CN115115887A - 基于TSD-Faster RCNN的农作物害虫检测方法及其网络 - Google Patents
基于TSD-Faster RCNN的农作物害虫检测方法及其网络 Download PDFInfo
- Publication number
- CN115115887A CN115115887A CN202210812056.1A CN202210812056A CN115115887A CN 115115887 A CN115115887 A CN 115115887A CN 202210812056 A CN202210812056 A CN 202210812056A CN 115115887 A CN115115887 A CN 115115887A
- Authority
- CN
- China
- Prior art keywords
- tsd
- network
- frames
- anchor
- crop pest
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于TSD‑Faster RCNN的农作物害虫检测方法及其网络,方法包括以下步骤:S1:将农作物害虫检测图像输入到主干网络以生成图像的特征图;S2:将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R‑CNN中;S3:在区域提案网络RPN中,使用结构感知距离TSD计算预测锚框和真实锚框的相似度,使用分段结构感知损失函数TSD Loss计算回归损失,RPN返回粗糙的候选框至R‑CNN中;S4:使用R‑CNN将所有候选框修改为相同大小,候选框被传递到全连接层以对对象进行分类并预测边界框。本发明能够提升对于小目标害虫的检测精度,以满足对于害虫的智能防治的需求。
Description
技术领域
本发明涉及农作物害虫检测技术领域,特别是涉及一种基于TSD-Faster RCNN的农作物害虫检测方法及其网络。
背景技术
众所周知,农业生产受到了农作物害虫侵蚀的极大制约,给全球农业经济带来了极大损失。因此,对于害虫的智能检测与信息化防治变得格外重要。而由于害虫数量繁多、外观相似难以辨别,害虫识别主要依靠于农业专家的丰富经验和专业知识,耗时耗力,难以满足全国范围内的大面积害虫检测、识别、预警和绿色生产的需要。随着智慧农业和精细农业的发展,做好农作物害虫的信息化防治必不可少。
传统上,识别害虫的种群信息,主要依靠于农技人员的经验鉴别,一方面,由于底层工作的繁重与辛苦,从事此行业的技术人员越来越少;另一方面,过度依赖人工经验,存在主观上的局限性和工作上的低效性,难以满足大范围内害虫高效智能检测的需要。
而随着深度学习的发展,逐渐被广泛应用于许多视觉任务,尤其是目标检测相关的视觉任务,它在许多工作上实现了最先进的性能。由于其优异的性能,大多数研究者更加重视深度学习,并将其引入到农作物害虫图像的识别与检测中,这使得对于农作物害虫检测的高效智能化成为可能。尽管如此,针对害虫的目标检测方法仍然面临不少难以忽略的挑战:
(1)可利用特征少:由于害虫的尺寸很小,在进行特征提取时,随着CNN层数的增加,往往会导致目标特征信息逐层减弱,难以提取到富有鉴别力的特征,并且在多层网络的背景下,还可能造成对于部分目标的漏检;
(2)定位精度要求高:由于害虫在图像中面积占比小,因此对于其边界框的定位难度比常规尺度目标的定位难度更大。此外,在基于锚框的检测器中,训练时匹配小目标的锚框数量远低于常规尺度的目标,这也在某种程度上导致了小目标害虫更加难以被检测出来;
(3)小目标聚集现象:首先由于害虫的习性,在捕捉装置下,极易聚集在一起,其次,聚集区域相邻的害虫经过多次卷积操作后,映射到后层的特征图上将聚合成一个点,导致检测模型无法进行有效区分。当同类小目标密集出现时,预测的边界框还可能会因后处理的非极大值抑制(Non-Maximum Suppression,NMS)将大量正确预测的边界框过滤,从而导致漏检情况。另外,聚集区域的小目标之间边界框距离过近,还将导致边界框难以回归,模型难以收敛。
因此亟需提供一种新型的基于TSD-Faster RCNN的农作物害虫检测方法及其网络来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种TSD-Faster RCNN的农作物害虫检测方法及其网络,能够提升对于小目标害虫的检测精度,以满足对于害虫的智能防治的需求。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于TSD-FasterRCNN的农作物害虫检测方法,包括以下步骤:
S1:将农作物害虫检测图像输入到主干网络以生成图像的特征图;
S2:将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R-CNN中,所述骨干网络采用主干网络与特征金字塔网络FPN相结合;
S3:在区域提案网络RPN中,使用结构感知距离TSD计算预测锚框和真实锚框的相似度,使用分段结构感知损失函数TSD Loss计算回归损失,RPN返回粗糙的候选框至R-CNN中;
S4:使用R-CNN将所有候选框修改为相同大小,候选框被传递到全连接层以对对象进行分类并预测边界框。
在本发明一个较佳实施例中,所述结构感知距离TSD衡量锚框之间的相似度:
其中,DChess(b,bgt)=max(|x1-x2|,|y1-y2|)代指两个锚框中心点(x1,y1)和(x2,y2)的切比雪夫距离,S代指数据集所有标注框的平均面积。
