WO2020047738A1 - 多尺度特征融合网络结合定位模型的害虫自动计数方法 - Google Patents

多尺度特征融合网络结合定位模型的害虫自动计数方法 Download PDF

Info

Publication number
WO2020047738A1
WO2020047738A1 PCT/CN2018/103962 CN2018103962W WO2020047738A1 WO 2020047738 A1 WO2020047738 A1 WO 2020047738A1 CN 2018103962 W CN2018103962 W CN 2018103962W WO 2020047738 A1 WO2020047738 A1 WO 2020047738A1
Authority
WO
WIPO (PCT)
Prior art keywords
layer
scale
pests
similarity
feature map
Prior art date
Application number
PCT/CN2018/103962
Other languages
English (en)
French (fr)
Inventor
李�瑞
王儒敬
谢成军
张洁
陈天桥
陈红波
胡海瀛
吴晓伟
Original Assignee
安徽中科智能感知大数据产业技术研究院有限责任公司
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 安徽中科智能感知大数据产业技术研究院有限责任公司 filed Critical 安徽中科智能感知大数据产业技术研究院有限责任公司
Priority to CN201880024482.0A priority Critical patent/CN110770752A/zh
Priority to PCT/CN2018/103962 priority patent/WO2020047738A1/zh
Publication of WO2020047738A1 publication Critical patent/WO2020047738A1/zh

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted 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
    • G06V10/40—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
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Abstract

一种多尺度特征融合网络结合定位模型的害虫自动计数方法，其步骤包括：第一步、训练样本的建立：获取若干田间自然环境下害虫图像作为训练图像，且对图像中害虫进行标记，得到训练样本；第二步、构造害虫检测计数模型：构造定位模型和多尺度特征融合网络，利用定位模型提取训练样本的候选区域，再通过多尺度融合网络提取候选区域的特征后对其分类，并输出对应图中的坐标值；第三步、待计数图像的获取：获取田间拍摄的害虫图像，并进行预处理得到待计数图像；第四步、害虫个数的获得：将待计数图像输入害虫检测计数模型，得到图像中害虫个数。该方法能够精准地定位出害虫个数和具体位置，具有较高的鲁棒性与准确度。

