CN113361405B - 一种基于yolo v3的亚洲象识别方法及系统 - Google Patents

一种基于yolo v3的亚洲象识别方法及系统 Download PDF

Info

Publication number
CN113361405B
CN113361405B CN202110629413.6A CN202110629413A CN113361405B CN 113361405 B CN113361405 B CN 113361405B CN 202110629413 A CN202110629413 A CN 202110629413A CN 113361405 B CN113361405 B CN 113361405B
Authority
CN
China
Prior art keywords
asian
image
data
image recognition
recognition model
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.)
Active
Application number
CN202110629413.6A
Other languages
English (en)
Other versions
CN113361405A (zh
Inventor
段光辉
孙永浩
王文达
朱锦科
谢小兵
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.)
Inspur Software Technology Co Ltd
Original Assignee
Inspur Software Technology 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 Inspur Software Technology Co Ltd filed Critical Inspur Software Technology Co Ltd
Priority to CN202110629413.6A priority Critical patent/CN113361405B/zh
Publication of CN113361405A publication Critical patent/CN113361405A/zh
Application granted granted Critical
Publication of CN113361405B publication Critical patent/CN113361405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

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

Abstract

本发明公开一种基于yolo v3的亚洲象识别方法及系统，涉及图像识别技术领域；基于YOLOv3构建亚洲象识别模型进行训练、验证及测试：采集野外亚洲象图片数据作为数据集，通过WordTree划分数据集类别，数据集类别包括第一层类别、第二层类别及第三层类别，第一层类别为亚洲象，第二层类别为RGB亚洲象和红外亚洲象，第三层类别为RGB亚洲象的全目标、头部及臀部三个类别以及红外亚洲象的全目标_i、头部_i及臀部_i三个类别，通过WordTree按照划分的类别对每张亚洲象图片进行标注，将标注后数据集划分为训练集、验证集及测试集，通过训练集、验证集及测试集分别对亚洲象识别模型进行训练、验证及测试；利用亚洲象识别模型进行亚洲象识别。

