CN108304818A - 一种蚊媒图像自动识别方法 - Google Patents
一种蚊媒图像自动识别方法 Download PDFInfo
- Publication number
- CN108304818A CN108304818A CN201810136379.7A CN201810136379A CN108304818A CN 108304818 A CN108304818 A CN 108304818A CN 201810136379 A CN201810136379 A CN 201810136379A CN 108304818 A CN108304818 A CN 108304818A
- Authority
- CN
- China
- Prior art keywords
- mosquito
- mosquito matchmaker
- matchmaker
- image
- automatic distinguishing
- 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
- 241000255925 Diptera Species 0.000 title claims abstract description 197
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 28
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 241000256186 Anopheles <genus> Species 0.000 claims description 5
- 241000256118 Aedes aegypti Species 0.000 claims description 4
- 241000256054 Culex <genus> Species 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 230000007774 longterm Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 208000035473 Communicable disease Diseases 0.000 description 8
- 208000015181 infectious disease Diseases 0.000 description 7
- 208000001490 Dengue Diseases 0.000 description 3
- 206010012310 Dengue fever Diseases 0.000 description 3
- 208000025729 dengue disease Diseases 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 102000002322 Egg Proteins Human genes 0.000 description 2
- 108010000912 Egg Proteins Proteins 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006806 disease prevention Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000004681 ovum Anatomy 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000256173 Aedes albopictus Species 0.000 description 1
- 241000256060 Culex tritaeniorhynchus Species 0.000 description 1
- 241000256113 Culicidae Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000005667 attractant Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000031902 chemoattractant activity Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 206010014599 encephalitis Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000029264 phototaxis Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种蚊媒图像自动识别方法,建立Faster R‑CNN框架模型,输入蚊媒图像,结合VGG‑16模型对蚊媒图像进行特征提取,采用全卷积神经网络生成与蚊子尸体一一对应的蚊媒提取窗口,将蚊媒提取窗口映射到特征层之上,将每个蚊媒提取窗口基于最大值池化理论划分成固定尺寸的特征层,利用探测分类概率对每个蚊媒提取窗口中的蚊子尸体进行分类;由于采用了Faster R‑CNN框架模型和VGG‑16模型理论,一改传统蚊媒监测***的纯人工检查监测手段,不仅节省了大量人力物力,并有利于实现对蚊媒的在线实时智能监测功能,可迅速准确获得蚊媒监测结果,操作简单、节省人力,能现场快速检测,可满足大面积的现场检测工作需要以及长期全面高效蚊媒监测的需求,具有很强的实用价值。
