CN113808122B - 一种基于椭圆特征金字塔的烟草甲虫识别方法 - Google Patents

一种基于椭圆特征金字塔的烟草甲虫识别方法 Download PDF

Info

Publication number
CN113808122B
CN113808122B CN202111130292.7A CN202111130292A CN113808122B CN 113808122 B CN113808122 B CN 113808122B CN 202111130292 A CN202111130292 A CN 202111130292A CN 113808122 B CN113808122 B CN 113808122B
Authority
CN
China
Prior art keywords
network
feature
characteristic
elliptic
ellipse
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
CN202111130292.7A
Other languages
English (en)
Other versions
CN113808122A (zh
Inventor
徐庆
张宝
张婧
卓亮
魏东梅
何林洋
李小霞
韩翔雨
彭帆
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 Sichuan Industrial Co Ltd
Southwest University of Science and Technology
Original Assignee
China Tobacco Sichuan Industrial Co Ltd
Southwest University of Science and Technology
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 Sichuan Industrial Co Ltd, Southwest University of Science and Technology filed Critical China Tobacco Sichuan Industrial Co Ltd
Priority to CN202111130292.7A priority Critical patent/CN113808122B/zh
Publication of CN113808122A publication Critical patent/CN113808122A/zh
Application granted granted Critical
Publication of CN113808122B publication Critical patent/CN113808122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了一种基于椭圆特征金字塔的烟草甲虫识别方法，包括如下步骤：搭建Faster R‑CNN网络；搭建由Resnet50作为骨干网络的特征金字塔网络，作为Faster R‑CNN的特征提取网络；结合椭圆表达式构建椭圆特征提取模块，并嵌入到由Resnet50作为骨干网络的特征金字塔网络中形成椭圆特征金字塔网络；在烟草甲虫数据集上以椭圆特征金字塔网络进行烟草甲虫识别检测。本发明以FPN网络作为Faster R‑CNN的特征提取网络，使用多层次特征图，以解决单一层次特征图不能同时获取小目标检测所需要的细节和语义特征信息的问题。在FPN网络中加入了椭圆特征提取模块，显著提高烟草甲虫的检测精度。本发明针对卷烟厂中的烟草甲虫进行检测，提高了检测精度，更具实用性。

