CN118155073A - 一种基于YOLOv8改进的烟草植株识别计数方法 - Google Patents
一种基于YOLOv8改进的烟草植株识别计数方法 Download PDFInfo
- Publication number
- CN118155073A CN118155073A CN202410325097.7A CN202410325097A CN118155073A CN 118155073 A CN118155073 A CN 118155073A CN 202410325097 A CN202410325097 A CN 202410325097A CN 118155073 A CN118155073 A CN 118155073A
- Authority
- CN
- China
- Prior art keywords
- model
- yolov
- tobacco
- aerial vehicle
- unmanned aerial
- 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
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 69
- 244000061176 Nicotiana tabacum Species 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 241000208125 Nicotiana Species 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 12
- 241000196324 Embryophyta Species 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 239000012855 volatile organic compound Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Processing (AREA)
Abstract
本申请公开了一种基于YOLOv8改进的烟草植株识别计数方法,包括:通过无人机对烟田上空垂直航拍的方式进行数据采集并完成数据集的构建;对YOLOv8模型进行改进以提高模型目标检测的精度;利用数据集对改进后的YOLOv8模型进行训练,对训练后的模型进行评估、调整和优化,保留训练后最优权重模型并验证;利用优化后的YOLOv8模型搭建Deep‑Sort模型用于对检测后的烟草植株进行跟踪,并将模型部署到JetsonTX2平台并固定在无人机设备上;利用所述无人机设备对烟田区域进行实时航拍检测,获得检测结果,并基于检测结果生成植株棵数信息。提高了烟草植株识别计数的准确率,有助于烟田的智能化管理。
Description
技术领域
本申请涉及图像识别技术领域,具体涉及一种基于YOLOv8改进的烟草植株识别计数方法。
背景技术
在农业信息化和智能化的背景下,烟草植株的精确识别与计数对于实现烟草种植的高效管理和决策至关重要。传统的人工计数方法不仅效率低下,且易受到人为因素的影响,导致计数的准确性无法得到保障。随着计算机视觉和深度学习技术的飞速发展,基于深度学习的目标检测算法在物体识别和计数方面展现出巨大的潜力。
YOLOv8作为一种先进的实时目标检测算法,以其高效的检测速度和较高的准确率在多个领域得到广泛应用。然而,烟草植株在生长过程中会经历形态和颜色的变化,同时烟田环境复杂多变,如光照条件、背景干扰等因素都可能对识别计数造成干扰。此外,烟草植株之间的遮挡和重叠问题也增加了识别和计数的难度。
因此,针对烟草植株的特点和烟田环境的复杂性,如何提高烟草植株识别计数的准确率是本领域亟待解决的技术问题。
发明内容
本申请为了解决上述技术问题,提出了如下技术方案:
第一方面,本申请实施例提供了一种基于YOLOv8改进的烟草植株识别计数方法,包括:
通过无人机对烟田上空垂直航拍的方式进行数据采集并完成数据集的构建;
对YOLOv8模型进行改进以提高模型目标检测的精度;
利用数据集对改进后的YOLOv8模型进行训练,对训练后的模型进行评估、调整和优化,保留训练后最优权重模型并验证;
利用优化后的YOLOv8模型搭建Deep-Sort模型用于对检测后的烟草植株进行跟踪,并将模型部署到JetsonTX2平台并固定在无人机设备上;
利用所述无人机设备对烟田区域进行实时航拍检测,获得检测结果,并基于检测结果生成植株棵数信息。
在一种可能的实现方式中,所述通过无人机对烟田上空垂直航拍的方式进行数据采集并完成数据集的构建,包括:
收集不同高度、不同地区、不同背景和不同生长时期的大量烟草植株图像数据;
对采集到的数据进行预处理,通过在线数据增强和离线数据增强方式进行扩充,分类标注制作成数据集,并进一步划分为训练集、验证集和测试集;
使用Labelme标注工具对采集到的图像进行标注,并保存为YOLO目标检测算法可以识别的VOC格式文件;
按照7∶2∶1的比例划分以上图片,分别制作训练集、验证集以及测试集。
