CN112686152A - 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法 - Google Patents

一种多尺寸输入和多尺寸目标的农作物病虫害识别方法 Download PDF

Info

Publication number
CN112686152A
CN112686152A CN202011606979.9A CN202011606979A CN112686152A CN 112686152 A CN112686152 A CN 112686152A CN 202011606979 A CN202011606979 A CN 202011606979A CN 112686152 A CN112686152 A CN 112686152A
Authority
CN
China
Prior art keywords
ratio
test
train
sliding window
identification
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.)
Granted
Application number
CN202011606979.9A
Other languages
English (en)
Other versions
CN112686152B (zh
Inventor
苏家仪
韦光亮
王筱东
韦潇依
张玉国
苏世宁
滕毅有
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.)
Guangxi Talentcloud Information Technology Co ltd
Original Assignee
Guangxi Talentcloud Information Technology Co ltd
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 Guangxi Talentcloud Information Technology Co ltd filed Critical Guangxi Talentcloud Information Technology Co ltd
Priority to CN202011606979.9A priority Critical patent/CN112686152B/zh
Publication of CN112686152A publication Critical patent/CN112686152A/zh
Application granted granted Critical
Publication of CN112686152B publication Critical patent/CN112686152B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

  • Image Analysis (AREA)

Abstract

本发明公开了一种多尺寸输入和多尺寸目标的农作物病虫害识别方法，涉及图像识别技术领域，采集原始的农作物病虫害图像，并进行目标标注；将标注后的农作物病虫害图像转为数据集，数据集分为：训练集、验证集和测试集；构建目标检测网络；通过训练集和验证集对所述目标检测网络进行训练和验证；将测试集输入训练和验证后的目标检测网络进行模型推理，得到第一次推理结果，并对第一次推理结果进行滑窗识别、填充识别或非极大值抑制处理，从而进一步对第一次推理结果中的病虫害的叶片、果实进行检测得到最终识别结果，通过对模型推理环节进行优化，在不增加标注成本的情况下，能够有效提升模型对于多尺寸输入和多尺寸目标检测模型的召回率与精确率，进而提升农作物病虫害识别效果。

Description

一种多尺寸输入和多尺寸目标的农作物病虫害识别方法
技术领域
本发明属于图像识别技术领域，尤其涉及一种多尺寸输入和多尺寸目标的农作物病虫害识别方法。
背景技术
近年来随着人工智能技术在计算机视觉领域的快速发展，基于深度学习目标检测的农作物病虫害识别方法以非侵入式、速度快、低成本等优势成为研究热点。但病虫害识别模型在实际应用时通常会存在多尺寸输入和多尺寸目标的问题，多尺寸输入表示用户使用的拍摄相机不同，分辨率不同，即病虫害识别模型的输入是多尺寸的；多尺寸目标表示用户使用相机拍摄农作物时的角度、距离不可控，导致目标相对图像的尺寸也会发生变化，即病虫害识别模型的目标是多尺寸的。这两个问题导致病虫害识别模型在实际落地时可能出现严重漏检，影响用户体验。
目前，农作物病虫害识别有如下几种方法：图像分类的方法，对图片进行病虫害类别的分类，无法定位目标具***置，在实际应用中易受环境影响，特别是目标较小的情况，识别率较低；基于通用目标检测的方法，对目标位置进行矩形框定位，并识别目标的类别，识别效果易受训练集影响，需要补充各种尺寸的数据；实例分割的方法，对目标进行多边形区域定位，并识别目标类别，该方法标注成本高，速度较慢，同样需要补充各种尺寸的数据。
发明内容
本发明的目的在于提供一种多尺寸输入和多尺寸目标的农作物病虫害识别方法，从而克服了现有农作物病虫害识别率较低的缺点。
为实现上述目的，本发明提供了一种多尺寸输入和多尺寸目标的农作物病虫害识别方法包括以下步骤：
采集原始的农作物病虫害图像，并对所述原始的农作物病虫害图像中的病虫害的叶片、果实进行目标标注；
将标注后的农作物病虫害图像转为数据集，所述数据集分为：训练集、验证集和测试集；
构建目标检测网络；
通过所述训练集和验证集对所述目标检测网络进行训练和验证；
将所述测试集输入训练和验证后的目标检测网络进行模型推理，得到第一次推理结果，并对所述第一次推理结果进行滑窗识别、填充识别或非极大值抑制处理，得到最终识别结果。
优选地，将所述测试集输入训练和验证后的目标检测网络进行推理得到最终识别结果包括以下步骤：
将所述测试集中的测试图片输入训练和验证后的目标检测网络进行推理，得到第一次推理结果；
计算所述第一次推理结果中所有矩形框的宽高在相应的原始图片的宽高的平均占比test_w_ratio、test_h_ratio；在训练集中所有目标标注的矩形框的宽高在相应的原始图片的宽高的平均占比train_w_ratio、train_h_ratio；
将test_w_ratio、test_h_ratio与train_w_ratio、train_h_ratio进行比较；
若test_w_ratio<train_w_ratio且test_h_ratio<train_h_ratio，则对所述测试图片进行滑窗识别，后将每个滑窗识别的结果进行合并，并对合并后的滑窗进行非极大值抑制，选出最佳匹配矩形框，所述最佳匹配矩形框中的内容为所述测试图片最终的识别结果；
若test_w_ratio>train_w_ratio且test_h_ratio>train_h_ratio，则对所述测试图片进行填充，再将填充后的测试图片输入训练和验证后的目标检测网络进行识别，并进行非极大值抑制，得到最终的识别结果；
若test_w_ratio、test_h_ratio与train_w_ratio、train_h_ratio对比不属于test_w_ratio<train_w_ratio且test_h_ratio<train_h_ratio、test_w_ratio>train_w_ratio且test_h_ratio>train_h_ratio的情况时，则直接对所述测试图片进行非极大值抑制，得到所述测试图片最终的识别结果。
优选地，所述滑窗识别中滑窗的参数计算包括：
滑窗的高度win_h的计算如式(1)所示：
Figure BDA0002873844650000031
式(1)中，src_img_h为原始图片的高；
滑窗的宽度win_w的计算如式(2)所示：
Figure BDA0002873844650000032
式(2)中，src_img_w为原始图片的宽；
上下滑窗的步长step_h的计算如式(3)所示：
step_h＝α*win_h (3)
式(3)中，α为上下滑窗步长的比例；
左右滑窗的步长step_w的计算如式(4)所示：
step_w＝β*win_w (4)
式(4)中，β为左右滑窗步长的比例。
优选地，所述测试图片进行填充时，填充的参数计算包括：
高度填充pad_h的计算如式(5)所示：
Figure BDA0002873844650000033
宽度填充pad_w的计算如式(6)所示：
Figure BDA0002873844650000034
优选地，所述填充为零填充。
优选地，所述目标检测网络采用YOLO网络。
与现有的技术相比，本发明具有如下有益效果：
本发明所提供的一种多尺寸输入和多尺寸目标的农作物病虫害识别方法，采集原始的农作物病虫害图像，并对原始的农作物病虫害图像中的病虫害的叶片、果实进行目标标注；将标注后的农作物病虫害图像转为数据集，数据集分为：训练集、验证集和测试集；构建目标检测网络；通过训练集和验证集对所述目标检测网络进行训练和验证；将测试集输入训练和验证后的目标检测网络进行模型推理，得到第一次推理结果，并对第一次推理结果进行滑窗识别、填充识别或非极大值抑制处理，从而进一步对第一次推理结果中的病虫害的叶片、果实进行检测得到最终识别结果，通过对模型推理环节进行优化，在不增加标注成本的情况下，能够有效提升模型对于多尺寸输入和多尺寸目标检测模型的召回率与精确率，进而提升农作物病虫害识别效果。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的多尺寸输入和多尺寸目标的农作物病虫害识别方法的流程图；
图2为本发明实施例模型推理流程图；
图3为本发明实施例中滑窗识别的示意图；
图4为本发明的实施例中填充识别的示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明所提供的多尺寸输入和多尺寸目标的农作物病虫害识别方法包括以下步骤：
采集原始的农作物病虫害图像，并对原始的农作物病虫害图像中的病虫害的叶片、果实进行目标标注；
将标注后的农作物病虫害图像转为数据集，数据集分为：训练集、验证集和测试集；
构建目标检测网络；
通过训练集和验证集对所述目标检测网络进行训练和验证；
将测试集输入训练和验证后的目标检测网络进行模型推理，得到第一次推理结果，并对第一次推理结果进行滑窗识别、填充识别或非极大值抑制处理，从而进一步对第一次推理结果中的对病虫害的叶片、果实进行检测得到最终识别结果。
其中，将测试集输入训练和验证后的目标检测网络进行推理得到最终识别结果包括以下步骤：
将测试集中的测试图片输入训练和验证后的目标检测网络进行推理，得到第一次推理结果；
计算第一次推理结果中所有矩形框的宽高在相应的原始图片的宽高的平均占比test_w_ratio、test_h_ratio；在训练集中所有目标标注的矩形框的宽高在相应的原始图片的宽高的平均占比train_w_ratio、train_h_ratio；
将test_w_ratio、test_h_ratio与train_w_ratio、train_h_ratio进行比较；
若test_w_ratio<train_w_ratio且test_h_ratio<train_h_ratio，则对测试图片进行滑窗识别，后将每个滑窗识别的结果进行合并，并对合并后的滑窗进行非极大值抑制操作，选出最佳匹配矩形框，最佳匹配矩形框中的内容为所述测试图片最终的识别结果，即测试图片中最佳匹配矩形框所中的图像为病虫害的叶片、果实。滑窗识别通过对原图进行滑窗的方式，针对不同尺寸输入的图像，调整目标相对图像的宽高占比为训练集的宽高平均占比，提升小尺寸目标的检测效果，并通过对滑窗识别结果的非极大值抑制操作，最终提升模型的整体召回率与精确率；
若test_w_ratio>train_w_ratio且test_h_ratio>train_h_ratio，则对所述测试图片进行填充，再将填充后的测试图片输入训练和验证后的目标检测网络进行识别，并进行非极大值抑制操作，得到最终的识别结果。填充识别通过对原图进行填充的方式，针对不同尺寸输入的图像，调整目标相对图像的宽高占比为训练集的宽高平均占比，提升大尺寸目标的检测效果，进而提升模型的整体召回率与精确率；
若test_w_ratio、test_h_ratio与train_w_ratio、train_h_ratio对比不属于test_w_ratio<train_w_ratio且test_h_ratio<train_h_ratio、test_w_ratio>train_w_ratio且test_h_ratio>train_h_ratio的情况时，则直接对所述测试图片进行非极大值抑制操作，得到所述测试图片最终的识别结果。
在滑窗识别中，滑窗的参数计算包括：滑窗的高度win_h
滑窗的高度win_h的计算如式(1)所示：
Figure BDA0002873844650000061
式(1)中，src_img_h为原始图片的高；
滑窗的宽度win_w的计算如式(2)所示：
Figure BDA0002873844650000062
式(2)中，src_img_w为原始图片的宽；
上下滑窗的步长step_h的计算如式(3)所示：
step_h＝α*win_h (3)
式(3)中，α为上下滑窗步长的比例；
左右滑窗的步长step_w的计算如式(4)所示：
step_w＝β*win_w (4)
式(4)中，β为左右滑窗步长的比例。
测试图片进行填充采用零填充；填充的参数计算包括：
高度填充pad_h的计算如式(5)所示：
Figure BDA0002873844650000063
宽度填充pad_w的计算如式(6)所示：
Figure BDA0002873844650000064
对本发明多尺寸输入和多尺寸目标的农作物病虫害识别方法的其中一个实施例进行详细说明，以使本领域技术人员更了解本发明：
S1、采集原始的农作物病虫害图像，并通过labelme工具对农作物病虫害图像的病虫害叶片、果实进行矩形框标注；
S2、将步骤S1进行矩形框标注后的数据转换成COCO格式的目标检测数据集，并按0.8:0.1:0.1的比例随机划分为训练集、验证集与测试集，统计训练集中所有目标矩形框的宽高相对相应的原始图片的宽高的平均占比train_w_ratio、train_h_ratio；
S3、采用YOLOv5作为基础的目标检测网络，将步骤S2中训练集的图片缩放至608x608x3作为目标检测网络的输入，经过YOLOv5进行特征提取，得到3种不同尺寸的输出层，输出层尺寸越小，负责检测的物体越大，并分别对三个输出层通过损失函数计算损失，进行损失求和，最终的损失值经过反向传播，对模型参数进行更新；
S4、将步骤S2中的训练集输入至步骤S3得到的目标检测网络进行训练，后通过步骤S2中的验证集输入训练后的目标检测网络进行验证；
S5、将步骤S2中的测试集输入步骤S4得到的目标检测网络进行模型推理得到最终识别结果，图2示出了本申请较佳实施例提供的模型推理的流程图，具体包括以下步骤：
S51、将步骤S2中的测试集输入步骤S4得到的目标检测网络进行模型推理，得到第一次的推理结果后，分别计算第一次的推理结果中所有矩形框宽高相对原始图片宽高的平均占比test_w_ratio、test_h_ratio；
S52、将test_w_ratio、test_h_ratio与train_w_ratio、train_h_ratio进行比较；若test_w_ratio<train_w_ratio且test_h_ratio<train_h_ratio，则如图3所示，通过公式(1)～(4)换算出滑窗参数：滑窗高度win_h、滑窗宽度win_w、上下滑窗步长step_h以及左右滑窗步长step_w，其中，上下滑窗步长α和左右滑窗步长β的区间是0～1，保持每个窗之间一定的重叠率，通常设置为0.5，计算好滑窗参数后，对测试图片进行滑窗识别，最后将每个滑窗识别的结果进行合并，并进行非极大值抑制操作，选出最佳匹配矩形框，得到该测试图片最终的识别结果；否则进入步骤S53；
S53、若test_w_ratio>train_w_ratio且test_h_ratio>train_h_ratio，则如图4所示，按公式(5)～(6)换算出填充参数：高度填充pad_h以及宽度填充pad_w，计算好填充参数后，对原图进行零填充，再将填充后的图片输入至步骤S4得到的目标检测网络进行识别，并进行非极大值抑制操作，得到最终的识别结果；否则进入步骤S54；
S54、对第一次的推理结果直接进行非极大值抑制操作后，输出最终的识别结果。
通过对模型推理环节进行优化，在不增加标注成本的情况下，能够有效提升模型对于多尺寸输入和多尺寸目标检测模型的召回率与精确率，进而提升农作物病虫害识别效果。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种多尺寸输入和多尺寸目标的农作物病虫害识别方法，其特征在于：包括以下步骤：
采集原始的农作物病虫害图像，并对所述原始的农作物病虫害图像中的病虫害的叶片、果实进行目标标注；
将标注后的农作物病虫害图像转为数据集，所述数据集分为：训练集、验证集和测试集；
构建目标检测网络；
通过所述训练集和验证集对所述目标检测网络进行训练和验证；
将所述测试集输入训练和验证后的目标检测网络进行模型推理，得到第一次推理结果，并对所述第一次推理结果进行滑窗识别、填充识别或非极大值抑制处理，得到最终识别结果。
2.根据权利要求1所述的，多尺寸输入和多尺寸目标的农作物病虫害识别方法，其特征在于：将所述测试集输入训练和验证后的目标检测网络进行推理得到最终识别结果包括以下步骤：
将所述测试集中的测试图片输入训练和验证后的目标检测网络进行推理，得到第一次推理结果；
计算所述第一次推理结果中所有矩形框的宽高在相应的原始图片的宽高的平均占比test_w_ratio、test_h_ratio；在训练集中所有目标标注的矩形框的宽高在相应的原始图片的宽高的平均占比train_w_ratio、train_h_ratio；
将test_w_ratio、test_h_ratio与train_w_ratio、train_h_ratio进行比较；
若test_w_ratio<train_w_ratio且test_h_ratio<train_h_ratio，则对所述测试图片进行滑窗识别，后将每个滑窗识别的结果进行合并，并对合并后的滑窗进行非极大值抑制，选出最佳匹配矩形框，所述最佳匹配矩形框中的内容为所述测试图片最终的识别结果；
若test_w_ratio>train_w_ratio且test_h_ratio>train_h_ratio，则对所述测试图片进行填充，再将填充后的测试图片输入训练和验证后的目标检测网络进行识别，并进行非极大值抑制，得到最终的识别结果；
若test_w_ratio、test_h_ratio与train_w_ratio、train_h_ratio对比不属于test_w_ratio<train_w_ratio且test_h_ratio<train_h_ratio、test_w_ratio>train_w_ratio且test_h_ratio>train_h_ratio的情况时，则直接对所述测试图片进行非极大值抑制，得到所述测试图片最终的识别结果。
3.根据权利要求2所述的，多尺寸输入和多尺寸目标的农作物病虫害识别方法，其特征在于：所述滑窗识别中，滑窗的参数计算包括：
滑窗的高度win_h的计算如式(1)所示：
Figure FDA0002873844640000021
式(1)中，src_img_h为原始图片的高；
滑窗的宽度win_w的计算如式(2)所示：
Figure FDA0002873844640000022
式(2)中，src_img_w为原始图片的宽；
上下滑窗的步长step_h的计算如式(3)所示：
step_h＝α*win_h (3)
式(3)中，α为上下滑窗步长的比例；
左右滑窗的步长step_w的计算如式(4)所示：
step_w＝β*win_w (4)
式(4)中，β为左右滑窗步长的比例。
4.根据权利要求2所述的，多尺寸输入和多尺寸目标的农作物病虫害识别方法，其特征在于：所述测试图片进行填充时，填充的参数计算包括：
高度填充pad_h的计算如式(5)所示：
Figure FDA0002873844640000023
宽度填充pad_w的计算如式(6)所示：
Figure FDA0002873844640000031
5.根据权利要求2所述的，多尺寸输入和多尺寸目标的农作物病虫害识别方法，其特征在于：所述填充为零填充。
6.根据权利要求1所述的，多尺寸输入和多尺寸目标的农作物病虫害识别方法，其特征在于：所述目标检测网络采用YOLO网络。
CN202011606979.9A 2020-12-30 2020-12-30 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法 Active CN112686152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011606979.9A CN112686152B (zh) 2020-12-30 2020-12-30 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011606979.9A CN112686152B (zh) 2020-12-30 2020-12-30 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法

Publications (2)

Publication Number Publication Date
CN112686152A true CN112686152A (zh) 2021-04-20
CN112686152B CN112686152B (zh) 2023-06-09

Family

ID=75454817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011606979.9A Active CN112686152B (zh) 2020-12-30 2020-12-30 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法

Country Status (1)

Country Link
CN (1) CN112686152B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
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
CN114842300A (zh) * 2022-05-11 2022-08-02 安徽农业大学 一种适应雨天环境的农作物病虫害检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818302A (zh) * 2017-10-20 2018-03-20 中国科学院光电技术研究所 基于卷积神经网络的非刚性多尺度物体检测方法
CN110120036A (zh) * 2019-04-17 2019-08-13 杭州数据点金科技有限公司 一种多尺度的轮胎x光病疵检测方法
CN110781839A (zh) * 2019-10-29 2020-02-11 北京环境特性研究所 一种基于滑窗的大尺寸图像中小目标识别方法
CN111797760A (zh) * 2020-07-02 2020-10-20 绵阳职业技术学院 基于Retinanet改进的农作物病虫害识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818302A (zh) * 2017-10-20 2018-03-20 中国科学院光电技术研究所 基于卷积神经网络的非刚性多尺度物体检测方法
CN110120036A (zh) * 2019-04-17 2019-08-13 杭州数据点金科技有限公司 一种多尺度的轮胎x光病疵检测方法
CN110781839A (zh) * 2019-10-29 2020-02-11 北京环境特性研究所 一种基于滑窗的大尺寸图像中小目标识别方法
CN111797760A (zh) * 2020-07-02 2020-10-20 绵阳职业技术学院 基于Retinanet改进的农作物病虫害识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
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***
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
CN114842300A (zh) * 2022-05-11 2022-08-02 安徽农业大学 一种适应雨天环境的农作物病虫害检测方法
CN114842300B (zh) * 2022-05-11 2024-05-03 安徽农业大学 一种适应雨天环境的农作物病虫害检测方法

Also Published As

Publication number Publication date
CN112686152B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN112686152A (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
CN111723654B (zh) 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置
CN110909690B (zh) 一种基于区域生成的遮挡人脸图像检测方法
CN113392775B (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
CN110532970B (zh) 人脸2d图像的年龄性别属性分析方法、***、设备和介质
CN115661943B (zh) 一种基于轻量级姿态评估网络的跌倒检测方法
CN113657294B (zh) 一种基于计算机视觉的作物病虫害检测方法及***
CN110097107A (zh) 基于卷积神经网络的苹果树干病害识别与分类方法
CN113298023B (zh) 一种基于深度学习及图像技术的昆虫动态行为识别方法
CN112862849B (zh) 一种基于图像分割和全卷积神经网络的田间稻穗计数方法
CN107563299B (zh) 一种利用ReCNN融合上下文信息的行人检测方法
CN113159300A (zh) 图像检测神经网络模型及其训练方法、图像检测方法
CN103729620B (zh) 一种基于多视角贝叶斯网络的多视角行人检测方法
CN114202643A (zh) 基于多传感融合的苹果叶部病害识别终端及方法
CN114663769B (zh) 一种基于YOLO v5的水果识别方法
CN111339950B (zh) 一种遥感图像目标检测方法
CN114758132B (zh) 一种基于卷积神经网络的果树病虫害识别方法及***
CN115050020A (zh) 一种基于改进Mask R-CNN草莓叶面积的智能视觉检测方法及***
Victoriano et al. Automated detection and identification of olive fruit fly using yolov7 algorithm
CN115249357A (zh) 基于半监督SPM-YOLOv5的套袋柑橘检测方法
CN115588150A (zh) 基于改进YOLOv5-L的宠物犬视频目标检测方法及***
CN115147835A (zh) 一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法
CN114140428A (zh) 基于YOLOv5的落叶松毛虫虫害检测识别方法及***
Deng et al. A paddy field segmentation method combining attention mechanism and adaptive feature fusion
Gai et al. Yolov5s-cherry: Cherry target detection in dense scenes based on improved yolov5s algorithm

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