首頁 /
技術(shù)領(lǐng)域 /
目標(biāo)害蟲 /
專利數(shù)據(jù)
| 序號 | 專利名 | 申請?zhí)?/th> | 申請日 | 公開（公告）號 | 公開（公告）日 | 發(fā)明人 |
|---|---|---|---|---|---|---|
| 61 | 害蟲誘捕控制方法、終端、害蟲誘捕設(shè)備及其系統(tǒng) | CN202311069956.2 | 2023-08-23 | CN117243200A | 2023-12-19 | 胡科; 張忠杰; 張貴州 |
| 本發(fā)明公開一種害蟲誘捕控制方法、終端、害蟲誘捕設(shè)備及其系統(tǒng)，其中，害蟲誘捕控制方法包括以下步驟：終端獲取目標(biāo)倉儲的地理位置、倉儲類型、倉儲對象種類和倉儲時間；根據(jù)目標(biāo)倉儲的地理位置、倉儲類型、倉儲對象種類和倉儲時間確定害蟲信息以及對應(yīng)所述害蟲信息的燈光控制模式，所述燈光控制模式包括不同害蟲信息的誘捕燈光波長以及相應(yīng)害蟲在不同生長周期的光輻照強度；將燈光控制模式發(fā)送至目標(biāo)害蟲誘捕設(shè)備，以使目標(biāo)害蟲誘捕設(shè)備根據(jù)燈光控制模式控制目標(biāo)誘捕燈組發(fā)出目標(biāo)波長和目標(biāo)強度的誘捕光。本發(fā)明的技術(shù)方案可以實現(xiàn)對害蟲的精準(zhǔn)誘捕，提高害蟲誘捕終端的智能化程度。 | ||||||
| 62 | 一種害蟲分類與檢測方法 | CN202311035877.X | 2023-08-16 | CN117152498A | 2023-12-01 | 譚軍; 梁詩琪 |
| 本發(fā)明提出一種害蟲分類與檢測方法，涉及圖像分析與處理的技術(shù)領(lǐng)域，首先獲取害蟲樣本圖像數(shù)據(jù)集，然后構(gòu)建害蟲圖像特征提取模型，利用數(shù)據(jù)集對害蟲圖像特征提取模型進行訓(xùn)練，得到訓(xùn)練好的害蟲圖像特征提取模型，將待處理的害蟲圖像輸入訓(xùn)練好的害蟲圖像特征提取模型，得到害蟲圖像特征圖，再分別通過分類分支和檢測分支對圖像特征圖進行害蟲的分類與檢測，解決了密集目標(biāo)檢測遺漏問題，有效兼顧了害蟲分類與檢測方法的優(yōu)性能和高精度，適用于不同分類與檢測場景。 | ||||||
| 63 | 一種智能識別和預(yù)警害蟲的方法及系統(tǒng) | CN201810794841.2 | 2018-07-19 | CN110659659A | 2020-01-07 | 黃桂芳; 劉嘉惠; 成秋喜; 李權(quán); 韓藍青 |
| 本發(fā)明涉及生物信息領(lǐng)域，具體涉及一種智能識別和預(yù)警害蟲的方法及系統(tǒng)。本發(fā)明通過收集害蟲圖像數(shù)據(jù)，并對害蟲圖像數(shù)據(jù)增強處理；對害蟲圖像數(shù)據(jù)進行除噪處理和標(biāo)注；通過卷積神經(jīng)網(wǎng)絡(luò)對害蟲圖像數(shù)據(jù)進行訓(xùn)練和遷移學(xué)習(xí)；將目標(biāo)害蟲圖像導(dǎo)入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中對害蟲類別進行預(yù)測；統(tǒng)計生成害蟲圖像現(xiàn)有數(shù)據(jù)信息和害蟲預(yù)警數(shù)據(jù)信息?？蓪⒃摲椒ㄍ卣怪劣糜跈z測田間植物，檢測昆蟲，檢測害蟲視頻，并且不受外界多方面影響，實現(xiàn)實時分類；可以自動識別害蟲種類與統(tǒng)計害蟲數(shù)量，提供更高的識別準(zhǔn)確度與解放更多人力，節(jié)省時間和人力，并且可以對害蟲進行預(yù)警。 | ||||||