在本发明一个较佳实施例中,所述分段结构感知损失函数TSD Loss为:
其中,DChess(b,bgt)=max(|x1-x2|,|y1-y2D代指两个锚框中心点之间的切比雪夫距离,S指代数据集所有标注框的平均面积,r1和r2分别指代两个锚框外接圆的半径,此外,根据余弦定理:
Separated代表两个锚框相离,intersect代表两个锚框相交,contain代表两个锚框相互包含。
在本发明一个较佳实施例中,所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分,自顶向下连接采用最近邻上采样,水平连接将上采样结果与自下而上过程生成的特征图融合。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种基于TSD-Faster RCNN的农作物害虫检测网络,包括:
主干网络,用于提取农作物害虫检测图像的特征,生成输入图像的特征图;
骨干网络,用于对生成的特征图进行再处理,并输出至区域提案网络RPN和区域卷积神经网络R-CNN中;
区域提案网络,用于使用结构感知距离TSD计算预测锚框和真实锚框的相似度,使用分段结构感知损失函数TSD Loss计算回归损失,并返回粗糙的候选框至R-CNN中;
区域卷积神经网络,用于将所有候选框修改为相同大小的候选框,并传递到全连接层以对对象进行分类并预测边界框。
在本发明一个较佳实施例中,所述主干网络采用残差网络ResNet或mobileNet或VGG或darkNet或efficientNet。
在本发明一个较佳实施例中,所述骨干网络采用主干网络与特征金字塔网络FPN相结合。
进一步的,所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分,自顶向下连接采用最近邻上采样,水平连接将上采样结果与自下而上过程生成的特征图融合。
在本发明一个较佳实施例中,所述结构感知距离TSD衡量锚框之间的相似度:
其中,DChess(b,bgt)=max(|x1-x2|,|y1-y2|)代指两个锚框中心点(x1,y1)和(x2,y2)的切比雪夫距离,S代指数据集所有标注框的平均面积。
在本发明一个较佳实施例中,所述分段结构感知损失函数TSD Loss为:
其中,DChess(b,bgt)=max(|x1-x2|,|y1-y2|)代指两个锚框中心点之间的切比雪夫距离,S指代数据集所有标注框的平均面积,r1和r2分别指代两个锚框外接圆的半径,此外,根据余弦定理:
Separated代表两个锚框相离,intersect代表两个锚框相交,contain代表两个锚框相互包含。
本发明的有益效果是:
(1)本发明提供了一个智能的害虫检测框架,针对害虫目标小、易聚集的特征进行了优化与调整,可以对害虫进行自动智能检测与分类,提升了对于小目标害虫的检测精度,实现对于农作物虫害的智能防治,为智慧农业绿色农业的实现提供了可能;
(2)本发明还提出了两个适用于任何网络结构的检测方法,利用TSD更准确地衡量目标锚框间的相似度,TSD Loss更准确地减小误差,优化了训练过程,获得更加优越的检测成果。
附图说明
图1是本发明基于TSD-Faster RCNN的农作物害虫检测网络的结构示意图;
图2是所述TSD Loss的图形化描述示意图;
图3是所述基于TSD-Faster RCNN的农作物害虫检测方法的流程图;
图4是本发明所述方法与ground-truth、基于IoU的Faster R-CNN在Pest24数据集上的可视化对比实验图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,本发明实施例包括:
一种基于TSD-Faster RCNN的农作物害虫检测网络,包括主干网络、骨干网络、区域提案网络、区域卷积神经网络。
所述主干网络,用于提取农作物害虫检测图像的特征,生成输入图像的特征图;所述主干网络可采用残差网络ResNet或mobileNet或VGG或darkNet或efficientNet等,本示例中,所述主干网络采用残差网络ResNet。
所述骨干网络,用于对生成的特征图进行再处理,并输出至区域提案网络RPN和区域卷积神经网络R-CNN中;所述骨干网络采用主干网络与特征金字塔网络FPN相结合,本示例中,所述骨干网络采用残差网络ResNet与特征金字塔网络FPN相结合,特征金字塔网络(FPN)是一种优异的多尺度检测方法,也是一种通用架构,可以与各种骨干网络结合使用。
在所述ResNet-FPN结构中,包含自底向上连接、自顶向下连接和水平连接三部分:
(1)自底向上:具体来说,根据特征图的大小,ResNet作为主干网络分为五个阶段:Stage2、Stage3、Stage4、Stage5。每个stage在其最后一层输出Conv2、Conv3、Conv4和Conv5,这些输出层定义为C2,C3,C4,C5,这是一个简单的特征提取过程。
(2)自顶向下:上采样从最高层开始,本示例中,上采样过程中使用了最近邻上采样。
(3)水平连接:上采样结果与自下而上过程生成的特征图融合,融合后的特征经过卷积核处理,消除上采样的混叠效应。
除此之外,将特征{P2,P3,P4,P5,P6}作为RPN(Region Proposal Network,区域提案网络)的输入,将特征{P2,P3,P4,P5}作为R-CNN(Region-CNN,区域卷积神经网络)的输入,这种结构可以融合各个层次的特征,使其同时具有深度语义信息和空间结构信息。
所述区域提案网络,用于使用结构感知距离TSD计算预测锚框和真实锚框的相似度,使用分段结构感知损失函数TSD Loss计算回归损失,并返回粗糙的候选框至R-CNN中。
本发明提出了一种新的度量尺度(Truncated Structural-Aware Distance,TSD),来计算两个锚框之间的距离,即,衡量锚框之间的相似度:
其中,DChess(b,bgt)=max(|x1-x2|,|y1-y2|)代指两个锚框中心点(x1,y1))和(x2,y2)的切比雪夫距离,S代指数据集所有标注框的平均面积。
所提出的TSD使用标准化切比雪夫距离来描述两个锚框的距离,取值范围是(-∞,1],当两个锚框中心点互相重合时,TSD取得最大值1;当两个中心点逐渐远离时,TSD值也越来越趋近于-∞。TSD将关注点放在了两个中心点的标准化切比雪夫距离上,它在一定程度上表示了两个中心点之间的距离与平均边长的比值,这种度量方法更适合总尺寸小于32像素的小目标物体。
结合上述TSD衡量尺度,本发明还提出了一个新的回归损失函数:分段结构感知损失函数(Truncated Structural Aware Distance Loss,TSD loss),它的定义为:
其中,Dchess(b,bgt)=max(x1-x2|,|y1-y2|)代指两个锚框中心点之间的切比雪夫距离,S指代数据集所有标注框的平均面积,r1和r2分别指代两个锚框外接圆的半径,此外,根据余弦定理:
TSD Loss的图形化描述如图2所示。
如图2(a),Separated代表两个锚框相离,两个中心点之间的距离在回归损失的计算中起着重要作用。距离越短,两个边界框的区别就越小。如图2(b),intersect代表两个锚框相交,余弦相似度用于描述两个边界框之间的重合度。θ越小,两个边界框的重合度就越高。如图2(c),contain代表两个锚框相互包含,r1和r2的区别可以被视为两个锚框的拟合程度。
将X指代为每段函数的自变量,上式可以写作另一种形式:
对X求偏导有:
可知,当两个锚框相交或相互包含时,到x的梯度会很小,它们的取值范围是[-1,1]和(0,1],当两个锚框相离时,到x的梯度上限为1,也不会大到破坏网络参数。
害虫目标的位置偏差需要更准确的损失计算。因此,根据不同的结构关系,使用所述TSD Loss计算回归损失更适合小物体。
所述区域卷积神经网络,用于使用RolAlign层将所有候选框修改为相同大小的候选框,并传递到全连接层以对对象进行分类并预测边界框,如图1所示,cls_pred表示分类结果,bbox_pred表示回归结果。
参阅图3,本发明示例中还提供了一种基于TSD-Faster RCNN的农作物害虫检测方法,包括以下步骤:
S1:将农作物害虫检测图像输入到主干网络以生成图像的特征图,所述主干网络采用残差网络ResNet;
S2:将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R-CNN中,所述骨干网络采用残差网络ResNet与特征金字塔网络FPN相结合;
S3:在区域提案网络RPN中,使用结构感知距离TSD计算预测锚框和真实锚框的相似度,使用分段结构感知损失函数TSD Loss计算回归损失,RPN返回粗糙的候选框至R-CNN中;
S4:使用R-CNN将所有候选框修改为相同大小,候选框被传递到全连接层以对对象进行分类并预测边界框。
进一步的,所述结构感知距离TSD衡量锚框之间的相似度:
其中,DChess(b,bgt)=max(|x1-x2|,|y1-y2|)代指两个锚框中心点(x1,y1)和(x2,y2)的切比雪夫距离,S代指数据集所有标注框的平均面积。
进一步的,所述分段结构感知损失函数TSD Loss为:
其中,DChess(b,bgt)=max(|x1-x2|,|y1-y2)代指两个锚框中心点之间的切比雪夫距离,S指代数据集所有标注框的平均面积,r1和r2分别指代两个锚框外接圆的半径,此外,根据余弦定理:
Separated代表两个锚框相离,intersect代表两个锚框相交,contain代表两个锚框相互包含。
进一步的,所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分,自顶向下连接采用最近邻上采样,水平连接将上采样结果与自下而上过程生成的特征图融合。
为了验证本发明所述方法在Pest Detection上的有效性,选择了五个基线检测器分别检测Pest24数据集,实验结果见表1。可以看出,目前最先进的检测器都没有取得很高的mAP,这表明它们在小物体检测上表现不佳。此外,本发明提出的基于TSD和TSD Loss的Faster R-CNN比用于检测微小物体的SSD、RetinaNet、YOLO、Faster R-CNN和DotD取得了更好的结果。
表一:不同检测器检测在Pest24数据集上检测结果
为了直观地观察结果,本发明还在Pest24数据集上可视化了基于IoU的Faster R-CNN(第二行)和基于TSD的Faster R-CNN(第三行)的检测结果,如图4所示。
其中,物体密度逐列递减(第一列为分布最密集的害虫图像,第四列为分布最稀疏的害虫图像)。与ground-truth(第一行)相比,可视化显示基于IoU的检测器存在漏检,(尤其是在密集的害虫图像中,如图4中的第一列所示)。同时还可以观察到,与基于IoU的方法相比,基于TSD的方法可以显着提高真阳性(TP)。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于TSD-Faster RCNN的农作物害虫检测方法,其特征在于,包括以下步骤:
S1:将农作物害虫检测图像输入到主干网络以生成图像的特征图;
