-
公开(公告)号：CN114677673A
公开(公告)日：2022-06-28
申请号：CN202210329029.9
申请日：2022-03-30
Applicant: 中国农业科学院农业信息研究所
Abstract: 本发明提供了一种基于改进YOLO V5网络结构的马铃薯病害识别方法，该方法使用RA、FocalLoss、SmoothBCE策略改进神经网络架构，同时还提出了模型参数压缩剪枝与知识蒸馏；模型内存激活参数压缩ActNN两条技术路线，用于不同硬件条件下的模型训练与识别，最后利用简化算子与INT8量化进一步优化，并在面向移动端深度学习推理平台NCNN进行部署，形成工业级解决方案。在51,772张马铃薯作物病害图像中达到了94％的mAp，每个样本的推理时间平均为1.5毫秒。因此，本研究可以为解决当前农业图像分类中常见的问题提供坚实的理论与实践基础，同时在精度和计算成本方面优势能满足农业工业化的需求。
-
公开(公告)号：CN115424247A
公开(公告)日：2022-12-02
申请号：CN202210728904.0
申请日：2022-06-24
Applicant: 中国农业科学院农业信息研究所
Abstract: 本发明提供了一种采用CBAM与八度卷积改进YOLOV5的温室番茄识别与检测方法，利用八度卷积提取温室番茄图像的高低频特征信息，压缩低频特征图的空间分辨率减少冗余空间信息，有效扩大2倍感受野，并降低模型的参数与浮点计算量；将注意力机制CBAM融入特征提取网络Backbone中，从复杂的背景颜色中提取更可区分的特征表示；使用天气数据增强技术，克服模型过拟合问题，并增强数据集的多样性与模型的鲁棒性；采用BCEWithLogitLoss损失函数使处理样本不均衡，并由SmoothBCE与QFocalLoss防止模型过拟合。本方法在复杂温室环境下的番茄检测中取得了最佳性能，为番茄采摘机器人的运行提供了稳定可靠的信息。
-
公开(公告)号：CN114677561A
公开(公告)日：2022-06-28
申请号：CN202210330373.X
申请日：2022-03-30
Applicant: 中国农业科学院农业信息研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/68 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种马铃薯早晚疫病叶片病害识别方法，该方法开发了一个用于马铃薯叶片病害检测的激活参数压缩深度学习模型。在第一级，使用YOLO v5图像识别技术从马铃薯叶片图像中对马铃薯早疫病和晚疫病进行分类，在第二个层级，将模型压缩技术ActNN与YOLO v5进行结合，开发了一种新的激活参数压缩训练检测模型，用于在设备内存不足时实现对马铃薯病害的分类。提出的九种数据增强技术结合深度学习技术在马铃薯叶片病害数据集上的准确率达到99.75％，引入的模型压缩技术ActNN比其他方法更简单，更有效率，精度损失在0.65％以内，影响训练耗时仅为3％，节省了大量的计算成本和时间。
-
公开(公告)号：CN117173122B
公开(公告)日：2024-02-13
申请号：CN202311123510.3
申请日：2023-09-01
Applicant: 中国农业科学院农业信息研究所
IPC: G06T7/00 , G06V10/25 , G06V10/42 , G06V10/44 , G06V10/50 , G06V10/764 , G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明提供出了一种基于轻量级Vi T的图像叶密度测定方法、装置、电子设备及存储介质，所述方法包括：获取原始图像；对原始图像均匀划分多个感兴趣区域，对感兴趣区域进行标注，建立感兴趣区域与叶密度对应关系；将经标注的原始图像分别采用像素增强空间及空间增强空间与天气数据增强进行数据增强；将增强图像划分为训练集、验证集和测试集，利用训练集和验证集对预设的叶密度的视觉感知模型进行训练，得到训练好的叶密度的视觉感知模型；将测试集输入所述训练好的叶密度的视觉感知模型，得到每个感兴趣区域的叶密度。本发明采用双重增强空间扩展与天气数据增强扩大训练样本，增强叶
-
公开(公告)号：CN115170542B
公开(公告)日：2023-02-28
申请号：CN202210886982.3
申请日：2022-07-26
Applicant: 中国农业科学院农业信息研究所
IPC: G06T7/00 , G06T7/11 , G06V10/762 , G06V10/764 , G06Q50/02
Abstract: 本发明公开了一种基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法，包括S1、利用Fast K‑Means算法对马铃薯叶片灰度图像进行分割，获得叶片受关注的区域；S2、使用GLCM算法对叶片受关注的区域提取11类纹理特征信息，以形成病害特征向量；S3、将训练集和测试集分别训练投票分类器和测试训练好的投票分类器，将符合测试要求的训练好的投票分类器作为马铃薯病害识别模型。优点是：将基于支持向量机、K最邻近与随机森林分类器组合的投票分类器与灰度共生矩阵相结合，通过FastK‑Means聚类算法对感染区域马铃薯叶片分割，在保证准确分割叶片的同时提升分割速度，增强GLCM算法提取特征的能力；投票分类器相对于SVM、KNN和RF马铃薯叶部病害识别效果提高。
-
Patent Agency Ranking
公开(公告)号：CN114120037A
公开(公告)日：2022-03-01
申请号：CN202111415247.6
申请日：2021-11-25
