CN114863279B - 一种基于RS-DCNet的花期检测方法 - Google Patents
一种基于RS-DCNet的花期检测方法 Download PDFInfo
- Publication number
- CN114863279B CN114863279B CN202210485150.0A CN202210485150A CN114863279B CN 114863279 B CN114863279 B CN 114863279B CN 202210485150 A CN202210485150 A CN 202210485150A CN 114863279 B CN114863279 B CN 114863279B
- Authority
- CN
- China
- Prior art keywords
- dcnet
- model
- data set
- training
- meta
- 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
Links
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012795 verification Methods 0.000 claims abstract description 19
- 230000001965 increasing effect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002776 aggregation Effects 0.000 claims description 21
- 238000004220 aggregation Methods 0.000 claims description 21
- 238000004821 distillation Methods 0.000 claims description 18
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- QYCUDRKEQFHGDK-UHFFFAOYSA-N spiro[1,3-oxazolidine-5,9'-fluorene]-2,4-dione Chemical compound O1C(=O)NC(=O)C21C1=CC=CC=C1C1=CC=CC=C12 QYCUDRKEQFHGDK-UHFFFAOYSA-N 0.000 claims 1
- 241000109329 Rosa xanthina Species 0.000 description 6
- 235000004789 Rosa xanthina Nutrition 0.000 description 6
- 241000220317 Rosa Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于RS‑DCNet的花期检测方法，包括以下步骤：步骤1、获取基类数据集和新类数据集；步骤2、对数据集中数据进行预处理、数据广增，并分为训练集、验证集等；步骤3、以DCNet模型为基础构建RS‑DCNet模型；步骤4、在元学习阶段和元微调阶段对RS‑DCNet模型分别训练，使RS‑DCNet的参数调节为最优配置参数；步骤5、利用RS‑DCNet模型识别花期图像。本发明在样本数量只有几张的情况下，依然能够保持较高的检测精度。
Description
技术领域
本发明涉及图像处理方法领域，具体是一种基于RS-DCNet的花期检测方法。
背景技术
玫瑰花对于农业和消费市场来说十分重要，因此玫瑰花的花期状态的识别十分重要。在消费市场上，普通人可以根据花期来对玫瑰花采取相应的培育措施。数据视觉算法可有效应用于特定农业领域，帮助农业劳动者科学生产，同时提高产品质量。得益于标记数据的发展，数据量越大，模型的性能越好，但这有两个缺点：标记数据集的过度依赖，并且这些标记的训练工具包往往需要大量的人力和物质资源；与此同时，新的类别数据在训练好的模型中检测精度很差。
虽然现在计算机视觉的检测识别模型发展速度很快，但其是建立在庞大的数据量的基础上达到的高精度，对于某些冷门的领域，相关的标注数据集往往很少，甚至没有。或者有相关的数据集，但数据集内容并不公开，其他科学工作者无法在其基础上添加数据，导致数据集样本数量少。对于玫瑰花的花期数据集，公共数据集数量稀少，从互联网或野外采集的样本数量非常少。在花期识别领域，目前还没有大量的花期数据集用于机器学习模型训练，使用传统的目标检测框架往往会导致模型准确度低、效率低、成本高的情况。
发明内容
本发明的目的是提供一种基于RS-DCNet的花期检测方法，以解决现有技术利用机器学习进行玫瑰花的花期检测识别时，受制于样本数量小的因素，存在模型准确度低、效率低、成本高的问题。
为了达到上述目的，本发明所采用的技术方案为：