Description

多尺度特征融合网络结合定位模型的害虫自动计数方法 技术领域
本发明涉及图像识别技术领域，具体涉及一种多尺度特征融合网络结合定位模型的害虫自动计数方法。
背景技术
小麦是我国主要的粮食作物之一，在小麦生产过程中，容易受到多种灾害，害虫是其中之一,它刺吸麦叶汁液、甚至干枯，严重影响小麦的产量。害虫种群数量的检测是害虫防治的重要手段，为害虫防治决策提供了理论依据。因此，田间害虫的识别与计数对于提高小麦产量至关重要。
随着计算机视觉技术和图像处理技术的快速发展，基于图像的害虫自动识别与计数技术在近年来已成为研究热点。虽然此方法省时省力、具有智能化等优点，但是其不能适用于田间害虫的识别与计数。原因在于：首先，害虫个体很小只有几毫米大小，针对这样的小目标利用传统的图像识别技术(SVM)很难检测到；其次，采集图像时，外界环境的光照不稳定、不均匀都会影响图像的质量；再者，在实际应用中，采集的图像常混有其他杂物，背景较复杂。
因此，如何在复杂的环境下实现害虫这类小目标的检测已经成为急需解决的技术问题。
发明内容
本发明的目的在于提供一种多尺度特征融合网络结合定位模型的害虫自动计数方法，解决现有技术针对小目标进行图像检测误差率高，缺乏在复杂的环境下实现对害虫这类小目标准确计数的缺陷。
所述的基于多尺度特征融合网络与定位模型相结合的害虫自动计数方法，包括以下步骤：
第一步、训练样本的建立：获取若干田间自然环境下害虫图像作为训练图像，且对图像中害虫进行标记，得到训练样本；
第二步、构造害虫检测计数模型：构造定位模型和多尺度特征融合网络，利用定位模型提取训练样本的候选区域，再通过多尺度融合网络提取候选区域的特征后对其分类，并输出对应图中的坐标值；
第三步、待计数图像的获取：获取田间拍摄的害虫图像，并进行预处理得到待计数图像；
第四步、害虫个数的获得：将待计数图像输入害虫检测计数模型，得到图像中害虫个数。
优选的，所述第二步具体包括下列步骤：
S2.1、构造定位模型，定位出害虫的候选区域；
S2.2、构造多尺度特征融合网络，对多尺度特征融合网络结构进行改造以提取害虫特征；
S2.3、训练多尺度特征融合网络，根据定位模型针对训练样本定位出来的候选区域作为特征进行训练，将其每层的输出结果作为预测结果。
优选的，所述步骤S2.1具体包括下列步骤：
S2.1.1、设定颜色空间转换模块：颜色空间转换模块用于将RGB颜色空间转换为YcbCr颜色空间，并分割为R＝{r 1,r 2,...r n}个分割区域；
S2.1.2、计算色彩信息相似度：使用L1范式归一化获取图像每个颜色通道的25个直方图，计算该色彩空间的相似度，其计算公式如下：
Figure PCTCN2018103962-appb-000001
其中，f color(r i,r j)表示分割区域r i与r j的色彩空间相似度，
Figure PCTCN2018103962-appb-000002
表示第i个通道、第k个直方图向量，i＝1,2,3，k＝0,1....,25，n表示直方图个数，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域；
Figure PCTCN2018103962-appb-000003
表示第j个通道、第k个直方图向量，j＝1,2,3，m表示m个直方图；
S2.1.3、计算边缘信息相似度，对每个颜色通道的8个不同方向计算方差σ＝1的高斯微分，每个通道每个颜色获取10个的直方图使用L1范式归一化，计算边缘信息相似度，其计算公式如下：
Figure PCTCN2018103962-appb-000004
其中，f edage(r i,r j)表示分割区域r i与r j的边缘信息相似度，
Figure PCTCN2018103962-appb-000005
表示第i个通道、第k个直方图向量，
Figure PCTCN2018103962-appb-000006
表示第j个通道、第k个直方图向量，其中i＝1,2,3，j＝1,2,3，k＝0,1....,10；n表示直方图个数，m表示m个直方图，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域；
S2.1.4、计算区域大小相似度，其计算公式如下：
Figure PCTCN2018103962-appb-000007
其中f area(r i,r j)表示表示分割区域r i与r j的区域大小相似度，area()表示区域面积；area(img)表示图片面积，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域，r j表示分割区域R＝{r 1,r 2,...r n}第j个区域；
S2.1.5、将色彩信息相似度、边缘信息相似度、区域大小相似度融合，其计算公式如下：
f(r i,r j)＝w 1f color(r i,r j)+w 2f edage(r i,r j)+w 3f area(r i,r j)，
其中，f(r i,r j)表示分割区域r i与r j融合后的相似度，w 1、w 2、w 3分别表示信息相似度、边缘信息相似度、区域大小相似度的权值，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域，r j表示分割区域R＝{r 1,r 2,...r n}第j个区域；
经过色彩信息形似度、边缘信息相似度、区域大小相似度合并，r i与r j不断融合最终生成的n个区域，即为害虫的候选区域。
优选的，所述步骤S2.2中，多尺度特征融合网络结构通过利用固有的多尺度和锥形层次结构的特征图来构造具有边际的多尺度特征网络，在此开发具有侧向连接的自顶向下的架构，用于在所有尺度上构建高级语义特征图，依靠一种通过自上而下的路径和横向连接将低分辨率但语义强的特征与高分辨率语义弱的特征结合在一起，获得高分辨率、强语义的特征。
优选的，所述步骤S2.2具体包括以下步骤：
S2.2.1、设定n层多尺度神经网络，从最顶层开始进行反卷积操作生成反卷积层；