Applicant: 中国农业科学院农业信息研究所
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于改进yolov5模型的发芽马铃薯图像识别方法，包括以下步骤：构建图像识别网络模型，获取马铃薯图片数据集，分为训练集和测试数据集；对数据集进行预处理分析，得到数据可视化结果，基于可视化结果确定数据集进行特征融合时采用的模型；采用训练集对构建图像识别网络模型进行训练，获取图像识别网络模型的各个参数指标，得到训练后的图像识别网络模型；采用测试数据集对训练后的图像识别网络模型进行测试，对测试结果的精度进行评价。利用9‑Mosaic算法对获取到的马铃薯图片进入backbone前进行增强优化，强化小目标特征，调整backbone内图内卷积传递规则，使用跨图卷积CrossConv替代Conv连接两个图内卷积，增强特征相似性，提高了发芽马铃薯识别的准确度。
-
公开(公告)号：CN115424247B
公开(公告)日：2023-04-25
申请号：CN202210728904.0
申请日：2022-06-24
Applicant: 中国农业科学院农业信息研究所
Abstract: 本发明提供了一种采用CBAM与八度卷积改进YOLOV5的温室番茄识别与检测方法，利用八度卷积提取温室番茄图像的高低频特征信息，压缩低频特征图的空间分辨率减少冗余空间信息，有效扩大2倍感受野，并降低模型的参数与浮点计算量；将注意力机制CBAM融入特征提取网络Backbone中，从复杂的背景颜色中提取更可区分的特征表示；使用天气数据增强技术，克服模型过拟合问题，并增强数据集的多样性与模型的鲁棒性；采用BCEWithLogitLoss损失函数使处理样本不均衡，并由SmoothBCE与QFocalLoss防止模型过拟合。本方法在复杂温室环境下的番茄检测中取得了最佳性能，为番茄采摘机器人的运行提供了稳定可靠的信息。
-
公开(公告)号：CN114677673B
公开(公告)日：2023-04-18
申请号：CN202210329029.9
申请日：2022-03-30
Applicant: 中国农业科学院农业信息研究所
IPC: G06V20/68 , G06V10/56 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082 , G06N3/084
Abstract: 本发明提供了一种基于改进YOLO V5网络结构的马铃薯病害识别方法，该方法使用RA、FocalLoss、SmoothBCE策略改进神经网络架构，同时还提出了模型参数压缩剪枝与知识蒸馏；模型内存激活参数压缩ActNN两条技术路线，用于不同硬件条件下的模型训练与识别，最后利用简化算子与INT8量化进一步优化，并在面向移动端深度学习推理平台NCNN进行部署，形成工业级解决方案。在51,772张马铃薯作物病害图像中达到了94％的mAp，每个样本的推理时间平均为1.5毫秒。因此，本研究可以为解决当前农业图像分类中常见的问题提供坚实的理论与实践基础，同时在精度和计算成本方面优势能满足农业工业化的需求。
-
公开(公告)号：CN114120037B
公开(公告)日：2022-07-19
申请号：CN202111415247.6
申请日：2021-11-25
Applicant: 中国农业科学院农业信息研究所
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于改进yolov5模型的发芽马铃薯图像识别方法，包括以下步骤：构建图像识别网络模型，获取马铃薯图片数据集，分为训练集和测试数据集；对数据集进行预处理分析，得到数据可视化结果，基于可视化结果确定数据集进行特征融合时采用的模型；采用训练集对构建图像识别网络模型进行训练，获取图像识别网络模型的各个参数指标，得到训练后的图像识别网络模型；采用测试数据集对训练后的图像识别网络模型进行测试，对测试结果的精度进行评价。利用9‑Mosaic算法对获取到的马铃薯图片进入backbone前进行增强优化，强化小目标特征，调整backbone内图内卷积传递规则，使用跨图卷积CrossConv替代Conv连接两个图内卷积，增强特征相似性，提高了发芽马铃薯识别的准确度。
-
公开(公告)号：CN116563707B
公开(公告)日：2024-02-27
申请号：CN202310509867.9
申请日：2023-05-08
Applicant: 中国农业科学院农业信息研究所
IPC: G06V20/10 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06V10/774 , G06V10/776 , G06V30/19 , G06V20/62
Abstract: 用率，保护农业生态系统。本发明公开了一种基于图文多模态特征融合的枸杞虫害识别方法，包括如下步骤，S1、构建图像与文本跨模态特征融合模型；S2、基于多种模型评价指标，利用枸杞虫害图像与文本多模态数据集训练、测试、验证图像与文本跨模态特征融合模型，并利用训练好的评价最优的图像与文本跨模态特征融合模型结合多层感知器对枸杞虫害进行识别分类。优点是：提出的图像与文本(56)对比文件Beakcheol Jang et al..Bi-LSTM Modelto Increase Accuracy in TextClassification: Combining Word2vec CNNand Attention Mechanism《.appliedsciences》.2020,第1-14页.
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.024 seconds)