Description

一种基于yolo v3的亚洲象识别方法及系统
技术领域
本发明公开一种方法及系统，涉及图像识别技术领域，具体地说是一种基于yolov3的亚洲象识别方法及系统。
背景技术
由于人口增多、经济发展等原因，土地利用方式发生了巨变，保护区外大量的天然林(部分为轮歇地森林)、宜林地等被开垦种植成橡胶、茶叶、咖啡等经济林，导致亚洲象适宜栖息地大幅度减少，加之亚洲象种群数量的增长，使其所需食物的总量增加，为满足食物的需求，部分亚洲象走出森林、走向农地，活动范围逐年扩大，人象冲突不断升级。而现有的亚洲象监测预警多依靠人工识别技术，通过人工甄选、识别前端设备数据，确定亚洲象的活动位点、轨迹和规律的常规手段，但受数据量大、人力、时间的限制，难以在短时间内完成全方位的识别工作。
发明内容
本发明针对现有技术的问题，提供一种基于yolo v3的亚洲象识别方法及系统，具有通用性强、实施简便等特点，具有广阔的应用前景。
本发明提出的具体方案是：
一种基于yolo v3的亚洲象识别方法，基于YOLOv3构建亚洲象识别模型进行训练、验证及测试：采集野外亚洲象图片数据作为数据集，通过WordTree划分数据集类别，数据集类别包括第一层类别、第二层类别及第三层类别，第一层类别为亚洲象，第二层类别为RGB亚洲象和红外亚洲象，第三层类别为RGB亚洲象的全目标、头部及臀部三个类别以及红外亚洲象的全目标_i、头部_i及臀部_i三个类别，
通过WordTree按照划分的类别对每张亚洲象图片进行标注，将标注后数据集划分为训练集、验证集及测试集，
通过训练集、验证集及测试集分别对亚洲象识别模型进行训练、验证及测试；
利用亚洲象识别模型进行亚洲象识别。
优选地，所述的一种基于yolo v3的亚洲象识别方法中预处理野外亚洲象图片数据，剔除噪声数据，对小样本数据进行数据增强。
优选地，所述的一种基于yolo v3的亚洲象识别方法中选择YOLOv3算法构建亚洲象识别模型，对亚洲象识别模型的主干网络进行预训练，获得亚洲象识别模型的初始化网络权重，设置亚洲象识别模型的超参数，基于训练集及验证集进行训练验证，调整权重参数。
优选地，所述的一种基于yolo v3的亚洲象识别方法中进行亚洲象识别模型优化：对亚洲象识别模型优劣程度进行测试评判，根据测试评判结果判定亚洲象识别模型训练是否结束及是否保存亚洲象识别模型的权重参数。
优选地，所述的一种基于yolo v3的亚洲象识别方法中设置亚洲象识别模型接口，构建亚洲象识别模型的网络接口，供前端调用。
一种基于yolo v3的亚洲象识别系统，包括构建模块及识别模块，
构建模块基于YOLOv3构建亚洲象识别模型进行训练、验证及测试：采集野外亚洲象图片数据作为数据集，通过WordTree划分数据集类别，数据集类别包括第一层类别、第二层类别及第三层类别，第一层类别为亚洲象，第二层类别为RGB亚洲象和红外亚洲象，第三层类别为RGB亚洲象的全目标、头部及臀部三个类别以及红外亚洲象的全目标_i、头部_i及臀部_i三个类别，
通过WordTree按照划分的类别对每张亚洲象图片进行标注，将标注后数据集划分为训练集、验证集及测试集，
通过训练集、验证集及测试集分别对亚洲象识别模型进行训练、验证及测试；
识别模块利用亚洲象识别模型进行亚洲象识别。
一种基于yolo v3的亚洲象识别装置，包括至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行所述的一种基于yolo v3的亚洲象识别方法。
计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行所述的一种基于yolo v3的亚洲象识别方法。
本发明的有益之处是：
本发明提供一种基于yolo v3的亚洲象识别方法，基于YOLOv3训练得到的亚洲象识别模型，并采用WordTree的分类方式，将亚洲象大类细化为各小类，既能保证亚洲象识别模型学习到亚洲象目标的关键特征，能准确地通过残缺影像识别亚洲象目标，又能使特征更加泛化、抽象化，避免亚洲象识别模型产生过拟合现象，同时实现无需人为干预，识别精度与速度取得了较大的提升。
附图说明
图1是本发明方法应用流程示意图。
图2是利用本发明方法应用部署拓扑示意图。
图3是本发明方法WordTree的分类示意图。
图4是数据集图像数据示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本发明提供一种基于yolo v3的亚洲象识别方法，其特征是基于YOLOv3构建亚洲象识别模型进行训练、验证及测试：采集野外亚洲象图片数据作为数据集，通过WordTree划分数据集类别，数据集类别包括第一层类别、第二层类别及第三层类别，第一层类别为亚洲象，第二层类别为RGB亚洲象和红外亚洲象，第三层类别为RGB亚洲象的全目标、头部及臀部三个类别以及红外亚洲象的全目标_i、头部_i及臀部_i三个类别，
通过WordTree按照划分的类别对每张亚洲象图片进行标注，将标注后数据集划分为训练集、验证集及测试集，
通过训练集、验证集及测试集分别对亚洲象识别模型进行训练、验证及测试；
利用亚洲象识别模型进行亚洲象识别。
利用本发明方法利用亚洲象识别模型通过WordTree的多标签任务标定，将亚洲象图像数据进行划分标注，第一层类别为亚洲象，第二层类别划分为RGB亚洲象和红外亚洲象，而RGB亚洲象可对应日间数据，红外亚洲象可对应夜间数据，再通过第三层类别全目标、头部、臀部等数据，可实现日夜正常情况、残缺影像均可实时准确地检测到亚洲象。并可对亚洲象识别模型设计模型接口，构建亚洲象识别网络接口，供前端调用，前端与后端通信可将图像数据及地理位置信息输入至数据库，所述智能广播接收到数据库预警信息后，播报亚洲象信息。
具体应用中，在本发明方法的一些实施例中，本发明方法应用过程如下：
S1：采集野外移动物体图像数据。
S2：对图像数据进行预处理，具体为剔除噪声数据，对小样本数据进行数据增强。数据增强的方法比如局部马赛克、画质变化、空间变化、缩放等方法，其中画质变化包括饱和度变化、灰度变化、曝光度变化等，空间变化包括90°、180°、270°等角度旋转。
S3：预处理后数据进行数据集标注。对出现亚洲象目标的图片进行WordTree类别划分、标注，第一层类别为亚洲象，第二层类别划分为RGB亚洲象和红外亚洲象，第三层类别将第二层类别中的RGB亚洲象划分为全目标、头部、臀部三类，同时，将第二层类别中的红外亚洲象划分为全目标_i、头部_i、臀部_i三类，按照WordTree类别对每张图片进行标注。
S4：数据集划分。按照8:1:1的比例将数据集划分为训练集、验证集及测试集，训练集负责为模型训练学习提供数据支持，验证集负责对模型参数进行微调，基于测试集评判模型优劣。
S5：基于亚洲象实时检测的应用场景，选择Darknet-YOLOv3算法构亚洲象识别模型，对亚洲象识别模型的主干网络进行预训练，获得亚洲象实时检测模型的初始化网络权重，设置模型超参数后，Darknet53-YOLOv3模型基于训练集、验证集数据进行训练、学习及参数微调。
S6：模型优化。训练结束后，基于F1-Score对模型优劣程度进行评判，当测试结果低于阈值时，将误检数据返回至亚洲象识别模型进行再训练，当测试结果高于阈值时，判定模型训练结束，保存模型权重参数，利用亚洲象识别模型进行亚洲象识别。
在本发明方法另一些实施例中，步骤步骤S5中所述Darknet53-YOLOv3的识别模型中损失函数定义为：
Figure BDA0003103046160000051
式中，k×k表示将整幅图像数据划分为k×k个栅格，coordErr表示定位误差，iouErr表示IOU误差，clsErr表示分类误差；
优选的，coordErr表示定位误差，其定义为：
Figure BDA0003103046160000052
式中，λcoord表示定位误差项权重，
Figure BDA0003103046160000053
表示目标在第i个栅格第j个预测框中，hi表示真实坐标，
Figure BDA0003103046160000054
表示预测坐标；
优选的，iouErr表示IOU误差，其定义为：
Figure BDA0003103046160000061
式中，λnon-coord表示不含亚洲象目标的栅格权重，Ci表示置信度的标定值，
Figure BDA0003103046160000062
表示置信度的预测值；
优选的，clsErr表示分类误差，其定义为：
Figure BDA0003103046160000063
优选的，步骤S5所述识别模型训练中，采用Adam算法优化学习率，通过计算梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应性学习率，其中学习率初始化设置可为0.001。
在本发明方法的另一实施例中，在模型迭代终止后，基于Fastapi框架设计模型接口，并使用Docker容器打包，构建亚洲象识别网络接口，供前端调用。比如可利用野保相机获得移动物体图像数据，野保相机一方面连续储存图像数据到存储单元(SD卡)，另一方面野保相机以4G通信方式直连前端服务器，将图像数据备份至前端服务器，前端服务器调用备份图像数据，同时利用识别模型实时分析图像数据，当检测到亚洲象目标时，前端服务器调取对应野保相机地理信息，将图像数据及地理位置信息输入至数据库，智能广播接收到数据库预警信息后，播报亚洲象信息。
实现了前端与系统的实时交互，算法识别到亚洲象目标后，以文本形式将亚洲象出现的坐标信息发送至数据库，前端界面调用检测结果，并将其可视化，并可将亚洲象的地理位置实时发送到智能广播，智能广播实时通知附近人员，有效避免了人象冲突的发生，减少应激反应，且与人工识别亚洲象的方法相比，本专利所涉及方法具有成本低、效率高、误差小的特点，可实现全天候24小时预警。
以及本发明提供一种基于yolo v3的亚洲象识别系统，包括构建模块及识别模块，
构建模块基于YOLOv3构建亚洲象识别模型进行训练、验证及测试：采集野外亚洲象图片数据作为数据集，通过WordTree划分数据集类别，数据集类别包括第一层类别、第二层类别及第三层类别，第一层类别为亚洲象，第二层类别为RGB亚洲象和红外亚洲象，第三层类别为RGB亚洲象的全目标、头部及臀部三个类别以及红外亚洲象的全目标_i、头部_i及臀部_i三个类别，
通过WordTree按照划分的类别对每张亚洲象图片进行标注，将标注后数据集划分为训练集、验证集及测试集，
通过训练集、验证集及测试集分别对亚洲象识别模型进行训练、验证及测试；
识别模块利用亚洲象识别模型进行亚洲象识别。上述系统内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
同时本发明提供一种基于yolo v3的亚洲象识别装置，包括至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行所述的一种基于yolo v3的亚洲象识别方法。上述装置内的处理器的信息交互、执行可读程序过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
以及本发明提供的计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行所述的一种基于yolo v3的亚洲象识别方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，上述较佳实施例中各流程和各系统结构中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (8)

1.一种基于yolo v3的亚洲象识别方法，其特征是基于YOLOv3构建亚洲象识别模型进行训练、验证及测试：采集野外亚洲象图片数据作为数据集，通过WordTree划分数据集类别，数据集类别包括第一层类别、第二层类别及第三层类别，第一层类别为亚洲象，第二层类别为RGB亚洲象和红外亚洲象，第三层类别为RGB亚洲象的全目标、头部及臀部三个类别以及红外亚洲象的全目标_i、头部_i及臀部_i三个类别，所述RGB亚洲象对应日间数据，所述红外亚洲象对应夜间数据，再通过第三层类别RGB亚洲象的全目标、头部及臀部数据，实现日夜正常情况和残缺影像情况均实时准确地检测到亚洲象，
通过WordTree按照划分的类别对每张亚洲象图片进行标注，将标注后数据集划分为训练集、验证集及测试集，
通过训练集、验证集及测试集分别对亚洲象识别模型进行训练、验证及测试；
利用亚洲象识别模型进行亚洲象识别。
2.根据权利要求1所述的一种基于yolo v3的亚洲象识别方法，其特征是预处理野外亚洲象图片数据，剔除噪声数据，对小样本数据进行数据增强。
3.根据权利要求1或2所述的一种基于yolo v3的亚洲象识别方法，其特征是选择YOLOv3算法构建亚洲象识别模型，对亚洲象识别模型的主干网络进行预训练，获得亚洲象识别模型的初始化网络权重，设置亚洲象识别模型的超参数，基于训练集及验证集进行训练验证，调整权重参数。
4.根据权利要求3所述的一种基于yolo v3的亚洲象识别方法，其特征是进行亚洲象识别模型优化：对亚洲象识别模型优劣程度进行测试评判，根据测试评判结果判定亚洲象识别模型训练是否结束及是否保存亚洲象识别模型的权重参数。
5.根据权利要求1或4所述的一种基于yolo v3的亚洲象识别方法，其特征是设置亚洲象识别模型接口，构建亚洲象识别模型的网络接口，供前端调用。
6.一种基于yolo v3的亚洲象识别系统，其特征是包括构建模块及识别模块，
构建模块基于YOLOv3构建亚洲象识别模型进行训练、验证及测试：采集野外亚洲象图片数据作为数据集，通过WordTree划分数据集类别，数据集类别包括第一层类别、第二层类别及第三层类别，第一层类别为亚洲象，第二层类别为RGB亚洲象和红外亚洲象，第三层类别为RGB亚洲象的全目标、头部及臀部三个类别以及红外亚洲象的全目标_i、头部_i及臀部_i三个类别，所述RGB亚洲象对应日间数据，所述红外亚洲象对应夜间数据，再通过第三层类别RGB亚洲象的全目标、头部及臀部数据，实现日夜正常情况和残缺影像情况均实时准确地检测到亚洲象，
通过WordTree按照划分的类别对每张亚洲象图片进行标注，将标注后数据集划分为训练集、验证集及测试集，
通过训练集、验证集及测试集分别对亚洲象识别模型进行训练、验证及测试；
识别模块利用亚洲象识别模型进行亚洲象识别。
7.一种基于yolo v3的亚洲象识别装置，其特征是包括至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至5中任一项所述的一种基于yolo v3的亚洲象识别方法。
8.计算机可读介质，其特征是所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至5任一项所述的一种基于yolo v3的亚洲象识别方法。
CN202110629413.6A 2021-06-07 2021-06-07 一种基于yolo v3的亚洲象识别方法及系统 Active CN113361405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110629413.6A CN113361405B (zh) 2021-06-07 2021-06-07 一种基于yolo v3的亚洲象识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110629413.6A CN113361405B (zh) 2021-06-07 2021-06-07 一种基于yolo v3的亚洲象识别方法及系统

Publications (2)

Publication Number Publication Date
CN113361405A CN113361405A (zh) 2021-09-07
CN113361405B true CN113361405B (zh) 2022-10-21

Family

ID=77532523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110629413.6A Active CN113361405B (zh) 2021-06-07 2021-06-07 一种基于yolo v3的亚洲象识别方法及系统

Country Status (1)

Country Link
CN (1) CN113361405B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079195B (zh) * 2023-10-13 2024-02-23 中国科学技术大学 一种基于图像视频的野生动物识别方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490066A (zh) * 2019-07-11 2019-11-22 平安科技（深圳）有限公司 基于图片分析的目标检测方法、装置及计算机设备
CN111259736A (zh) * 2020-01-08 2020-06-09 上海海事大学 一种基于深度学习的复杂环境下行人实时检测方法
CN111652036A (zh) * 2020-03-30 2020-09-11 华南理工大学 一种基于视觉的融合心率与面部特征的疲劳驾驶识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10579897B2 (en) * 2017-10-02 2020-03-03 Xnor.ai Inc. Image based object detection
AU2020100705A4 (en) * 2020-05-05 2020-06-18 Chang, Jiaying Miss A helmet detection method with lightweight backbone based on yolov3 network
CN112434700A (zh) * 2020-11-25 2021-03-02 创新奇智(上海)科技有限公司 车牌识别方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490066A (zh) * 2019-07-11 2019-11-22 平安科技（深圳）有限公司 基于图片分析的目标检测方法、装置及计算机设备
CN111259736A (zh) * 2020-01-08 2020-06-09 上海海事大学 一种基于深度学习的复杂环境下行人实时检测方法
CN111652036A (zh) * 2020-03-30 2020-09-11 华南理工大学 一种基于视觉的融合心率与面部特征的疲劳驾驶识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
深度学习目标检测方法综述;赵永强等;《中国图象图形学报》;20200415(第04期);全文 *
结合深度卷积网络及光学图像的降雨强度识别;洪思弟等;《福建农林大学学报(自然科学版)》;20200714(第04期);全文 *

Also Published As

Publication number Publication date
CN113361405A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN113705478B (zh) 一种基于改进YOLOv5的红树林单木目标检测方法
Karami et al. Automatic plant counting and location based on a few-shot learning technique
CN107392901A (zh) 一种用于输电线路部件智能自动识别的方法
CN112347895A (zh) 一种基于边界优化神经网络的舰船遥感目标检测方法
CN112270671B (zh) 图像检测方法、装置、电子设备及存储介质
Rong et al. Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN
Chini et al. Comparing statistical and neural network methods applied to very high resolution satellite images showing changes in man-made structures at rocky flats
CN106295605A (zh) 红绿灯检测与识别方法
CN113361405B (zh) 一种基于yolo v3的亚洲象识别方法及系统
CN116363532A (zh) 基于注意力机制和重参数化的无人机图像交通目标检测方法
CN116206223A (zh) 一种基于无人机边缘计算的火灾检测方法及系统
CN114565824B (zh) 基于全卷积网络的单阶段旋转舰船检测方法
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
CN113627292B (zh) 基于融合网络的遥感图像识别方法及装置
CN114842332A (zh) 一种库位检测方法和系统
CN113971775A (zh) 一种基于优化yolov4算法的违章行为识别方法及系统
Wiguna et al. Evaluation of deep learning models for building damage mapping in emergency response settings
CN117423009A (zh) 生态系统的变化情况的确定方法、装置和电子设备
CN116992628A (zh) 一种用于露天矿厂的建模方法
CN116863145A (zh) 改进YOLOv5的遥感图像飞机目标检测模型及其方法
CN116363088A (zh) 基于无人机的高速公路混凝土路面裂缝检测方法、电子设备及存储介质
CN113920462A (zh) 基于人工智能的船舶智能检测方法及系统
CN114927236A (zh) 一种面向多重目标图像的检测方法及系统
CN114842470B (zh) 层叠式笼养模式下的鸡蛋计数及定位系统
CN118675203B (zh) 一种穿山甲甲片个体智能识别方法及系统

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