S2.2.2、设定第1层的输入为训练样本、输出第1层特征图，第 1层特征图作为第2层的输入，输出第2层特征图，第2层特征图作为第3层的输入，…直至第n-1层特征图作为第n层的输入；
S2.2.3、将第1层特征图、第2层特征图…第n层特征图与对应的第1层反卷积层、第二层反卷积层、…第n层反卷积层通过1*1卷积核连接，生成多尺度特征融合网络。
优选的，所述的步骤S2.3具体包括以下步骤：
S2.3.1、将训练样本输入定位模型，定位模型定位出训练样本的候选区域；
S2.3.2、将训练样本的候选区域分别输入多尺度神经网络的第1层，多尺度神经网络的第1层输出第1层特征图；
S2.3.3、所述第1层特征图输入多尺度神经网络的第2层，多尺度神经网络的第2层输出第2层特征图，以此类推直至第n-1层特征图输入多尺度神经网络的第n层；
S2.3.4、对第n层特征图进行反卷积操作，生成第n层反卷积层，对第n-1层进行反卷积操作，生成第n-1层反卷积层，以此类推直至生成第1层反卷积层；
S2.3.5、第1层特征图、第2层特征图、…直至第n层特征图与第1层反卷积层、第2层反卷积层、…直至第n层反卷积层依次一一对应通过1*1卷积核连接；
S2.3.6、第1层特征图与第1层反卷积层经过1*1卷积核连接后提取第一层特征，继而生成第一层预测结果；第2层特征图与第2层反卷积层经过1*1卷积核连接后提取第二层特征，继而生成第二层预 测结果；…依次类推直至第n层特征图与第n层反卷积层经过1*1卷积核连接后提取第n层特征，继而生成第n层预测结果；
S2.3.7、对第1层预测结果、第2层预测结果、…直至第n层结果做回归处理，生成最终的预测结果，回归函数如下：
Figure PCTCN2018103962-appb-000008
其中，C(λ)为最终的预测结果，λ表示训练参数，n表示网络层数，y (j)表示真实的类别，p λ(x (j))表示第j层预测的结果；x (j)表示第j层的特征向量；
S2.3.8、通过C(λ)得到最终得分，预测害虫类别与该害虫在图中所在的坐标。
优选的，所述第四步具体包括以下步骤：
S4.1、将待计数图像输入定位模型，通过定位模型定位出待计数图像的候选区域；
S4.2、将待计数图像的候选区域输入多尺度特征融合网络，得到图像中害虫的预测分类，并通过对坐标值的统计对害虫数量进行统计，得到图像中害虫个数。
优选的，所述第一步中田间自然环境下害虫图像不少于2000张。
本发明的优点在于：对采集的图像通过预处理消除了光照对检测计数的影响，将复杂环境简单化；再通过定位模型定位出疑似害虫的候选区域；对候选区域利用多尺度特征融合网络进行特征提取，然后通过多预测结果回归计算最终确定害虫区域。候选区域的定位确定大大减少了特征提取时间与特征维数，增强了计数的实时性，提高了效 率降低了工作量；同时，多预测结果的回归融合保证了各个尺度的害虫都能准确的检测到，提高了自动检测计数的鲁棒性与准确度，克服了现有技术所具有的缺陷。
附图说明
图1为本发明多尺度特征融合网络结合定位模型的害虫自动计数方法的整体流程图；
图2为本发明中多尺度特征融合网络的结构示意图；
图3为现有技术中利用常规的SVM算法获得的害虫检测结果图；
图4为本发明所获得的获得的害虫检测结果图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1所示，本发明所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，包括以下步骤：
第一步，训练样本的建立。获取多于2000张田间自然环境下害虫图像作为训练图像，且图像中害虫已进行标记，得到训练样本。害虫图像不少于2000张是为了提供足够的训练样本，保证训练后的神经网络具有足够的准确性。
第二步，构造害虫检测计数模型。构造定位模型和多尺度特征融 合网络，利用定位模型提取训练样本的的候选区域，即定位出害虫的候选区域，再通过多尺度融合网络提取候选区域的特征后对其分类，如果分类判断是害虫则输出害虫在图中的坐标值，如果不是害虫则候选区取消。具体步骤为：
首先，构造定位模型。为了减少特征提取时间，减少特征向量维数，增强自动计数的实时性，在此首先构造定位模型，以定位出害虫的候选区域，然后根据候选区域进行特征提取。
构造定位模型的具体步骤如下：
(1)设定颜色空间转换模块，颜色空间转换模块用于将RGB颜色空间转换为YcbCr颜色空间，并分割为R＝{r 1,r 2,...r n}个分割区域。
(2)计算色彩信息相似度。使用L1范式归一化获取图像每个颜色通道的25个直方图，计算该色彩空间的相似度，其计算公式如下：
Figure PCTCN2018103962-appb-000009
其中，f color(r i,r j)表示分割区域r i与r j的色彩空间相似度；
Figure PCTCN2018103962-appb-000010
表示第i个通道、第k个直方图向量，i＝1,2,3，k＝0,1....,25，n表示直方图个数，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域；
Figure PCTCN2018103962-appb-000011
表示第j个通道、第k个直方图向量，j＝1,2,3，m表示m个直方图。
(3)计算边缘信息相似度。对每个颜色通道的8个不同方向计算方差σ＝1的高斯微分，每个通道每个颜色获取10个的直方图使用L1范式归一化，计算边缘信息相似度，其计算公式如下：
Figure PCTCN2018103962-appb-000012
其中，f edage(r i,r j)表示分割区域r i与r j的边缘信息相似度，
Figure PCTCN2018103962-appb-000013
表示第i个通道、第k个直方图向量，
Figure PCTCN2018103962-appb-000014
表示第j个通道、第k个直方图向量，其中i＝1,2,3，j＝1,2,3，k＝0,1....,10；n表示直方图个数，m表示m个直方图，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域。
