WO2021203505A1 - 害虫检测模型构建方法 - Google Patents
害虫检测模型构建方法 Download PDFInfo
- Publication number
- WO2021203505A1 WO2021203505A1 PCT/CN2020/089441 CN2020089441W WO2021203505A1 WO 2021203505 A1 WO2021203505 A1 WO 2021203505A1 CN 2020089441 W CN2020089441 W CN 2020089441W WO 2021203505 A1 WO2021203505 A1 WO 2021203505A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- pest
- detection
- convolution
- detection layer
- layer
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 133
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 241000238631 Hexapoda Species 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Catching Or Destruction (AREA)
Abstract
Description
Claims (10)
- 一害虫检测模型构建方法,其特征在于,所述害虫检测模型构建方法包括如下步骤:(a)基于虫情测报灯的图片构建一训练集、一验证集以及一测试集;(b)增强所述训练集的数据和过采样小目标样本;(c)以结合一VGG16卷积模型和神经网络的注意力机制的方式,构建一卷积注意力网络;(d)通过一阶动量随机梯度下降算法训练所述卷积注意力网格模型,并且利用所述验证集微调所述卷积注意力网格模型的参数;以及(e)利用所述测试集测试所述卷积注意力模型,以构件一害虫检测模型。
- 根据权利要求1所述的害虫检测模型构建方法,其中所述步骤(a)进一步包括步骤:(a.1)对所述虫情测报灯上传的RGB图像中的害虫进行定位加边框和标记种类;和(a.2)按照所述预设比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。
- 根据权利要求2所述的害虫检测模型构建方法,其中所述步骤(a.2)中,所述预设比例是7:2:1,从而按照7:2:1的比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。
- 根据权利要求2所述的害虫检测模型构建方法,其中在所述步骤(a.2)中,以将这些图像缩放至统一尺寸的方式归一化这些图像。
- 根据权利要求1至4中任一所述的害虫检测模型构建方法,其中所述步骤(b)进一步包括步骤:(b.1)对所述训练集中的图像进行水平翻转、随机采集加颜色扭曲、随机采集块域而得到新图像;和(b.2)对新图像中的害虫进行定位加边框,以增强所述训练集的数据。
- 根据权利要求1至4中任一所述的害虫检测模型构建方法,其中在所述步骤(b)中,随机地在所述训练集的图像中增加噪声,以通过随机地调整图像亮度和对比度的方式增强数据强度而扩大所述训练集一倍,从而增强所述训练集 的数据。
- 根据权利要求1至4中任一所述的害虫检测模型构建方法,其中所述步骤(b)进一步包括步骤:(b.1)确定所述训练集的图像中含有较少害虫的图像和对含有较少害虫的图像重复采样;和(b.2)如果含有较少害虫的图像中空白区域较多,则在包含较少害虫的图像中增加害虫出现的次数和对害虫进行定位加边框。
- 根据权利要求2至4中任一所述的害虫检测模型构建方法,其中在所述步骤(a.2)之后,所述步骤(a)进一步包括步骤:(a.3)在分别计算所述训练集、所述验证集和所述测试集的均值后,减均值处理所述训练集、所述验证集和所述测试集的图像。
- 根据权利要求1至4中任一所述的害虫检测模型构建方法,其中在所述步骤(c)中,所述卷积注意力网络包括一输入层、一第一检测层、一第二检测层、一第三检测层、一第四检测层、一第五检测层以及一第六检测层,其中所述VGG16卷积模型的卷积层形成所述输入层以用于提取图像特征,将所述VGG16卷积模型的第四个模块输出的卷积层作为所述第一检测层,在所述VGG16卷积模型的卷积层之后,加入滤波器大小3×3×1025、1×1×1024、步长为1的卷积作为所述第二检测层,滤波器大小1×1×256、3×3×512、步长为2的卷积作为所述第三检测层,滤波器大小1×1×128、3×3×256、步长为2的卷积作为所述第四检测层,滤波器大小1×1×128、3×3×256、步长为1的卷积作为所述第五检测层,滤波器大小1×1×128、3×3×256、步长为1的卷积作为所述第六检测层,其中在所述第一检测层、所述第二检测层和所述第三检测层中加入通道域注意力模块和空间域注意力模块,在所述第四检测层、所述第五检测层和所述第六检测层中加入通道域注意力模块,其中对所述第一检测层、所述第二检测层、所述第三检测层、所述第四检测层和所述第五检测层进行进行3×3×(c+1+4)的卷积滤波,对所述第六检测层进行1×1×(c+1+4)的卷积滤波,输出预测值m×n×(c+1+4),其中参数m和n分别为检测层特征图的长和宽,参数c为害虫类别。
- 根据权利要求9所述的害虫检测模型构建方法,其中在所述步骤(c)中,修改损失函数,以适应害虫不平衡的状况。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010272570.1 | 2020-04-09 | ||
CN202010272570.1A CN112464971A (zh) | 2020-04-09 | 2020-04-09 | 害虫检测模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021203505A1 true WO2021203505A1 (zh) | 2021-10-14 |
Family
ID=74832951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2020/089441 WO2021203505A1 (zh) | 2020-04-09 | 2020-05-09 | 害虫检测模型构建方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112464971A (zh) |
