CN114548208A - 一种基于YOLOv5改进的植物种子实时分类检测方法 - Google Patents

一种基于YOLOv5改进的植物种子实时分类检测方法 Download PDF

Info

Publication number
CN114548208A
CN114548208A CN202111577988.4A CN202111577988A CN114548208A CN 114548208 A CN114548208 A CN 114548208A CN 202111577988 A CN202111577988 A CN 202111577988A CN 114548208 A CN114548208 A CN 114548208A
Authority
CN
China
Prior art keywords
yolov5
plant seed
plant seeds
plant
classification detection
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
CN202111577988.4A
Other languages
English (en)
Inventor
闫小玲
杨良海
严靖
祁哲晨
王瑞红
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.)
SHANGHAI CHENSHAN BOTANICAL GARDEN
Zhejiang Sci Tech University ZSTU
Original Assignee
SHANGHAI CHENSHAN BOTANICAL GARDEN
Zhejiang Sci Tech University ZSTU
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 SHANGHAI CHENSHAN BOTANICAL GARDEN, Zhejiang Sci Tech University ZSTU filed Critical SHANGHAI CHENSHAN BOTANICAL GARDEN
Priority to CN202111577988.4A priority Critical patent/CN114548208A/zh
Publication of CN114548208A publication Critical patent/CN114548208A/zh
Pending 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
    • 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
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

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

Abstract

本发明公开了一种基于YOLOv5改进的植物种子实时分类检测方法，所述方法包括以下步骤：获取植物种子的图像；对获取的植物种子图像进行标注划分建立数据集；根据数据集构建融合注意力机制的YOLOv5植物种子分类检测模型；根据植物种子分类检测模型进行植物种子实时检测分类；可在不降低入侵植物种子检测的速度的同时提高检测精度。

Description

一种基于YOLOv5改进的植物种子实时分类检测方法
技术领域
本发明涉及植物种子识别技术领域，尤其涉及一种基于YOLOv5改进的植物种子实时分类检测方法。
背景技术
外来物种入侵，指某种生物由原产地通过自然或者人为活动而被引入到一个新的生态环境，在新的生态环境中自行繁殖和扩散，最终对生态环境造成明显的影响，危害当地生物多样性。我国作为全球生物多样性最丰富的国家之一，随着全球货物贸易和人员往来的日益频繁，国际旅游和物流行业的快速发展，外来物种入侵我国的形式愈发严峻，截至2020年，我国已发现660多种外来入侵物种，每年因此都造成巨大的经济损失。
海关检验检疫是阻止外来物种入侵的第一道关口，是外来入侵物种防治管理中最关键的一环，2020年全年海关截获的6.95万次检疫性有害生物就达到了384种，截获外来物种1258种4270批。海关工作人员检测到不明物种时依法对其截留，然后送至相关检验检疫部门确定物种的详细信息。随着计算机视觉技术的快速发展，基于深度学习技术的物种检测方法得到广泛的应用。
YOLO算法经历了从v1版本到v5版本的发展，YOLOv5是Ultralytics公司2020年提出的基于PyTorch的深度学习模型。受益于PyTorch成熟的生态系统，环境支持更简单，模型部署更容易。相比于v4版本，YOLOv5权重文件更小，推理速度更快，并且在公开数据集中依旧可以取到很高的精度。但是在入侵植物种子数据集中，存在同一科属中种子外形上特征差异较小的问题，导致识别效果不够理想，无法满足对入侵植物种子的检测精度的要求。
发明内容
鉴于目前存在的YOLOv5识别效果不够理想，无法满足对入侵植物种子的检测精度的要求，本发明提供一种基于YOLOv5改进的植物种子实时分类检测方，能够在不降低入侵植物种子检测的速度的同时提高检测精度。
为达到上述目的，本发明的实施例采用如下技术方案：
一种基于YOLOv5改进的植物种子实时分类检测方法，所述方法包括以下步骤：
获取植物种子的图像；
对获取的植物种子图像进行标注划分建立数据集；
根据数据集构建融合注意力机制的YOLOv5植物种子分类检测模型；
根据植物种子分类检测模型进行植物种子实时检测分类。
依照本发明的一个方面，所述获取植物种子的图像具体包括：通过图像采集设备拍摄目标植物种子获得照片，所述照片中包含的是单物种植物种子或多物种混合的植物种子，各照片中包含的目标植物种子数量各异。
依照本发明的一个方面，所述对获取的植物种子图像进行标注划分建立数据集包括以下步骤：
通过随机垂直水平镜像翻转和随机亮度调整对获取的植物种子照片进行处理，将样本个数拓展至原来的数倍；
使用数据标注工具对数据集中的所有目标对象进行标注，生成YOLOv5网络模型所需要的txt格式标注数据；
将数据划分为训练集和测试集。
依照本发明的一个方面，所述根据数据集构建融合注意力机制的YOLOv5植物种子分类检测模型包括以下步骤：
基于数据集定义模型的输入部分；
构建YOLOv5神经网络模型部分并定义其包含ECA注意力模块；
构建基于FPN+PAN结构的特征融合部分；
选择损失函数定义模型的输出部分。
依照本发明的一个方面，所述基于数据集定义模型的输入部分包括：采用Mosaic数据增强，将四张图片随机缩放、排布的方式拼接成一张图片，锚定框部分根据数据集聚类出不同尺寸的先验框。
依照本发明的一个方面，所述构建YOLOv5神经网络模型部分并定义其包含ECA注意力模块包括：构建YOLOv5的神经网络模型部分，并定义其包含Focus模块、C3模块、Conv模块、SPP模块和ECA注意力模块。
依照本发明的一个方面，所述ECA注意力模块是基于SENet的改进网络，使用一维卷积替换掉SENet中的两个全连接层组成的瓶颈结构，提出不降维的局部跨信道交互策略和自适应选择卷积核大小。
依照本发明的一个方面，所述输出部分对模型输出结果进行预测，使用GIoU_Loss作为损失函数。
依照本发明的一个方面，所述损失函数GIoU Loss是根据任意两个目标框A和B，找到一个最小封闭框将A、B包含在内，计算C中未覆盖A和B的面积占C中总面积的比例，然后用A、B的IOU减去这个比例。
依照本发明的一个方面，所述根据植物种子分类检测模型进行植物种子实时检测分类具体可为：使用摄像头实时获取植物种子照片，将获取的植物种子照片输入植物种子分类检测模型进行分类。
本发明实施的优点：通过采用Mosaic数据增强，可增强对小目标的检测能力；在下采样的过程中不丢失信息，特征提取更加充分；进一步提升了算法的检测精度，优化了模型的收敛效果；借鉴了跨阶段局域网络CSPNet[17]的设计思路，增强特征提取能力并且能减少模型参数降低内存成本；有效解决卷积神经网络输入图像大小必须固定的问题，并且能避免对图像特征的重复提取以节省计算成本；提出了不降维的局部跨信道交互策略和自适应选择卷积核大小的方法，显著降低模型复杂度的同时保持性能；有效缓解入侵植物种子照片中种子堆叠识别效果不好的情况。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的一种基于YOLOv5改进的植物种子实时分类检测方法示意图；
图2为本发明实施例所述的植物种子图像示例图；
图3为本发明实施例所述的入侵植物种子数据集中每个类别目标数的统计图；
图4为本发明实施例所述的改进的YOLOv5s网络模型结构图；
图5为本发明实施例所述的改进的YOLOv5s网络模型中的单元结构图；
