-
公开(公告)号：CN113763471B
公开(公告)日：2024-11-08
申请号：CN202110997123.7
申请日：2021-08-27
IPC: G06T7/73 , G06T7/45 , G06T7/33 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于视觉的弹孔检测方法及系统，方法包括：S1，获取打靶弹孔图像数据集并进行弹孔标注；S2，构造一种卷积特征与纹理特征深度融合的超轻量化网络，并基于弹孔图像数据，进行模型训练得到检测模型；S3，基于训练得到的检测模型进行推理，获取单帧弹孔检测结果；S4，基于多帧检测结果，构建当前帧的弹孔积分图；S5，基于当前帧弹孔积分图与前一帧的弹孔积分图，进行匹配和帧差，获取当前帧的新增弹孔；系统包括：聚焦层、嵌套瓶颈层、卷积层，以及由单尺度目标回归子网络、纹理特征提取单元、特征融合与优选模块构成的特征融合与单尺度目标回归模块；本发明降低了资源消耗，且检测准确度、鲁棒性好。
-
公开(公告)号：CN118279610B
公开(公告)日：2024-08-30
申请号：CN202410704308.8
申请日：2024-06-03
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
Abstract: 本发明公开了一种基于图像表型匹配的大豆表型识别方法、电子设备、介质，包括：获取待识别的大豆图片；将其输入至预先训练好的图像编码器中提取得到图像特征，将图像特征输入至预先训练好的表型解码器中得到大豆图片获得表型结果；其中，图像编码器以及表型解码器的训练过程包括：获取大豆成熟期图像并对其设置表型标签和数组标签；将大豆成熟期图像及其对应的表型标签分别输入至图像编码器、表型编码器，从而训练图像编码器、表型编码器；固定表型编码器的网络权重；将表型标签输入至表型编码器提取得到表型特征，将表型特征输入至表型解码器提取得到表型结果识别特征，基于表型结果识别特征与数组标签间的差值从而反向传播优化表型解码器。
-
公开(公告)号：CN117593652B
公开(公告)日：2024-05-14
申请号：CN202410075345.7
申请日：2024-01-18
Applicant: 之江实验室
IPC: G06V20/10 , G06V10/26 , G06V10/82 , G06V10/774 , G06N3/0464
Abstract: 本发明公开了一种智能识别大豆叶片叶形的方法和系统，方法包括以下步骤：构建包含完整大豆叶片图像的训练集对基于深度卷积神经网络的大豆叶片检测分割模型进行训练，将待检测的大豆叶片图像输入训练好的大豆叶片检测分割模型并输出每张图像中分割出的大豆叶片图像；基于分割出的大豆叶片图像，采用最小外接矩形法计算叶长和叶宽，进而计算得到大豆叶片长宽比；将分割出的大豆叶片图像切分为若干区域，基于大豆叶片长宽比及各区域的叶片像素量判定大豆叶片叶形。本发明能够实现对大豆叶片叶形的自动高效识别，识别精度和速度高，适用于智能识别大豆品种等实战部署场景。
-
公开(公告)号：CN116703820B
公开(公告)日：2024-05-03
申请号：CN202310406884.X
申请日：2023-04-17
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T7/00 , G06T7/70 , G06N3/0464 , G06N3/084 , G06V10/82 , G06V10/774
Abstract: 一种基于热力图的高密度豆粒计数及中心点定位方法，用高斯函数生成高斯核模板，结合已标记的豆粒中心点位置，生成用于豆粒计数的真值热力图；采用基于空洞卷积的CSRNet作为密度图估计模块，将原始图像与真值热力图输入到模型中计算得到与原始图像同大小的热力图，通过对比预测热力图与真值热力图的L2损失进行参数的学习，实现高质量的热力图估计。对于待测试图像，使用CSRNet预测热力图，再通过判断局部最大位置点，从热力图中获取得到所有中心点的位置坐标，并通过局部中心点热力图的值取整获得豆粒数。还包括一种基于热力图的高密度豆粒计数及中心点定位系统。本发明可提高豆粒计数模型在高密度、遮挡严重场景下的计数准确性。
-
公开(公告)号：CN117851883A
公开(公告)日：2024-04-09
申请号：CN202410006211.X
申请日：2024-01-03
Applicant: 之江实验室
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06F18/27 , G06V10/764 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种基于跨模态大语言模型的场景文本检测与识别方法，该方法包括：获取多组具有真值标注的图像‑文本数据集；利用图像编码器对数据集中的图像进行特征提取与学习，得到图像模态的特征嵌入；将图像模态特征嵌入与对应真值标注的文本特征嵌入融合构造为图像及自然语言的多模态特征序列；将融合后的多模态特征序列输入大语言模型当中进行跨模态编解码，再进行自回归机制下的网络微调；将文本图像输入上述训练好的图像编码器与大语言模型当中，通过线性分类与类目查表的方式将网络输出翻译为当前图片当中所包含的文本目标的内容及位置，从而完成文本检测与识别任务。本发明实现方法简便，灵活鲁棒，适用范围广。
-
Patent Agency Ranking
公开(公告)号：CN117058492B
公开(公告)日：2024-02-27
申请号：CN202311322535.6
申请日：2023-10-13
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/70 , G06N3/09 , G06N5/04
Abstract: 一种基于学习解耦的两阶段训练病害识别方法和系统，其方法包括：步骤S1：采集待识别作物的图像样本，制作训练数据集；步骤S2：构造基于学习解耦的分类算法网络模型；步骤S3：对基于学习解耦的分类算法模型进行一阶段训练；步骤S4：固定部分权重，对基于学习解耦的分类算法模型进行二阶段训练；步骤S5：基于训练得到的基于学习解耦的分类算法模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。本发明具有准确度高，标注成本极低，且可实现单模型对病害种类和病害等级进行细分类识别。
-
公开(公告)号：CN117557847A
公开(公告)日：2024-02-13
申请号：CN202311520256.0
申请日：2023-11-15
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于对比知识蒸馏的图像识别方法和装置，包括获取带有类别标签的训练图像样本；利用训练图像样本对第一神经网络分类模型进行基于类别标签的监督学习训练，将训练图像样本输入至训练后的第一神经网络分类模型得到第一嵌入特征表达和对应的第一分类软标签；将训练图像样本输入至第二神经网络分类模型得到第二嵌入特征表达及对应的第二分类软标签，基于第一嵌入特征表达和第二嵌入特征表达计算对比蒸馏损失，基于第一分类软标签和第二分类软标签计算KL散度损失，对比蒸馏损失和KL散度损失联合图像识别任务损失更新第二神经网络分类模型的参数，更新后的第二神经网络分类模型作为图像识别模型用于图像识别。
-
公开(公告)号：CN117011718B
公开(公告)日：2024-02-02
申请号：CN202311288015.8
申请日：2023-10-08
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V20/10 , G06V10/764 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/094
Abstract: 据中。一种基于多元损失融合的植物叶片细粒度识别方法和系统，首先将植物叶片图像以九宫格的方式进行随机掩码完成图像增强，并与原图成对地输入到特征提取网络模型中，得到特征向量；将特征向量输入分类网络层中，并进行品种识别；将特征向量输入到对抗网络层中，进行二分类识别；将掩码图的特征向量输入到自编码网络模块中，进行图像复原的自监督学习；三项任务的损失函数共同监督并指导网络的训练；在自监督任务中掩码图像通过学习复原本身位置使特征提取网络关注到叶片局部特征，而原图在品(56)对比文件王泽宇 等.基于多模态特征的无监督领域自适应多级对抗语义分割网络《.通信学报》.2022,第43卷(第12期),157-171.齐爱玲 等.基于中层细微特征提取与多尺度特征融合细粒度图像识别《.计算机应用》.2023,第43卷(第8期),2556-2563.Gang Li 等.Self-supervised VisualRepresentation Learning for Fine-GrainedShip Detection《.2021 IEEE 4thInternational Conference on InformationSystems and Computer Aided Education(ICISCAE)》.2021,67-71.
-
公开(公告)号：CN112069929B
公开(公告)日：2024-01-05
申请号：CN202010842782.9
申请日：2020-08-20
Applicant: 之江实验室
Abstract: 本发明公开了一种无监督行人重识别方法、装置、电子设备及存储介质，该方法包括：在带标签的源域数据集中预训练行人重识别模型；利用所述模型提取无标签目标域中训练集的训练特征；根据所述训练特征，基于自适应聚类的方法将目标域训练集分为若干簇，并分配对应的伪标签；将每个簇设定为一个原型，在原型中挑选出与原型中心的距离小于设定阈值的样本，并利用所述样本的训练特征和伪标签对所述模型进行再训练，得到更新参数后的行人重识别模型；将目标域的查询集和待选集输入到所述模型中，分别得到二者的测试特征，根据测试特征的相似度从待选集中选出符合查询图片要求的图片。本发明有效缓解了域间隔问题，提高了跨域行人重识别的准确度。
-
公开(公告)号：CN116817754B
公开(公告)日：2024-01-02
申请号：CN202311082530.0
申请日：2023-08-28
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G01B11/00 , G01B11/02 , G01N21/84 , G06V20/60 , G06V10/10 , G06V10/44 , G06V10/50 , G06V10/75 , G06V10/82
Abstract: 一种基于稀疏重建的大豆植株表型提取方法及系统，其方法包括：对大豆植株进行多视角成像，通过密度图估计在各视图中提取植株二维关键点，包括端点关键点、节点关键点和豆粒关键点，同时通过亲和力场估计给出同一豆荚中豆粒关联关系，基于对称极线距离和二分匹配，关联各视图中的同一关键点和同一豆荚，进而通过三角测量计算各关键点的三维坐标，用于测量株高、统计豆粒的空间分布、计算节数、单株粒数和荚数等。本发明可精准且高效的提取大豆植株表型，具有较高的可行性和实用性。(56)对比文件Haoran Zhao等.Exploring BetterSpeculation and Data Locality in SparseMatrix-Vector Multiplication on IntelXeon.2020 IEEE 38th InternationalConference on Computer Design.2020,全文.Yourui Huang等.Low IlluminationSoybean Plant Reconstruction and TraitPerception.Agriculture.2022,第12卷(第12期),第2.1-2.3节.李晨雨.基于三维重建的大豆植株叶面积自动测量方法的研究.中国优秀硕士学位论文全文数据库 农业科技辑.2023,(第1期),全文.
-
-
-
-
-
-
-
-
-
Search Results
181
records
(took 0.09 seconds)
