-
公开(公告)号：CN111160416B
公开(公告)日：2023-03-21
申请号：CN201911275811.1
申请日：2019-12-12
Applicant: 杭州电子科技大学 , 浙江省疾病预防控制中心
IPC: G06V10/774 , G06V10/764 , G06V10/50
Abstract: 本发明公开了一种基于支持向量机的伊蚊识别方法。本发明方法包括训练阶段和测试阶段。其中训练阶段首先进行图像预处理，对收集的彩色蚊子图像尺寸规范化；然后进行图像特征提取，分别提取颜色直方图特征和方向梯度直方图特征并以串接的方式融合；最后训练支持向量机分类器，采用线性核支持向量机函数对样本进行训练。测试阶段是将测试蚊子图像依次按训练阶段预处理和特征提取，把获得的特征输入到训练好的模型中，输出蚊子图像的类别。本发明方法简单易实现，提取的特征对图像本身的尺寸、方向、视角的依赖性小，对图像几何和光学的形变都能保持良好的不变性，从而具有较强的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN114926684A
公开(公告)日：2022-08-19
申请号：CN202210578041.3
申请日：2022-05-25
Applicant: 杭州电子科技大学 , 浙江省疾病预防控制中心
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种结合注意力机制与深度可分离卷积残差网络的蚊虫识别方法及系统，本发明方法包括：预训练阶段，(1)预处理公共数据集的图片，使用Cifar10数据集；(2)构建神经网络模型：主干网络是残差网络ResNet18，将ResNet18中的所有卷积操作替换为深度可分离卷积，并引入注意力机制模块；(3)在Cifar10数据集上预训练，训练所得的网络参数保存为.pth为后缀的参数文件中；微调阶段，(1)预处理蚊子图片；(2)修改预训练阶段获得的模型的最后一层，将最后一层全连接层的神经元数量修改为四，对应四类蚊虫种类；(3)将参数文件加载到模型中，在蚊虫数据集上继续训练微调模型参数；网络输出为四个概率值，概率最大者所在位置为模型预测该样本相应的类别。
-
公开(公告)号：CN113505815A
公开(公告)日：2021-10-15
申请号：CN202110659978.9
申请日：2021-06-15
Applicant: 杭州电子科技大学 , 浙江省疾病预防控制中心
Abstract: 本发明公开了一种基于多特征融合的蚊虫识别方法。现有识别蚊虫的方法效率低、误识率较高。本发明方法包括训练阶段和测试阶段。训练阶段首先收集蚊子彩色图像，组成训练集，然后对蚊虫彩色图像尺寸规范化处理，提取图像融合特征，获取训练集中每幅图像的融合特征，训练支持向量机分类模型。测试阶段是将预处理后测试图像进行图像特征提取，将获得的融合特征输入训练好的支持向量机分类模型中，模型输出识别结果。本发明方法提取HSV颜色特征、HOG特征和LBP特征，并且将三个特征进行融合，能更好地表现不同类别蚊虫图像的信息差异，避免了单一特征的不足，从而具有较高的准确性和较强的鲁棒性。
-
公开(公告)号：CN111160416A
公开(公告)日：2020-05-15
申请号：CN201911275811.1
申请日：2019-12-12
Applicant: 杭州电子科技大学 , 浙江省疾病预防控制中心
Abstract: 本发明公开了一种基于支持向量机的伊蚊识别方法。本发明方法包括训练阶段和测试阶段。其中训练阶段首先进行图像预处理，对收集的彩色蚊子图像尺寸规范化；然后进行图像特征提取，分别提取颜色直方图特征和方向梯度直方图特征并以串接的方式融合；最后训练支持向量机分类器，采用线性核支持向量机函数对样本进行训练。测试阶段是将测试蚊子图像依次按训练阶段预处理和特征提取，把获得的特征输入到训练好的模型中，输出蚊子图像的类别。本发明方法简单易实现，提取的特征对图像本身的尺寸、方向、视角的依赖性小，对图像几何和光学的形变都能保持良好的不变性，从而具有较强的鲁棒性。
-
公开(公告)号：CN115908983A
公开(公告)日：2023-04-04
申请号：CN202211572240.X
申请日：2022-12-08
Applicant: 杭州电子科技大学 , 浙江省疾病预防控制中心
IPC: G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于生成对抗网络的蚊群计数方法及系统，方法包括如下步骤：1)数据集制作阶段：采集蚊群图像制作训练集和测试集，生成训练集的真值图；2)训练阶段：构建生成器网络和判别器网络，训练生成器网络和判别器网络；3)测试阶段：将测试集图像输入训练阶段训练完成的生成器网络中得到预测图；4)使用阶段：将待计数蚊群图输入到生成器网络中，得到预测数量和预测图。其中生成器部分由前端网络和后端网络构成，前端网络是由使用了公共数据集Imagenet预训练完的VGG‑16前十层构成；后端网络是融入注意力机制的多尺度卷积神经网络构成；判别器部分由马尔科夫判别器构成。该网络结构对蚊群图像计数有较高的准确率。
-
公开(公告)号：CN113505651A
公开(公告)日：2021-10-15
申请号：CN202110660708.X
申请日：2021-06-15
Applicant: 杭州电子科技大学 , 浙江省疾病预防控制中心
Abstract: 本发明公开了一种基基于卷积神经网络的蚊虫识别方法。现有识别蚊虫的方法效率低、误识率较高。本发明方法包括训练阶段和测试阶段。训练阶段首先收集蚊子彩色图像，组成训练集，然后对蚊虫彩色图像尺寸规范化处理；构建依次由卷积模块、注意力网络模块和分类模块组成的卷积神经网络，并训练该卷积神经网络。测试阶段是将预处理后测试图像输入到训练好的卷积神经网络中，输出为五个概率值，概率最大者所在位置为模型预测该样本相应的类别。本发明采用了混合池化以降低特征丢失，并且在网络中引入了注意力网络模块，使得网络学习到不同蚊虫类别图像的局部关键信息，添加了中心损失作为辅助损失函数，进一步提升了网络的性能。
-
-
-
-
-
Search Results
6
records
(took 0.066 seconds)