Description

一种基于椭圆特征金字塔的烟草甲虫识别方法
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种基于椭圆特征金字塔的烟草甲虫识别方法。
背景技术
烟草在储存和卷烟生产过程中难免会被烟草甲虫所侵蚀，使得烟草品质下降，然而在卷烟车间烟草甲虫的防治一般通过人工干预，不仅费时费力，而且虫情监测效果极易受到工人主观因素的影响。本发明通过使用视觉目标检测方法可以实现虫情智能监测，解放人力。
烟草甲虫是一种典型的小目标，在自建数据集中，烟草甲虫所占像素平均在40×40像素，只占整幅图像大小的0.077％左右。小目标检测是目标检测领域中的难点，因为基于深度学习的目标检测算法为了检测更多复杂的特征往往会加深或加宽网络，同时为了减少计算量以及增加位移不变特性，网络中常常增加池化层，然而小目标所包含的像素点极少，池化层的下采样过程不可避免地会丢失部分或者全部小目标特征信息，但浅层特征语义信息不足，使得小目标检测精度低；同时目标框的定位精度也会影响检测精度，相对于中、大目标，目标的预测框产生偏移时给小目标检测指标交并比(Intersection-over-Union,IoU)带来的影响要大得多，小目标预测框偏移一点，IoU就会下降很多。
解决小目标检测精度低的问题首先是对数据进行处理，B Singh等人在2018年提出图像金字塔的尺度归一化(Scale normalization for image pyramid，SNIP)，SNIP搭建了3个感兴趣区域提取网络(Region Proposal network，RPN)作为分支，各自预测指定范围内的目标并且只回传指定范围内的目标检测损失，通过降低数据集内目标尺寸的分布差异，使用尺度归一化的方式提高小目标的检测精度，但是训练与测试数据的分辨率不一致时性能会下降很多；而单阶段多框检测器(Single Shot MultiBox Detector，SSD)系列算法以不同步长特征图作为检测层分别检测不同尺度的目标，一般使用低层的特征进行较小目标的检测，但低层特征图感受野较小，上下文信息缺乏，容易引入误检，并不适用于烟草甲虫这类小目标的数据集；Li等人在2019年提出的TridentNet，使用空洞卷积来增大感受野，通过使用不同空洞率的空洞卷积来搭建网络的3个分支，分别负责检测不同尺寸的目标，使得检测结果得到很大的提升，这种分治思想最初体现在He K等人提出的特征金字塔网络(Feature Pyramid Network，FPN)中，在FPN中，通过融合不同尺度的特征，利用不同层特征来检测对应尺度的目标。
综上，在进行小目标检测时，要通过特征融合的方法来提高上下文信息，增强小目标的特征表达能力，本发明使用鲁棒性较强的Faster R-CNN网络作为框架，使用FPN网络作为特征提取网络，并且基于对数据集的观察，在FPN网络中嵌入烟草甲虫椭圆特征，使得更深层次的特征既包含丰富的细节信息，又包含烟草甲虫的外观特征，保证深层次特征同时包含足够多的细节和语义信息。
发明内容
本发明提供了一种基于椭圆特征金字塔的烟草甲虫识别方法，以解决上述技术问题。
本发明采用的技术方案是：提供一种基于椭圆特征金字塔的烟草甲虫识别方法，包括如下步骤：
步骤1、搭建Faster R-CNN网络；
步骤2、搭建由Resnet50作为骨干网络的特征金字塔网络，作为Faster R-CNN的特征提取网络；
步骤3、结合椭圆表达式构建椭圆特征提取模块，并嵌入到由Resnet50作为骨干网络的特征金字塔网络中形成椭圆特征金字塔网络；
步骤4、在烟草甲虫数据集上以椭圆特征金字塔网络进行烟草甲虫识别检测。
作为基于椭圆特征金字塔的烟草甲虫识别方法的一种优选方式，所述搭建由Resnet50作为骨干网络的特征金字塔网络的方法包括：
在骨干网络中，将具有相同尺寸特征图的一段网络设为一个块，每两个块之间都采用步长为2的降采样，每一个块所输出的特征图尺寸为前一个块的1/2，每个块由个数不同的残差块结构堆叠而成，将Resnet50第一到第四个残差块的最后一个卷积层的输出表示为{R1，R2，R3，R4}，特征图通道数分别为64、512、1024和2048，将改进的特征融合网络对应层输出表示为{F1，F2，F3，F4}，由Resnet50作为骨干网络的特征金字塔网络则融合每一层的特征图。
作为基于椭圆特征金字塔的烟草甲虫识别方法的一种优选方式，步骤3所述的椭圆特征提取模块是基于烟草甲虫形状接近椭圆的事实，根据笛卡尔坐标系下的椭圆方程提取椭圆特征图E：
通过椭圆特征提取模块可以获得兼具高层语义信息和椭圆外观细节信息的特征图，具体方法为：
(1)将输入特征图R4经过两组卷积操作分别得到特征图x和y，两个特征图分别平方获得x2和y2；
(2)和/>是一维向量a＝[a1,a2]平方并改变维度后得到的两个1×1×1参数，a是对输入特征图进行全局平均池化以及两次全连接后得到的向量，其计算公式为：
a＝fC{fC[GAP(R4)]} (2)
f C表示全连接操作，GAP(R4)表示对输入特征图R4进行全局平均池化；
(3)将x2、y2、和/>代入式(1)就可以得到椭圆特征提取模块的椭圆特征图E；
(4)将椭圆特征图E与椭圆特征提取模块输入特征图R4进行通道连接获得特征图T，再经过一组卷积操作对T进行降维，最终获得输出特征图Output。
本发明的有益效果是：
1)本发明以FPN网络作为Faster R-CNN的特征提取网络，使用多层次特征图，以解决单一层次特征图不能同时获取小目标检测所需要的细节和语义特征信息的问题。
2)在FPN网络中加入了椭圆特征提取模块(EFEM)，显著提高烟草甲虫的检测精度。
3)本发明针对卷烟厂中的烟草甲虫进行检测，提高了检测精度，更具实用性。
附图说明
图1为本发明公开的烟草甲虫检测过程流程图。
图2、为本发明公开的Faster R-CNN网络的网络框架图。
图3、为本发明公开的网络整体结构图。
图4、为本发明公开的椭圆特征提取模块网络结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步详细描述，但本发明的实施方式不限于此。