S2:将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R-CNN中,所述骨干网络采用主干网络与特征金字塔网络FPN相结合;
S3:在区域提案网络RPN中,使用结构感知距离TSD计算预测锚框和真实锚框的相似度,使用分段结构感知损失函数TSD Loss计算回归损失,RPN返回粗糙的候选框至R-CNN中;
S4:使用R-CNN将所有候选框修改为相同大小,候选框被传递到全连接层以对对象进行分类并预测边界框。
4.根据权利要求1所述的基于TSD-Faster RCNN的农作物害虫检测方法,其特征在于,所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分,自顶向下连接采用最近邻上采样,水平连接将上采样结果与自下而上过程生成的特征图融合。
5.一种基于TSD-Faster RCNN的农作物害虫检测网络,其特征在于,包括:
主干网络,用于提取农作物害虫检测图像的特征,生成输入图像的特征图;
骨干网络,用于对生成的特征图进行再处理,并输出至区域提案网络RPN和区域卷积神经网络R-CNN中;
区域提案网络,用于使用结构感知距离TSD计算预测锚框和真实锚框的相似度,使用分段结构感知损失函数TSD Loss计算回归损失,并返回粗糙的候选框至R-CNN中;
区域卷积神经网络,用于将所有候选框修改为相同大小的候选框,并传递到全连接层以对对象进行分类并预测边界框。
6.根据权利要求5所述的基于TSD-Faster RCNN的农作物害虫检测网络,其特征在于,所述主干网络采用残差网络ResNet或mobileNet或VGG或darkNet或efficientNet。
7.根据权利要求5所述的基于TSD-Faster RCNN的农作物害虫检测网络,其特征在于,所述骨干网络采用主干网络与特征金字塔网络FPN相结合。
8.根据权利要求7所述的基于TSD-Faster RCNN的农作物害虫检测网络,其特征在于,所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分,自顶向下连接采用最近邻上采样,水平连接将上采样结果与自下而上过程生成的特征图融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210812056.1A CN115115887B (zh) | 2022-07-07 | 2022-07-07 | 基于TSD-Faster RCNN的农作物害虫检测方法及其网络 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210812056.1A CN115115887B (zh) | 2022-07-07 | 2022-07-07 | 基于TSD-Faster RCNN的农作物害虫检测方法及其网络 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115887A true CN115115887A (zh) | 2022-09-27 |
CN115115887B CN115115887B (zh) | 2023-09-12 |
Family
ID=83333128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210812056.1A Active CN115115887B (zh) | 2022-07-07 | 2022-07-07 | 基于TSD-Faster RCNN的农作物害虫检测方法及其网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115887B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2018100321A4 (en) * | 2018-03-15 | 2018-04-26 | Chen, Jinghan Mr | Person ReID method based on metric learning with hard mining |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
CN110909800A (zh) * | 2019-11-26 | 2020-03-24 | 浙江理工大学 | 一种基于Faster R-CNN改进算法的车辆检测方法 |
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 |
CN111553414A (zh) * | 2020-04-27 | 2020-08-18 | 东华大学 | 一种基于改进Faster R-CNN的车内遗失物体检测方法 |
CN112200161A (zh) * | 2020-12-03 | 2021-01-08 | 北京电信易通信息技术股份有限公司 | 一种基于混合注意力机制的人脸识别检测方法 |
CN112287827A (zh) * | 2020-10-29 | 2021-01-29 | 南通中铁华宇电气有限公司 | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及*** |
CN112418212A (zh) * | 2020-08-28 | 2021-02-26 | 西安电子科技大学 | 一种基于EIoU改进的YOLOv3算法 |