Description
技术领域
本发明涉及蚊媒监测方法领域,尤其涉及的是一种蚊媒图像自动识别方法。
背景技术
随着全球化、气候变化和城市化进程的加速,近年来登革热、基孔肯亚热、寨卡等蚊媒传染病在全球范围内呈扩散趋势,中国也面临巨大的蚊媒传染病防控压力。
例如,白纹伊蚊和三带喙库蚊等蚊媒是传播登革热和流行性乙型脑炎等传染病的重要媒介,其将病原生物从宿主传播给人类,对人类健康带来巨大危害,严重威胁到人民的生命财产安全。而对蚊媒进行监测是进行蚊媒传染病防控的关键,不仅有利于了解蚊虫的种属构成和密度分布,还可对蚊媒传染病流行提供预警和风险分析。
目前,中国国内蚊媒监测的常用方法有人工叮咬法、人帐诱捕法、紫外灯诱捕法、CO2诱捕法、黑箱法、灭蚊磁场法、BGS诱蚊器、诱蚊诱卵法等等。人工叮咬法和人帐诱捕法虽操作简单,但存在易使操作者感染疾病的风险;紫外灯诱捕法利用蚊虫的趋光性捕捉蚊虫,使用范围广,但其本身对蚊类的吸引力不强;CO2诱捕法以CO2作为引诱剂,安全无害,且更倾向于吸引雌蚊,但有研究认为该法对库蚊与按蚊的捕捉效果欠佳;黑箱法设备简单、易操作,但有研究指出可能不适用于捕获按蚊;灭蚊磁场法因无需外接电源,主要应用于蚊害严重的偏远地区;BGS诱蚊器需要动力来源且成本较高;而诱蚊诱卵法多适用于登革媒介白纹伊蚊种群的监测。因而,大多蚊媒监测方法都有其缺点和局限性,不能满足长期全面高效蚊媒监测的需求。
此外,目前传统的蚊媒监测多是先通过上述方法捕捉蚊虫后,再通过人工肉眼清点记录捕获的蚊虫数量和种类。少数或在显微镜下逐个检查测定蚊虫,或使用一些新兴的检测方法,如酶学方法和分子生物学方法等进行监测。但是,这些检测方法都耗费人力,操作步骤繁琐,受人为因素的影响较大,不够客观和科学,难以指导传染病的防控工作,且不能现场快速检测,难以满足大面积的现场监测工作需要。
发明内容
为解决上述技术问题,本发明提供一种蚊媒图像自动识别方法,操作简单、节省人力,能现场快速检测,可满足大面积的现场检测工作需要以及长期全面高效蚊媒监测的需求。
本发明的技术方案如下:一种蚊媒图像自动识别方法,包括以下步骤:
A、建立Faster R-CNN框架模型,输入蚊媒图像;
B、结合VGG-16模型,对蚊媒图像进行特征提取,得到特征层;
C、采用全卷积神经网络生成与蚊子尸体一一对应的蚊媒提取窗口;
D、将蚊媒提取窗口映射到特征层之上;
E、将每个蚊媒提取窗口基于最大值池化理论划分成固定尺寸的特征层;
F、利用探测分类概率对每个蚊媒提取窗口中的蚊子尸体进行分类。
所述的蚊媒图像自动识别方法,其中,所述步骤A包括:
A1、对蚊媒图像的大小进行统一标准化处理;
A2、采用Gamma校正算法对标准化后的蚊媒图像进行光照规整处理;
A3、采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
所述的蚊媒图像自动识别方法,其中,在所述步骤A1中,将所述蚊媒图像的大小统一为3264×2368×3。
所述的蚊媒图像自动识别方法,其中,在所述步骤A2中,将Gamma校正算法中gamma的取值范围设定在0.4~2.2之间。
所述的蚊媒图像自动识别方法,其中,将所述步骤A中的蚊媒图像分成蚊媒训练样本库和待识别的蚊媒图像库,通过所述蚊媒训练样本库对Faster R-CNN框架模型进行训练,且基于Faster R-CNN框架的识别统计结果迭代所述蚊媒训练样本库;另采用蚊媒检测装置获得待识别的蚊媒图像库。
所述的蚊媒图像自动识别方法,其中,将所述蚊媒训练样本库分成初始蚊媒训练样本和后续蚊媒训练样本,通过对实验室养殖或野外捕获并经***处死的蚊子尸体进行拍照获得所述初始蚊媒训练样本的蚊媒图像,且根据后续蚊媒图像处理的结果不断更新所述后续蚊媒训练样本的蚊媒图像。
所述的蚊媒图像自动识别方法,其中,对实验室养殖或野外捕获并经***处死的蚊子尸体进行拍照的次数超过100次,以获得所述初始蚊媒训练样本,并采用人工方式对初始蚊媒训练样本的蚊媒图像进行标记,且标记超过5000只的蚊子尸体数量。
所述的蚊媒图像自动识别方法,其中,在所述步骤C中,将所述全卷积神经网络中每个候选区域的初始窗口大小设定为64×64,48×84,84×48。
所述的蚊媒图像自动识别方法,其中,在所述步骤E中,将每个蚊媒提取窗口划分成固定尺寸7×7的特征层。
所述的蚊媒图像自动识别方法,其中,在所述步骤F中,将蚊子尸体的种类分为库蚊、伊蚊和按蚊三个类别。
本发明所提供的一种蚊媒图像自动识别方法,由于采用了Faster R-CNN框架模型和VGG-16模型理论,一改传统蚊媒监测***的纯人工检查监测手段,不仅节省了大量人力物力,并有利于实现对蚊媒的在线实时智能监测功能,可迅速准确获得蚊媒监测结果,操作简单、节省人力,能现场快速检测,可满足大面积的现场检测工作需要以及长期全面高效蚊媒监测的需求,具有很强的实用价值,且人为因素影响较小,较为客观和科学,适合指导蚊媒传染病的防控工作。
附图说明
图1是本发明蚊媒图像自动识别方法实施例的流程图;
图2是本发明蚊媒图像自动识别方法所用Faster R-CNN框架模型结构示意图。
具体实施方式
以下将结合附图,对本发明的具体实施方式和实施例加以详细说明,所描述的具体实施例仅用以解释本发明,并非用于限定本发明的具体实施方式。
如图1所示,图1是本发明蚊媒图像自动识别方法实施例的流程图,该蚊媒图像自动识别方法,用在后台服务器中,包括以下步骤:
步骤S110、建立Faster R-CNN框架模型,输入蚊媒图像;本文中的Faster R-CNN框架模型200指的是深度学习Faster R-CNN框架模型,借鉴和参考了S. Ren, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.”Advances in Neural Information Processing Systems. 2015文献,并将其用于蚊媒图像的识别方法中;结合图2所示,图2是本发明蚊媒图像自动识别方法所用Faster R-CNN框架模型结构示意图;
步骤S120、将蚊媒图像201输入VGG-16模型210,进行特征提取,得到特征层(Featuremaps)220;本文中的VGG-16模型210借鉴和参考了K. Simonyan and A. Zisserman. VeryDeep Convolutional Networks for Large-Scale Image RecognitionVery deepconvolutional networks for large-scale image recognition. ArXiv TechnicalReport, 2014文献,并将其用于蚊媒图像的识别方法中;
步骤S130、采用全卷积神经网络生成与蚊子尸体一一对应的蚊媒提取窗口202;所述全卷积神经网络可以接受任意尺寸的输入图像,并采用反卷积层对最后一个卷积层的特征层Feature map进行上采样,使它恢复到输入图像相同的尺寸,从而可以对每个像素都产生一个预测,同时也保留了原始输入图像中的空间信息,便于最后在采样的特征图上进行逐像素分类;图1中的RPN指的是区域建议网络模块240,作为Faster R-CNN框架模型200的一部分,该区域建议网络模块240就是一种全卷积神经网络,用于提取候选框即蚊媒区域;在特征层(Feature maps)220的基础上,用RPN生成蚊媒提取窗口(Proposals)202a,每张图片中的每只蚊子尸体对应一个蚊媒提取窗口202a;
步骤S140、将蚊媒提取窗口202a映射到特征层(Feature maps)220之上;
步骤S150、基于最大值池化(Max-pooling)理论,将每个蚊媒提取窗口202a划分成固定尺寸的特征层(Feature maps)230;所谓的最大值池化(Max-pooling)指的是选取图像区域的最大值作为该区域池化(Pooling)后的值;
步骤S160、利用探测分类概率(Softmax Loss),对每个蚊媒提取窗口202a中的蚊子尸体进行分类,并输出识别后的蚊媒图像203;所谓的探测分类概率指的是Softmax损失函数。
在本发明蚊媒图像自动识别方法的优选实施方式中,为提高蚊媒图像的识别率,步 骤S110还包括对蚊媒图像201进行标准化、光照校正和去噪处理的步骤,具体包括:
步骤S111、对蚊媒图像201的大小进行统一标准化处理;优选地,将所述蚊媒图像201的大小统一为3264×2368×3;
步骤S112、采用Gamma校正算法对标准化后的蚊媒图像201进行光照规整处理;本文中的 Gamma校正算法公式为Iout=Iin gamma,其中gamma的取值范围设定在0.4~2.2之间; 步骤S113、采用高斯低通滤波算法对光照规整后的蚊媒图像201进行去噪处理。
在本发明蚊媒图像自动识别方法的优选实施方式中,较好的是,将所述步骤S110中的蚊媒图像201分成蚊媒训练样本库和待识别的蚊媒图像库,通过所述蚊媒训练样本库对Faster R-CNN框架模型进行训练,且基于Faster R-CNN框架的识别统计结果迭代所述蚊媒训练样本库,以适应蚊媒种类及其尸体姿态的多样性;另外采用蚊媒检测装置获得待识别的蚊媒图像库。
进一步地,将所述蚊媒训练样本库分成初始蚊媒训练样本和后续蚊媒训练样本,通过对实验室养殖或野外捕获并经***处死的蚊子尸体进行拍照获得所述初始蚊媒训练样本的蚊媒图像,且根据后续蚊媒图像处理的结果不断更新所述后续蚊媒训练样本的蚊媒图像。
具体的,对实验室养殖或野外捕获并经***处死的蚊子尸体进行拍照的次数超过100次,以获得所述初始蚊媒训练样本,并采用人工方式对初始蚊媒训练样本的蚊媒图像进行标记,且标记超过5000只的蚊子尸体数量。
在所述步骤S130中,优选地,针对蚊媒图像201中蚊子的形状和大小,将所述全卷积神经网络中每个候选区域的初始窗口大小设定为64×64,48×84,84×48,由此可以节省大量的计算时间和存储容量。
在所述步骤S150中,优选地,将每个蚊媒提取窗口202a划分成固定尺寸7×7的特征层(Feature maps)230。
在本发明蚊媒图像自动识别方法的优选实施方式中,可将蚊子及其尸体的种类分为库蚊、伊蚊和按蚊三个类别。
本发明的蚊媒图像自动识别方法,较好地克服了目前蚊媒监测工作中存在的问题和技术难点,可大幅提高中国国内对蚊媒传染病的监测能力,进一步掌握中国国内重点传染病的发病规律和流行趋势,有助形成科学有效的传染病风险评估体系,并为疾病防控提供科学理论依据。
应当理解的是,以上所述仅为本发明的较佳实施例而已,并不足以限制本发明的技术方案,对本领域普通技术人员来说,在本发明的精神和原则之内,可以根据上述说明加以增减、替换、变换或改进,而所有这些增减、替换、变换或改进后的技术方案,都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种蚊媒图像自动识别方法,其特征在于,包括以下步骤:
A、建立Faster R-CNN框架模型,输入蚊媒图像;
B、结合VGG-16模型,对蚊媒图像进行特征提取,得到特征层;
C、采用全卷积神经网络生成与蚊子尸体一一对应的蚊媒提取窗口;
D、将蚊媒提取窗口映射到特征层之上;
E、将每个蚊媒提取窗口基于最大值池化理论划分成固定尺寸的特征层;
F、利用探测分类概率对每个蚊媒提取窗口中的蚊子尸体进行分类。
2.根据权利要求1所述的蚊媒图像自动识别方法,其特征在于,所述步骤A包括:
A1、对蚊媒图像的大小进行统一标准化处理;
A2、采用Gamma校正算法对标准化后的蚊媒图像进行光照规整处理;
A3、采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
3.根据权利要求2所述的蚊媒图像自动识别方法,其特征在于:在所述步骤A1中,将所述蚊媒图像的大小统一为3264×2368×3。
4.根据权利要求2所述的蚊媒图像自动识别方法,其特征在于:在所述步骤A2中,将Gamma校正算法中gamma的取值范围设定在0.4~2.2之间。
5.根据权利要求1所述的蚊媒图像自动识别方法,其特征在于:将所述步骤A中的蚊媒图像分成蚊媒训练样本库和待识别的蚊媒图像库,通过所述蚊媒训练样本库对Faster R-CNN框架模型进行训练,且基于Faster R-CNN框架的识别统计结果迭代所述蚊媒训练样本库;另采用蚊媒检测装置获得待识别的蚊媒图像库。
6.根据权利要求5所述的蚊媒图像自动识别方法,其特征在于:将所述蚊媒训练样本库分成初始蚊媒训练样本和后续蚊媒训练样本,通过对实验室养殖或野外捕获并经***处死的蚊子尸体进行拍照获得所述初始蚊媒训练样本的蚊媒图像,且根据后续蚊媒图像处理的结果不断更新所述后续蚊媒训练样本的蚊媒图像。
7.根据权利要求6所述的蚊媒图像自动识别方法,其特征在于:对实验室养殖或野外捕获并经***处死的蚊子尸体进行拍照的次数超过100次,以获得所述初始蚊媒训练样本,并采用人工方式对初始蚊媒训练样本的蚊媒图像进行标记,且标记超过5000只的蚊子尸体数量。
8.根据权利要求1所述的蚊媒图像自动识别方法,其特征在于:在所述步骤C中,将所述全卷积神经网络中每个候选区域的初始窗口大小设定为64×64,48×84,84×48。
9.根据权利要求1所述的蚊媒图像自动识别方法,其特征在于:在所述步骤E中,将每个蚊媒提取窗口划分成固定尺寸7×7的特征层。
10.根据权利要求1所述的蚊媒图像自动识别方法,其特征在于:在所述步骤F中,将蚊子尸体的种类分为库蚊、伊蚊和按蚊三个类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810136379.7A CN108304818A (zh) | 2018-02-09 | 2018-02-09 | 一种蚊媒图像自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810136379.7A CN108304818A (zh) | 2018-02-09 | 2018-02-09 | 一种蚊媒图像自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304818A true CN108304818A (zh) | 2018-07-20 |
Family
ID=62865153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810136379.7A Pending CN108304818A (zh) | 2018-02-09 | 2018-02-09 | 一种蚊媒图像自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304818A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963742B2 (en) | 2018-11-02 | 2021-03-30 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11048928B1 (en) | 2020-02-04 | 2021-06-29 | University Of South Florida | Systems and methods of entomology classification based on extracted anatomies |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332086A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于双阈值局部二进制模式的人脸识别方法 |
CN106548192A (zh) * | 2016-09-23 | 2017-03-29 | 北京市商汤科技开发有限公司 | 基于神经网络的图像处理方法、装置和电子设备 |
CN107247955A (zh) * | 2016-07-29 | 2017-10-13 | 竹间智能科技(上海)有限公司 | 配件识别方法及装置 |
CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
-
2018
- 2018-02-09 CN CN201810136379.7A patent/CN108304818A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332086A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于双阈值局部二进制模式的人脸识别方法 |
CN107247955A (zh) * | 2016-07-29 | 2017-10-13 | 竹间智能科技(上海)有限公司 | 配件识别方法及装置 |
CN106548192A (zh) * | 2016-09-23 | 2017-03-29 | 北京市商汤科技开发有限公司 | 基于神经网络的图像处理方法、装置和电子设备 |
CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963742B2 (en) | 2018-11-02 | 2021-03-30 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11501113B2 (en) | 2018-11-02 | 2022-11-15 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11989936B2 (en) | 2018-11-02 | 2024-05-21 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11048928B1 (en) | 2020-02-04 | 2021-06-29 | University Of South Florida | Systems and methods of entomology classification based on extracted anatomies |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726652B (zh) | 一种基于卷积神经网络检测值班人员睡觉行为的方法 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN109543679A (zh) | 一种基于深度卷积神经网络的死鱼识别方法及预警*** | |
CN108334938A (zh) | 一种基于图像识别的蚊媒自动监测*** | |
Qing et al. | Development of an automatic monitoring system for rice light-trap pests based on machine vision | |
CN110046631A (zh) | 用于自动推断时空图像的变化的***和方法 | |
CN108921039A (zh) | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 | |
WO2019126971A1 (zh) | 一种基于机器视觉的虫害监测方法 | |
EP4161258A1 (en) | Insect monitoring system and method | |
CN114359727B (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及*** | |
CN105701467A (zh) | 一种基于人体形态特征的多人异常行为识别方法 | |
US10963742B2 (en) | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species | |
CN112270681B (zh) | 一种黄板害虫深度检测与计数方法与*** | |
Huang et al. | A vector mosquitoes classification system based on edge computing and deep learning | |
CN109902613A (zh) | 一种基于迁移学习和图像增强的人体特征提取方法 | |
CN107464260A (zh) | 一种采用无人机的水稻冠层图像处理方法 | |
CN108734277A (zh) | 一种基于卷积神经网络的靶向药物喷洒方法 | |
CN114049550A (zh) | 基于深度学习的笼养死亡肉鸡自动识别方法 | |
CN108304818A (zh) | 一种蚊媒图像自动识别方法 | |
CN107610122A (zh) | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 | |
CN104007733B (zh) | 一种对农业集约化生产进行监控的***及方法 | |
CN111352349A (zh) | 对老年人居住环境进行信息采集和调节的***及方法 | |
CN110245604B (zh) | 基于卷积神经网络的蚊虫识别方法 | |
CN107392251A (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
CN110634557B (zh) | 一种基于深度神经网络的医护资源辅助调配方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |