白丝美女被狂躁免费视频网站,500av导航大全精品,yw.193.cnc爆乳尤物未满,97se亚洲综合色区,аⅴ天堂中文在线网官网

首頁 / 技術(shù)領(lǐng)域 / 目標(biāo)害蟲 / 專利數(shù)據(jù)
序號(hào) 專利名 申請(qǐng)?zhí)?/th> 申請(qǐng)日 公開（公告）號(hào) 公開（公告）日 發(fā)明人
1 一種小樣本棉花害蟲目標(biāo)檢測方法 CN202310021496.X 2023-01-07 CN116012711A 2023-04-25 劉厚冉; 馬龍華; 朱陽; 田冠中; 常方樂; 趙揚(yáng)帆
本發(fā)明涉及一種小樣本棉花害蟲目標(biāo)檢測方法，通過對(duì)圖像進(jìn)行隨機(jī)混合增強(qiáng)處理來有效增強(qiáng)目標(biāo)其他部位特征的檢測能力，提高棉花害蟲的檢測準(zhǔn)確率，并通過骨干網(wǎng)絡(luò)獲得特征信息后，采用不同空洞數(shù)的空洞卷積操作獲得多尺度特征圖，擴(kuò)大卷積運(yùn)算的感受野，然后通過施加注意力機(jī)制增強(qiáng)局部特征的提取能力，從而能夠提取圖像中更多棉花害蟲的特征信息，增強(qiáng)檢測模型的泛化能力，提高小樣本目標(biāo)檢測準(zhǔn)確性。
2 一種基于YOLOv7算法的小目標(biāo)害蟲檢測方法 CN202411145192.5 2024-08-20 CN119091119A 2024-12-06 陳大慶; 王松; 向建霞; 張聰
本發(fā)明屬于小目標(biāo)害蟲的檢測領(lǐng)域，公開了一種基于YOLOv7算法的小目標(biāo)害蟲檢測方法，本發(fā)明示例的技術(shù)方案，包括：第一步，獲取訓(xùn)練模型所需要的小目標(biāo)害蟲圖片數(shù)據(jù)集；第二步，手動(dòng)標(biāo)記以識(shí)別圖像中存在的小目標(biāo)害蟲的位置和類型，并將數(shù)據(jù)集拆分為訓(xùn)練集、驗(yàn)證集和測試集；第三步，基于原始YOLOv7算法構(gòu)建改進(jìn)的目標(biāo)檢測模型；第四步，構(gòu)建改進(jìn)的YOLOv7模型的損失函數(shù)；第五步，使用K?means算法獲得適合小目標(biāo)害蟲的anchors；第六步，設(shè)置多個(gè)訓(xùn)練參數(shù)訓(xùn)練改進(jìn)的YOLOv7目標(biāo)檢測模型；相對(duì)于現(xiàn)有的檢測方法提升了相對(duì)精度，在小目標(biāo)害蟲檢測任務(wù)中具有更強(qiáng)的識(shí)別能力。
3 一種面向農(nóng)作物的小目標(biāo)害蟲檢測方法和系統(tǒng) CN202411526135.1 2024-10-30 CN119540523A 2025-02-28 王春桃; 張嘉怡; 肖德琴
本發(fā)明公開了一種面向農(nóng)作物的小目標(biāo)害蟲檢測方法和系統(tǒng)，涉及計(jì)算機(jī)視覺和目標(biāo)檢測的技術(shù)領(lǐng)域，包括獲取農(nóng)作物害蟲數(shù)據(jù)集，包括若干張具有害蟲標(biāo)注的農(nóng)作物害蟲圖像；對(duì)農(nóng)作物害蟲數(shù)據(jù)集進(jìn)行預(yù)處理，獲得預(yù)處理后的農(nóng)作物害蟲數(shù)據(jù)集，輸入小目標(biāo)害蟲檢測模型中，設(shè)置總損失函數(shù)進(jìn)行訓(xùn)練，當(dāng)總損失函數(shù)值最小時(shí)，獲得訓(xùn)練好的小目標(biāo)害蟲檢測模型；獲取待檢測的農(nóng)作物圖像，輸入訓(xùn)練好的小目標(biāo)害蟲檢測模型中，獲得待檢測的農(nóng)作物圖像中所有害蟲的檢測結(jié)果和定位結(jié)果，并進(jìn)行NMS非極大值抑制，獲得待檢測的農(nóng)作物圖像的最終害蟲檢測結(jié)果。本發(fā)明能夠?qū)r(nóng)作物中的小目標(biāo)害蟲實(shí)現(xiàn)準(zhǔn)確、快速的檢測。
4 基于YOLOv7-tiny改進(jìn)的小目標(biāo)害蟲檢測方法 CN202311518341.3 2023-11-15 CN117422868A 2024-01-19 徐偉悅; 陳偉; 沈聰; 楊如雪
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及基于YOLOv7?tiny改進(jìn)的小目標(biāo)害蟲檢測方法，包括采集蚜蟲圖像；對(duì)蚜蟲圖像進(jìn)行離線處理，并制作數(shù)據(jù)集；構(gòu)建改進(jìn)YOLOv7?tiny網(wǎng)絡(luò)模型，對(duì)YOLOv7?tiny的主干網(wǎng)絡(luò)進(jìn)行輕量化設(shè)計(jì)；壓縮頸部網(wǎng)絡(luò)，與主干網(wǎng)絡(luò)實(shí)現(xiàn)通道對(duì)齊；對(duì)中、小尺度特征層進(jìn)行細(xì)粒度設(shè)計(jì)；對(duì)改進(jìn)YOLOv7?tiny網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。本發(fā)明改進(jìn)后的YOLOv7?tiny模型適用于相似性高的小目標(biāo)識(shí)別；同時(shí)可以部署在低成本邊緣設(shè)備上，最終實(shí)現(xiàn)對(duì)蚜蟲檢測系統(tǒng)的廣泛應(yīng)用，滿足智慧農(nóng)業(yè)、精準(zhǔn)農(nóng)業(yè)的需求。
5 具有高目標(biāo)活性和低非目標(biāo)活性的防治害蟲的組合物和方法 CN200980135368.6 2009-07-22 CN102149276A 2011-08-10 埃薩姆·埃南
本發(fā)明的實(shí)施方式涉及用于選擇性防治害蟲的組合物和方法，其中所述組合物包括活性劑，在組合中的所述活性劑具有針對(duì)選定的目標(biāo)害蟲的第一活性和針對(duì)選定的非目標(biāo)生物體的第二活性，其中，所述第一活性大于所述第二活性。本發(fā)明的進(jìn)一步的實(shí)施方式涉及研制選擇性防治害蟲的組合物和低抗性的防止害蟲的組合物的方法。
6 基于改進(jìn)YOLOv5s非結(jié)構(gòu)化環(huán)境下的多目標(biāo)害蟲檢測方法和系統(tǒng) CN202411227881.0 2024-09-03 CN118968312A 2024-11-15 徐偉悅; 孫浩楠; 嚴(yán)強(qiáng); 吳沂澤; 黃陸楠
本發(fā)明提供了一種基于改進(jìn)YOLOv5s非結(jié)構(gòu)化環(huán)境下的多目標(biāo)害蟲檢測方法和系統(tǒng)，所述方法包括：S1：采集被甘蔗蚜蟲侵?jǐn)_的作物圖像作為第一目標(biāo)數(shù)據(jù)集；S2：將第一目標(biāo)數(shù)據(jù)集與優(yōu)化標(biāo)注后的AgriPest數(shù)據(jù)集進(jìn)行隨機(jī)選取并重新組合制作成第二目標(biāo)數(shù)據(jù)集；S3：將第二目標(biāo)數(shù)據(jù)集進(jìn)行劃分為訓(xùn)練集、驗(yàn)證集和測試集；S4：以YOLOv5s網(wǎng)絡(luò)模型為基準(zhǔn)模型構(gòu)建改進(jìn)的YOLOv5s網(wǎng)絡(luò)模型作為多目標(biāo)害蟲檢測網(wǎng)絡(luò)模型；S6：基于訓(xùn)練結(jié)果改進(jìn)多目標(biāo)害蟲檢測網(wǎng)絡(luò)模型參數(shù)得到訓(xùn)練后的多目標(biāo)害蟲檢測網(wǎng)絡(luò)模型；S7：進(jìn)行模型評(píng)估；S8：將測試集輸入至所述訓(xùn)練后的多目標(biāo)害蟲檢測網(wǎng)絡(luò)模型中得到多目標(biāo)害蟲檢測結(jié)果。改進(jìn)后的YOLOv5s網(wǎng)絡(luò)模型對(duì)非結(jié)構(gòu)環(huán)境下小目標(biāo)高密度害蟲識(shí)別能力得到提升。
7 一種基于深度可分離卷積的輕量化害蟲目標(biāo)檢測方法 CN202410674661.6 2024-05-29 CN118279718B 2024-08-27 張麗娟; 王浩; 周奇; 鮑軍鵬; 呂柯; 楊笑康
一種基于深度可分離卷積的輕量化害蟲目標(biāo)檢測方法。屬于圖像處理及圖像識(shí)別技術(shù)領(lǐng)域，具體涉及輕量化害蟲目標(biāo)檢測技術(shù)領(lǐng)域。優(yōu)化了YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)了LP_U模塊和LP_D模塊，并應(yīng)用于YOLOv8結(jié)構(gòu)中，形成LP?YOLO(l)框架。通過剪枝和微調(diào)策略，得到精簡的LP?YOLO(s)模型，剪枝過程中減少了輸出通道數(shù)和參數(shù)量，同時(shí)保留關(guān)鍵權(quán)重，并進(jìn)一步通過參數(shù)訓(xùn)練得到最終的檢測模型，這些策略提高了網(wǎng)絡(luò)效率和緊湊性。解決了以往的害蟲檢測因復(fù)雜的參數(shù)和計(jì)算需求在資源受限的移動(dòng)終端設(shè)備上部署困難的的問題。
8 基于目標(biāo)檢測技術(shù)的林業(yè)害蟲智能識(shí)別檢測方法 CN202211485382.2 2022-11-24 CN116824200B 2024-08-06 鄭青
本發(fā)明涉及林業(yè)害蟲識(shí)別檢測分析技術(shù)領(lǐng)域，具體公開一種基于目標(biāo)檢測技術(shù)的林業(yè)害蟲智能識(shí)別檢測方法，通過對(duì)目標(biāo)沙棗薪炭林林業(yè)區(qū)域的木屑和樹冠進(jìn)行初步蟲害分析，進(jìn)而根據(jù)目標(biāo)沙棗薪炭林林業(yè)區(qū)域的各重點(diǎn)監(jiān)測區(qū)域的監(jiān)測圖像分析得出各重點(diǎn)監(jiān)測區(qū)域?qū)?yīng)的蟲害類型，在一定程度上減少了害蟲檢測的任務(wù)量，提高了檢測效率，進(jìn)而更快促進(jìn)形成森林可持續(xù)的綠色發(fā)展模式，有利于采取科學(xué)的綠色防治措施，進(jìn)一步加強(qiáng)了整個(gè)地區(qū)的生態(tài)平衡，提高了檢測力度，降低了檢測過程的繁瑣性，同時(shí)還適用于大批次沙棗薪炭林林業(yè)區(qū)域的害蟲檢測，還保障了沙棗薪炭林林業(yè)區(qū)域的害蟲檢測結(jié)果的精準(zhǔn)性和參考性，提高了檢測的科學(xué)性和合理性。
9 一種基于卷積神經(jīng)網(wǎng)絡(luò)的生態(tài)景觀工程小目標(biāo)害蟲檢測方法 CN202310810888.4 2023-07-04 CN117036931A 2023-11-10 翟福森; 金燕; 張繼; 王業(yè)義; 張濤; 劉明龍; 李剛; 吳堯
本發(fā)明提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的生態(tài)景觀工程小目標(biāo)害蟲檢測方法，包括以下步驟：S1，采集生態(tài)景觀工程小目標(biāo)害蟲數(shù)據(jù)；S2，將小目標(biāo)害蟲數(shù)據(jù)輸入害蟲檢測模型；所述害蟲檢測模型包括：Conv模塊、C3GS模塊和SPPF模塊；Conv模塊由標(biāo)準(zhǔn)卷積層、歸一化層和SiLU激活函數(shù)構(gòu)成；C3GS模塊由3個(gè)Conv模塊和1個(gè)GS?bottleneck構(gòu)成；SPPF模塊包括由標(biāo)準(zhǔn)卷積層、最大池化，用于對(duì)特征圖進(jìn)行多尺度的特征提取。S3，得到害蟲檢測結(jié)果。本發(fā)明能夠找到模型精度和模型參數(shù)量的平衡，滿足生態(tài)景觀工程小目標(biāo)害蟲又快又高效的檢測需求。
10 基于注意力機(jī)制和改進(jìn)特征融合的小目標(biāo)害蟲檢測方法 CN202211522257.4 2022-11-30 CN115810123A 2023-03-17 戴凡杰; 萬里
本發(fā)明提出了一種基于注意力機(jī)制和改進(jìn)特征融合的小目標(biāo)害蟲檢測方法，包括以下步驟：S1，獲取害蟲圖像數(shù)據(jù)集并進(jìn)行預(yù)處理，所述預(yù)處理包括鏡像翻轉(zhuǎn)和/或隨機(jī)旋轉(zhuǎn)；S2，將采集的小目標(biāo)害蟲圖像數(shù)據(jù)輸入檢測模型進(jìn)行模型訓(xùn)練；S3，將待測的小目標(biāo)害蟲圖像輸入訓(xùn)練完畢的檢測模型得到檢測結(jié)果。本發(fā)明基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)通過大量的模型參數(shù)自主學(xué)習(xí)，能夠獲得圖像的全局特征和細(xì)節(jié)特征，對(duì)不同環(huán)境下的小目標(biāo)害蟲都有較好的魯棒性和泛化能力。
11 基于解耦分類和回歸特征最優(yōu)層技術(shù)的害蟲目標(biāo)檢測方法 CN202110804036.5 2021-07-16 CN113627269A 2021-11-09 宋良圖; 陳天嬌; 王儒敬; 謝成軍; 張潔; 杜健銘; 李瑞; 陳紅波; 胡海瀛; 劉海云
本發(fā)明涉及基于解耦分類和回歸特征最優(yōu)層技術(shù)的害蟲目標(biāo)檢測方法，與現(xiàn)有技術(shù)相比解決了滅蟲燈內(nèi)蟲體尺寸差異大導(dǎo)致害蟲識(shí)別率低的缺陷。本發(fā)明包括以下步驟：訓(xùn)練樣本集的獲?。缓οx目標(biāo)檢測網(wǎng)絡(luò)的構(gòu)建；害蟲目標(biāo)檢測網(wǎng)絡(luò)的訓(xùn)練；待檢測害蟲圖像樣本的獲??；害蟲目標(biāo)的檢測定位。本發(fā)明可以根據(jù)常用特征層設(shè)置將分類和回歸任務(wù)分派到不同的特征層分別進(jìn)行后得到最終的檢測結(jié)果，從而針對(duì)滅蟲燈環(huán)境下蟲體差異大進(jìn)行差異化檢測，提高了滅蟲燈環(huán)境下蟲體檢測識(shí)別率，滿足了實(shí)際應(yīng)用的需要。
12 輕量化的小目標(biāo)害蟲檢測方法、裝置及電子設(shè)備 CN202411359002.X 2024-09-27 CN119418366A 2025-02-11 李文勇; 胡煥; 孫傳恒; 楊信廷; 李登奎; 閔濤