图6为本发明实施例所述的Focus模块切片示意图；
图7为本发明实施例所述的FPN+PAN结构图。
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。
如图1至图7所示，一种基于YOLOv5改进的植物种子实时分类检测方法，在本实施例中，所述方法在CentOS 7.9操作系统中工作，深度学习框架为1.7.1，CPU为Intel(R)Xeon(R)CPU E5-2690 v2@3.00GHz，显卡为Tesla K80(24GB)。
具体通过如下步骤实现：
步骤S1：获取植物种子的图像；
根据收集的12种外来入侵植物的种子进行图片拍摄，因为种子个体较小，使用微距镜头拍摄的照片既包括纯粹单物种照片也包括多物种混合在一起的照片，如图2所示为入侵植物种子的图像数据示例。
步骤S2：对获取的植物种子图像进行标注划分建立数据集；
12种外来入侵植物种子拍摄的照片通过随机垂直水平镜像翻转和随机亮度调整将样本个数拓展至原来的3倍共3000张图片。每张图中包含的目标物的数量也各异，数据集中共包含目标物体14682，12个物种目标分布如图3所示。
使用数据标注工具LabelImg对图片进行数据标注，生成YOLOv5网络模型所需要的txt格式标注数据。再按照4：1比例将数据划分为训练集和测试集。
步骤S3：根据数据集构建融合注意力机制的YOLOv5植物种子分类检测模型；
根据数据集构建的融合注意力机制的YOLOv5植物种子分类检测模型包括四部分：Input、Backbone、Neck、Output四个部分；如图4所示。
Input部分采用Mosaic数据增强，将四张图片随机缩放、排布的方式拼接成一张图片，以增强模型对小目标的检测能力。具体包括：锚定框部分YOLOv5根据COCO数据集聚类出了三种大小感受野下的九种不同尺寸的先验框。根据步骤S2获得的数据集，利用遗传算法加k-means重聚类anchors：[88,87,107,116,137,107]、[132,152,155,136,197,175]、[230,244,266,352,372,262]，训练阶段不断的通过先验框和真实框学习偏移参数和缩放比参数，预测阶段就可以通过这参数去微调先验框，最后在测试数据中得到一个较好的预测框。
如图5所示，Backbone部分包含Focus模块、C3模块、Conv模块、SPP模块和ECA注意力模块，用于图像特征的提取。
Focus模块的结构如图6所示，其主要功能是切片操作，如图5中4*4*3的图像切片后变成2*2*12的特征图，Focus模块使图片在下采样的过程中不丢失信息，使特征提取更加充分。
Conv模块是标准的卷积模块，结构图如图3所示，由卷积Conv2d+归一化BatchNorm2d+SiLU激活函数组成，在Conv模块中使用SiLU激活函数，进一步提升算法的检测精度，优化模型的收敛效果。SiLU是ReLU函数的改进版本，相比于ReLU更加平滑，其激活函数公式如下：
ReLU＝max(0，x)
Figure BDA0003425245150000051
SiLU＝x*Sigmoid(x)
如图5所示，C3模块是含有三个卷积模块的基于CSP(Cross Stage Partial)的残差块，由标准的Bottleneck残差模块加三个卷积模块组成。借鉴了跨阶段局域网络CSPNet的设计思路，增强特征提取能力并且能减少模型参数降低内存成本。
如图5所示，空间金字塔池化层SPP(Spatial Pyramid Pooling)模块，通过采用三个不同kernel_size的最大池化层(MaxPooling)实现不同感受野的特征输出，有效解决卷积神经网络输入图像大小必须固定的问题，并且能避免对图像特征的重复提取以节省计算成本。
通道注意力机制的代表模型SENet(Squeeze-and-Excitation Networks)是2017年ImageNet分类比赛的冠军模型，SENet提出的SE模块主要包括Squeeze和Excitation两个操作。首先对卷积得到的特征图进行Squeeze操作，得到通道级的全局特征，然后对全局特征进行Excitation操作，得到不同通道的权重及通道间的关系。
有效通道注意力网络ECANet(Efficient Channel Attention Networks)，是基于SENet的改进网络，使用一维卷积替换掉SENet中的两个全连接层组成的瓶颈结构，提出了不降维的局部跨信道交互策略和自适应选择卷积核大小的方法，显著降低模型复杂度的同时保持性能。
如图7所示，Neck部分采用FPN+PAN结构，FPN层自顶向下传递强语义特征，再通过两个PAN结构的自底向上的特征金字塔结构向上传递强定位特征，多次的特征融合实现对网络三个特征层充分提取。
Output对模型输出结果进行预测，使用GIoU_Loss作为Bounding box的损失函数，相比于IoU_Loss增加相交尺度的衡量，有效缓解入侵植物种子照片中种子堆叠识别效果不好的情况。
GIoU是根据任意两个目标框A和B，找到一个最小封闭框将A、B包含在内，计算C中未覆盖A和B的面积占C中总面积的比例，然后用A、B的IOU减去这个比例，计算公式如下：
Figure BDA0003425245150000061
Figure BDA0003425245150000062
表1为不同模型的参数对比以及实验对比结果。