(4)计算区域大小相似度，其计算公式如下：
Figure PCTCN2018103962-appb-000015
其中f area(r i,r j)表示表示分割区域r i与r j的区域大小相似度，area()表示区域面积；area(img)表示图片面积，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域，r j表示分割区域R＝{r 1,r 2,...r n}第j个区域。
(5)将色彩信息相似度、边缘信息相似度、区域大小相似度融合，其计算公式如下：
f(r i,r j)＝w 1f color(r i,r j)+w 2f edage(r i,r j)+w 3f area(r i,r j)，
其中，f(r i,r j)表示分割区域r i与r j融合后的相似度，w 1、w 2、w 3分别表示信息相似度、边缘信息相似度、区域大小相似度的权值，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域，r j表示分割区域R＝{r 1,r 2,...r n}第j个区域。
经过色彩信息形似度、边缘信息相似度、区域大小相似度合并，r i与r j不断融合最终生成的n个区域，即为害虫的候选区域。
其次，构造多尺度特征融合网络，对多尺度特征融合网络结构进行改造。为了更好的提取每个尺度、各种形态的害虫特征，设计了多尺度特征融合网络，来准确分辨出害虫候选区域的准确区域。
如图2所示，多尺度特征融合网络结构通过利用固有的多尺度和 锥形层次结构的特征图来构造具有边际的多尺度特征网络，在此开发具有侧向连接的自顶向下的架构，用于在所有尺度上构建高级语义特征图，依靠一种通过自上而下的路径和横向连接将低分辨率但语义强的特征与高分辨率语义弱的特征结合在一起，这样就可以获得高分辨率、强语义的特征，有利于害虫这种小目标的检测。
构造多尺度特征融合网络的具体步骤如下：
(1)设定n层多尺度神经网络，从最顶层开始进行反卷积操作生成反卷积层。
(2)设定第1层的输入为训练样本、输出第1层特征图，第1层特征图作为第2层的输入、输出第2层特征图，第2层特征图作为第3层的输入，…直至第n-1层特征图作为第n层的输入。
(3)将第1层特征图、第2层特征图…第n层特征图与对应的第1层反卷积层、第二层反卷积层、…第n层反卷积层通过1*1卷积核连接，生成多尺度特征融合网络。
在此通过下采样生成特征图，将每一张训练图像作为输入，采用多尺度神经网络提取特征，多尺度神经网络每层通过下采样都会生成一张特征图。
然后最后一层反卷积生成上一层大小的特征图，再依次迭代直到反卷积生成第二层大小的特征图为止。由于多尺度网络的每层都会下采样这样会导致特征图会越来越小，而特征图片中的害虫就会更小甚至达到几个像素大小，对于害虫检测计数影响很大。为避免这个问题，对每层金字塔图像采用反卷积操作，通过上采样将特征图放大到上一 层大小这既能有效的提取害虫特征，又保证了害虫在图片中的大小。
将反卷积生成的各层特征图通过1*1卷积核连接，生成多尺度特征融合网络。
最后，训练多尺度特征融合网络。根据定位模型针对训练样本定位出来的候选区域作为特征即训练样本进行训练，将其每层的输出结果作为预测结果。其具体步骤如下：
(1)将训练样本输入定位模型，定位模型定位出训练样本的候选区域。
(2)将训练样本的候选区域分别输入多尺度神经网络的第1层，多尺度神经网络的第1层输出第1层特征图。
(3)第1层特征图输入多尺度神经网络的第2层，多尺度神经网络的第1层输出第2层特征图，依次迭代直至第n-1层特征图输入多尺度神经网络的第n层。
(4)对第n层特征图进行反卷积操作，生成第n层反卷积层，对第n-1层进行反卷积操作，生成第n-1反卷积层，依次迭代直至第1层反卷积层。
(5)第1层特征图、第2层特征图、…直至第n层特征图与第1层反卷积层、第2层反卷积层、…直至第n层反卷积层依次一一对应通过1*1卷积核连接。
(6)第1层特征图与第1层反卷积层经过1*1卷积核连接后提取第一层特征，继而生成第一层预测结果；第2层特征图与第2层反卷积层经过1*1卷积核连接后提取第二层特征，继而生成第二层预测 结果；…以此类推直至第n层特征图与第n层反卷积层经过1*1卷积核连接后提取第n层特征，继而生成第n层预测结果。
(7)对第1层预测结果、第2层预测结果、…直至第n层结果做回归处理，生成最终的预测结果，回归函数如下：
Figure PCTCN2018103962-appb-000016
其中，C(λ)为最终的预测结果，λ表示训练参数，n表示网络层数，y (j)表示真实的类别，p λ(x (j))表示第j层预测的结果；x (j)表示第j层的特征向量。
(8)通过C(λ)得到最终得分，预测害虫类别与该害虫在图中所在的坐标。坐标就是害虫在图中的位置。
第三步，待计数图像的获取。获取田间拍摄的害虫图像，并进行预处理得到待计数图像。
第四步，害虫个数的获得。将待计数图像输入害虫检测计数模型，得到图像中害虫个数。其具体步骤如下：
(1)将待计数图像输入定位模型，通过定位模型定位出待计数图像的候选区域。
(2)将待计数图像的候选区域输入多尺度特征融合网络，得到图像中害虫的预测分类，并通过对坐标值的统计对害虫数量进行统计，得到图像中害虫个数。
图3为现有技术中利用常规的SVM算法获得的害虫检测结果图。从图3中可以看到，其小框检测出的害虫区域非常大，特别是在图3中部大框范围，其错误地将多个相对集中的害虫全部归入一个大框的 范围内。产生这种错误标示的原因在于：传统的SVM算法并未进行先期定位，若采用定位模型先定位出候选区域，则可以避免此类现象。而产生小框检测出的害虫区域非常大的原因在于：传统的SVM算法并未采用多个预测结果的回归融合。此外在图3中，还有部分小框出现误标识，
图4为本发明所获得的获得的害虫检测结果图。由图4可知，相对于传统的SVM算法而言，本发明能够精准地定位出害虫个数和具体位置，标定区域小而精确，具有较高的鲁棒性与准确度。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。

