- 博客(572)
- 资源 (22)
- 收藏
- 关注
RSS订阅原创 基于YOLOv4的交通视频监控车辆识别
Vehicle Identification from Traffic Video Surveillance Using YOLOv4
2022-12-18 17:04:08
2024
1
原创 视频监控系统综述
越来越多的安全与监控系统被用于控制和预防异常事件，特别是在态势感知应用中，以确保公共安全。需要一个系统，以确保良好的管理和控制社会的所有生活部分也是必要的。这些系统的主要利益是简化人们的生活，使其自动监控和更安全。
2022-12-06 00:18:59
546
原创 用于交通事件前检测的实时视频监控系统
提出了一个概念框架，以发展一个以视像监视为基础的系统，以改善道路安全。在该框架的基础上，开发了一套能够从交通视频中检测各种交通事前事件的算法，如超速、单向交通、超车、违规停车和错误的乘客下车位置
2022-12-05 22:21:43
656
原创 基于SiamMask网络的智能视频监控实时人员跟踪系统
介绍了一种利用架空摄像机视角的实时人物跟踪和分割系统。该系统采用了一种基于深度学习的算法，即SiamMask算法，简单、通用、快速，超越了其他实时跟踪算法。该算法还通过将掩码分支与全卷积双神经网络相结合，实现目标人的分割，用于目标或人的跟踪。
2022-12-04 15:38:43
746
原创 利用深度学习网络检测草莓灰霉病及其严重程度
灰霉病是由坏死营养真菌病原体（灰霉病菌）引起的一种致死性疾病，影响多种植物。这也是草莓的一种常见病害，限制了产量。因此，灰霉病的现场检测和量化是必不可少的。大多数深度卷积神经网络（CNN）都是基于网络的最高概率值来进行植物病害识别和分类的。然而，像素级分割可以量化植物中的疾病严重程度，这对于确定杀虫剂的剂量至关重要。疾病严重程度也是监测植物对特定疾病抗性的有用参数。因此，准确量化植物病害在农业中至关重要。在这种情况下，设计并测试了一个基于深度学习的语义分割模型来检测草莓植株灰霉病。为此，在每组10株草莓上接
2022-05-11 12:01:37
581
原创 基于端到端锚深度学习模型的柑橘病害检测与分类
植物病害是降低农业产量和产量、造成重大经济损失和粮食供应不稳定的主要问题。在植物中，柑橘是一种具有重要经济意义的水果作物，在大约140个国家生产和种植。然而，柑橘种植受到包括病虫害在内的各种因素的广泛影响，导致了显著的产量和质量损失。近年来，计算机视觉和机器学习在植物病害检测和分类中得到了广泛应用，为病害的早期检测提供了机会，并为农业领域带来了进步。对植物病害的早期准确检测对于减少病害的传播和对作物的损害至关重要。因此，本文采用两阶段的深度CNN模型，利用叶片图像进行植物病害检测和柑橘病害分类。该模型由两个
2022-05-09 11:04:04
882
1
原创 基于深度卷积神经网络的葡萄叶片图像病害识别（新设计CNN这么高的准确率？）））
葡萄（Vitis vinifera L.）是世界范围内具有重要商业价值的主要水果作物。黑腐病、黑麻疹和叶枯病是葡萄中常见的三种疾病。及时准确的诊断对于防止疾病传播和减少生产损失至关重要。深度学习的进步为植物病害识别领域的新诊断算法打开了大门。本文提出了一种基于卷积神经网络（CNN）的葡萄病害识别方法。一个轻量级的6层CNN模型从零开始设计，并使用一个包含3个疾病类别和1个健康叶片图像数据集的开放存储库进行训练。该数据集共包含3423张葡萄树叶图像。该模型以70-30的训练测试比率进行训练。图像增强和早期停止
2022-05-08 21:44:09
3188
原创 基于深度学习的木薯叶片病害识别与检测
根据联合国粮食及农业组织（FAO），农业是世界总人口约60%的主要生计来源。发展中国家的经济完全依赖农产品。随着世界人口以更快的速度增长，对粮食的需求也在急剧上升。最近几天，农业正在经历一场自动化革命。因此，人工智能等破坏性技术的引入在提高农业生产率方面发挥了重要作用。人工智能支持的方法将有助于克服农业实践中面临的传统挑战，实现各种农业相关任务的自动化。如今，农民采用精准农业，即在作物健康监测、杂草检测、植物病害识别和检测、天气预报、商品价格预测等方面使用人工智能技术来提高产量。由于农业部门人力短缺，机器人
