CN115115887B - 基于TSD-Faster RCNN的农作物害虫检测方法及其网络 - Google Patents

基于TSD-Faster RCNN的农作物害虫检测方法及其网络 Download PDF

Info

Publication number
CN115115887B
CN115115887B CN202210812056.1A CN202210812056A CN115115887B CN 115115887 B CN115115887 B CN 115115887B CN 202210812056 A CN202210812056 A CN 202210812056A CN 115115887 B CN115115887 B CN 115115887B
Authority
CN
China
Prior art keywords
network
tsd
frames
anchor
loss
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
CN202210812056.1A
Other languages
English (en)
Other versions
CN115115887A (zh
Inventor
董俊
黄小文
姜铭坤
马凡
吴双
马冬
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202210812056.1A priority Critical patent/CN115115887B/zh
Publication of CN115115887A publication Critical patent/CN115115887A/zh
Application granted granted Critical
Publication of CN115115887B publication Critical patent/CN115115887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于TSD‑Faster RCNN的农作物害虫检测方法及其网络，方法包括以下步骤：S1：将农作物害虫检测图像输入到主干网络以生成图像的特征图；S2：将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R‑CNN中；S3：在区域提案网络RPN中，使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSD Loss计算回归损失，RPN返回粗糙的候选框至R‑CNN中；S4：使用R‑CNN将所有候选框修改为相同大小，候选框被传递到全连接层以对对象进行分类并预测边界框。本发明能够提升对于小目标害虫的检测精度，以满足对于害虫的智能防治的需求。

Description

基于TSD-Faster RCNN的农作物害虫检测方法及其网络
技术领域
本发明涉及农作物害虫检测技术领域，特别是涉及一种基于TSD-Faster RCNN的农作物害虫检测方法及其网络。
背景技术
众所周知，农业生产受到了农作物害虫侵蚀的极大制约，给全球农业经济带来了极大损失。因此，对于害虫的智能检测与信息化防治变得格外重要。而由于害虫数量繁多、外观相似难以辨别，害虫识别主要依靠于农业专家的丰富经验和专业知识，耗时耗力，难以满足全国范围内的大面积害虫检测、识别、预警和绿色生产的需要。随着智慧农业和精细农业的发展，做好农作物害虫的信息化防治必不可少。
传统上，识别害虫的种群信息，主要依靠于农技人员的经验鉴别，一方面，由于底层工作的繁重与辛苦，从事此行业的技术人员越来越少；另一方面，过度依赖人工经验，存在主观上的局限性和工作上的低效性，难以满足大范围内害虫高效智能检测的需要。
而随着深度学习的发展，逐渐被广泛应用于许多视觉任务，尤其是目标检测相关的视觉任务，它在许多工作上实现了最先进的性能。由于其优异的性能，大多数研究者更加重视深度学习，并将其引入到农作物害虫图像的识别与检测中，这使得对于农作物害虫检测的高效智能化成为可能。尽管如此，针对害虫的目标检测方法仍然面临不少难以忽略的挑战：
(1)可利用特征少：由于害虫的尺寸很小，在进行特征提取时，随着CNN层数的增加，往往会导致目标特征信息逐层减弱，难以提取到富有鉴别力的特征，并且在多层网络的背景下，还可能造成对于部分目标的漏检；
(2)定位精度要求高：由于害虫在图像中面积占比小，因此对于其边界框的定位难度比常规尺度目标的定位难度更大。此外，在基于锚框的检测器中，训练时匹配小目标的锚框数量远低于常规尺度的目标，这也在某种程度上导致了小目标害虫更加难以被检测出来；
(3)小目标聚集现象：首先由于害虫的习性，在捕捉装置下，极易聚集在一起，其次，聚集区域相邻的害虫经过多次卷积操作后，映射到后层的特征图上将聚合成一个点，导致检测模型无法进行有效区分。当同类小目标密集出现时，预测的边界框还可能会因后处理的非极大值抑制(Non-Maximum Suppression，NMS)将大量正确预测的边界框过滤，从而导致漏检情况。另外，聚集区域的小目标之间边界框距离过近，还将导致边界框难以回归，模型难以收敛。
因此亟需提供一种新型的基于TSD-Faster RCNN的农作物害虫检测方法及其网络来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种TSD-Faster RCNN的农作物害虫检测方法及其网络，能够提升对于小目标害虫的检测精度，以满足对于害虫的智能防治的需求。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于TSD-FasterRCNN的农作物害虫检测方法，包括以下步骤：
S1：将农作物害虫检测图像输入到主干网络以生成图像的特征图；
S2：将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R-CNN中，所述骨干网络采用主干网络与特征金字塔网络FPN相结合；
S3：在区域提案网络RPN中，使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSD Loss计算回归损失，RPN返回粗糙的候选框至R-CNN中；
S4：使用R-CNN将所有候选框修改为相同大小，候选框被传递到全连接层以对对象进行分类并预测边界框。
在本发明一个较佳实施例中，所述结构感知距离TSD衡量锚框之间的相似度：
其中，DChess(b，bgt)＝max(|x1-x2|，|y1-y2|)代指两个锚框中心点(x1，y1)和(x2，y2)的切比雪夫距离，S代指数据集所有标注框的平均面积。
在本发明一个较佳实施例中，所述分段结构感知损失函数TSD Loss为：
其中，DChess(b，bgt)＝max(|x1-x2|，|y1-y2D代指两个锚框中心点之间的切比雪夫距离，S指代数据集所有标注框的平均面积，r1和r2分别指代两个锚框外接圆的半径，此外，根据余弦定理：
Separated代表两个锚框相离，intersect代表两个锚框相交，contain代表两个锚框相互包含。
在本发明一个较佳实施例中，所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分，自顶向下连接采用最近邻上采样，水平连接将上采样结果与自下而上过程生成的特征图融合。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种基于TSD-Faster RCNN的农作物害虫检测网络，包括：
主干网络，用于提取农作物害虫检测图像的特征，生成输入图像的特征图；
骨干网络，用于对生成的特征图进行再处理，并输出至区域提案网络RPN和区域卷积神经网络R-CNN中；
区域提案网络，用于使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSD Loss计算回归损失，并返回粗糙的候选框至R-CNN中；
区域卷积神经网络，用于将所有候选框修改为相同大小的候选框，并传递到全连接层以对对象进行分类并预测边界框。
在本发明一个较佳实施例中，所述主干网络采用残差网络ResNet或mobileNet或VGG或darkNet或efficientNet。
在本发明一个较佳实施例中，所述骨干网络采用主干网络与特征金字塔网络FPN相结合。
进一步的，所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分，自顶向下连接采用最近邻上采样，水平连接将上采样结果与自下而上过程生成的特征图融合。
在本发明一个较佳实施例中，所述结构感知距离TSD衡量锚框之间的相似度：
其中，DChess(b，bgt)＝max(|x1-x2|，|y1-y2|)代指两个锚框中心点(x1，y1)和(x2，y2)的切比雪夫距离，S代指数据集所有标注框的平均面积。
在本发明一个较佳实施例中，所述分段结构感知损失函数TSD Loss为：
其中，DChess(b，bgt)＝max(|x1-x2|，|y1-y2|)代指两个锚框中心点之间的切比雪夫距离，S指代数据集所有标注框的平均面积，r1和r2分别指代两个锚框外接圆的半径，此外，根据余弦定理：
Separated代表两个锚框相离，intersect代表两个锚框相交，contain代表两个锚框相互包含。
本发明的有益效果是：
(1)本发明提供了一个智能的害虫检测框架，针对害虫目标小、易聚集的特征进行了优化与调整，可以对害虫进行自动智能检测与分类，提升了对于小目标害虫的检测精度，实现对于农作物虫害的智能防治，为智慧农业绿色农业的实现提供了可能；
(2)本发明还提出了两个适用于任何网络结构的检测方法，利用TSD更准确地衡量目标锚框间的相似度，TSD Loss更准确地减小误差，优化了训练过程，获得更加优越的检测成果。
附图说明
图1是本发明基于TSD-Faster RCNN的农作物害虫检测网络的结构示意图；
图2是所述TSD Loss的图形化描述示意图；
图3是所述基于TSD-Faster RCNN的农作物害虫检测方法的流程图；
图4是本发明所述方法与ground-truth、基于IoU的Faster R-CNN在Pest24数据集上的可视化对比实验图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1，本发明实施例包括：
一种基于TSD-Faster RCNN的农作物害虫检测网络，包括主干网络、骨干网络、区域提案网络、区域卷积神经网络。
所述主干网络，用于提取农作物害虫检测图像的特征，生成输入图像的特征图；所述主干网络可采用残差网络ResNet或mobileNet或VGG或darkNet或efficientNet等，本示例中，所述主干网络采用残差网络ResNet。
所述骨干网络，用于对生成的特征图进行再处理，并输出至区域提案网络RPN和区域卷积神经网络R-CNN中；所述骨干网络采用主干网络与特征金字塔网络FPN相结合，本示例中，所述骨干网络采用残差网络ResNet与特征金字塔网络FPN相结合，特征金字塔网络(FPN)是一种优异的多尺度检测方法，也是一种通用架构，可以与各种骨干网络结合使用。
在所述ResNet-FPN结构中，包含自底向上连接、自顶向下连接和水平连接三部分：
(1)自底向上：具体来说，根据特征图的大小，ResNet作为主干网络分为五个阶段：Stage2、Stage3、Stage4、Stage5。每个stage在其最后一层输出Conv2、Conv3、Conv4和Conv5，这些输出层定义为C2，C3，C4，C5，这是一个简单的特征提取过程。
(2)自顶向下：上采样从最高层开始，本示例中，上采样过程中使用了最近邻上采样。
(3)水平连接：上采样结果与自下而上过程生成的特征图融合，融合后的特征经过卷积核处理，消除上采样的混叠效应。
除此之外，将特征{P2，P3，P4，P5，P6}作为RPN(Region Proposal Network，区域提案网络)的输入，将特征{P2，P3，P4，P5}作为R-CNN(Region-CNN，区域卷积神经网络)的输入，这种结构可以融合各个层次的特征，使其同时具有深度语义信息和空间结构信息。
所述区域提案网络，用于使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSD Loss计算回归损失，并返回粗糙的候选框至R-CNN中。
本发明提出了一种新的度量尺度(Truncated Structural-Aware Distance，TSD)，来计算两个锚框之间的距离，即，衡量锚框之间的相似度：
其中，DChess(b，bgt)＝max(|x1-x2|，|y1-y2|)代指两个锚框中心点(x1，y1))和(x2，y2)的切比雪夫距离，S代指数据集所有标注框的平均面积。
所提出的TSD使用标准化切比雪夫距离来描述两个锚框的距离，取值范围是(-∞，1]，当两个锚框中心点互相重合时，TSD取得最大值1；当两个中心点逐渐远离时，TSD值也越来越趋近于-∞。TSD将关注点放在了两个中心点的标准化切比雪夫距离上，它在一定程度上表示了两个中心点之间的距离与平均边长的比值，这种度量方法更适合总尺寸小于32像素的小目标物体。
结合上述TSD衡量尺度，本发明还提出了一个新的回归损失函数：分段结构感知损失函数(Truncated Structural Aware Distance Loss，TSD loss)，它的定义为：
其中，Dchess(b，bgt)＝max(x1-x2|，|y1-y2|)代指两个锚框中心点之间的切比雪夫距离，S指代数据集所有标注框的平均面积，r1和r2分别指代两个锚框外接圆的半径，此外，根据余弦定理：
TSD Loss的图形化描述如图2所示。
如图2(a)，Separated代表两个锚框相离，两个中心点之间的距离在回归损失的计算中起着重要作用。距离越短，两个边界框的区别就越小。如图2(b)，intersect代表两个锚框相交，余弦相似度用于描述两个边界框之间的重合度。θ越小，两个边界框的重合度就越高。如图2(c)，contain代表两个锚框相互包含，r1和r2的区别可以被视为两个锚框的拟合程度。
将X指代为每段函数的自变量，上式可以写作另一种形式：
对X求偏导有：
可知，当两个锚框相交或相互包含时，到x的梯度会很小，它们的取值范围是[-1，1]和(0，1]，当两个锚框相离时，到x的梯度上限为1，也不会大到破坏网络参数。
害虫目标的位置偏差需要更准确的损失计算。因此，根据不同的结构关系，使用所述TSD Loss计算回归损失更适合小物体。
所述区域卷积神经网络，用于使用RolAlign层将所有候选框修改为相同大小的候选框，并传递到全连接层以对对象进行分类并预测边界框，如图1所示，cls_pred表示分类结果，bbox_pred表示回归结果。
参阅图3，本发明示例中还提供了一种基于TSD-Faster RCNN的农作物害虫检测方法，包括以下步骤：
S1：将农作物害虫检测图像输入到主干网络以生成图像的特征图，所述主干网络采用残差网络ResNet；
S2：将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R-CNN中，所述骨干网络采用残差网络ResNet与特征金字塔网络FPN相结合；
S3：在区域提案网络RPN中，使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSD Loss计算回归损失，RPN返回粗糙的候选框至R-CNN中；
S4：使用R-CNN将所有候选框修改为相同大小，候选框被传递到全连接层以对对象进行分类并预测边界框。
进一步的，所述结构感知距离TSD衡量锚框之间的相似度：
其中，DChess(b，bgt)＝max(|x1-x2|，|y1-y2|)代指两个锚框中心点(x1，y1)和(x2，y2)的切比雪夫距离，S代指数据集所有标注框的平均面积。
进一步的，所述分段结构感知损失函数TSD Loss为：
其中，DChess(b，bgt)＝max(|x1-x2|，|y1-y2)代指两个锚框中心点之间的切比雪夫距离，S指代数据集所有标注框的平均面积，r1和r2分别指代两个锚框外接圆的半径，此外，根据余弦定理：
Separated代表两个锚框相离，intersect代表两个锚框相交，contain代表两个锚框相互包含。
进一步的，所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分，自顶向下连接采用最近邻上采样，水平连接将上采样结果与自下而上过程生成的特征图融合。
为了验证本发明所述方法在Pest Detection上的有效性，选择了五个基线检测器分别检测Pest24数据集，实验结果见表1。可以看出，目前最先进的检测器都没有取得很高的mAP，这表明它们在小物体检测上表现不佳。此外，本发明提出的基于TSD和TSD Loss的Faster R-CNN比用于检测微小物体的SSD、RetinaNet、YOLO、Faster R-CNN和DotD取得了更好的结果。
表一：不同检测器检测在Pest24数据集上检测结果
为了直观地观察结果，本发明还在Pest24数据集上可视化了基于IoU的Faster R-CNN(第二行)和基于TSD的Faster R-CNN(第三行)的检测结果，如图4所示。
其中，物体密度逐列递减(第一列为分布最密集的害虫图像，第四列为分布最稀疏的害虫图像)。与ground-truth(第一行)相比，可视化显示基于IoU的检测器存在漏检，(尤其是在密集的害虫图像中，如图4中的第一列所示)。同时还可以观察到，与基于IoU的方法相比，基于TSD的方法可以显着提高真阳性(TP)。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于TSD-Faster RCNN的农作物害虫检测方法，其特征在于，包括以下步骤：
S1：将农作物害虫检测图像输入到主干网络以生成图像的特征图；
S2：将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R-CNN中，所述骨干网络采用主干网络与特征金字塔网络FPN相结合；
S3：在区域提案网络RPN中，使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSD Loss计算回归损失，RPN返回粗糙的候选框至R-CNN中；
所述结构感知距离TSD衡量锚框之间的相似度：
其中，Dchess(b，bgt)＝max(|x1-x2|，|y1-y2|)代指两个锚框中心点(x1，y1)和(x2，y2)的切比雪夫距离，S代指数据集所有标注框的平均面积；
所述分段结构感知损失函数TSD Loss为：
其中，Dchess(b，bgt)＝max(|x1-x2|，|y1-y2)代指两个锚框中心点之间的切比雪夫距离，S指代数据集所有标注框的平均面积，r1和r2分别指代两个锚框外接圆的半径，此外，根据余弦定理：
Separated代表两个锚框相离，intersect代表两个锚框相交，contain代表两个锚框相互包含；
S4：使用R-CNN将所有候选框修改为相同大小，候选框被传递到全连接层以对对象进行分类并预测边界框。
2.根据权利要求1所述的基于TSD-Faster RCNN的农作物害虫检测方法，其特征在于，所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分，自顶向下连接采用最近邻上采样，水平连接将上采样结果与自下而上过程生成的特征图融合。
3.一种基于TSD-Faster RCNN的农作物害虫检测网络，其特征在于，包括：
主干网络，用于提取农作物害虫检测图像的特征，生成输入图像的特征图；
骨干网络，用于对生成的特征图进行再处理，并输出至区域提案网络RPN和区域卷积神经网络R-CNN中；
区域提案网络，用于使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSD Loss计算回归损失，并返回粗糙的候选框至R-CNN中；所述结构感知距离TSD衡量锚框之间的相似度：
其中，Dchess(b，bgt)＝max(|x1-x2|，|y1-y2|)代指两个锚框中心点(x1，y1)和(x2，y2)的切比雪夫距离，S代指数据集所有标注框的平均面积；
所述分段结构感知损失函数TSD Loss为：
其中，Dchess(b，bgt)＝max(|x1-x2|，|y1-y2)代指两个锚框中心点之间的切比雪夫距离，S指代数据集所有标注框的平均面积，r1和r2分别指代两个锚框外接圆的半径，此外，根据余弦定理：
Separated代表两个锚框相离，intersect代表两个锚框相交，contain代表两个锚框相互包含；
区域卷积神经网络，用于将所有候选框修改为相同大小的候选框，并传递到全连接层以对对象进行分类并预测边界框。
4.根据权利要求3所述的基于TSD-Faster RCNN的农作物害虫检测网络，其特征在于，所述主干网络采用残差网络ResNet或mobileNet或VGG或darkNet或efficientNet。
5.根据权利要求3所述的基于TSD-Faster RCNN的农作物害虫检测网络，其特征在于，所述骨干网络采用主干网络与特征金字塔网络FPN相结合。
6.根据权利要求3或5所述的基于TSD-Faster RCNN的农作物害虫检测网络，其特征在于，所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分，自顶向下连接采用最近邻上采样，水平连接将上采样结果与自下而上过程生成的特征图融合。
CN202210812056.1A 2022-07-07 2022-07-07 基于TSD-Faster RCNN的农作物害虫检测方法及其网络 Active CN115115887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210812056.1A CN115115887B (zh) 2022-07-07 2022-07-07 基于TSD-Faster RCNN的农作物害虫检测方法及其网络

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210812056.1A CN115115887B (zh) 2022-07-07 2022-07-07 基于TSD-Faster RCNN的农作物害虫检测方法及其网络

Publications (2)

Publication Number Publication Date
CN115115887A CN115115887A (zh) 2022-09-27
CN115115887B true CN115115887B (zh) 2023-09-12

Family

ID=83333128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210812056.1A Active CN115115887B (zh) 2022-07-07 2022-07-07 基于TSD-Faster RCNN的农作物害虫检测方法及其网络

Country Status (1)

Country Link
CN (1) CN115115887B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018100321A4 (en) * 2018-03-15 2018-04-26 Chen, Jinghan Mr Person ReID method based on metric learning with hard mining
CN110211097A (zh) * 2019-05-14 2019-09-06 河海大学 一种基于Faster R-CNN参数迁移的裂缝图像检测方法
CN110909800A (zh) * 2019-11-26 2020-03-24 浙江理工大学 一种基于Faster R-CNN改进算法的车辆检测方法
CN111476238A (zh) * 2020-04-29 2020-07-31 中国科学院合肥物质科学研究院 一种基于区域尺度感知技术的害虫图像检测方法
CN111553414A (zh) * 2020-04-27 2020-08-18 东华大学 一种基于改进Faster R-CNN的车内遗失物体检测方法
CN112200161A (zh) * 2020-12-03 2021-01-08 北京电信易通信息技术股份有限公司 一种基于混合注意力机制的人脸识别检测方法
CN112287827A (zh) * 2020-10-29 2021-01-29 南通中铁华宇电气有限公司 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统
CN112418212A (zh) * 2020-08-28 2021-02-26 西安电子科技大学 一种基于EIoU改进的YOLOv3算法
CN113033303A (zh) * 2021-02-09 2021-06-25 北京工业大学 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法
CN113869371A (zh) * 2021-09-03 2021-12-31 深延科技(北京)有限公司 模型训练方法、服装细粒度分割方法及相关装置
CN114220035A (zh) * 2021-12-23 2022-03-22 中科合肥智慧农业协同创新研究院 一种基于改进yolo v4的快速害虫检测方法
CN114463718A (zh) * 2022-01-05 2022-05-10 西安电子科技大学 一种改进损失函数的YOLOv4目标检测算法
CN114565048A (zh) * 2022-03-02 2022-05-31 安徽大学 基于自适应特征融合金字塔网络的三阶段害虫图像识别方法
CN114693616A (zh) * 2022-03-17 2022-07-01 黑龙江八一农垦大学 一种基于改进目标检测模型与卷积神经网络的水稻病害检测方法、设备和介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018100321A4 (en) * 2018-03-15 2018-04-26 Chen, Jinghan Mr Person ReID method based on metric learning with hard mining
CN110211097A (zh) * 2019-05-14 2019-09-06 河海大学 一种基于Faster R-CNN参数迁移的裂缝图像检测方法
CN110909800A (zh) * 2019-11-26 2020-03-24 浙江理工大学 一种基于Faster R-CNN改进算法的车辆检测方法
CN111553414A (zh) * 2020-04-27 2020-08-18 东华大学 一种基于改进Faster R-CNN的车内遗失物体检测方法
CN111476238A (zh) * 2020-04-29 2020-07-31 中国科学院合肥物质科学研究院 一种基于区域尺度感知技术的害虫图像检测方法
CN112418212A (zh) * 2020-08-28 2021-02-26 西安电子科技大学 一种基于EIoU改进的YOLOv3算法
CN112287827A (zh) * 2020-10-29 2021-01-29 南通中铁华宇电气有限公司 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统
CN112200161A (zh) * 2020-12-03 2021-01-08 北京电信易通信息技术股份有限公司 一种基于混合注意力机制的人脸识别检测方法
CN113033303A (zh) * 2021-02-09 2021-06-25 北京工业大学 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法
CN113869371A (zh) * 2021-09-03 2021-12-31 深延科技(北京)有限公司 模型训练方法、服装细粒度分割方法及相关装置
CN114220035A (zh) * 2021-12-23 2022-03-22 中科合肥智慧农业协同创新研究院 一种基于改进yolo v4的快速害虫检测方法
CN114463718A (zh) * 2022-01-05 2022-05-10 西安电子科技大学 一种改进损失函数的YOLOv4目标检测算法
CN114565048A (zh) * 2022-03-02 2022-05-31 安徽大学 基于自适应特征融合金字塔网络的三阶段害虫图像识别方法
CN114693616A (zh) * 2022-03-17 2022-07-01 黑龙江八一农垦大学 一种基于改进目标检测模型与卷积神经网络的水稻病害检测方法、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于CGAN和YOLOv3的雾雨图像复原及目标检测算法研究;方超;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2021年卷(第2期);I138-1489 *

Also Published As

Publication number Publication date
CN115115887A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN110084292B (zh) 基于DenseNet和多尺度特征融合的目标检测方法
US11830246B2 (en) Systems and methods for extracting and vectorizing features of satellite imagery
CN110533084B (zh) 一种基于自注意力机制的多尺度目标检测方法
CN110264468B (zh) 点云数据标注、分割模型确定、目标检测方法及相关设备
CN108830285B (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
Li et al. DeepMitosis: Mitosis detection via deep detection, verification and segmentation networks
WO2017190574A1 (zh) 一种基于聚合通道特征的快速行人检测方法
Li et al. An overlapping-free leaf segmentation method for plant point clouds
Liu et al. Automatic segmentation of overlapped poplar seedling leaves combining Mask R-CNN and DBSCAN
Zhang et al. An image-level weakly supervised segmentation method for No-service rail surface defect with size prior
CN113076871A (zh) 一种基于目标遮挡补偿的鱼群自动检测方法
Ji et al. Target recognition method of green pepper harvesting robot based on manifold ranking
CN109035300B (zh) 一种基于深度特征与平均峰值相关能量的目标跟踪方法
Sun et al. Detection of tomato organs based on convolutional neural network under the overlap and occlusion backgrounds
CN114821102A (zh) 密集柑橘数量检测方法、设备、存储介质及装置
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
CN114663380A (zh) 一种铝材表面缺陷检测方法、存储介质及计算机系统
CN114462469B (zh) 目标检测模型的训练方法、目标检测方法及相关装置
Wu et al. A method for identifying grape stems using keypoints
Shuai et al. An improved YOLOv5-based method for multi-species tea shoot detection and picking point location in complex backgrounds
CN110288577A (zh) 一种3d实现多器官病灶整合的控制方法及控制装置
Sun et al. Fast location and recognition of green apple based on RGB-D image
Quispe et al. Automatic building change detection on aerial images using convolutional neural networks and handcrafted features
CN117593420A (zh) 基于图像处理的平面图纸标注方法、装置、介质及设备
CN115115887B (zh) 基于TSD-Faster RCNN的农作物害虫检测方法及其网络

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