在一种可能的实现方式中,所述对YOLOv8模型进行改进以提高模型目标检测的精度,包括:
在Backbone部分引入渐近特征金字塔网络,通过融合两个相邻的Low-Level特征,有助于跨非相邻Level的直接特征融合,从而防止特征信息在传输和交互过程中的丢失或退化;渐进地将High-Level特征纳入融合过程,避免非相邻Level之间的较大语义差距,从而提高目标检测的精度;通过相邻层之间的上采样或下采样,得到当前层中特征图大小的统一,然后使用更关注关键层的自适应特征空间融合;
使用SPPFCSPC替换YOLOv8池化层中的空间金字塔池化结构,综合SPPF模块与CSP模块,使模型能在保持感受野不变的情况下获得速度与精度的提升;
采用MPDIoU损失函数提高模型的性能,增强模型的拟合能力。
在一种可能的实现方式中,所述通过相邻层之间的上采样或下采样,得到当前层中特征图大小的统一,然后使用更关注关键层的自适应特征空间融合过程,如下式所示:
其中,、/>分别表示线性组合时的输入权重,满足/>,/>表示位于/>处的特征向量从第/>层到第/>层的转换值。
在一种可能的实现方式中,所述采用MPDIoU损失函数提高模型的性能,增强模型的拟合能力,包括:基于最小点距离的新型边界框相似度比较度量标准,直接最小化预测边界框与实际标注边界框之间的左上角和右下角点距离,具体计算公式如下:
式中A、B分别表示两个任意凸形,、/>分别表示输入图像的宽度、高度,/>、分别代表A的左上和右下点坐标,/>、/>分别代表B的左上和右下点坐标,/>、/>分别代表A、B的左上角之间的欧氏距离和右下角之间的欧氏距离的平方。
在一种可能的实现方式中,对模型进行评价所采用的评价指标包括:召回率Recall、精确率Precision、平均精确率mAP和F1得分F1score;
所述Recall表示模型检测出的烟草植株数目占实际上烟草植株数目的比例:
所述Precision表示模型检测出的烟草植株数目中正确的数目的占比:
所述mAP表示模型在置信度阈值为0.5下的平均精确率:
所述F1score表示精确率和召回率的调和平均值,用于综合考虑模型的准确性和完整性;
其中,TP表示被正确检测出的目标数,FN表示被错误检测出的目标数,FP表示未被检测出的目标数,AP_i表示第i个类别的平均精确率,n表示类别的总数目。
在一种可能的实现方式中,所述利用优化后的YOLOv8模型搭建Deep-Sort模型用于对检测后的烟草植株进行跟踪,并将模型部署到JetsonTX2平台并固定在无人机设备上,包括:
使用改进后的YOLOv8模型作为Deep-Sort模型的目标检测模块;
将Deep-Sort模型部署到Jetson TX2平台并固定在无人机设备上,实现无人机航拍视频中的实时计数。
在一种可能的实现方式中,所述利用所述无人机设备对烟田区域进行实时航拍检测,获得检测结果,并基于检测结果生成植株棵数信息,包括:
获取实时无人机航拍视频,根据实时视频截取得到实时监控图像;
利用Deep-Sort模型中改进的YOLOv8检测模型,对实时航拍图像进行检测,获得检测结果;
使用Deep-SORT模型对检测目标进行跟踪,对当前帧中的植株棵数进行输出,并通过循环遍历输出检测过程中烟草植株的总棵数。
在本申请实施例中,获取烟草生长周期内不同时期的无人机烟田视频数据,并通过在线数据增强、离线数据增强等方式进行扩充,分类标注制作成数据集,并进一步划分为训练集、验证集和测试集;在YOLOv8的Backbone部分改进为目标检测的渐近特征金字塔网络,通过融合两个相邻的Low-Level特征,防止特征信息在传输和交互过程中的丢失或退化,提高目标检测的精度;为提高模型在复杂背景下检测的鲁棒性,使用SPPFCSPC替换YOLOv8池化层中的空间金字塔池化结构,解决了重复特征提取的问题,节省计算成本;采用MPDIoU损失函数提高模型的性能,增强模型的拟合能力。搭建了Deep-Sort模型对检测后的烟草植株进行跟踪,并将模型部署到JetsonTX2平台并固定在无人机设备上,从而实现对无人机航拍视频中植株的实时计数;本实施例提供的技术方法可以提高烟草植株识别计数的准确率,实现计数模块的轻量化部署,有助于烟田的智能化管理。
附图说明
图1为本申请实施例提供的一种基于YOLOv8改进的烟草植株识别计数方法的流程示意图;
图2为本申请实施例提供的AFPN的结构示意图;
图3为本申请实施例提供的SPPFCSPC模块结构示意图;
图4为本申请实施例提供的改进的YOLOv8网络的模型结构示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
参见图1,本申请实施例中的基于YOLOv8改进的烟草植株识别计数方法包括:
S101,通过无人机对烟田上空垂直航拍的方式进行数据采集并完成数据集的构建。
本申请中通过无人机对烟田上空X米~Y米垂直航拍,收集不同高度,不同地区,不同背景,不同生长时期的大量烟草植株图像数据,并对采集到的数据进行预处理,通过在线数据增强、离线数据增强等方式进行扩充,分类标注制作成数据集,并进一步划分为训练集、验证集和测试集。使用Labelme标注工具对采集到的图像进行标注,并保存为Yolo目标检测算法可以识别的VOC格式文件。按照7∶2∶1的比例划分以上图片,分别制作训练集、验证集以及测试集。