| 64 | 一種小型害蟲病原菌散布裝置 | CN202411818690.1 | 2024-12-11 | CN119699289A | 2025-03-28 | 魏輝; 林濤; 陳崢; 楊風(fēng)花; 林碩 |
| 本發(fā)明公開了一種小型害蟲病原菌散布裝置，涉及害蟲生物防治技術(shù)領(lǐng)域。包括：容器1、柱形蓋2或錐形蓋3，病原菌載體框架4、引誘劑載體網(wǎng)袋5、保濕裝置6，懸掛支架7。本發(fā)明針對性強，通過特定的引誘劑吸引目標(biāo)害蟲進入設(shè)備，減少了對非目標(biāo)生物的影響；持久效果好，通過讓害蟲與病原菌接觸，可在害蟲種群中傳播，長期控制害蟲。本發(fā)明可以作為害蟲綜合治理(IPM)的一部分，與害蟲的其他防控策略結(jié)合使用，可有效提升害蟲的防控效果。 | ||||||
| 65 | 一種農(nóng)業(yè)害蟲監(jiān)測系統(tǒng)和方法 | CN202211153143.7 | 2022-09-21 | CN115523954B | 2025-03-18 | 張立; 張旭; 曾祥瓊 |
| 本發(fā)明提供一種農(nóng)業(yè)害蟲監(jiān)測系統(tǒng)和方法，于目標(biāo)區(qū)域設(shè)置的若干監(jiān)測點、每個監(jiān)測點包括用于實時采集害蟲活動數(shù)據(jù)的數(shù)據(jù)采集裝置；數(shù)據(jù)處理子系統(tǒng)接收并處理害蟲活動數(shù)據(jù)得到每個監(jiān)測點的害蟲監(jiān)測結(jié)果數(shù)據(jù)；以及對監(jiān)測點的害蟲監(jiān)測結(jié)果數(shù)據(jù)進行處理得到目標(biāo)區(qū)域的害蟲監(jiān)測結(jié)果數(shù)據(jù)；遠程數(shù)據(jù)庫存儲害蟲活動數(shù)據(jù)和害蟲監(jiān)測結(jié)果數(shù)據(jù)。實時高效，成本低，可以長周期實時進行害蟲檢測，監(jiān)測精確度和工作自主程度均得到提高。 | ||||||
| 66 | 一種農(nóng)業(yè)害蟲監(jiān)測系統(tǒng)和方法 | CN202211153143.7 | 2022-09-21 | CN115523954A | 2022-12-27 | 張立; 張旭; 曾祥瓊 |
| 本發(fā)明提供一種農(nóng)業(yè)害蟲監(jiān)測系統(tǒng)和方法，于目標(biāo)區(qū)域設(shè)置的若干監(jiān)測點、每個監(jiān)測點包括用于實時采集害蟲活動數(shù)據(jù)的數(shù)據(jù)采集裝置；數(shù)據(jù)處理子系統(tǒng)接收并處理害蟲活動數(shù)據(jù)得到每個監(jiān)測點的害蟲監(jiān)測結(jié)果數(shù)據(jù)；以及對監(jiān)測點的害蟲監(jiān)測結(jié)果數(shù)據(jù)進行處理得到目標(biāo)區(qū)域的害蟲監(jiān)測結(jié)果數(shù)據(jù)；遠程數(shù)據(jù)庫存儲害蟲活動數(shù)據(jù)和害蟲監(jiān)測結(jié)果數(shù)據(jù)。實時高效，成本低，可以長周期實時進行害蟲檢測，監(jiān)測精確度和工作自主程度均得到提高。 | ||||||
| 67 | 基于注意力融合因子特征金字塔的極小尺度害蟲圖像檢測方法 | CN202211004153.4 | 2022-08-22 | CN115358993A | 2022-11-18 | 焦林; 陳鵬; 李高強; 梁棟; 雷雨 |
| 本發(fā)明涉及基于注意力融合因子特征金字塔的極小尺度害蟲圖像檢測方法，與現(xiàn)有技術(shù)相比解決了難以針對極小尺度害蟲圖像進行檢測的缺陷。本發(fā)明包括以下步驟：極小尺度害蟲圖像數(shù)據(jù)的獲?。换谧⒁饬θ诤弦蜃犹卣鹘鹱炙臉?gòu)建；害蟲目標(biāo)定位分類網(wǎng)絡(luò)的構(gòu)建；基于注意力融合因子特征金字塔與害蟲目標(biāo)定位分類網(wǎng)絡(luò)的聯(lián)合訓(xùn)練；待測極小尺度害蟲圖像的獲??；極小尺度害蟲圖像的定位識別。本發(fā)明提升了對小尺度害蟲圖像的細節(jié)特征提取的能力，增強了小尺度害蟲的特征表達能力。 | ||||||
| 68 | 一種倉儲煙葉的害蟲消殺控制方法、裝置及電子設(shè)備 | CN202410247260.2 | 2024-03-05 | CN118097273A | 2024-05-28 | 鄒剛; 王昆; 鄒楊; 付瀚弘; 鄭好; 汪佳瑩 |
| 本說明書實施例公開了一種倉儲煙葉的害蟲消殺控制方法、裝置及電子設(shè)備。該方法包括確定測試煙葉的煙葉種類，獲取測試煙葉對應(yīng)的誘捕區(qū)域的第一監(jiān)測圖像；比對各第一監(jiān)測圖像，確定每個比對結(jié)果中新增的害蟲對象，并為每個害蟲對象標(biāo)注害蟲數(shù)據(jù)；確定各害蟲對象的消殺藥劑，并構(gòu)建害蟲消殺方案；對于待倉儲的目標(biāo)煙葉，確定目標(biāo)害蟲消殺方案，控制消殺對象的工作狀態(tài)。本說明書實施例能夠自動在煙葉可能滋生害蟲的時間節(jié)點噴灑相應(yīng)的消殺藥劑進行提前消殺，減少了倉儲煙葉的害蟲滋生率，保障了倉儲煙葉的整體質(zhì)量。 | ||||||
| 69 | 水稻害蟲識別方法、裝置、設(shè)備及存儲介質(zhì) | CN202410266595.9 | 2024-03-08 | CN118230355A | 2024-06-21 | 張聰; 詹曉蕓; 韓源濤; 趙靜怡; 馬雨辰; 談莎莎; 熊芃; 何林鋒 |
| 本發(fā)明公開了一種水稻害蟲識別方法、裝置、設(shè)備及存儲介質(zhì)，該方法包括：獲取真實環(huán)境背景下的水稻害蟲圖片；將水稻害蟲圖片輸入至目標(biāo)圖片分類網(wǎng)絡(luò)模型，獲得水稻害蟲圖片中水稻害蟲的分類結(jié)果和水稻葉片狀態(tài)的分類結(jié)果，目標(biāo)圖片分類網(wǎng)絡(luò)模型包括FasterViT模型、特征融合模塊和害蟲調(diào)整模塊，特征融合模塊中包括兩個全連接層和激活函數(shù)，兩個全連接層用于處理特征維度，以實現(xiàn)特征融合，害蟲調(diào)整模塊用于根據(jù)水稻葉片狀態(tài)的預(yù)測概率調(diào)整水稻害蟲種類的預(yù)測概率。由于本發(fā)明是將水稻害蟲圖片輸入至目標(biāo)圖片分類網(wǎng)絡(luò)模型，實現(xiàn)了根據(jù)水稻葉片狀態(tài)輔助水稻害蟲種類識別，進而提高了水稻害蟲種類識別的準(zhǔn)確率。 | ||||||
| 70 | 一種害蟲實時檢測計數(shù)系統(tǒng) | CN202110221101.1 | 2021-02-26 | CN112862054A | 2021-05-28 | 張瑞瑞; 伊銅川; 陳梅香; 王維佳; 徐剛; 丁晨琛; 華玟; 李龍龍 |
| 本發(fā)明提供一種害蟲實時檢測計數(shù)系統(tǒng)，包括：數(shù)據(jù)采集部分、害蟲監(jiān)測部分和圖像識別部分；害蟲監(jiān)測部分至少包括光電計數(shù)裝置、害蟲收集器和圖像采集裝置；數(shù)據(jù)采集部分按預(yù)設(shè)工作頻率驅(qū)動光電計數(shù)裝置采集檢測信號；在根據(jù)檢測信號確定有害蟲進入害蟲收集器的情況下，數(shù)據(jù)采集部分驅(qū)動位于害蟲收集器內(nèi)的圖像采集裝置進行拍照，以獲取目標(biāo)圖像；圖像識別部分對目標(biāo)圖像進行識別，以根據(jù)識別結(jié)果確定目標(biāo)害蟲的檢測計數(shù)結(jié)果。本發(fā)明提供的害蟲實時檢測計數(shù)系統(tǒng)，通過光電傳感器和害蟲圖像同時進行害蟲實時檢測計數(shù)，避免以往只能憑借單一計數(shù)方式計數(shù)產(chǎn)生偏差時無法進行校對的問題，保障了計數(shù)的準(zhǔn)確性。 | ||||||
| 71 | 一種害蟲實時檢測計數(shù)系統(tǒng) | CN202110221101.1 | 2021-02-26 | CN112862054B | 2024-05-14 | 張瑞瑞; 伊銅川; 陳梅香; 王維佳; 徐剛; 丁晨琛; 華玟; 李龍龍 |
| 本發(fā)明提供一種害蟲實時檢測計數(shù)系統(tǒng)，包括：數(shù)據(jù)采集部分、害蟲監(jiān)測部分和圖像識別部分；害蟲監(jiān)測部分至少包括光電計數(shù)裝置、害蟲收集器和圖像采集裝置；數(shù)據(jù)采集部分按預(yù)設(shè)工作頻率驅(qū)動光電計數(shù)裝置采集檢測信號；在根據(jù)檢測信號確定有害蟲進入害蟲收集器的情況下，數(shù)據(jù)采集部分驅(qū)動位于害蟲收集器內(nèi)的圖像采集裝置進行拍照，以獲取目標(biāo)圖像；圖像識別部分對目標(biāo)圖像進行識別，以根據(jù)識別結(jié)果確定目標(biāo)害蟲的檢測計數(shù)結(jié)果。本發(fā)明提供的害蟲實時檢測計數(shù)系統(tǒng)，通過光電傳感器和害蟲圖像同時進行害蟲實時檢測計數(shù)，避免以往只能憑借單一計數(shù)方式計數(shù)產(chǎn)生偏差時無法進行校對的問題，保障了計數(shù)的準(zhǔn)確性。 | ||||||
| 72 | 一種基于卷積神經(jīng)網(wǎng)絡(luò)的靶向藥物噴灑方法 | CN201810477485.1 | 2018-05-18 | CN108734277A | 2018-11-02 | 古萬榮; 施玉健; 毛宜軍; 李海良; 朱韜 |
| 本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的靶向藥物噴灑方法，包括步驟：S1、輸入樣本圖像和選定的迭代次數(shù)訓(xùn)練能夠識別N類目標(biāo)害蟲的CNN卷積神經(jīng)網(wǎng)絡(luò)，輸入目標(biāo)圖像，得出該圖像對應(yīng)N類目標(biāo)害蟲的判定得分；S2、根據(jù)步驟S1得出圖像的N類判定得分，與預(yù)先設(shè)定的害蟲識別閥值比較，如果得分大于害蟲識別閥值，則判別該害蟲種類，進行步驟S3，如果小于害蟲的識別閥值，則判斷為無害蟲，無需靶向藥物噴灑；S3、根據(jù)步驟S2判別的害蟲種類，輸入到針對害蟲所訓(xùn)練的RCNN區(qū)域網(wǎng)絡(luò)模型，統(tǒng)計該害蟲的數(shù)據(jù)，并用框圖顯示害蟲的區(qū)域位置，從而進行藥物噴灑。本發(fā)明可以在低配置環(huán)境下高效實施準(zhǔn)確率較高的靶向藥物噴灑，同時工程適用性強。 | ||||||
| 73 | 一種基于特征差異化和任務(wù)分離技術(shù)的相似害蟲圖像檢測方法 | CN202310010579.9 | 2023-01-05 | CN116342925A | 2023-06-27 | 王儒敬; 陳紅波; 陳天嬌; 杜健銘; 劉海云; 謝成軍; 張潔; 李瑞; 胡海瀛 |
| 本發(fā)明涉及一種基于特征差異化和任務(wù)分離技術(shù)的相似害蟲圖像檢測方法，包括：獲取相似害蟲圖像；構(gòu)建相似害蟲檢測模型，包括特征提取網(wǎng)絡(luò)、特征差異化網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)和任務(wù)分離網(wǎng)絡(luò)；利用相似害蟲圖像數(shù)據(jù)集對相似害蟲檢測模型進行訓(xùn)練；獲取待檢測的田間害蟲圖像；將待檢測的田間害蟲圖像輸入訓(xùn)練后的相似害蟲檢測模型，得到田間相似害蟲的分類和定位結(jié)果。本發(fā)明從整體圖片特征圖中提取害蟲差異化信息，特征語義表達能力更強，有利于相似害蟲的區(qū)分,避免硬性選擇某個尺度的特征導(dǎo)致的次優(yōu)問題，更有利于多尺度目標(biāo)的識別和檢測；將害蟲分類及定位特征進行分離，不同的特征專注于不同任務(wù)，更有利于分類和定位的準(zhǔn)確性和網(wǎng)絡(luò)訓(xùn)練。 | ||||||
| 74 | 一種基于球形攝像機建立儲糧害蟲圖像數(shù)據(jù)集的方法 | CN202310553664.X | 2023-05-17 | CN116310658B | 2023-08-01 | 李丹丹; 范運乾; 劉靖椿; 李月; 嚴曉平; 馬一銘; 周慶; 李江濤; 周慧玲 |
| 本發(fā)明涉及糧倉儲糧害蟲檢測技術(shù)領(lǐng)域，公開了一種基于球形攝像機建立儲糧害蟲圖像數(shù)據(jù)集的方法，旨在解決現(xiàn)有儲糧害蟲圖像數(shù)據(jù)集存在規(guī)模小以及圖像多樣性差的問題，包括：通過球形攝像機獲取儲糧害蟲的視頻數(shù)據(jù)，視頻數(shù)據(jù)包括自然發(fā)生害蟲的第一視頻數(shù)據(jù)和人工投放目標(biāo)害蟲的第二視頻數(shù)據(jù)；生成視頻數(shù)據(jù)對應(yīng)的圖像數(shù)據(jù)，并篩選出圖像數(shù)據(jù)中只包含書虱或者包含鞘翅目害蟲的圖像數(shù)據(jù)；根據(jù)書虱數(shù)量對只包含書虱的圖像數(shù)據(jù)進行標(biāo)記，根據(jù)鞘翅目害蟲的位置和類別對包含鞘翅目害蟲的圖像數(shù)據(jù)進行標(biāo)記；建立儲糧害蟲圖像數(shù)據(jù)集。本發(fā)明提升了儲糧害蟲圖像數(shù)據(jù)集中圖片數(shù)據(jù)的數(shù)量和規(guī)模，適用于針對球形攝像機的糧倉儲糧害蟲智能識別算法的訓(xùn)練及優(yōu)化。 | ||||||
| 75 | 一種基于球形攝像機建立儲糧害蟲圖像數(shù)據(jù)集的方法 | CN202310553664.X | 2023-05-17 | CN116310658A | 2023-06-23 | 李丹丹; 范運乾; 劉靖椿; 李月; 嚴曉平; 馬一銘; 周慶; 李江濤; 周慧玲 |
| 本發(fā)明涉及糧倉儲糧害蟲檢測技術(shù)領(lǐng)域，公開了一種基于球形攝像機建立儲糧害蟲圖像數(shù)據(jù)集的方法，旨在解決現(xiàn)有儲糧害蟲圖像數(shù)據(jù)集存在規(guī)模小以及圖像多樣性差的問題，包括：通過球形攝像機獲取儲糧害蟲的視頻數(shù)據(jù)，視頻數(shù)據(jù)包括自然發(fā)生害蟲的第一視頻數(shù)據(jù)和人工投放目標(biāo)害蟲的第二視頻數(shù)據(jù)；生成視頻數(shù)據(jù)對應(yīng)的圖像數(shù)據(jù)，并篩選出圖像數(shù)據(jù)中只包含書虱或者包含鞘翅目害蟲的圖像數(shù)據(jù)；根據(jù)書虱數(shù)量對只包含書虱的圖像數(shù)據(jù)進行標(biāo)記，根據(jù)鞘翅目害蟲的位置和類別對包含鞘翅目害蟲的圖像數(shù)據(jù)進行標(biāo)記；建立儲糧害蟲圖像數(shù)據(jù)集。本發(fā)明提升了儲糧害蟲圖像數(shù)據(jù)集中圖片數(shù)據(jù)的數(shù)量和規(guī)模，適用于針對球形攝像機的糧倉儲糧害蟲智能識別算法的訓(xùn)練及優(yōu)化。 | ||||||
| 76 | 基于高斯感受野增強自注意力的密集害蟲圖像檢測方法 | CN202410302895.8 | 2024-03-18 | CN118053074A | 2024-05-17 | 陳紅波; 陳天嬌; 杜健銘; 張威; 劉海云; 王儒敬; 胡海瀛 |
| 本發(fā)明涉及基于高斯感受野增強自注意力的密集害蟲圖像檢測方法，與現(xiàn)有技術(shù)相比解決了田間密集害蟲圖像檢測容易出現(xiàn)漏檢的缺陷。本發(fā)明包括以下步驟：獲取密集害蟲圖像；構(gòu)建密集害蟲檢測模型；密集害蟲檢測模型的訓(xùn)練；獲取待檢測害蟲圖像；獲得害蟲圖像檢測結(jié)果。本發(fā)明提供一種端到端的密集害蟲檢測框架，有利于密集害蟲的檢測。利用差異化特征選擇網(wǎng)絡(luò)去除大量相似目標(biāo)查詢，使得在一對一標(biāo)簽分配的網(wǎng)絡(luò)訓(xùn)練中不會出現(xiàn)相似查詢分配成正樣本和負樣本，從而造成網(wǎng)絡(luò)訓(xùn)練難以擬合。 | ||||||
| 77 | 基于YOLOv5-tiny-cotton模型的棉花害蟲識別方法、系統(tǒng)及設(shè)備 | CN202311019549.0 | 2023-08-14 | CN119169597A | 2024-12-20 | 田敏; 梁金艷; 劉娜; 郭鵬; 劉祥 |
| 本發(fā)明提供了基于YOLOv5?t?iny?cotton模型的棉花害蟲識別方法、系統(tǒng)及設(shè)備，屬于病害蟲檢測領(lǐng)域。它解決了當(dāng)前棉花害蟲識別技術(shù)應(yīng)用在田間復(fù)雜環(huán)境下，仍然存在多尺度害蟲漏檢錯檢率高、模型參數(shù)量大、實時性弱等問題。本棉花害蟲識別方法，包括：構(gòu)建棉花害蟲數(shù)據(jù)集，構(gòu)建基礎(chǔ)YOLOv5目標(biāo)檢測模型，基于建立的YOLOv5模型進行優(yōu)化，建立YOLOv5?t?iny?cotton模型；本棉花害蟲識別系統(tǒng)，包括棉花害蟲圖像傳輸模塊、目標(biāo)檢測模型建立模塊和棉花害蟲識別模塊。本棉花害蟲識別設(shè)備，包括：包括存儲器、處理器、通信接口及非暫態(tài)計算機可讀存儲介質(zhì)。本發(fā)明具有能夠快速準(zhǔn)確地棉花害蟲識別的優(yōu)點。 | ||||||
| 78 | 一種基于圖像預(yù)處理的YOLOv8害蟲檢測方法及裝置 | CN202410474205.7 | 2024-04-19 | CN118365936A | 2024-07-19 | 賈振紅; 曲曉倩; 王佳佳; 周剛; 趙輝 |
| 本發(fā)明公開了一種基于圖像預(yù)處理的YOLOv8害蟲檢測方法及裝置，包括：對自建的害蟲數(shù)據(jù)集進行標(biāo)注和劃分；構(gòu)建改進的圖像預(yù)處理網(wǎng)絡(luò)，將害蟲圖像進行預(yù)處理；構(gòu)建改進的YOLOv8害蟲檢測網(wǎng)絡(luò)，在YOLOv8頸部引入結(jié)合圖像多尺度的全局語義信息SSFF模塊和捕獲小目標(biāo)局部精細細節(jié)的TFE模塊；將預(yù)處理后的害蟲圖像輸入到改進的YOLOv8害蟲檢測網(wǎng)絡(luò)中，用于增強小目標(biāo)害蟲的特征提取，之后使用合成的數(shù)據(jù)集進行評估模型，在自建的害蟲數(shù)據(jù)集上進行測試。裝置包括：處理器和存儲器。本發(fā)明先對圖像進行預(yù)處理，恢復(fù)害蟲特征，減少光照變化所帶來的影響；之后再將處理后的害蟲圖像輸入到改進的檢測網(wǎng)絡(luò)里，提高微小害蟲檢測精度。 | ||||||
| 79 | 基于倉庫害蟲智能化AI監(jiān)測的消殺控制方法及系統(tǒng) | CN202311677200.6 | 2023-12-08 | CN117557397B | 2024-06-11 | 劉智明; 黃彥俊; 彭翠冰; 劉娟; 湛見飚 |
| 本申請實施例提供一種基于倉庫害蟲智能化AI監(jiān)測的消殺控制方法及系統(tǒng)，通過獲取目標(biāo)倉庫害蟲的消殺控制依據(jù)數(shù)據(jù)，包括歷史害蟲特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)，以及基于害蟲與倉庫環(huán)境活動強度的害蟲特征標(biāo)簽，更準(zhǔn)確地理解和預(yù)測害蟲行為，并基于AI診斷網(wǎng)絡(luò)能夠獨立處理不同種類的害蟲問題，通過嵌入單元提取消殺知識特征，估計單元通過特征選擇分支、注意力分支和全連接分支進行復(fù)雜的決策過程，生成具體的消殺知識點決策數(shù)據(jù)，反映了針對目標(biāo)倉庫害蟲在目標(biāo)倉庫環(huán)境中實施的害蟲行為活動所對應(yīng)的消殺控制數(shù)據(jù)，并在符合消殺控制實施要求時對目標(biāo)倉庫環(huán)境的消殺設(shè)備進行控制操作。由此，能夠?qū)崿F(xiàn)對倉庫害蟲的智能化、精確化控制，顯著提高消殺效果。 | ||||||
| 80 | 基于長尾分布的害蟲種類識別方法、裝置、設(shè)備及介質(zhì) | CN202311617303.3 | 2023-11-29 | CN117456559A | 2024-01-26 | 陸翔; 姜祏; 葛巍; 田朝杰 |
| 本申請提供了一種基于長尾分布的害蟲種類識別方法、裝置、設(shè)備及介質(zhì)。該方法包括：獲取害蟲圖像數(shù)據(jù)，并將所述害蟲圖像數(shù)據(jù)進行預(yù)處理得到目標(biāo)害蟲圖像數(shù)據(jù)；所述預(yù)處理包括清洗以及標(biāo)注，所述害蟲圖像數(shù)據(jù)呈長尾分布狀態(tài)；采用無監(jiān)督學(xué)習(xí)算法對所述目標(biāo)害蟲圖像數(shù)據(jù)進行表征學(xué)習(xí)，確定特征表征模型；采用OLTR算法和MoE算法對特征表征模型的長尾分布分類性能進行優(yōu)化，以得到目標(biāo)害蟲種類識別模型；采用所述目標(biāo)害蟲種類識別模型對待識別害蟲圖像數(shù)據(jù)進行識別并確定害蟲種類。采用本方案，使用無監(jiān)督學(xué)習(xí)算法來訓(xùn)練一個特征表征模型，采用OLTR算法和MoE算法對特征表征模型的長尾分布分類性能進行優(yōu)化，提高尾部類別的識別準(zhǔn)確率。 | ||||||
QQ群二維碼
意見反饋
意見反饋