Figure BDA0003425245150000063
表1
结果显示，三个模型中原始的YOLOv5s参数数量最少，在YOLOv5s基础上增加ECANet后，参数增加了189955，最终的准确率和召回率相比于原生的YOLOv5s在入侵植物种子数据集中也有较好的提升，F1Score提升了0.88％。但是增加SENet时，参数增加了324024，准确率和召回率稍微有所降低。增加ECANet改进后的模型在入侵植物种子数据集中有较好的表现。
步骤S4：根据植物种子分类检测模型进行植物种子实时检测分类。
所述根据植物种子分类检测模型进行植物种子实时检测分类具体可为：使用摄像头实时获取植物种子照片，将获取的植物种子照片输入植物种子分类检测模型进行分类。
本发明实施的优点：通过采用Mosaic数据增强，可增强对小目标的检测能力；在下采样的过程中不丢失信息，特征提取更加充分；进一步提升了算法的检测精度，优化了模型的收敛效果；借鉴了跨阶段局域网络CSPNet[17]的设计思路，增强特征提取能力并且能减少模型参数降低内存成本；有效解决卷积神经网络输入图像大小必须固定的问题，并且能避免对图像特征的重复提取以节省计算成本；提出了不降维的局部跨信道交互策略和自适应选择卷积核大小的方法，显著降低模型复杂度的同时保持性能；有效缓解入侵植物种子照片中种子堆叠识别效果不好的情况。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于YOLOv5改进的植物种子实时分类检测方法，其特征在于，所述方法包括以下步骤：
获取植物种子的图像；
对获取的植物种子图像进行标注划分建立数据集；
根据数据集构建融合注意力机制的YOLOv5植物种子分类检测模型；
根据植物种子分类检测模型进行植物种子实时检测分类。
2.根据权利要求1所述的基于YOLOv5改进的植物种子实时分类检测方法，其特征在于，所述获取植物种子的图像具体包括：通过图像采集设备拍摄目标植物种子获得照片，所述照片中包含的是单物种植物种子或多物种混合的植物种子，各照片中包含的目标植物种子数量各异。
3.根据权利要求1所述的基于YOLOv5改进的植物种子实时分类检测方法，其特征在于，所述对获取的植物种子图像进行标注划分建立数据集包括以下步骤：
通过随机垂直水平镜像翻转和随机亮度调整对获取的植物种子照片进行处理，将样本个数拓展至原来的数倍；
使用数据标注工具对数据集中的所有目标对象进行标注，生成YOLOv5网络模型所需要的txt格式标注数据；
将数据划分为训练集和测试集。
4.根据权利要求1至3中任一所述的基于YOLOv5改进的植物种子实时分类检测方法，其特征在于，所述根据数据集构建融合注意力机制的YOLOv5植物种子分类检测模型包括以下步骤：
基于数据集定义模型的输入部分；
构建YOLOv5神经网络模型部分并定义其包含ECA注意力模块；
构建基于FPN+PAN结构的特征融合部分；
选择损失函数定义模型的输出部分。
5.根据权利要求4所述的基于YOLO的植物种子实时分类检测方法，其特征在于，所述基于数据集定义模型的输入部分包括：采用Mosaic数据增强，将四张图片随机缩放、排布的方式拼接成一张图片，锚定框部分根据数据集聚类出不同尺寸的先验框。
6.根据权利要求4所述的基于YOLOv5改进的植物种子实时分类检测方法，其特征在于，所述构建YOLOv5神经网络模型部分并定义其包含ECA注意力模块包括：构建YOLOv5的神经网络模型部分，并定义其包含Focus模块、C3模块、Conv模块、SPP模块和ECA注意力模块。
7.根据权利要求6所述的基于YOLOv5改进的植物种子实时分类检测方法，其特征在于，所述ECA注意力模块是基于SENet的改进网络，使用一维卷积替换掉SENet中的两个全连接层组成的瓶颈结构，提出不降维的局部跨信道交互策略和自适应选择卷积核大小。
8.根据权利要求4所述的基于YOLOv5改进的植物种子实时分类检测方法，其特征在于，所述输出部分对模型输出结果进行预测，使用GIoU_Loss作为损失函数。
9.根据权利要求8所述的基于YOLOv5改进的植物种子实时分类检测方法，其特征在于，所述损失函数GIoU Loss是根据任意两个目标框A和B，找到一个最小封闭框将A、B包含在内，计算C中未覆盖A和B的面积占C中总面积的比例，然后用A、B的IOU减去这个比例。
10.根据权利要求1所述的基于YOLOv5改进的植物种子实时分类检测方法，其特征在于，所述根据植物种子分类检测模型进行植物种子实时检测分类具体可为：使用摄像头实时获取植物种子照片，将获取的植物种子照片输入植物种子分类检测模型进行分类。
CN202111577988.4A 2021-12-22 2021-12-22 一种基于YOLOv5改进的植物种子实时分类检测方法 Pending CN114548208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111577988.4A CN114548208A (zh) 2021-12-22 2021-12-22 一种基于YOLOv5改进的植物种子实时分类检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111577988.4A CN114548208A (zh) 2021-12-22 2021-12-22 一种基于YOLOv5改进的植物种子实时分类检测方法