一个完整的烟草甲虫检测过程包括：FPN网络(即由Resnet50作为骨干网络的特征金字塔网络)提取烟草甲虫特征、感兴趣区域(Region of interest，ROI)提取、烟草甲虫的检测和定位；针对烟草甲虫的检测问题，为提高检测精度，经过对数据集的大量观察与分析，在FPN网络中嵌入烟草甲虫椭圆特征提取模块，使得深层次特征加入烟草甲虫的外观细节特征。特征提取网络提取到的特征作为RPN网络的输入特征，提取感兴趣区域，对此区域进行ROIPooling操作后提取得到ROI特征，再送入后续网络进行烟草甲虫的识别和边界框的回归。图1为烟草甲虫检测过程流程图。
步骤1，搭建Faster R-CNN网络。
Faster R-CNN网络由特征提取网络、感兴趣区域提取网络(RPN)以及包含分类和回归两个分支的检测头网络组成，如图2是Faster R-CNN网络的网络框架图，图片输入特征提取网络，提取的特征再输入RPN网络生成大量的目标候选框，再将所生成的目标候选框映射到原特征图中，此区域即为感兴趣区域，ROIPooling层对大小不一的感兴趣区域进行池化操作，将感兴趣区域池化后的特征送入检测头网络中进行分类和目标边界框的回归，边界框回归可以调整目标的检测框，使得边界框可以很好地包围目标，对于烟草甲虫这类小目标，边界框的回归可以很好地缓解由边界框偏移而造成的检测精度下降的问题。
步骤2，搭建由Resnet50作为骨干网络的特征金字塔网络(Feature PyramidNetwork，FPN)，作为Faster R-CNN的特征提取网络。
图3为网络的整体结构图，整个网络中的特征提取网络是由Resnet50作为骨干网络的特征金字塔网络，在骨干网络中，具有相同尺寸特征图的一段网络称为一个块，每两个块之间都采用步长为2的降采样，每一个块所输出的特征图尺寸为前一个块的1/2，每个块由个数不同的残差块结构堆叠而成，本实施例将Resnet50第一到第四个残差块(分别对应图3中Res1、Res2、Res3、Res4)的最后一个卷积层的输出表示为{R1，R2，R3，R4}，特征图通道数分别为64、512、1024和2048，将改进的特征融合网络对应层输出表示为{F1，F2，F3，F4}，FPN则融合每一层的特征图。例如图3中的椭圆特征金字塔网络中的F4是由Resnet50网络第四个残差块(Res4)的输出特征图(R4)经过横向的1×1卷积改变特征图通道数、再融合R4经过椭圆特征提取模块提取到的特征图得到的，F3则是通过F4进行2倍上采样后融合Res3的输出特征图、再经过1×1卷积后得到的特征图，以此类推，F2、F1都是通过类似操作得到的。
FPN骨干网络由Resnet50网络搭建，代替传统的Faster R-CNN的特征提取网络，使用FPN网络可以融合多层次特征图的语义信息，弥补网络下采样过多而引起的小目标细节信息丢失的问题，为检测头网络提供具有更多目标信息的特征图。
步骤3，结合椭圆表达式构建椭圆特征提取模块(Ellipse Feature ExtractionModule，EFEM)，并嵌入到FPN中形成椭圆特征金字塔网络(Ellipse Feature PyramidNetwork，E-FPN)。
椭圆特征提取模块(EFEM)结构如图4，其中，表示特征图相乘，/>表示特征图相加，！表示特征图相减，/>表示特征图在通道维度上进行拼接。椭圆特征提取模块(EFEM)的搭建是根据笛卡尔坐标系下的椭圆公式(1)得到：
其中和/>为椭圆公式中待确定的参数，x和y是模块中的两个不同的特征图，EFEM模块的输入为Res4输出的特征图R4，根据图4可以看出EFEM模块输入特征图R4经过两组卷积操作可以得到公式中的两个特征x和y，再将两个特征分别平方可以得到x2和y2，R4经过全局平均池化操作和两次全连接操作可以得到含有两个参数的一维向量a＝[a1,a2]，将向量a平方、改变维度后可以得到两个1×1×1的参数/>和/>即a可以由公式(2)得到：
a＝fC{fC[GAP(R4)]} (2)
这里的fC表示全连接操作，GAP(R4)表示对输入特征图进行全局平均池化。得到椭圆公式中的各个参数后即可代入公式(1)得到椭圆特征图E。
为了使得深层次特征包含更多的细节信息，在得到椭圆特征之后将椭圆特征图和EFEM输入特征图R4进行通道上的拼接，使得拼接后的特征图T既包含深层的语义信息，又包含烟草甲虫的椭圆外观细节信息，再使用一组卷积操作对特征图T进行降维，得到EFEM模块的输出特征图Output与后续特征图在通道数上保持相等，便于下一步的特征融合操作。输出特征图Output计算如公式(3)：
Output＝Conv[Concat(R4,E)] (3)
Conv为卷积操作，Concat为通道上的拼接操作，Concat(R4,E)代表输入特征图R4和E进行通道上的拼接得到特征图T。
步骤4，在烟草甲虫数据集上以椭圆特征金字塔网络进行烟草甲虫识别检测。
将本方法与目前先进的检测算法在自建烟草甲虫数据集上的结果进行比较分析。通过标准化、缩放、剪裁等操作后将图片大小调整为1344×786，并且使用水平翻转和垂直翻转对数据进行增强，将提出的基于椭圆特征金字塔网络的烟草甲虫检测方法与FasterR-CNN(采用传统的FPN和使用神架构搜索得到的NasFPN作为特征提取网络)进行对比，在交并比(Intersection-over-Union,IoU)为0.5、0.6和0.7时本发明方法指标均达到了最高，实验结果如表1，其中E-FPN是提出的融入椭圆特征的金字塔网络。
为了验证本发明提出方法的泛化性能，将本发明所提出的方法应用于Cascade R-CNN框架下进行实验，同样是将本方法与采用FPN和NasFPN两种特征提取网络的Cascade R-CNN网络框架进行对比，实验结果如表2所示。
表1 FasterR-CNN框架实验结果对比
表2 Cascade R-CNN框架实验结果对比
根据表1和表2中的实验结果可知本发明提出的方法在Faster R-CNN和CascadeR-CNN两种框架下都取得了更好的结果，因此所提出的椭圆特征模块可以很好地提取到烟草甲虫的椭圆外观细节特征，并且通过融合更深层次的语义特征，使得更深层次的特征兼具语义信息细节信息，网络具有更好的特征表达能力，可以有效地提高烟草甲虫的检测精度，相比目前主流算法检测精度都有所提高，验证了本方法的有效性。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (1)