一种基于RS-DCNet的花期检测方法，包括以下步骤：
步骤1、以腾讯在2020年提出的FSOD数据集作为模型的基类数据集，并以采集得到的花期图像数据作为新类数据集；
步骤2、对基类数据集、新类数据集分别进行预处理和数据增强，并将基类数据集、新类数据集分别分为训练集、测试集、验证集；
步骤3、以DCNet模型为基础构建RS-DCNet模型，其中：
所述DCNet模型包括特征提取器、密集关系蒸馏模块和上下文感知聚合模块，特征提取器的输出作为密集关系蒸馏模块的输入，密集关系蒸馏模块的输出作为上下文感知聚合模块的输入；在密集关系蒸馏模块、上下文感知聚合模块中加入残差连接模块，在上下文感知聚合模块中添加简化循环特征金字塔网络，由此得到RS-DCNet模型；
其中，所述残差连接模块将将查询图经过特征查询模块产生的查询特征图经过多层感知机变换维度后与密集关系蒸馏模块输出进行矩阵连接；
所述简化循环特征金字塔网络设于上下文感知聚合模块的注意力机制之前，简化循环特征金字塔网络以上下文感知聚合模块输出的RoIAglin的特征图的输出作为输入，由简化循环特征金字塔网络从密集关系蒸馏模块输出的RoIAglin的特征图循环多次融合不同分辨率的特征图后，再将多次得到的特征图融合后输出至上下文感知聚合模块的注意力机制；
步骤4、通过基类数据集中的训练集在元学习阶段对步骤3得到的RS-DCNet模型进行多次训练，并根据基类数据集中的验证集进行验证得到的验证结果，来调节RS-DCNet模型的配置参数，直至元学习阶段RS-DCNet模型的配置参数为最优配置参数；
然后通过新类数据集中的训练集、与新类数据集的数据量相当的基类数据集部分数据，在元微调阶段对元学习结束后的RS-DCNet模型进行多次训练，并根据新类数据集中的验证集进行验证得到的验证结果，进一步调节RS-DCNet模型的配置参数，直至元微调阶段RS-DCNet模型的配置参数为最优配置参数；
步骤5、以参数为最优配置参数的RS-DCNet模型作为最终模型，将待识别的花期图像数据输入至最终模型，由最终模型输出花期识别结果。
进一步的，步骤2中进行预处理时滤除数据集中损坏和重复的图片，并删除异常数据。
进一步的，步骤2中数据增强时采用马赛克数据广增方法，并以设定的概率进行随机翻转，从若干种尺度中随机挑选一种以对训练集中数据进行缩放，并对图片随机剪裁出一部分作为新的图片。
进一步的，步骤4中元微调阶段的训练轮次少于元学习阶段的训练轮次。
进一步的，步骤4中元学习阶段训练或者元微调阶段训练时，利用验证集计算分类误差和回归误差，然后根据误差结果调节RS-DCNet模型的配置参数，直至元学习阶段RS-DCNet模型的配置参数为最优配置参数。
进一步的，步骤5中还以测试集为输入对RS-DCNet模型进行测试，以对RS-DCNet模型的健壮性进行测试排除偶然因素影响。
与现有的技术相比，本发明的优点为：
本发明构建一种在样本数量少的情况，依然能够对玫瑰花的花期有较高的检测精度的检测模型，帮助玫瑰花种植户能够精准识别花期，从而采取相应的养护措施，避免因为花期类别识别错误导致玫瑰花的损失。因此提出了一种基于RS-DCNet的花期检测方法，即使在样本数量只有几张的情况下，依然能够保持较高的检测精度。
附图说明
图1是本发明方法流程框图。
图2是本发明方法提出的RS-DCNet框架结构图。
图3是本发明方法提出的循环金字塔结构图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明一种基于RS-DCNet的花期检测方法的流程图如图1所示，包括以下步骤：
(1)准备数据集：
以腾讯在2020年提出的FSOD数据集作为模型的基类数据集，同时从网上和实地采集需要检测识别的玫瑰花的花期图像数据作为模型的新类数据集。
本发明中，使用腾讯在2020年的CVPR会议中公开了一个专门用于少样本训练的训练集FSOD(https://github.com/fanq15/Few-Shot-Object-Detection-Dataset)。本发明将该FSOD数据集作为模型训练的基类数据集，并充当元微调阶段的支持图像集。玫瑰花的花期分为花苞、开花未授粉和开花已授粉。
(2)数据集处理：
对基类数据集、新类数据集分别进行预处理和数据增强，并将基类数据集、新类数据集分别分为训练集、测试集、验证集。
本发明使用python计算机语言编程来进行预处理，具体处理数据集中重复的图片和损坏的图片，并对标注信息进行检查是否有错误信息，将错误的信息进行删除处理。
本发明使用马赛克数据广增(随机裁剪四张图片，然后拼接成一张新图片作为新数据)，同时以设定的概率进行随机翻转，从若干种尺度中随机挑选一种以对训练集中数据进行缩放，并对图片随机剪裁出一部分作为新的图片。
本发明将基类数据集中的数据按7:2:1的比例将数据集划分成训练集、测试集和验证集，同样地，将新类数据集中的数据同样按7:2:1的比例将数据集划分成训练集、测试集和验证集。
(3)RS-DCNet模型的构建：
本发明以DCNet模型为基础构建RS-DCNet模型。
DCNet模型包括特征提取器、密集关系蒸馏模块和上下文感知聚合模块。本发明中，在DCNet模型中的密集关系蒸馏模块和上下文感知聚合模块添加残差连接模块(Residual connection)，并在上下文感知聚合模块中添加简化循环特征金字塔网络(SRPN模块)，RS-DCNet模型的网络结构图如图2所示。
增加残差连接模块，残差连接模块能够缓解梯度消失的情况。同时在上下文感知聚合模块中增加简化循环特征金字塔网络，简化循环特征金字塔网络能在不增加原始模型计算量的情况下，提高了小目标检测的性能。
在残差结构中，令查询图片经过特征提取器后的输出为Wq，密集关系蒸馏模块的输出为Wq,s。将Wq输入至多层感知机中，输出的维数与Wq,S保持一致，残差结构的计算方式如下：
Wq,S＝Wq,S+MLP(Wq)
在RS-DCNet中，多层感知机含有两层隐藏的线性层，第一层线性层的输出维度是输入维度的四倍，第二层线性层保持与密集关系蒸馏模块的输入维度一致以进行相加运算。将经过残差连接结构后的密集关系蒸馏模块的输出Wq,S作为输入，输入到区域选取网络中。
特征图经过密集关系蒸馏模块之后的区域选取网络后，会生成大小不一致的特征图，之后输入到上下文感知聚合模块的RoIAlign中，将大小不一致的特征图处理成4、8和12三种大小的分辨率特征图。本发明通过在RoIAlign层后添加简化循环特征金字塔网络，将两次特征金字塔网络的输出融合，以加快训练速度并提高性能。
Bi表示自底向上的第i层结构，Fi表示自顶向下的第i个函数映射。金字塔网络输出为一组特征图{fi|i＝1,…,S}，其中S是自底向上阶段的数量。在本发明中取S＝3。然后再将其连接到自下而上的骨干。
循环金字塔网络的输出计算定义为：
fi＝Fi(fi+1,xi),xi＝Bi(xi-1,fi)
为了让循环金字塔网络循环计算。本发明将它在空间中展开，循环金字塔网络结构如图3所示。第t次循环的计算公式为：
其中t＝1，…T,i＝1,…S。T表示为循环结构的次数，本发明中取T为2。最终将通过池化操作获得4，8和12三种大小的分辨率特征图，之后输入到RS-DCNet模型的上下文感知聚合模块的注意力机制中。xi表示自底向上第i层结构的输入，fi表示自顶向下第i层结构的输出。
(4)对RS-DCNet模型训练以得到最优化配置参数：
训练分为两个阶段，首先将基类数据集的训练集在元学习的训练阶段对RS-DCNet模型进行训练；再将新类数据集的训练集、与新类数量相当的基类部分数据在元微调阶段，对RS-DCNet模型进行训练，并根据训练结果和验证集对RS-DCNet模型的参数进行更新。
在元学习阶段，来自FSOD的基类数据集被输入到RS-DCNet模型中。在这一阶段，包括查询特征提取器和支持特征提取器的特征提取器被联合训练。同样，密集关系提取模块、上下文感知聚合模块和其他基本模型组件也将在本阶段中学习。元微调阶段，由于新类数据集的数据量较少，而基类数据集的数据量较多，为了平衡两个数据集之间的样本差异，本发明在FSOD基类数据集中选择了与新类数据集一致的样本。将新类数据集和选定的FSOD基类数据集输入模型进行训练。同样，在训练期间，RS-DCNet模型中的基本模块将不断学习和更新参数。为了避免过度拟合，元微调阶段的训练轮次少于元学习阶段的训练轮次。调整模型的超参数，并根据实际情况设置RS-DCNet模型的最优配置参数。
(5)将待识别的花期图像数据输入至最终模型：
以测试集为输入对模型进行测试，对模型的健壮性进行测试，排除偶然因素对模型的影响，并将其作为最终模型，由最终模型输出花期识别结果。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中工程技术人员对本发明的技术方案作出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。
Claims (6)
1.一种基于RS-DCNet的花期检测方法，其特征在于，包括以下步骤：
步骤1、以腾讯在2020年提出的FSOD数据集作为模型的基类数据集，并以采集得到的花期图像数据作为新类数据集；
步骤2、对基类数据集、新类数据集分别进行预处理和数据增强，并将基类数据集、新类数据集分别分为训练集、测试集、验证集；
步骤3、以DCNet模型为基础构建RS-DCNet模型，其中：
所述DCNet模型包括特征提取器、密集关系蒸馏模块和上下文感知聚合模块，特征提取器的输出作为密集关系蒸馏模块的输入，密集关系蒸馏模块的输出作为上下文感知聚合模块的输入；在密集关系蒸馏模块、上下文感知聚合模块中加入残差连接模块，在上下文感知聚合模块中添加简化循环特征金字塔网络，由此得到RS-DCNet模型；
其中，所述残差连接模块将查询图经过特征查询模块产生的查询特征图经过多层感知机变换维度后与密集关系蒸馏模块输出进行矩阵连接；
所述简化循环特征金字塔网络设于上下文感知聚合模块的注意力机制之前，简化循环特征金字塔网络以密集关系蒸馏模块中RoIAglin的特征图的输出作为输入，由简化循环特征金字塔网络从上下文感知聚合模块中的RoIAglin的特征图循环多次融合不同分辨率的特征图后，再将多次得到的特征图融合后输出至上下文感知聚合模块的注意力机制；
步骤4、通过基类数据集中的训练集在元学习阶段对步骤3得到的RS-DCNet模型进行多次训练，并根据基类数据集中的验证集进行验证得到的验证结果，来调节RS-DCNet模型的配置参数，直至元学习阶段RS-DCNet模型的配置参数为最优配置参数；
然后通过新类数据集中的训练集、与新类数据集的数据量相当的基类数据集部分数据，在元微调阶段对元学习结束后的RS-DCNet模型进行多次训练，并根据新类数据集中的验证集进行验证得到的验证结果，进一步调节RS-DCNet模型的配置参数，直至元微调阶段RS-DCNet模型的配置参数为最优配置参数；
步骤5、以参数为最优配置参数的RS-DCNet模型作为最终模型，将待识别的花期图像数据输入至最终模型，由最终模型输出花期识别结果。
2.根据权利要求1所述的一种基于RS-DCNet的花期检测方法，其特征在于，步骤2中进行预处理时滤除数据集中损坏和重复的图片，并删除异常数据。
3.根据权利要求1所述的一种基于RS-DCNet的花期检测方法，其特征在于，步骤2中数据增强时采用马赛克数据广增方法，并以设定的概率进行随机翻转，从若干种尺度中随机挑选一种以对训练集中数据进行缩放，并对图片随机剪裁出一部分作为新的图片。
4.根据权利要求1所述的一种基于RS-DCNet的花期检测方法，其特征在于，步骤4中元微调阶段的训练轮次少于元学习阶段的训练轮次。
5.根据权利要求1所述的一种基于RS-DCNet的花期检测方法，其特征在于，步骤4中元学习阶段训练或者元微调阶段训练时，利用验证集计算分类误差和回归误差，然后根据误差结果调节RS-DCNet模型的配置参数，直至元学习阶段RS-DCNet模型的配置参数为最优配置参数。
6.根据权利要求1所述的一种基于RS-DCNet的花期检测方法，其特征在于，步骤5中还以测试集为输入对RS-DCNet模型进行测试，以对RS-DCNet模型的健壮性进行测试排除偶然因素影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210485150.0A CN114863279B (zh) | 2022-05-06 | 2022-05-06 | 一种基于RS-DCNet的花期检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210485150.0A CN114863279B (zh) | 2022-05-06 | 2022-05-06 | 一种基于RS-DCNet的花期检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114863279A CN114863279A (zh) | 2022-08-05 |
| CN114863279B true CN114863279B (zh) | 2024-07-02 |
Family
ID=82634473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210485150.0A Active CN114863279B (zh) | 2022-05-06 | 2022-05-06 | 一种基于RS-DCNet的花期检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114863279B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
| CN111652326A (zh) * | 2020-06-30 | 2020-09-11 | 华南农业大学 | 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019040866A2 (en) * | 2017-08-25 | 2019-02-28 | The Board Of Trustees Of The University Of Illinois | APPARATUS AND METHOD FOR COLLECTING AGRICULTURAL DATA AND AGRICULTURAL OPERATIONS |
| EP4118418A1 (en) * | 2020-03-11 | 2023-01-18 | Viewnetic Ltd. | Systems and methods for monitoring plants in plant growing areas |
| US20230196560A1 (en) * | 2020-05-22 | 2023-06-22 | Signify Holding B.V. | Systems and methods for automatically grading cannabis plants and adjusting control parameters |
| CN116097277A (zh) * | 2020-09-09 | 2023-05-09 | 华为技术有限公司 | 使用渐进式知识蒸馏训练神经网络模型的方法和系统 |
| CN113326925B (zh) * | 2021-06-22 | 2023-11-28 | 华南农业大学 | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 |
| CN113838058B (zh) * | 2021-10-11 | 2024-03-19 | 重庆邮电大学 | 一种基于小样本分割的医学图像自动标注方法及系统 |
-
2022
- 2022-05-06 CN CN202210485150.0A patent/CN114863279B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
| CN111652326A (zh) * | 2020-06-30 | 2020-09-11 | 华南农业大学 | 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114863279A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
| CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
| CN110660052A (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法 | |
| CN112926405A (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
| CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
| CN109902609A (zh) | 一种基于YOLOv3的交通标志检测与识别方法 | |
| CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
| CN110287806A (zh) | 一种基于改进ssd网络的交通标志识别方法 | |
| CN112528934A (zh) | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 | |
| CN117152484B (zh) | 基于改进的YOLOv5s的小目标布匹瑕疵检测方法 | |
| CN116612335B (zh) | 一种基于对比学习的少样本细粒度图像分类方法 | |
| CN113221987A (zh) | 一种基于交叉注意力机制的小样本目标检测方法 | |
| Li et al. | Lightweight automatic identification and location detection model of farmland pests | |
| CN116109826A (zh) | 一种道路裂缝检测方法 | |
| CN115797808A (zh) | 一种无人机巡检缺陷图像的识别方法、系统、装置及介质 | |
| CN113327227B (zh) | 一种基于MobilenetV3的小麦头快速检测方法 | |
| CN110188662A (zh) | 一种水表数字的ai智能识别方法 | |
| CN114863279B (zh) | 一种基于RS-DCNet的花期检测方法 | |
| CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
| CN117079099A (zh) | 一种基于改进YOLOv8n的违规行为检测方法 | |
| CN114743023B (zh) | 一种基于RetinaNet模型的麦蜘蛛图像检测方法 | |
| CN113627522B (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 | |
| CN113780335B (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
| CN113609913B (zh) | 一种基于采样阈值区间加权的松材线虫病树检测方法 | |
| CN115471724A (zh) | 一种基于自适应归一化的细粒度鱼类疫病识别融合算法 |
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 | ||
| GR01 | Patent grant |