WO (1) | WO2021203505A1 (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822383A (zh) * | 2021-11-23 | 2021-12-21 | 北京中超伟业信息安全技术股份有限公司 | 一种基于多域注意力机制的无人机检测方法及系统 |
CN114005029A (zh) * | 2021-10-20 | 2022-02-01 | 华南农业大学 | 基于改进yolov5网络的广佛手病虫害识别方法及系统 |
CN114092799A (zh) * | 2021-10-28 | 2022-02-25 | 长春工业大学 | 基于池化视觉Transformer林业害虫识别检测方法 |
CN114120093A (zh) * | 2021-12-01 | 2022-03-01 | 安徽理工大学 | 一种基于改进YOLOv5算法的煤矸目标检测方法 |
CN114140428A (zh) * | 2021-11-30 | 2022-03-04 | 东北林业大学 | 基于YOLOv5的落叶松毛虫虫害检测识别方法及系统 |
CN114241344A (zh) * | 2021-12-20 | 2022-03-25 | 电子科技大学 | 一种基于深度学习的植物叶片病虫害严重程度评估方法 |
CN114612898A (zh) * | 2022-03-16 | 2022-06-10 | 华南农业大学 | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 |
CN114677553A (zh) * | 2021-12-31 | 2022-06-28 | 广西慧云信息技术有限公司 | 一种解决农作物病虫害样本不均衡问题的图像识别方法 |
CN114677606A (zh) * | 2022-04-28 | 2022-06-28 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
CN114743023A (zh) * | 2022-06-14 | 2022-07-12 | 安徽大学 | 一种基于RetinaNet模型的麦蜘蛛图像检测方法 |
CN114764827A (zh) * | 2022-04-27 | 2022-07-19 | 安徽农业大学 | 一种自适应低光照场景下的桑叶病虫害检测方法 |
CN114821536A (zh) * | 2022-05-13 | 2022-07-29 | 河南科技大学 | 一种改进yolov5的无人驾驶拖拉机田间障碍物识别方法 |
CN114972208A (zh) * | 2022-05-05 | 2022-08-30 | 扬州大学 | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 |
CN115131337A (zh) * | 2022-07-22 | 2022-09-30 | 南昌大学 | 一种基于改进CenterNet算法的输电线路耐张线夹缺陷检测方法 |
CN115561243A (zh) * | 2022-09-30 | 2023-01-03 | 东莞市言科新能源有限公司 | 锂电池制备中极片质量监测系统及其方法 |
CN115578624A (zh) * | 2022-10-28 | 2023-01-06 | 北京市农林科学院 | 农业病虫害模型构建方法、检测方法及装置 |
CN115661544A (zh) * | 2022-11-08 | 2023-01-31 | 吉林农业大学 | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 |
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 |
CN116403048A (zh) * | 2023-04-17 | 2023-07-07 | 哈尔滨工业大学 | 一种基于多模态数据融合的农作物生长估计模型构建方法 |
CN117151342A (zh) * | 2023-10-24 | 2023-12-01 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
CN114612898B (zh) * | 2022-03-16 | 2024-05-10 | 华南农业大学 | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177486B (zh) * | 2021-04-30 | 2022-06-03 | 重庆师范大学 | 基于区域建议网络的蜻蜓目昆虫识别方法 |
CN114519803A (zh) * | 2022-01-24 | 2022-05-20 | 东莞理工学院 | 一种基于迁移学习的小样本目标识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090007670A1 (en) * | 2007-07-05 | 2009-01-08 | Hawwa Muhammad A | Acoustic chamber for detection of insects |
CN104616283A (zh) * | 2014-12-01 | 2015-05-13 | 北京工业大学 | 一种基于低秩表示算法的害虫检测方法 |
JP2017184692A (ja) * | 2016-04-08 | 2017-10-12 | 株式会社シー・アイ・シー | 捕虫器 |
CN107665355A (zh) * | 2017-09-27 | 2018-02-06 | 重庆邮电大学 | 一种基于区域卷积神经网络的农业害虫检测方法 |
CN108615046A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种储粮害虫检测识别方法及装置 |
CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 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 |
CN110222215A (zh) * | 2019-05-31 | 2019-09-10 | 浙江大学 | 一种基于f-ssd-iv3的作物害虫检测方法 |
CN110766041A (zh) * | 2019-09-04 | 2020-02-07 | 江苏大学 | 一种基于深度学习的害虫检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190113119A (ko) * | 2018-03-27 | 2019-10-08 | 삼성전자주식회사 | 합성곱 신경망을 위한 주의집중 값 계산 방법 |
CN110502987A (zh) * | 2019-07-12 | 2019-11-26 | 山东农业大学 | 一种基于深度学习的植物病虫害识别方法及系统 |
CN110889343B (zh) * | 2019-11-15 | 2023-05-05 | 复旦大学 | 基于注意力型深度神经网络的人群密度估计方法及装置 |
-
2020
- 2020-04-09 CN CN202010272570.1A patent/CN112464971A/zh active Pending
- 2020-05-09 WO PCT/CN2020/089441 patent/WO2021203505A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090007670A1 (en) * | 2007-07-05 | 2009-01-08 | Hawwa Muhammad A | Acoustic chamber for detection of insects |
CN104616283A (zh) * | 2014-12-01 | 2015-05-13 | 北京工业大学 | 一种基于低秩表示算法的害虫检测方法 |
JP2017184692A (ja) * | 2016-04-08 | 2017-10-12 | 株式会社シー・アイ・シー | 捕虫器 |
CN107665355A (zh) * | 2017-09-27 | 2018-02-06 | 重庆邮电大学 | 一种基于区域卷积神经网络的农业害虫检测方法 |
CN108615046A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种储粮害虫检测识别方法及装置 |
CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 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 |
CN110222215A (zh) * | 2019-05-31 | 2019-09-10 | 浙江大学 | 一种基于f-ssd-iv3的作物害虫检测方法 |
CN110766041A (zh) * | 2019-09-04 | 2020-02-07 | 江苏大学 | 一种基于深度学习的害虫检测方法 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005029B (zh) * | 2021-10-20 | 2024-04-23 | 华南农业大学 | 基于改进yolov5网络的广佛手病虫害识别方法及系统 |
CN114005029A (zh) * | 2021-10-20 | 2022-02-01 | 华南农业大学 | 基于改进yolov5网络的广佛手病虫害识别方法及系统 |
CN114092799A (zh) * | 2021-10-28 | 2022-02-25 | 长春工业大学 | 基于池化视觉Transformer林业害虫识别检测方法 |
CN113822383B (zh) * | 2021-11-23 | 2022-03-15 | 北京中超伟业信息安全技术股份有限公司 | 一种基于多域注意力机制的无人机检测方法及系统 |
CN113822383A (zh) * | 2021-11-23 | 2021-12-21 | 北京中超伟业信息安全技术股份有限公司 | 一种基于多域注意力机制的无人机检测方法及系统 |
CN114140428A (zh) * | 2021-11-30 | 2022-03-04 | 东北林业大学 | 基于YOLOv5的落叶松毛虫虫害检测识别方法及系统 |
CN114120093A (zh) * | 2021-12-01 | 2022-03-01 | 安徽理工大学 | 一种基于改进YOLOv5算法的煤矸目标检测方法 |
CN114120093B (zh) * | 2021-12-01 | 2024-04-16 | 安徽理工大学 | 一种基于改进YOLOv5算法的煤矸目标检测方法 |
CN114241344A (zh) * | 2021-12-20 | 2022-03-25 | 电子科技大学 | 一种基于深度学习的植物叶片病虫害严重程度评估方法 |
CN114677553A (zh) * | 2021-12-31 | 2022-06-28 | 广西慧云信息技术有限公司 | 一种解决农作物病虫害样本不均衡问题的图像识别方法 |
CN114677553B (zh) * | 2021-12-31 | 2024-05-14 | 广西慧云信息技术有限公司 | 一种解决农作物病虫害样本不均衡问题的图像识别方法 |
CN114612898B (zh) * | 2022-03-16 | 2024-05-10 | 华南农业大学 | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 |
CN114612898A (zh) * | 2022-03-16 | 2022-06-10 | 华南农业大学 | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 |
CN114764827A (zh) * | 2022-04-27 | 2022-07-19 | 安徽农业大学 | 一种自适应低光照场景下的桑叶病虫害检测方法 |
CN114764827B (zh) * | 2022-04-27 | 2024-05-07 | 安徽农业大学 | 一种自适应低光照场景下的桑叶病虫害检测方法 |
CN114677606A (zh) * | 2022-04-28 | 2022-06-28 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
CN114677606B (zh) * | 2022-04-28 | 2023-04-18 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
CN114972208A (zh) * | 2022-05-05 | 2022-08-30 | 扬州大学 | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 |
CN114972208B (zh) * | 2022-05-05 | 2024-04-09 | 扬州大学 | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 |
CN114821536B (zh) * | 2022-05-13 | 2024-02-20 | 河南科技大学 | 一种改进yolov5的无人驾驶拖拉机田间障碍物识别方法 |
CN114821536A (zh) * | 2022-05-13 | 2022-07-29 | 河南科技大学 | 一种改进yolov5的无人驾驶拖拉机田间障碍物识别方法 |
CN114743023A (zh) * | 2022-06-14 | 2022-07-12 | 安徽大学 | 一种基于RetinaNet模型的麦蜘蛛图像检测方法 |
CN115131337A (zh) * | 2022-07-22 | 2022-09-30 | 南昌大学 | 一种基于改进CenterNet算法的输电线路耐张线夹缺陷检测方法 |
CN115131337B (zh) * | 2022-07-22 | 2024-05-03 | 南昌大学 | 一种基于改进CenterNet算法的输电线路耐张线夹缺陷检测方法 |
CN115561243A (zh) * | 2022-09-30 | 2023-01-03 | 东莞市言科新能源有限公司 | 锂电池制备中极片质量监测系统及其方法 |
CN115578624A (zh) * | 2022-10-28 | 2023-01-06 | 北京市农林科学院 | 农业病虫害模型构建方法、检测方法及装置 |
CN115661544B (zh) * | 2022-11-08 | 2024-04-05 | 吉林农业大学 | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 |
CN115661544A (zh) * | 2022-11-08 | 2023-01-31 | 吉林农业大学 | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 |
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 |
CN116403048A (zh) * | 2023-04-17 | 2023-07-07 | 哈尔滨工业大学 | 一种基于多模态数据融合的农作物生长估计模型构建方法 |
CN116403048B (zh) * | 2023-04-17 | 2024-03-26 | 哈尔滨工业大学 | 一种基于多模态数据融合的农作物生长估计模型构建方法 |
CN117151342B (zh) * | 2023-10-24 | 2024-01-26 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
CN117151342A (zh) * | 2023-10-24 | 2023-12-01 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112464971A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021203505A1 (zh) | 害虫检测模型构建方法 | |
CN110188807B (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN110765907A (zh) | 一种基于深度学习的视频中试卷纸质文档信息提取系统及方法 | |
CN108615046A (zh) | 一种储粮害虫检测识别方法及装置 | |
JP2021502639A (ja) | 深層学習における回転可変物体検出 | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN111738056B (zh) | 一种基于改进YOLO v3的重卡盲区目标检测方法 | |
CN109492665A (zh) | 水稻生育期的检测方法、装置及电子设备 | |
CN111291799A (zh) | 房间窗户分类模型构建方法、房间窗户分类方法及系统 | |
CN111126293A (zh) | 一种火焰和烟雾异常情况检测方法及系统 | |
CN107392251B (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
CN108710893A (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
CN114202643A (zh) | 基于多传感融合的苹果叶部病害识别终端及方法 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN113312999B (zh) | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 | |
CN112686152B (zh) | 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法 | |
CN116935221B (zh) | 一种基于物联网的植保无人机杂草深度学习检测方法 | |
CN106096527A (zh) | 一种实时高精度在线纸币面值的识别方法 | |
CN113537293A (zh) | 基于无人机和全卷积神经网络的小麦倒伏区域识别方法 | |
KR102416714B1 (ko) | 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법 | |
CN109829887A (zh) | 一种基于深度神经网络的图像质量评估方法 | |
CN110705698A (zh) | 尺度自适应感知的目标计数深度网络设计方法 | |
CN107886049B (zh) | 一种基于摄像探头的能见度识别预警方法 |
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: 20929960 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: 20929960 Country of ref document: EP Kind code of ref document: A1 |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 20929960 Country of ref document: EP Kind code of ref document: A1 |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 03/07/2023) |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 20929960 Country of ref document: EP Kind code of ref document: A1 |