S102,对YOLOv8模型进行改进以提高模型目标检测的精度。
本实施例中,对YOLOv8模型进行改进方法分为以下步骤:
S1021,在Backbone部分引入如图2所示的渐近特征金字塔网络(简称为AFPN),通过融合两个相邻的Low-Level特征,有助于跨非相邻Level的直接特征融合,从而防止特征信息在传输和交互过程中的丢失或退化。渐进地将High-Level特征纳入融合过程,可以避免非相邻Level之间的较大语义差距,从而提高目标检测的精度。
通过相邻层之间的上采样或下采样,得到当前层中特征图大小的统一,然后使用更关注关键层的自适应特征空间融合,如式1所示。
(1)
其中,、/>分别表示线性组合时的输入权重,满足/>,/>表示位于/>处的特征向量从第/>层到第/>层的转换值。
其次是跨层特征融合。由于特征融合已经包含了相邻的特征信息,因此在融合跨层特征时,特征之间的语言差距会减小。
S1022,为提高模型在复杂背景下检测的鲁棒性,使用如图3所示的SPPFCSPC模块替换YOLOv8池化层中的空间金字塔池化结构,大大提高了重复特征提取的问题,节省计算成本。综合SPPF模块与CSP模块,使模型能在保持感受野不变的情况下获得速度与精度的提升。
S1023,采用MPDIoU损失函数提高模型的性能,增强模型的拟合能力。
基于最小点距离的新型边界框相似度比较度量标准,直接最小化预测边界框与实际标注边界框之间的左上角和右下角点距离。包含了现有损失函数中考虑的所有相关因素,即重叠或非重叠区域、中心点距离、宽高偏差,同时简化计算过程,进一步提高模型的检测精度和速度。
具体计算公式如下:
(2)
(3)
(4)
式中A、B分别表示两个任意凸形,、/>分别表示输入图像的宽度、高度,/>、分别代表A的左上和右下点坐标,/>、/>分别代表B的左上和右下点坐标,/>、/>分别代表A、B的左上角之间的欧氏距离和右下角之间的欧氏距离的平方,改进后的YOLOv8模型参见图4。
S103,利用数据集对改进后的YOLOv8模型进行训练,对训练后的模型进行评估、调整和优化,保留训练后最优权重模型并验证。
本实施例中,对模型进行评价所采用的评价指标包括:召回率Recall、精确率Precision、平均精确率mAP和F1得分F1score。
具体地,所述Recall表示模型检测出的烟草植株数目占实际上烟草植株数目的比例:
所述Precision表示模型检测出的烟草植株数目中正确的数目的占比:
所述mAP表示模型在置信度阈值为0.5下的平均精确率:
所述F1score表示精确率和召回率的调和平均值,用于综合考虑模型的准确性和完整性;
其中,TP表示被正确检测出的目标数,FN表示被错误检测出的目标数,FP表示未被检测出的目标数,AP_i表示第i个类别的平均精确率,n表示类别的总数目。
S104,利用优化后的YOLOv8模型搭建Deep-Sort模型用于对检测后的烟草植株进行跟踪,并将模型部署到JetsonTX2平台并固定在无人机设备上。
具体地,本实施例中使用改进后的YOLOv8模型作为Deep-Sort模型的目标检测模块;将Deep-Sort模型部署到Jetson TX2平台并固定在无人机设备上,实现无人机航拍视频中的实时计数。
S105,利用所述无人机设备对烟田区域进行实时航拍检测,获得检测结果,并基于检测结果生成植株棵数信息。
获取实时无人机航拍视频,根据实时视频截取得到实时监控图像,利用Deep-Sort模型中改进的YOLOv8检测模型,对实时航拍图像进行检测,获得检测结果。使用Deep-SORT模型对检测目标进行跟踪,对当前帧中的植株棵数进行输出,并通过循环遍历输出检测过程中烟草植株的总棵数。
由上述实施例可知,本实施例提供了一种基于YOLOv8改进的烟草植株识别计数方法,获取烟草生长周期内不同时期的无人机烟田视频数据,并通过在线数据增强、离线数据增强等方式进行扩充,分类标注制作成数据集,并进一步划分为训练集、验证集和测试集;在YOLOv8的Backbone部分改进为目标检测的渐近特征金字塔网络,通过融合两个相邻的Low-Level特征,防止特征信息在传输和交互过程中的丢失或退化,提高目标检测的精度;为提高模型在复杂背景下检测的鲁棒性,使用SPPFCSPC替换YOLOv8池化层中的空间金字塔池化结构,解决了重复特征提取的问题,节省计算成本;采用MPDIoU损失函数提高模型的性能,增强模型的拟合能力。搭建了Deep-Sort模型对检测后的烟草植株进行跟踪,并将模型部署到JetsonTX2平台并固定在无人机设备上,从而实现对无人机航拍视频中植株的实时计数;本实施例提供的技术方法可以提高烟草植株识别计数的准确率,实现计数模块的轻量化部署,有助于烟田的智能化管理。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a, b, c, a-b,a-c, b-c,或a-b-c,其中a, b, c可以是单个,也可以是多个。
以上所述,仅为本申请的具体实施方式,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于YOLOv8改进的烟草植株识别计数方法,其特征在于,包括:
通过无人机对烟田上空垂直航拍的方式进行数据采集并完成数据集的构建;
对YOLOv8模型进行改进以提高模型目标检测的精度;
利用数据集对改进后的YOLOv8模型进行训练,对训练后的模型进行评估、调整和优化,保留训练后最优权重模型并验证;
利用优化后的YOLOv8模型搭建Deep-Sort模型用于对检测后的烟草植株进行跟踪,并将模型部署到JetsonTX2平台并固定在无人机设备上;
利用所述无人机设备对烟田区域进行实时航拍检测,获得检测结果,并基于检测结果生成植株棵数信息。
2.根据权利要求1所述的基于YOLOv8改进的烟草植株识别计数方法,其特征在于,所述通过无人机对烟田上空垂直航拍的方式进行数据采集并完成数据集的构建,包括:
收集不同高度、不同地区、不同背景和不同生长时期的大量烟草植株图像数据;
对采集到的数据进行预处理,通过在线数据增强和离线数据增强方式进行扩充,分类标注制作成数据集,并进一步划分为训练集、验证集和测试集;
使用Labelme标注工具对采集到的图像进行标注,并保存为YOLO目标检测算法可以识别的VOC格式文件;
按照7∶2∶1的比例划分以上图片,分别制作训练集、验证集以及测试集。
3.根据权利要求1所述的基于YOLOv8改进的烟草植株识别计数方法,其特征在于,所述对YOLOv8模型进行改进以提高模型目标检测的精度,包括:
在Backbone部分引入渐近特征金字塔网络,通过融合两个相邻的Low-Level特征,有助于跨非相邻Level的直接特征融合,从而防止特征信息在传输和交互过程中的丢失或退化;渐进地将High-Level特征纳入融合过程,避免非相邻Level之间的较大语义差距,从而提高目标检测的精度;通过相邻层之间的上采样或下采样,得到当前层中特征图大小的统一,然后使用更关注关键层的自适应特征空间融合;
使用SPPFCSPC替换YOLOv8池化层中的空间金字塔池化结构,综合SPPF模块与CSP模块,使模型能在保持感受野不变的情况下获得速度与精度的提升;
采用MPDIoU损失函数提高模型的性能,增强模型的拟合能力。
4.根据权利要求1所述的基于YOLOv8改进的烟草植株识别计数方法,其特征在于,所述通过相邻层之间的上采样或下采样,得到当前层中特征图大小的统一,然后使用更关注关键层的自适应特征空间融合过程,如下式所示:
其中,、/>分别表示线性组合时的输入权重,满足/>,/>表示位于/>处的特征向量从第/>层到第/>层的转换值。
5.根据权利要求3或4所述的基于YOLOv8改进的烟草植株识别计数方法,其特征在于,所述采用MPDIoU损失函数提高模型的性能,增强模型的拟合能力,包括:基于最小点距离的新型边界框相似度比较度量标准,直接最小化预测边界框与实际标注边界框之间的左上角和右下角点距离,具体计算公式如下:
式中A、B分别表示两个任意凸形,、/>分别表示输入图像的宽度、高度,/>、分别代表A的左上和右下点坐标,/>、/>分别代表B的左上和右下点坐标,/>、/>分别代表A、B的左上角之间的欧氏距离和右下角之间的欧氏距离的平方。
6.根据权利要求1所述的基于YOLOv8改进的烟草植株识别计数方法,其特征在于,对模型进行评价所采用的评价指标包括:召回率Recall、精确率Precision、平均精确率mAP和F1得分F1score;
所述Recall表示模型检测出的烟草植株数目占实际上烟草植株数目的比例:
所述Precision表示模型检测出的烟草植株数目中正确的数目的占比:
所述mAP表示模型在置信度阈值为0.5下的平均精确率:
所述F1score表示精确率和召回率的调和平均值,用于综合考虑模型的准确性和完整性;
其中,TP表示被正确检测出的目标数,FN表示被错误检测出的目标数,FP表示未被检测出的目标数,AP_i表示第i个类别的平均精确率,n表示类别的总数目。
7.根据权利要求1所述的基于YOLOv8改进的烟草植株识别计数方法,其特征在于,所述利用优化后的YOLOv8模型搭建Deep-Sort模型用于对检测后的烟草植株进行跟踪,并将模型部署到JetsonTX2平台并固定在无人机设备上,包括:
使用改进后的YOLOv8模型作为Deep-Sort模型的目标检测模块;
将Deep-Sort模型部署到Jetson TX2平台并固定在无人机设备上,实现无人机航拍视频中的实时计数。
8.根据权利要求1所述的基于YOLOv8改进的烟草植株识别计数方法,其特征在于,所述利用所述无人机设备对烟田区域进行实时航拍检测,获得检测结果,并基于检测结果生成植株棵数信息,包括:
获取实时无人机航拍视频,根据实时视频截取得到实时监控图像;
利用Deep-Sort模型中改进的YOLOv8检测模型,对实时航拍图像进行检测,获得检测结果;
使用Deep-SORT模型对检测目标进行跟踪,对当前帧中的植株棵数进行输出,并通过循环遍历输出检测过程中烟草植株的总棵数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410325097.7A CN118155073A (zh) | 2024-03-21 | 2024-03-21 | 一种基于YOLOv8改进的烟草植株识别计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410325097.7A CN118155073A (zh) | 2024-03-21 | 2024-03-21 | 一种基于YOLOv8改进的烟草植株识别计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118155073A true CN118155073A (zh) | 2024-06-07 |
Family
ID=91286490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410325097.7A Pending CN118155073A (zh) | 2024-03-21 | 2024-03-21 | 一种基于YOLOv8改进的烟草植株识别计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118155073A (zh) |
-
2024
- 2024-03-21 CN CN202410325097.7A patent/CN118155073A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10984532B2 (en) | Joint deep learning for land cover and land use classification | |
CN103679674B (zh) | 一种无人飞行器实时图像拼接方法及系统 | |
CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数系统及方法 | |
CN105354273A (zh) | 一种快速检索高速公路逃费车辆高相似度图像的方法 | |
CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN110688980B (zh) | 基于计算机视觉的人体姿态分类方法 | |
CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
CN113688709A (zh) | 一种安全帽佩戴智能检测方法、系统、终端及介质 | |
CN113688797A (zh) | 一种基于骨架提取的异常行为识别方法及系统 | |
CN114492634B (zh) | 一种细粒度装备图片分类识别方法及系统 | |
CN116863384A (zh) | 一种基于CNN-Transfomer的自监督视频分割方法和系统 | |
CN116310647A (zh) | 一种基于增量学习的劳保物品目标检测方法及系统 | |
CN117437382B (zh) | 一种数据中心部件的更新方法及系统 | |
Chandra et al. | Human cognition based framework for detecting roads from remote sensing images | |
Alashban et al. | Single convolutional neural network with three layers model for crowd density estimation | |
Dawod et al. | Assessing mangrove deforestation using pixel-based image: a machine learning approach | |
CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
CN116486238A (zh) | 联合点集表示与图分类的目标细粒度识别方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
US20220366242A1 (en) | Information processing apparatus, information processing method, and storage medium | |
CN118155073A (zh) | 一种基于YOLOv8改进的烟草植株识别计数方法 | |
CN116206201A (zh) | 一种监督目标检测识别方法、装置、设备及存储介质 | |
Alburshaid et al. | Developing date palm tree inventory from satellite remote sensed imagery using deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |