，输入到下一层。
最后将主干网络与第一特征融合网络、第二特征融合网络通过AttentionFuse模块进行融合。如图4所示，AttentionFuse模块具体为分别将主干网络、第一特征融合网络、第二特征融合网络输出的特征进行两次卷积，依次形成C8、C9的卷积层后，进行特征融合，然后再进行三次卷积，依次形成C10、C11、C12的三层卷积层，然后通过C12卷积层生成的输出通道为3的数据块(图4所示的3个白色矩形块)分别与主干网络、第一特征融合网络、第二特征融合网络卷积后形成的C9卷积层进行矩阵点乘，最后进行特征融合、卷积，得到卷积层C13，输出进行判定。其中，C8为3*3卷积层，输入输出通道数相等；C9为1*1卷积层，其输出通道数为1；C10为1*1*128卷积层，C11为3*3*128卷积层；C12为1*1*3卷积层，输出通道数为3；C13为3*3卷积层。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于热力图的快速计数茶网蝽的网络结构，其特征在于：
包括主干网络、第一特征融合网络以及第二特征融合网络；其中，所述主干网络包括VGG16网络结构中的卷积层；所述第一特征融合网络为从主干网络第二层卷积层开始提取每层的池化层，然后通过MergeTB模块逐步将最上层池化层与下一层池化层进行特征融合、并输入到下一层，最终第一特征融合网络的最下层特征与主干网络的最下层特征进行特征融合；所述第二特征融合网络为提取主干网络最下层卷积层至第二层卷积层的上采样层，然后通过MergeBT模块逐步将最下层上采样模块与上一层上采样层进行特征融合、并通过上采样模块的形式输入到上一层，上采样模块通过UpSample模块得到，最终第二特征融合网络的最上层上采样模块的池化层与主干网络的最下层特征进行特征融合；所述主干网络与所述第一特征融合网络、第二特征融合网络通过AttentionFuse模块进行融合。
2.根据权利要求1所述的一种基于热力图的快速计数茶网蝽的网络结构，其特征在于：所述网络结构的输入层可为茶网蝽的热力图。
3.根据权利要求1所述的一种基于热力图的快速计数茶网蝽的网络结构，其特征在于：所述MergeTB模块具体为将上一层池化层的特征进行卷积、归一化处理后，再与其自身进行矩阵点乘，然后与本层池化层进行矩阵相加以及归一化处理，最终输出到下一层；所述卷积处理后的卷积层可为C7a，且C7a可为3*3卷积层，输入输出维度相等。
4.根据权利要求1所述的一种基于热力图的快速计数茶网蝽的网络结构，其特征在于：所述UpSample模块可为将上采样层进行卷积、得到卷积层C14，其中C14为3*3卷积层。
5.根据权利要求1所述的一种基于热力图的快速计数茶网蝽的网络结构，其特征在于：所述MergeBT模块具体为将下一层上采样模块的特征进行卷积、归一化处理后，再与其自身进行矩阵点乘，然后与本层上采样模块进行矩阵相加以及归一化处理，最终输出到上一层；所述卷积处理后的卷积层可为C7b；且C7b可为3*3卷积层，输入输出维度相等。
6.根据权利要求1所述的一种基于热力图的快速计数茶网蝽的网络结构，其特征在于：所述AttentionFuse模块具体为分别将主干网络、第一特征融合网络、第二特征融合网络输出的特征进行卷积，依次形成C8、C9的卷积层后，进行特征融合，然后再进行卷积，依次形成C10、C11、C12的三层卷积层，然后通过C12卷积层生成的输出通道为3的数据块分别与主干网络、第一特征融合网络、第二特征融合网络卷积后形成的C9卷积层进行矩阵点乘，最后进行特征融合、卷积，得到卷积层C13，输出进行判定。
CN202010967812.9A 2020-09-15 2020-09-15 一种基于热力图的快速计数茶网蝽的网络结构 Active CN112101214B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211141551.0A CN115410159A (zh) 2020-09-15 2020-09-15 一种茶树种植中茶网蝽的识别监测系统
CN202010967812.9A CN112101214B (zh) 2020-09-15 2020-09-15 一种基于热力图的快速计数茶网蝽的网络结构

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010967812.9A CN112101214B (zh) 2020-09-15 2020-09-15 一种基于热力图的快速计数茶网蝽的网络结构

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211141551.0A Division CN115410159A (zh) 2020-09-15 2020-09-15 一种茶树种植中茶网蝽的识别监测系统

Publications (2)

Publication Number Publication Date
CN112101214A true CN112101214A (zh) 2020-12-18
CN112101214B CN112101214B (zh) 2022-08-26

Family

ID=73759108

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010967812.9A Active CN112101214B (zh) 2020-09-15 2020-09-15 一种基于热力图的快速计数茶网蝽的网络结构
CN202211141551.0A Pending CN115410159A (zh) 2020-09-15 2020-09-15 一种茶树种植中茶网蝽的识别监测系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202211141551.0A Pending CN115410159A (zh) 2020-09-15 2020-09-15 一种茶树种植中茶网蝽的识别监测系统

Country Status (1)

Country Link
CN (2) CN112101214B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717569A (zh) * 2018-05-16 2018-10-30 中国人民解放军陆军工程大学 一种膨胀全卷积神经网络及其构建方法
CN109727249A (zh) * 2018-12-10 2019-05-07 南京邮电大学 卷积神经网络中的一种语义图像分割方法
CN109815867A (zh) * 2019-01-14 2019-05-28 东华大学 一种人群密度估计和人流量统计方法
WO2020047738A1 (zh) * 2018-09-04 2020-03-12 安徽中科智能感知大数据产业技术研究院有限责任公司 多尺度特征融合网络结合定位模型的害虫自动计数方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717569A (zh) * 2018-05-16 2018-10-30 中国人民解放军陆军工程大学 一种膨胀全卷积神经网络及其构建方法
WO2020047738A1 (zh) * 2018-09-04 2020-03-12 安徽中科智能感知大数据产业技术研究院有限责任公司 多尺度特征融合网络结合定位模型的害虫自动计数方法
CN109727249A (zh) * 2018-12-10 2019-05-07 南京邮电大学 卷积神经网络中的一种语义图像分割方法
CN109815867A (zh) * 2019-01-14 2019-05-28 东华大学 一种人群密度估计和人流量统计方法

Also Published As

Publication number Publication date
CN112101214B (zh) 2022-08-26
CN115410159A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN109711325B (zh) 一种芒果采摘点识别方法
WO2022222352A1 (zh) 基于残差网络的遥感全色和多光谱图像分布式融合方法
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN107862695A (zh) 一种基于全卷积神经网络的改进型图像分割训练方法
CN112270347A (zh) 一种基于改进ssd的医疗废弃物分类检测方法
CN105005765A (zh) 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法
CN109948444A (zh) 基于cnn的果实与障碍物的同步识别方法、系统与机器人
JP2017531262A (ja) 記述式問題のための知的採点方法およびシステム
CN106951836A (zh) 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
CN107145885A (zh) 一种基于卷积神经网络的单字图文字识别方法及装置
CN106600595A (zh) 一种基于人工智能算法的人体特征尺寸自动测量方法
CN108921814A (zh) 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法
CN106446882A (zh) 一种基于8字码的智能留痕阅卷方法
CN107506822A (zh) 一种基于空间融合池化的深度神经网络方法
CN103440471B (zh) 基于低秩表示的人体行为识别方法
CN108038519A (zh) 一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置
CN106503695A (zh) 一种基于航拍图像的烟草植株识别与计数方法
CN109636791A (zh) 一种基于深度学习的柑橘黄龙病检测方法、装置及系统
CN108447048B (zh) 基于关注层的卷积神经网络图像特征处理方法
CN107992807A (zh) 一种基于cnn模型的人脸识别方法及装置
CN112348830B (zh) 基于改进3D U-Net的多器官分割方法
CN111797760A (zh) 基于Retinanet改进的农作物病虫害识别方法
CN104751117A (zh) 一种用于采摘机器人的莲蓬目标图像识别方法
CN109685030A (zh) 一种基于卷积神经网络的马克杯杯口缺陷检测分类方法
CN112101214B (zh) 一种基于热力图的快速计数茶网蝽的网络结构

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
GR01 Patent grant
GR01 Patent grant