CN113033303A (zh) * | 2021-02-09 | 2021-06-25 | 北京工业大学 | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 |
CN113869371A (zh) * | 2021-09-03 | 2021-12-31 | 深延科技(北京)有限公司 | 模型训练方法、服装细粒度分割方法及相关装置 |
CN114220035A (zh) * | 2021-12-23 | 2022-03-22 | 中科合肥智慧农业协同创新研究院 | 一种基于改进yolo v4的快速害虫检测方法 |
CN114463718A (zh) * | 2022-01-05 | 2022-05-10 | 西安电子科技大学 | 一种改进损失函数的YOLOv4目标检测算法 |
CN114565048A (zh) * | 2022-03-02 | 2022-05-31 | 安徽大学 | 基于自适应特征融合金字塔网络的三阶段害虫图像识别方法 |
CN114693616A (zh) * | 2022-03-17 | 2022-07-01 | 黑龙江八一农垦大学 | 一种基于改进目标检测模型与卷积神经网络的水稻病害检测方法、设备和介质 |
-
2022
- 2022-07-07 CN CN202210812056.1A patent/CN115115887B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2018100321A4 (en) * | 2018-03-15 | 2018-04-26 | Chen, Jinghan Mr | Person ReID method based on metric learning with hard mining |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
CN110909800A (zh) * | 2019-11-26 | 2020-03-24 | 浙江理工大学 | 一种基于Faster R-CNN改进算法的车辆检测方法 |
CN111553414A (zh) * | 2020-04-27 | 2020-08-18 | 东华大学 | 一种基于改进Faster R-CNN的车内遗失物体检测方法 |
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 |
CN112418212A (zh) * | 2020-08-28 | 2021-02-26 | 西安电子科技大学 | 一种基于EIoU改进的YOLOv3算法 |
CN112287827A (zh) * | 2020-10-29 | 2021-01-29 | 南通中铁华宇电气有限公司 | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及*** |
CN112200161A (zh) * | 2020-12-03 | 2021-01-08 | 北京电信易通信息技术股份有限公司 | 一种基于混合注意力机制的人脸识别检测方法 |
CN113033303A (zh) * | 2021-02-09 | 2021-06-25 | 北京工业大学 | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 |
CN113869371A (zh) * | 2021-09-03 | 2021-12-31 | 深延科技(北京)有限公司 | 模型训练方法、服装细粒度分割方法及相关装置 |
CN114220035A (zh) * | 2021-12-23 | 2022-03-22 | 中科合肥智慧农业协同创新研究院 | 一种基于改进yolo v4的快速害虫检测方法 |
CN114463718A (zh) * | 2022-01-05 | 2022-05-10 | 西安电子科技大学 | 一种改进损失函数的YOLOv4目标检测算法 |
CN114565048A (zh) * | 2022-03-02 | 2022-05-31 | 安徽大学 | 基于自适应特征融合金字塔网络的三阶段害虫图像识别方法 |
CN114693616A (zh) * | 2022-03-17 | 2022-07-01 | 黑龙江八一农垦大学 | 一种基于改进目标检测模型与卷积神经网络的水稻病害检测方法、设备和介质 |
Non-Patent Citations (6)
Title |
---|
D. MILLER ET AL: "Class Anchor Clustering: A Loss for Distance-based Open Set Recognition", 《2021 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》, pages 3569 - 3577 * |
DIMITY MILLER ET AL: "Class Anchor Clustering: A Loss for Distance-based Open Set Recognition", 《ARXIV:2004.02434V3 [CS.CV]》, pages 1 - 9 * |
ZHAOHUI ZHENG ET AL: "Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression", 《ARXIV:1911.08287V1 [CS.CV]》, pages 1 - 8 * |