Claims (8)

  1. 多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：包括以下步骤：
    第一步、训练样本的建立：获取若干田间自然环境下害虫图像作为训练图像，且对图像中害虫进行标记，得到训练样本；
    第二步、构造害虫检测计数模型：构造定位模型和多尺度特征融合网络，利用定位模型提取训练样本的候选区域，再通过多尺度融合网络提取候选区域的特征后对其分类，并输出对应图中的坐标值；
    第三步、待计数图像的获取：获取田间拍摄的害虫图像，并进行预处理得到待计数图像；
    第四步、害虫个数的获得：将待计数图像输入害虫检测计数模型，得到图像中害虫个数。
  2. 根据权利要求1所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述第二步具体包括下列步骤：
    S2.1、构造定位模型，定位出害虫的候选区域；
    S2.2、构造多尺度特征融合网络，对多尺度特征融合网络结构进行改造以提取害虫特征；
    S2.3、训练多尺度特征融合网络，根据定位模型针对训练样本定位出来的候选区域作为特征进行训练，将其每层的输出结果作为预测结果。
  3. 根据权利要求2所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述步骤S2.1具体包括下列步骤：
    S2.1.1、设定颜色空间转换模块：颜色空间转换模块用于将RGB 颜色空间转换为YcbCr颜色空间，并分割为R＝{r 1,r 2,...r n}个分割区域；
    S2.1.2、计算色彩信息相似度：使用L1范式归一化获取图像每个颜色通道的25个直方图，计算该色彩空间的相似度，其计算公式如下：
    Figure PCTCN2018103962-appb-100001
    其中，f color(r i,r j)表示分割区域r i与r j的色彩空间相似度，
    Figure PCTCN2018103962-appb-100002
    表示第i个通道、第k个直方图向量，i＝1,2,3，k＝0,1....,25，n表示直方图个数，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域；
    Figure PCTCN2018103962-appb-100003
    表示第j个通道、第k个直方图向量，j＝1,2,3，m表示m个直方图；
    S2.1.3、计算边缘信息相似度，对每个颜色通道的8个不同方向计算方差σ＝1的高斯微分，每个通道每个颜色获取10个的直方图使用L1范式归一化，计算边缘信息相似度，其计算公式如下：
    Figure PCTCN2018103962-appb-100004
    其中，f edage(r i,r j)表示分割区域r i与r j的边缘信息相似度，
    Figure PCTCN2018103962-appb-100005
    表示第i个通道、第k个直方图向量，
    Figure PCTCN2018103962-appb-100006
    表示第j个通道、第k个直方图向量，其中i＝1,2,3，j＝1,2,3，k＝0,1....,10；n表示直方图个数，m表示m个直方图，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域；
    S2.1.4、计算区域大小相似度，其计算公式如下：
    Figure PCTCN2018103962-appb-100007
    其中f area(r i,r j)表示表示分割区域r i与r j的区域大小相似度，area()表示区域面积；area(img)表示图片面积，r i表示分割区域R＝{r 1,r 2,...r n} 第i个区域，r j表示分割区域R＝{r 1,r 2,...r n}第j个区域；
    S2.1.5、将色彩信息相似度、边缘信息相似度、区域大小相似度融合，其计算公式如下：
    f(r i,r j)＝w 1f color(r i,r j)+w 2f edage(r i,r j)+w 3f area(r i,r j)，
    其中，f(r i,r j)表示分割区域r i与r j融合后的相似度，w 1、w 2、w 3分别表示信息相似度、边缘信息相似度、区域大小相似度的权值，r i表示分割区域R＝{r 1,r 2,...r n}第i个区域，r j表示分割区域R＝{r 1,r 2,...r n}第j个区域；
    经过色彩信息形似度、边缘信息相似度、区域大小相似度合并，r i与r j不断融合最终生成的n个区域，即为害虫的候选区域。
  4. 根据权利要求3所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述步骤S2.2中，多尺度特征融合网络结构通过利用固有的多尺度和锥形层次结构的特征图来构造具有边际的多尺度特征网络，在此开发具有侧向连接的自顶向下的架构，用于在所有尺度上构建高级语义特征图，依靠一种通过自上而下的路径和横向连接将低分辨率但语义强的特征与高分辨率语义弱的特征结合在一起，获得高分辨率、强语义的特征。
  5. 根据权利要求4所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于，所述步骤S2.2具体包括以下步骤：
    S2.2.1、设定n层多尺度神经网络，从最顶层开始进行反卷积操作生成反卷积层；
    S2.2.2、设定第1层的输入为训练样本、输出第1层特征图，第 1层特征图作为第2层的输入，输出第2层特征图，第2层特征图作为第3层的输入，…直至第n-1层特征图作为第n层的输入；
    S2.2.3、将第1层特征图、第2层特征图…第n层特征图与对应的第1层反卷积层、第二层反卷积层、…第n层反卷积层通过1*1卷积核连接，生成多尺度特征融合网络。
  6. 根据权利要求5所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述的步骤S2.3具体包括以下步骤：
    S2.3.1、将训练样本输入定位模型，定位模型定位出训练样本的候选区域；
    S2.3.2、将训练样本的候选区域分别输入多尺度神经网络的第1层，多尺度神经网络的第1层输出第1层特征图；
    S2.3.3、所述第1层特征图输入多尺度神经网络的第2层，多尺度神经网络的第2层输出第2层特征图，以此类推直至第n-1层特征图输入多尺度神经网络的第n层；
    S2.3.4、对第n层特征图进行反卷积操作，生成第n层反卷积层，对第n-1层进行反卷积操作，生成第n-1层反卷积层，以此类推直至生成第1层反卷积层；
    S2.3.5、第1层特征图、第2层特征图、…直至第n层特征图与第1层反卷积层、第2层反卷积层、…直至第n层反卷积层依次一一对应通过1*1卷积核连接；
    S2.3.6、第1层特征图与第1层反卷积层经过1*1卷积核连接后 提取第一层特征，继而生成第一层预测结果；第2层特征图与第2层反卷积层经过1*1卷积核连接后提取第二层特征，继而生成第二层预测结果；…依次类推直至第n层特征图与第n层反卷积层经过1*1卷积核连接后提取第n层特征，继而生成第n层预测结果；
    S2.3.7、对第1层预测结果、第2层预测结果、…直至第n层结果做回归处理，生成最终的预测结果，回归函数如下：
    Figure PCTCN2018103962-appb-100008
    其中，C(λ)为最终的预测结果，λ表示训练参数，n表示网络层数，y (j)表示真实的类别，p λ(x (j))表示第j层预测的结果；x (j)表示第j层的特征向量；
    S2.3.8、通过C(λ)得到最终得分，预测害虫类别与该害虫在图中所在的坐标。
  7. 根据权利要求1所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述第四步具体包括以下步骤：
    S4.1、将待计数图像输入定位模型，通过定位模型定位出待计数图像的候选区域；
    S4.2、将待计数图像的候选区域输入多尺度特征融合网络，得到图像中害虫的预测分类，并通过对坐标值的统计对害虫数量进行统计，得到图像中害虫个数。
  8. 根据权利要求1所述的多尺度特征融合网络结合定位模型的害虫自动计数方法，其特征在于：所述第一步中田间自然环境下害虫图像不少于2000张。
PCT/CN2018/103962 2018-09-04 2018-09-04 多尺度特征融合网络结合定位模型的害虫自动计数方法 WO2020047738A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201880024482.0A CN110770752A (zh) 2018-09-04 2018-09-04 多尺度特征融合网络结合定位模型的害虫自动计数方法
PCT/CN2018/103962 WO2020047738A1 (zh) 2018-09-04 2018-09-04 多尺度特征融合网络结合定位模型的害虫自动计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/103962 WO2020047738A1 (zh) 2018-09-04 2018-09-04 多尺度特征融合网络结合定位模型的害虫自动计数方法

Publications (1)

Publication Number Publication Date
WO2020047738A1 true WO2020047738A1 (zh) 2020-03-12

Family

ID=69328711

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/103962 WO2020047738A1 (zh) 2018-09-04 2018-09-04 多尺度特征融合网络结合定位模型的害虫自动计数方法

Country Status (2)

Country Link
CN (1) CN110770752A (zh)
WO (1) WO2020047738A1 (zh)

Cited By (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429352A (zh) * 2020-03-26 2020-07-17 深圳大学 一种基于神经网络的图像超分辨率重建方法及设备
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
CN111476317A (zh) * 2020-04-29 2020-07-31 中国科学院合肥物质科学研究院 一种基于强化学习技术的植保图像非密集害虫检测方法
CN111523645A (zh) * 2020-04-16 2020-08-11 北京航天自动控制研究所 一种提升小尺度目标检测识别性能的卷积神经网络设计方法
CN111553433A (zh) * 2020-04-30 2020-08-18 河北工业大学 一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法
CN111611889A (zh) * 2020-05-12 2020-09-01 安徽大学 基于改进卷积神经网络的农田微型虫害识别装置
CN111626373A (zh) * 2020-06-01 2020-09-04 中国科学院自动化研究所 多尺度加宽残差网络、小目标识别检测网络及其优化方法
CN111652247A (zh) * 2020-05-28 2020-09-11 大连海事大学 一种基于深度卷积神经网络的双翅目昆虫识别方法
CN111738344A (zh) * 2020-06-24 2020-10-02 上海应用技术大学 一种基于多尺度融合的快速目标检测方法
CN111768392A (zh) * 2020-06-30 2020-10-13 创新奇智(广州)科技有限公司 目标检测方法及装置、电子设备、存储介质
CN111860587A (zh) * 2020-06-12 2020-10-30 长安大学 一种用于图片小目标的检测方法
CN111914993A (zh) * 2020-06-05 2020-11-10 西安理工大学 基于非均匀分组的多尺度轻量型深度卷积神经网络模型
CN111951260A (zh) * 2020-08-21 2020-11-17 苏州大学 基于部分特征融合卷积神经网络实时目标计数系统及方法
CN111986172A (zh) * 2020-08-18 2020-11-24 华北电力科学研究院有限责任公司 一种面向电力设备的红外图像故障检测方法及装置
CN112001290A (zh) * 2020-08-18 2020-11-27 南京工程学院 一种基于yolo算法的稻飞虱迁飞路径预测方法
CN112036437A (zh) * 2020-07-28 2020-12-04 农业农村部南京农业机械化研究所 基于改进yolov3网络的水稻秧苗检测模型及其方法
CN112070667A (zh) * 2020-08-14 2020-12-11 西安理工大学 一种多尺度特征融合的视频超分辨率重建的方法
CN112101455A (zh) * 2020-09-15 2020-12-18 重庆市农业科学院 一种基于卷积神经网络的茶小绿叶蝉识别和计数的方法
CN112101214A (zh) * 2020-09-15 2020-12-18 重庆市农业科学院 一种基于热力图的快速计数茶网蝽的网络结构
CN112116580A (zh) * 2020-09-22 2020-12-22 中用科技有限公司 用于摄像头支架的检测方法、系统及设备
CN112270681A (zh) * 2020-11-26 2021-01-26 华南农业大学 一种黄板害虫深度检测与计数方法与系统
CN112419323A (zh) * 2020-11-23 2021-02-26 安徽农道智能科技有限公司 基于可穿戴式麦穗采集装置的麦穗计数方法
CN112446354A (zh) * 2020-12-14 2021-03-05 浙江工商大学 一种基于多尺度显著图定位的细粒度图像分类方法
CN112488244A (zh) * 2020-12-22 2021-03-12 中国科学院合肥物质科学研究院 一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法
CN112613498A (zh) * 2020-12-16 2021-04-06 浙江大华技术股份有限公司 一种指针识别方法、装置、电子设备及存储介质
CN112700462A (zh) * 2020-12-31 2021-04-23 北京迈格威科技有限公司 一种图像分割方法、装置、电子设备及存储介质
CN112733614A (zh) * 2020-12-22 2021-04-30 中国科学院合肥物质科学研究院 一种带有相似尺寸强化识别的害虫图像检测方法
CN112861767A (zh) * 2021-02-26 2021-05-28 北京农业信息技术研究中心 一种粘虫板图像上小体积害虫检测方法及系统
CN112967184A (zh) * 2021-02-04 2021-06-15 西安理工大学 一种基于双尺度卷积神经网络的超分辨放大方法
CN112990317A (zh) * 2021-03-18 2021-06-18 中国科学院长春光学精密机械与物理研究所 一种弱小目标检测方法
CN112989992A (zh) * 2021-03-09 2021-06-18 北京百度网讯科技有限公司 目标检测方法、装置、路侧设备和云控平台
CN113486908A (zh) * 2021-07-13 2021-10-08 杭州海康威视数字技术股份有限公司 目标检测方法、装置、电子设备及可读存储介质
CN113610097A (zh) * 2021-08-09 2021-11-05 西安电子科技大学 基于多尺度相似指导网络的sar舰船目标分割方法
CN113705476A (zh) * 2021-08-30 2021-11-26 国网四川省电力公司营销服务中心 一种基于神经网络的现场作业违章行为分析方法及系统
CN113763386A (zh) * 2021-07-13 2021-12-07 合肥工业大学 基于多尺度特征融合的手术器械图像智能分割方法和系统
CN113807259A (zh) * 2021-09-18 2021-12-17 上海北昂医药科技股份有限公司 一种基于多尺度特征融合的染色体分裂相定位与排序的方法
CN113989211A (zh) * 2021-10-22 2022-01-28 广东海洋大学 一种虫卵计数方法和装置
CN114494185A (zh) * 2022-01-25 2022-05-13 国网吉林省电力有限公司电力科学研究院 一种基于rgb-t多尺度特征融合的电气设备故障检测方法
CN114708295A (zh) * 2022-04-02 2022-07-05 华南理工大学 一种基于Transformer的物流包裹分离方法
CN115861185A (zh) * 2022-11-14 2023-03-28 杭州电子科技大学 一种田间复杂背景的稻飞虱计数模型
CN115937689A (zh) * 2022-12-30 2023-04-07 安徽农业大学 一种农业害虫智能识别与监测技术
CN116311083A (zh) * 2023-05-19 2023-06-23 华东交通大学 一种人群计数模型训练方法及系统
WO2023207064A1 (zh) * 2022-04-29 2023-11-02 清远蓄能发电有限公司 基于弱光补偿的MaskRCNN渗水检测方法及系统
CN117405570A (zh) * 2023-12-13 2024-01-16 长沙思辰仪器科技有限公司 一种油液颗粒度计数器自动检测方法与系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554042A (zh) * 2020-04-08 2021-10-26 富士通株式会社 神经网络及其训练方法
CN112001365A (zh) * 2020-09-22 2020-11-27 四川大学 一种高精度的农作物病虫害识别方法
CN116012718B (zh) * 2023-02-15 2023-10-27 黑龙江科技大学 田间害虫检测方法、系统、电子设备及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177263A (zh) * 2013-03-13 2013-06-26 浙江理工大学 一种基于图像的水稻田间飞虱自动检测与计数方法
US20130223677A1 (en) * 2012-02-23 2013-08-29 Kirk Ots System for counting trapped insects
CN105005813A (zh) * 2015-06-26 2015-10-28 广州铁路职业技术学院 虫害分析计数方法及系统
CN105447859A (zh) * 2015-11-18 2016-03-30 扬州大学 一种田间麦蚜虫计数方法
CN107194418A (zh) * 2017-05-10 2017-09-22 中国科学院合肥物质科学研究院 一种基于对抗特征学习的水稻蚜虫检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130223677A1 (en) * 2012-02-23 2013-08-29 Kirk Ots System for counting trapped insects
CN103177263A (zh) * 2013-03-13 2013-06-26 浙江理工大学 一种基于图像的水稻田间飞虱自动检测与计数方法
CN105005813A (zh) * 2015-06-26 2015-10-28 广州铁路职业技术学院 虫害分析计数方法及系统
CN105447859A (zh) * 2015-11-18 2016-03-30 扬州大学 一种田间麦蚜虫计数方法
CN107194418A (zh) * 2017-05-10 2017-09-22 中国科学院合肥物质科学研究院 一种基于对抗特征学习的水稻蚜虫检测方法

Cited By (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429352A (zh) * 2020-03-26 2020-07-17 深圳大学 一种基于神经网络的图像超分辨率重建方法及设备
CN111429352B (zh) * 2020-03-26 2023-04-18 深圳大学 一种基于神经网络的图像超分辨率重建方法及设备
CN111523645A (zh) * 2020-04-16 2020-08-11 北京航天自动控制研究所 一种提升小尺度目标检测识别性能的卷积神经网络设计方法
CN111523645B (zh) * 2020-04-16 2023-04-18 北京航天自动控制研究所 一种提升小尺度目标检测识别性能的卷积神经网络设计方法
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
CN111476317A (zh) * 2020-04-29 2020-07-31 中国科学院合肥物质科学研究院 一种基于强化学习技术的植保图像非密集害虫检测方法
CN111476317B (zh) * 2020-04-29 2023-03-24 中国科学院合肥物质科学研究院 一种基于强化学习技术的植保图像非密集害虫检测方法
CN111476238B (zh) * 2020-04-29 2023-04-07 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
CN111553433A (zh) * 2020-04-30 2020-08-18 河北工业大学 一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法
CN111553433B (zh) * 2020-04-30 2023-04-18 河北工业大学 一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法
CN111611889A (zh) * 2020-05-12 2020-09-01 安徽大学 基于改进卷积神经网络的农田微型虫害识别装置
CN111611889B (zh) * 2020-05-12 2023-04-18 安徽大学 基于改进卷积神经网络的农田微型虫害识别装置
CN111652247A (zh) * 2020-05-28 2020-09-11 大连海事大学 一种基于深度卷积神经网络的双翅目昆虫识别方法
CN111626373B (zh) * 2020-06-01 2023-07-25 中国科学院自动化研究所 多尺度加宽残差网络、小目标识别检测网络及其优化方法
CN111626373A (zh) * 2020-06-01 2020-09-04 中国科学院自动化研究所 多尺度加宽残差网络、小目标识别检测网络及其优化方法
CN111914993A (zh) * 2020-06-05 2020-11-10 西安理工大学 基于非均匀分组的多尺度轻量型深度卷积神经网络模型
CN111914993B (zh) * 2020-06-05 2024-04-16 西安理工大学 基于非均匀分组的多尺度深度卷积神经网络模型构建方法
CN111860587A (zh) * 2020-06-12 2020-10-30 长安大学 一种用于图片小目标的检测方法
CN111860587B (zh) * 2020-06-12 2024-02-02 长安大学 一种用于图片小目标的检测方法
CN111738344A (zh) * 2020-06-24 2020-10-02 上海应用技术大学 一种基于多尺度融合的快速目标检测方法
CN111738344B (zh) * 2020-06-24 2024-02-02 上海应用技术大学 一种基于多尺度融合的快速目标检测方法
CN111768392A (zh) * 2020-06-30 2020-10-13 创新奇智(广州)科技有限公司 目标检测方法及装置、电子设备、存储介质
CN112036437A (zh) * 2020-07-28 2020-12-04 农业农村部南京农业机械化研究所 基于改进yolov3网络的水稻秧苗检测模型及其方法
CN112070667A (zh) * 2020-08-14 2020-12-11 西安理工大学 一种多尺度特征融合的视频超分辨率重建的方法
CN111986172A (zh) * 2020-08-18 2020-11-24 华北电力科学研究院有限责任公司 一种面向电力设备的红外图像故障检测方法及装置
CN112001290A (zh) * 2020-08-18 2020-11-27 南京工程学院 一种基于yolo算法的稻飞虱迁飞路径预测方法
CN112001290B (zh) * 2020-08-18 2023-10-27 南京工程学院 一种基于yolo算法的稻飞虱迁飞路径预测方法
CN111951260A (zh) * 2020-08-21 2020-11-17 苏州大学 基于部分特征融合卷积神经网络实时目标计数系统及方法
CN112101455B (zh) * 2020-09-15 2022-08-09 重庆市农业科学院 一种基于卷积神经网络的茶小绿叶蝉识别和计数的方法
CN112101455A (zh) * 2020-09-15 2020-12-18 重庆市农业科学院 一种基于卷积神经网络的茶小绿叶蝉识别和计数的方法
CN112101214A (zh) * 2020-09-15 2020-12-18 重庆市农业科学院 一种基于热力图的快速计数茶网蝽的网络结构
CN112116580A (zh) * 2020-09-22 2020-12-22 中用科技有限公司 用于摄像头支架的检测方法、系统及设备
CN112116580B (zh) * 2020-09-22 2023-09-05 中用科技有限公司 用于摄像头支架的检测方法、系统及设备
CN112419323B (zh) * 2020-11-23 2023-05-02 安徽农道智能科技有限公司 基于可穿戴式麦穗采集装置的麦穗计数方法
CN112419323A (zh) * 2020-11-23 2021-02-26 安徽农道智能科技有限公司 基于可穿戴式麦穗采集装置的麦穗计数方法
CN112270681A (zh) * 2020-11-26 2021-01-26 华南农业大学 一种黄板害虫深度检测与计数方法与系统
CN112270681B (zh) * 2020-11-26 2022-11-15 华南农业大学 一种黄板害虫深度检测与计数方法与系统
CN112446354A (zh) * 2020-12-14 2021-03-05 浙江工商大学 一种基于多尺度显著图定位的细粒度图像分类方法
CN112613498A (zh) * 2020-12-16 2021-04-06 浙江大华技术股份有限公司 一种指针识别方法、装置、电子设备及存储介质
CN112488244B (zh) * 2020-12-22 2022-09-09 中国科学院合肥物质科学研究院 一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法
CN112733614A (zh) * 2020-12-22 2021-04-30 中国科学院合肥物质科学研究院 一种带有相似尺寸强化识别的害虫图像检测方法
CN112733614B (zh) * 2020-12-22 2022-09-09 中国科学院合肥物质科学研究院 一种带有相似尺寸强化识别的害虫图像检测方法
CN112488244A (zh) * 2020-12-22 2021-03-12 中国科学院合肥物质科学研究院 一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法
CN112700462A (zh) * 2020-12-31 2021-04-23 北京迈格威科技有限公司 一种图像分割方法、装置、电子设备及存储介质
CN112967184A (zh) * 2021-02-04 2021-06-15 西安理工大学 一种基于双尺度卷积神经网络的超分辨放大方法
CN112967184B (zh) * 2021-02-04 2022-12-13 西安理工大学 一种基于双尺度卷积神经网络的超分辨放大方法
CN112861767A (zh) * 2021-02-26 2021-05-28 北京农业信息技术研究中心 一种粘虫板图像上小体积害虫检测方法及系统
CN112989992B (zh) * 2021-03-09 2023-12-15 阿波罗智联(北京)科技有限公司 目标检测方法、装置、路侧设备和云控平台
CN112989992A (zh) * 2021-03-09 2021-06-18 北京百度网讯科技有限公司 目标检测方法、装置、路侧设备和云控平台
CN112990317B (zh) * 2021-03-18 2022-08-30 中国科学院长春光学精密机械与物理研究所 一种弱小目标检测方法
CN112990317A (zh) * 2021-03-18 2021-06-18 中国科学院长春光学精密机械与物理研究所 一种弱小目标检测方法
CN113486908B (zh) * 2021-07-13 2023-08-29 杭州海康威视数字技术股份有限公司 目标检测方法、装置、电子设备及可读存储介质
CN113763386A (zh) * 2021-07-13 2021-12-07 合肥工业大学 基于多尺度特征融合的手术器械图像智能分割方法和系统
CN113763386B (zh) * 2021-07-13 2024-04-19 合肥工业大学 基于多尺度特征融合的手术器械图像智能分割方法和系统
CN113486908A (zh) * 2021-07-13 2021-10-08 杭州海康威视数字技术股份有限公司 目标检测方法、装置、电子设备及可读存储介质
CN113610097B (zh) * 2021-08-09 2023-05-05 西安电子科技大学 基于多尺度相似指导网络的sar舰船目标分割方法
CN113610097A (zh) * 2021-08-09 2021-11-05 西安电子科技大学 基于多尺度相似指导网络的sar舰船目标分割方法
CN113705476A (zh) * 2021-08-30 2021-11-26 国网四川省电力公司营销服务中心 一种基于神经网络的现场作业违章行为分析方法及系统
CN113807259A (zh) * 2021-09-18 2021-12-17 上海北昂医药科技股份有限公司 一种基于多尺度特征融合的染色体分裂相定位与排序的方法
CN113989211B (zh) * 2021-10-22 2024-04-02 广东海洋大学 一种虫卵计数方法和装置
CN113989211A (zh) * 2021-10-22 2022-01-28 广东海洋大学 一种虫卵计数方法和装置
CN114494185A (zh) * 2022-01-25 2022-05-13 国网吉林省电力有限公司电力科学研究院 一种基于rgb-t多尺度特征融合的电气设备故障检测方法
CN114708295A (zh) * 2022-04-02 2022-07-05 华南理工大学 一种基于Transformer的物流包裹分离方法
CN114708295B (zh) * 2022-04-02 2024-04-16 华南理工大学 一种基于Transformer的物流包裹分离方法
WO2023207064A1 (zh) * 2022-04-29 2023-11-02 清远蓄能发电有限公司 基于弱光补偿的MaskRCNN渗水检测方法及系统
CN115861185A (zh) * 2022-11-14 2023-03-28 杭州电子科技大学 一种田间复杂背景的稻飞虱计数模型
CN115861185B (zh) * 2022-11-14 2023-08-11 杭州电子科技大学 一种田间复杂背景的稻飞虱计数方法
CN115937689A (zh) * 2022-12-30 2023-04-07 安徽农业大学 一种农业害虫智能识别与监测技术
CN115937689B (zh) * 2022-12-30 2023-08-11 安徽农业大学 一种农业害虫智能识别与监测技术
CN116311083B (zh) * 2023-05-19 2023-09-05 华东交通大学 一种人群计数模型训练方法及系统
CN116311083A (zh) * 2023-05-19 2023-06-23 华东交通大学 一种人群计数模型训练方法及系统
CN117405570B (zh) * 2023-12-13 2024-03-08 长沙思辰仪器科技有限公司 一种油液颗粒度计数器自动检测方法与系统
CN117405570A (zh) * 2023-12-13 2024-01-16 长沙思辰仪器科技有限公司 一种油液颗粒度计数器自动检测方法与系统

Also Published As

Publication number Publication date
CN110770752A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
WO2020047738A1 (zh) 多尺度特征融合网络结合定位模型的害虫自动计数方法
Jiao et al. AF-RCNN: An anchor-free convolutional neural network for multi-categories agricultural pest detection
CN109344701B (zh) 一种基于Kinect的动态手势识别方法
Vishnoi et al. Plant disease detection using computational intelligence and image processing
CN110363122B (zh) 一种基于多层特征对齐的跨域目标检测方法
Deitsch et al. Automatic classification of defective photovoltaic module cells in electroluminescence images
He et al. A fully convolutional neural network for wood defect location and identification
Liao et al. Rotation-sensitive regression for oriented scene text detection
US11037291B2 (en) System and method for detecting plant diseases
Wachs et al. Low and high-level visual feature-based apple detection from multi-modal images
US9846932B2 (en) Defect detection method for display panel based on histogram of oriented gradient
Wang et al. Weakly supervised learning for whole slide lung cancer image classification
CN113609896B (zh) 基于对偶相关注意力的对象级遥感变化检测方法及系统
CN111783523B (zh) 一种遥感影像旋转目标检测方法
Li et al. A fast and lightweight detection algorithm for passion fruit pests based on improved YOLOv5
CN108734200B (zh) 基于bing特征的人体目标视觉检测方法和装置
CN112733614B (zh) 一种带有相似尺寸强化识别的害虫图像检测方法
CN114897816A (zh) 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法
CN109145770B (zh) 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
Venegas et al. Automatic ladybird beetle detection using deep-learning models
Sawarkar et al. A review: Rose plant disease detection using image processing
Zheng et al. Feature enhancement for multi-scale object detection
Padmanabhuni et al. An extensive study on classification based plant disease detection system
Zhang et al. A Defect Detection Model for Industrial Products Based on Attention and Knowledge Distillation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18932834

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18932834

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 18932834

Country of ref document: EP

Kind code of ref document: A1