1.一种基于椭圆特征金字塔的烟草甲虫识别方法，其特征在于，包括如下步骤：
步骤1、搭建Faster R-CNN网络；
步骤2、搭建由Resnet50作为骨干网络的特征金字塔网络，作为Faster R-CNN的特征提取网络；
步骤3、结合椭圆表达式构建椭圆特征提取模块，并嵌入到由Resnet50作为骨干网络的特征金字塔网络中形成椭圆特征金字塔网络；
步骤4、在烟草甲虫数据集上以Faster R-CNN网络进行烟草甲虫识别检测；其中FasterR-CNN网络由特征提取网络、感兴趣区域提取网络以及包含分类和回归两个分支的检测头网络组成；
所述搭建由Resnet50作为骨干网络的特征金字塔网络的方法包括：
在骨干网络中，将具有相同尺寸特征图的一段网络设为一个块，每两个块之间都采用步长为2的降采样，每一个块所输出的特征图尺寸为前一个块的1/2，每个块由个数不同的残差块结构堆叠而成，将Resnet50第一到第四个残差块的最后一个卷积层的输出表示为{R1，R2，R3，R4}，特征图通道数分别为64、512、1024和2048，将改进的特征融合网络对应层输出表示为{F1，F2，F3，F4}，由Resnet50作为骨干网络的特征金字塔网络则融合F1、F2、F3和F4层的特征图；
步骤3所述的椭圆特征提取模块是基于烟草甲虫形状接近椭圆的事实，根据笛卡尔坐标系下的椭圆方程提取椭圆特征图E：
通过椭圆特征提取模块获得兼具高层语义信息和椭圆外观细节信息的特征图，具体方法为：
(1)将输入特征图R4经过两组卷积操作分别得到特征图x和y，两个特征图分别平方获得x2和y2；
(2)和/>是一维向量a＝[a1,a2]2并改变维度后得到的两个1×1×1参数，a是对输入特征图进行全局平均池化以及两次全连接后得到的向量，其计算公式为：
α＝fC{fC[GAP(R4)]} (2)
fC表示全连接操作，GAP(R4)表示对输入特征图R4进行全局平均池化；
(3)将x2、y2、和/>代入式(1)得到椭圆特征提取模块的椭圆特征图E；
(4)将椭圆特征图E与椭圆特征提取模块输入特征图R4进行通道连接获得特征图T，再经过一组卷积操作对特征图T进行降维，最终获得输出特征图Output。
CN202111130292.7A 2021-09-26 2021-09-26 一种基于椭圆特征金字塔的烟草甲虫识别方法 Active CN113808122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111130292.7A CN113808122B (zh) 2021-09-26 2021-09-26 一种基于椭圆特征金字塔的烟草甲虫识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111130292.7A CN113808122B (zh) 2021-09-26 2021-09-26 一种基于椭圆特征金字塔的烟草甲虫识别方法

Publications (2)

Publication Number Publication Date
CN113808122A CN113808122A (zh) 2021-12-17
CN113808122B true CN113808122B (zh) 2024-03-12

Family

ID=78938766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111130292.7A Active CN113808122B (zh) 2021-09-26 2021-09-26 一种基于椭圆特征金字塔的烟草甲虫识别方法

Country Status (1)

Country Link
CN (1) CN113808122B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919215A (zh) * 2019-02-27 2019-06-21 中国电子科技集团公司第二十八研究所 基于聚类算法改进特征金字塔网络的目标检测方法
CN111027547A (zh) * 2019-12-06 2020-04-17 南京大学 一种针对二维图像中的多尺度多形态目标的自动检测方法
CN113239825A (zh) * 2021-05-19 2021-08-10 四川中烟工业有限责任公司 一种复杂场景下高精度烟草甲虫检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3103938B1 (fr) * 2019-12-03 2021-11-12 Idemia Identity & Security France Procédé de détection d’au moins un élément d’intérêt visible dans une image d’entrée au moyen d’un réseau de neurones à convolution

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919215A (zh) * 2019-02-27 2019-06-21 中国电子科技集团公司第二十八研究所 基于聚类算法改进特征金字塔网络的目标检测方法
CN111027547A (zh) * 2019-12-06 2020-04-17 南京大学 一种针对二维图像中的多尺度多形态目标的自动检测方法
CN113239825A (zh) * 2021-05-19 2021-08-10 四川中烟工业有限责任公司 一种复杂场景下高精度烟草甲虫检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的储粮害虫检测算法的研究;沈驭风;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第10期);全文 *

Also Published As

Publication number Publication date
CN113808122A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
US11630972B2 (en) Assembly body change detection method, device and medium based on attention mechanism
US11488308B2 (en) Three-dimensional object detection method and system based on weighted channel features of a point cloud
CN107529650B (zh) 闭环检测方法、装置及计算机设备
CN110032942B (zh) 基于时域分段及特征差分的动作识别方法
CN110717527B (zh) 结合空洞空间金字塔结构的目标检测模型确定方法
CN110163842B (zh) 建筑裂缝检测方法、装置、计算机设备和存储介质
CN111160407B (zh) 一种深度学习目标检测方法及系统
CN106815859A (zh) 基于尺度自适应相关滤波和特征点匹配的目标跟踪算法
CN109583340A (zh) 一种基于深度学习的视频目标检测方法
EP3073443A1 (en) 3D Saliency map
CN114332133B (zh) 基于改进CE-Net的肺炎CT图像感染区分割方法及系统
CN108022244B (zh) 一种基于前景和背景种子用于显著目标检测的超图优化方法
CN112200056B (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN111079539A (zh) 一种基于异常追踪的视频异常行为检测方法
CN111062278A (zh) 基于改进残差网络的异常行为识别方法
CN109614933A (zh) 一种基于确定性拟合的运动分割方法
CN114140623A (zh) 一种图像特征点提取方法及系统
Kim et al. Deep blind image quality assessment by employing FR-IQA
KR101018299B1 (ko) 영상에서 복수의 물체를 감지하는 방법 및 장치
CN114419406A (zh) 图像变化检测方法、训练方法、装置和计算机设备
CN117152746A (zh) 一种基于yolov5网络的宫颈细胞分类参数获取方法
CN111553337A (zh) 一种基于改进锚框的高光谱多目标检测方法
CN113808122B (zh) 一种基于椭圆特征金字塔的烟草甲虫识别方法
CN106650629A (zh) 一种基于核稀疏表示的快速遥感目标检测识别方法
CN110826564A (zh) 一种复杂场景图像中的小目标语义分割方法及系统

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