张诗雨等: "一种基于聚类特征的Faster R-CNN粮仓害虫检测方法", 《中国粮油学报》, pages 1 - 8 * |
方超: "基于CGAN和YOLOv3的雾雨图像复原及目标检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2021, no. 2, pages 138 - 1489 * |
邵丽萍等: "基于Faster RCNN的行人及车辆类型检测", 《智能计算机与应用》, vol. 10, no. 3, pages 95 - 97 * |
Also Published As
Publication number | Publication date |
---|---|
CN115115887B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
Liu et al. | A computer vision system for early stage grape yield estimation based on shoot detection | |
CN110264468B (zh) | 点云数据标注、分割模型确定、目标检测方法及相关设备 | |
Wu et al. | Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms | |
CN103577875B (zh) | 一种基于fast的计算机辅助cad人数统计方法 | |
CN110135296A (zh) | 基于卷积神经网络的机场跑道fod检测方法 | |
CN103886619B (zh) | 一种融合多尺度超像素的目标跟踪方法 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN113538390A (zh) | 一种柚子病虫害的快速识别方法 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
Arun et al. | Effective and efficient multi-crop pest detection based on deep learning object detection models | |
US11804029B2 (en) | Hierarchical constraint (HC)-based method and system for classifying fine-grained graptolite images | |
Vayssade et al. | Pixelwise instance segmentation of leaves in dense foliage | |
Hou et al. | Detection and localization of citrus fruit based on improved You Only Look Once v5s and binocular vision in the orchard | |
Liu et al. | WSRD-Net: A convolutional neural network-based arbitrary-oriented wheat stripe rust detection method | |
Shuai et al. | An improved YOLOv5-based method for multi-species tea shoot detection and picking point location in complex backgrounds | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
Armalivia et al. | Automatic counting shrimp larvae based you only look once (YOLO) | |
Gu et al. | Surface defect detection of cabbage based on curvature features of 3D point cloud | |
Zhu et al. | Exploring soybean flower and pod variation patterns during reproductive period based on fusion deep learning | |
Zhang et al. | A tea bud segmentation, detection and picking point localization based on the MDY7-3PTB model | |
CN114092814A (zh) | 基于深度学习的无人机脐橙树影像目标识别与统计方法 | |
CN110288577A (zh) | 一种3d实现多器官病灶整合的控制方法及控制装置 | |
CN109615610A (zh) | 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法 | |
Xin et al. | Surface defect detection with channel-spatial attention modules and bi-directional feature pyramid |
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 |