Publications (1)

Publication Number Publication Date
CN114548208A true CN114548208A (zh) 2022-05-27

Family

ID=81669881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111577988.4A Pending CN114548208A (zh) 2021-12-22 2021-12-22 一种基于YOLOv5改进的植物种子实时分类检测方法

Country Status (1)

Country Link
CN (1) CN114548208A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082695A (zh) * 2022-05-31 2022-09-20 中国科学院沈阳自动化研究所 一种基于改进Yolov5的变电站绝缘子串建模及检测方法
CN115270943A (zh) * 2022-07-18 2022-11-01 青软创新科技集团股份有限公司 一种基于注意力机制的知识标签提取模型
CN117011607A (zh) * 2023-08-08 2023-11-07 安徽农业大学 一种基于注意力残差网络的水稻种子分类方法
CN117522950A (zh) * 2023-12-28 2024-02-06 江西农业大学 一种基于机器视觉的植物茎杆生长的几何参数测量方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082695A (zh) * 2022-05-31 2022-09-20 中国科学院沈阳自动化研究所 一种基于改进Yolov5的变电站绝缘子串建模及检测方法
CN115270943A (zh) * 2022-07-18 2022-11-01 青软创新科技集团股份有限公司 一种基于注意力机制的知识标签提取模型
CN115270943B (zh) * 2022-07-18 2023-06-30 青软创新科技集团股份有限公司 一种基于注意力机制的知识标签提取模型
CN117011607A (zh) * 2023-08-08 2023-11-07 安徽农业大学 一种基于注意力残差网络的水稻种子分类方法
CN117522950A (zh) * 2023-12-28 2024-02-06 江西农业大学 一种基于机器视觉的植物茎杆生长的几何参数测量方法
CN117522950B (zh) * 2023-12-28 2024-03-12 江西农业大学 一种基于机器视觉的植物茎杆生长的几何参数测量方法

Similar Documents

Publication Publication Date Title
CN114548208A (zh) 一种基于YOLOv5改进的植物种子实时分类检测方法
CN110188635A (zh) 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法
CN108764281A (zh) 一种基于半监督自步学习跨任务深度网络的图像分类方法
CN111767882A (zh) 一种基于改进yolo模型的多模态行人检测方法
CN108805070A (zh) 一种基于嵌入式终端的深度学习行人检测方法
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN113052006B (zh) 一种基于卷积神经网络的图像目标检测方法，系统及可读存储介质
CN109145964B (zh) 一种实现图像颜色聚类的方法和系统
CN113591795A (zh) 一种基于混合注意力特征金字塔结构的轻量化人脸检测方法和系统
CN112560675A (zh) Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
CN112396635A (zh) 一种基于多设备的复杂环境下多目标检测方法
CN107392254A (zh) 一种通过联合嵌入从像素中构造图像的语义分割方法
CN116052212A (zh) 一种基于双重自监督学习的半监督跨模态行人重识别方法
CN111368775A (zh) 一种基于局部上下文感知的复杂场景密集目标检测方法
CN113139896A (zh) 基于超分辨重建的目标检测系统及方法
CN114399734A (zh) 一种基于视觉信息的森林火灾预警方法
CN115661932A (zh) 一种垂钓行为检测方法
CN117036948A (zh) 一种基于注意力机制的致敏植物识别方法
CN116612347A (zh) 基于考场违规的深度学习模型训练方法
CN114155551A (zh) 基于YOLOv3改进的复杂环境下的行人检测方法及装置
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
CN117542082A (zh) 一种基于YOLOv7的行人检测方法
CN113313678A (zh) 一种基于多尺度特征融合的精子形态学自动分析方法
CN115631402B (zh) 一种适用于智慧养殖的ai算法服务平台构建方法
CN115512207A (zh) 一种基于多路特征融合及高阶损失感知采样的单阶段目标检测方法

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