排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
2.
田间农作物害虫种类繁多,不同的生长阶段形态和颜色各异,在自然环境下采集的图像背景复杂,角度和尺度变化多样,从而使传统的害虫检测方法准确率较低。提出一种改进可形变全卷积神经网络(deformable fully convolution network, DFCN)的农作物害虫检测方法,该方法由编码模块和解码模块组成。编码模块在VGG16中采用了可形变卷积,能适应不同形状、位置和尺寸等几何形变的害虫图像。为了更好地保留害虫图像的纹理特征和背景特征,在编码模块中应用了混合池化,加快了网络的训练速度,提高了害虫检测的准确率;解码模块对编码的下采样层进行反卷积操作,最后应用像素级分类器获得有效的检测图像。在扩展的害虫图像数据集上与DFCN方法的分割精确度和平均交并比分别为90.43、78.16,较语义分割方法SegNet分别提高了3.27、3.72,单幅图像的识别时间为0.36 s,比SegNet加快了0.16 s。结果表明DFCN方法在害虫图像检测方面具有较高的准确率,分割速度快,可为复杂背景下农作物害虫检测提供一定的理论参考。 相似文献
3.
基于叶片图像和监督正交最大差异伸展的植物识别方法 总被引:1,自引:0,他引:1
无论对于农业信息化还是对于生态保护,研究植物识别都是非常必要的.基于植物叶片的植物识别方法一直是植物学中的一个重要研究方向.植物叶片的颜色、形状、纹理等特征都可以用来作为识别依据(杜吉祥,2005;纪寿文等,2002;王晓峰等,2006;张宁等,2011;徐贵力等,2002;Wang et al.,2008).叶片的形状特征主要表现在它的大小和外形上,不同植物的叶片各有特点,叶片在形态上的多变性是植物识别的重要依据.叶片的纹理特征指其叶脉中所蕴涵的特征信息,对于同一种植物,其叶片的脉络结构是比较稳定的;而对于不同种植物,叶片的脉络结构差异较大.目前已有许多基于叶片图像的植物识别方法和技术. 相似文献
4.
1