本發(fā)明提供一種輕量化的小目標(biāo)害蟲檢測方法、裝置及電子設(shè)備，方法包括：對(duì)采集的小目標(biāo)害蟲圖像進(jìn)行預(yù)處理，以構(gòu)建害蟲圖像數(shù)據(jù)集；基于YOLOv5模型，構(gòu)建小目標(biāo)害蟲檢測模型；其中，在YOLOv5s模型的主干部分中增加小目標(biāo)特征增強(qiáng)模塊，小目標(biāo)特征增強(qiáng)模塊基于MobileNetv3和BiFomer結(jié)構(gòu)構(gòu)建；在YOLOv5s模型的頸部部分增加VoV?GSCSP模塊；訓(xùn)練小目標(biāo)害蟲檢測模型，得到訓(xùn)練后的小目標(biāo)害蟲檢測模型；將害蟲圖像數(shù)據(jù)集輸入訓(xùn)練后的小目標(biāo)害蟲檢測模型，得到小目標(biāo)害蟲圖像的檢測結(jié)果。本發(fā)明通過采用上述方法，解決相關(guān)技術(shù)中的害蟲圖像檢測方法由于追求較高的識(shí)別精度，導(dǎo)致模型復(fù)雜程度高、參數(shù)量大，不利于模型在邊緣設(shè)備上部署的問題。
13 一種基于深度可分離卷積的輕量化害蟲目標(biāo)檢測方法 CN202410674661.6 2024-05-29 CN118279718A 2024-07-02 張麗娟; 王浩; 周奇; 鮑軍鵬; 呂柯; 楊笑康
一種基于深度可分離卷積的輕量化害蟲目標(biāo)檢測方法。屬于圖像處理及圖像識(shí)別技術(shù)領(lǐng)域，具體涉及輕量化害蟲目標(biāo)檢測技術(shù)領(lǐng)域。優(yōu)化了YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)了LP_U模塊和LP_D模塊，并應(yīng)用于YOLOv8結(jié)構(gòu)中，形成LP?YOLO(l)框架。通過剪枝和微調(diào)策略，得到精簡的LP?YOLO(s)模型，剪枝過程中減少了輸出通道數(shù)和參數(shù)量，同時(shí)保留關(guān)鍵權(quán)重，并進(jìn)一步通過參數(shù)訓(xùn)練得到最終的檢測模型，這些策略提高了網(wǎng)絡(luò)效率和緊湊性。解決了以往的害蟲檢測因復(fù)雜的參數(shù)和計(jì)算需求在資源受限的移動(dòng)終端設(shè)備上部署困難的的問題。
14 基于通道和空間協(xié)同注意的小目標(biāo)害蟲檢測方法和系統(tǒng) CN202410230733.8 2024-02-29 CN118038428A 2024-05-14 賀麗君; 劉秋楊; 李凡
本發(fā)明涉及目標(biāo)檢測領(lǐng)域，公開了一種基于通道和空間協(xié)同注意的小目標(biāo)害蟲檢測方法和系統(tǒng)，所述方法包括：獲取目標(biāo)數(shù)據(jù)集：將所述目標(biāo)數(shù)據(jù)集按8:1:1的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集；將YOLOv8模型作為基礎(chǔ)模型，對(duì)所述YOLOv8模型進(jìn)行改進(jìn)，構(gòu)建小目標(biāo)害蟲檢測模型CSCA?YOLO；分別利用訓(xùn)練集和驗(yàn)證集對(duì)所述CSCA?YOLO模型進(jìn)行訓(xùn)練和調(diào)參，直至模型的損失函數(shù)收斂，得到訓(xùn)練好的CSCA?YOLO模型；將測試集圖像輸入到訓(xùn)練好的CSCA?YOLO模型中進(jìn)行目標(biāo)檢測，輸出害蟲目標(biāo)的檢測結(jié)果。所述系統(tǒng)包括：獲取模塊、構(gòu)建模塊、訓(xùn)練模塊和檢測模塊。本發(fā)明通過對(duì)小目標(biāo)害蟲特點(diǎn)進(jìn)行分析，基于這些特點(diǎn)對(duì)YOLOv8模型進(jìn)行改進(jìn)，構(gòu)建出能夠適用于對(duì)于害蟲等小目標(biāo)進(jìn)行檢測的CSCA?YOLO模型，利用所述CSCA?YOLO模型進(jìn)行害蟲目標(biāo)檢測，能夠在較低的計(jì)算開銷下，降低了小目標(biāo)害蟲的漏檢率，提高小目標(biāo)的檢測能力，進(jìn)一步提升檢測精度。
15 基于目標(biāo)檢測技術(shù)的林業(yè)害蟲智能識(shí)別檢測方法 CN202211485382.2 2022-11-24 CN116824200A 2023-09-29 鄭青
本發(fā)明涉及林業(yè)害蟲識(shí)別檢測分析技術(shù)領(lǐng)域，具體公開一種基于目標(biāo)檢測技術(shù)的林業(yè)害蟲智能識(shí)別檢測方法，通過對(duì)目標(biāo)沙棗薪炭林林業(yè)區(qū)域的木屑和樹冠進(jìn)行初步蟲害分析，進(jìn)而根據(jù)目標(biāo)沙棗薪炭林林業(yè)區(qū)域的各重點(diǎn)監(jiān)測區(qū)域的監(jiān)測圖像分析得出各重點(diǎn)監(jiān)測區(qū)域?qū)?yīng)的蟲害類型，在一定程度上減少了害蟲檢測的任務(wù)量，提高了檢測效率，進(jìn)而更快促進(jìn)形成森林可持續(xù)的綠色發(fā)展模式，有利于采取科學(xué)的綠色防治措施，進(jìn)一步加強(qiáng)了整個(gè)地區(qū)的生態(tài)平衡，提高了檢測力度，降低了檢測過程的繁瑣性，同時(shí)還適用于大批次沙棗薪炭林林業(yè)區(qū)域的害蟲檢測，還保障了沙棗薪炭林林業(yè)區(qū)域的害蟲檢測結(jié)果的精準(zhǔn)性和參考性，提高了檢測的科學(xué)性和合理性。
16 基于解耦分類和回歸特征最優(yōu)層技術(shù)的害蟲目標(biāo)檢測方法 CN202110804036.5 2021-07-16 CN113627269B 2023-04-28 宋良圖; 陳天嬌; 王儒敬; 謝成軍; 張潔; 杜健銘; 李瑞; 陳紅波; 胡海瀛; 劉海云
本發(fā)明涉及基于解耦分類和回歸特征最優(yōu)層技術(shù)的害蟲目標(biāo)檢測方法，與現(xiàn)有技術(shù)相比解決了滅蟲燈內(nèi)蟲體尺寸差異大導(dǎo)致害蟲識(shí)別率低的缺陷。本發(fā)明包括以下步驟：訓(xùn)練樣本集的獲取；害蟲目標(biāo)檢測網(wǎng)絡(luò)的構(gòu)建；害蟲目標(biāo)檢測網(wǎng)絡(luò)的訓(xùn)練；待檢測害蟲圖像樣本的獲取；害蟲目標(biāo)的檢測定位。本發(fā)明可以根據(jù)常用特征層設(shè)置將分類和回歸任務(wù)分派到不同的特征層分別進(jìn)行后得到最終的檢測結(jié)果，從而針對(duì)滅蟲燈環(huán)境下蟲體差異大進(jìn)行差異化檢測，提高了滅蟲燈環(huán)境下蟲體檢測識(shí)別率，滿足了實(shí)際應(yīng)用的需要。
17 一種適用于小目標(biāo)樣本的果園害蟲智能定位與識(shí)別方法 CN202011388299.4 2020-12-01 CN112508012B 2022-09-06 蔡衛(wèi)明; 龐海通; 張一濤; 馬龍華
本發(fā)明通過分析果園害蟲的自身特點(diǎn)，結(jié)合深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)，實(shí)現(xiàn)彩色圖像范圍內(nèi)害蟲小目標(biāo)樣本的定位和識(shí)別，同時(shí)通過計(jì)算害蟲的生長分布，通過多種害蟲共同定位某一種生長條件的手段，判定當(dāng)前環(huán)境導(dǎo)致害蟲容易生長的因素，對(duì)于促進(jìn)農(nóng)林業(yè)害蟲識(shí)別和防治領(lǐng)域的發(fā)展具有重要的意義。
18 一種基于深度可分離卷積與異構(gòu)嵌入式的小目標(biāo)害蟲檢測方法 CN202310769275.0 2023-06-28 CN116704315A 2023-09-05 李念強(qiáng); 聶順
本發(fā)明提供一種基于深度可分離卷積與異構(gòu)嵌入式的小目標(biāo)害蟲檢測方法，該方法可以加快推理設(shè)備的推理速度、提高推理精度，使相同的參數(shù)量和計(jì)算量可以更快地進(jìn)行推理。具體步驟包括：收集害蟲測報(bào)燈實(shí)拍圖片并進(jìn)行標(biāo)注構(gòu)建數(shù)據(jù)集；對(duì)數(shù)據(jù)集中的圖片進(jìn)行預(yù)處理操作，實(shí)現(xiàn)數(shù)據(jù)集的多樣性；使用深度可分離卷積網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行模型訓(xùn)練，得到初始模型；對(duì)得到的模型文件進(jìn)行量化和格式轉(zhuǎn)化操作；將最終模型文件部署到異構(gòu)嵌入式平臺(tái)進(jìn)行加速推理。其中，通過替換卷積層實(shí)現(xiàn)深度可分離卷積網(wǎng)絡(luò)。模型文件經(jīng)過格式轉(zhuǎn)換和量化處理后部署到異構(gòu)嵌入式平臺(tái)進(jìn)行推理加速。
19 一種基于背景減除與多卷積融合的小目標(biāo)害蟲檢測方法 CN202310474349.8 2023-04-28 CN116433896A 2023-07-14 李念強(qiáng); 聶順
本發(fā)明提供了一種基于背景減除和多卷積融合的小目標(biāo)害蟲檢測方法。具有高精度、快速識(shí)別和占用資源少的優(yōu)點(diǎn)。具體實(shí)現(xiàn)步驟包括：使用攝像頭拍攝干凈的落蟲盤背景圖像；采集害蟲圖像制作數(shù)據(jù)集，使用基于多卷積融合的神經(jīng)網(wǎng)絡(luò)訓(xùn)練生成害蟲目標(biāo)檢測模型；使用攝像頭獲取待檢測的害蟲圖片并進(jìn)行背景減除操作，將圖片除噪并將存在害蟲的部分分割保存為獨(dú)立的圖片，記錄害蟲存在部分的坐標(biāo)和尺寸信息；然后對(duì)待檢測圖像使用基于多卷積融合的目標(biāo)檢測算法進(jìn)行害蟲檢測，最后根據(jù)保存的位置和尺寸信息將檢測結(jié)果放置在原圖中并輸出為最終結(jié)果。這種方法可以有效地檢測小目標(biāo)害蟲，提高農(nóng)業(yè)生產(chǎn)的效率和質(zhì)量。
20 一種基于YOLOv5模型的害蟲目標(biāo)檢測方法、系統(tǒng)及設(shè)備 CN202310183682.3 2023-02-27 CN116310718A 2023-06-23 余濟(jì)鵬; 譚臺(tái)哲
本發(fā)明涉及目標(biāo)檢測領(lǐng)域，公開了一種基于YOLOv5模型的害蟲目標(biāo)檢測方法、系統(tǒng)及設(shè)備，所述方法包括：獲取目標(biāo)數(shù)據(jù)集；并將所述目標(biāo)數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集；以YOLOv5模型作為基礎(chǔ)模型，對(duì)所述YOLOv5模型進(jìn)行改進(jìn)，構(gòu)建害蟲目標(biāo)檢測模型；分別利用訓(xùn)練集和驗(yàn)證集對(duì)所述害蟲目標(biāo)檢測模型進(jìn)行訓(xùn)練和調(diào)參，直至害蟲目標(biāo)檢測模型的損失函數(shù)收斂，得到訓(xùn)練好的害蟲目標(biāo)檢測模型；將測試集的圖像輸入訓(xùn)練好的害蟲目標(biāo)檢測模型進(jìn)行目標(biāo)檢測，輸出害蟲目標(biāo)檢測結(jié)果。本發(fā)明通過對(duì)YOLOv5模型進(jìn)行改進(jìn)，構(gòu)建出能夠適用于對(duì)于害蟲等小目標(biāo)進(jìn)行檢測的害蟲目標(biāo)檢測模型，利用所述害蟲目標(biāo)檢測模型進(jìn)行害蟲目標(biāo)檢測，能夠提高小目標(biāo)的檢測能力，進(jìn)一步提升檢測精度。
QQ群二維碼
意見反饋