2022-05-08 21:01:55
2390
1
原创 玉米叶片病害分类的深度转移模型（改进AlexNet）
目前，深度学习在图像分析和目标分类中发挥着重要作用。玉米病害导致产量下降，进而成为全球农业经济损失的突出因素。此前，研究人员已经使用手工制作的特征对玉米植株的叶片疾病进行图像分类和检测。如今，深度学习的发展使得研究人员能够极大地提高目标识别和分类的准确性。因此，本文探索了快速、准确地检测玉米叶片病害的AlexNet模型。为了验证结果，我们使用了PlantVillage数据集。该数据集包含两类玉米病害，即基于叶斑的病害（灰斑病和灰斑病）和基于普通锈病的病害。前者包含1363张图片，后者包含929张图片。CNN
2022-05-06 16:42:45
1590
原创 基于最优MobileNet卷积神经网络的植物叶片病害自动检测与分类
农业是印度的主要职业，每年因植物病害损失35%的作物产量。由于实验室设施和专家知识的不当，早期植物病害检测是一个繁琐的过程。自动植物病害检测技术有利于减少监测大型作物农场的繁重任务，并有利于及早识别病害症状，即出现在植物叶片上时。计算机视觉和深度学习（DL）模型的最新进展证明了基于叶片上可见症状开发自动植物病害检测模型的价值。考虑到这一点，本文提出了一个自动模型，用于使用基于最优移动网络的卷积神经网络（OMNCNN）检测和分类植物叶片疾病。提出的OMNCNN模型分为预处理、分割、特征提取和分类等不同阶段。它
2022-05-06 15:45:39
1175
原创 基于深双线性神经网络的植物病害分类（移动API+源代码）
植物病害已成为农业和粮食供应的主要威胁。各种植物病害影响了植物的自然生长，受感染的植物是造成作物减产的主要因素。人工检测和鉴定植物病害需要通过专业知识进行仔细的观察检查。为了克服手动测试程序，可以采用自动识别和检测，从而提供更快、可扩展和精确的解决方案。在这项研究中，我们的工作有三方面的贡献。首先，提出了一种用于植物叶片病害识别和分类的双线性卷积神经网络。其次，我们对VGG和修剪后的Resnet进行微调，将它们用作特征提取器，并将它们连接到完全连接的密集网络。在双CNN（s）的随机优化过程中，调整超参数以达
2022-05-04 17:09:38
1138
1
原创 基于新型卷积神经网络的植物病害识别
及时识别植物病害可以防止对作物的负面影响。卷积神经网络，尤其是深度学习在机器视觉和模式识别任务中有着广泛的应用。研究人员提出了不同的深度学习模型来识别植物中的疾病。然而，深度学习模型需要大量的参数，因此所需的训练时间更多，也很难在小型设备上实现。本文提出了一种基于初始层和剩余连接的深度学习模型。深度可分离卷积用于减少参数数量。该模型已在三种不同的植物病害数据集上进行了训练和测试。在plantvillage数据集上获得的性能精度为99.39%，在水稻病害数据集上获得的性能精度为99.66%，在木薯数据集上获得
2022-05-04 15:12:17
1636
原创 使用MaskAL的主动学习减少了训练Mask时的注释工作量 R-CNN的一个花椰菜数据集
卷积神经网络（CNN）的泛化性能受训练图像的数量、质量和种类的影响。训练图像必须进行注释，这既耗时又昂贵。我们工作的目标是减少训练CNN所需的带注释图像的数量，同时保持其性能。我们假设，通过确保训练图像集包含大量难以分类的图像，可以更快地提高CNN的性能。我们的研究目的是用一种能够自动选择难以分类的图像的主动学习方法来检验这一假设。我们开发了一种基于掩模区域的CNN主动学习方法（Mask R-CNN），并将其命名为MaskAL。MaskAL参与了Mask R-CNN的迭代训练，训练后的模型被用来选择一组未标
2022-05-03 15:47:48
399
原创 基于语义分割的水稻作物和杂草分类
杂草是农田里不需要的植物，对农作物有有害影响。有时严重的杂草会显著降低作物产量，给农民造成巨大损失。控制杂草的普遍方法是使用化学除草剂。众所周知，这些除草剂会对我们的环境造成有害影响。控制除草剂不良影响的方法之一是遵循特定地点杂草管理（SSWM）。特定地点的杂草管理是在农田上使用适量的除草剂。本文研究了一种语义分割方法，对稻田中的两种杂草进行分类，即莎草和阔叶杂草。该算法采用了SegNet、PSPNet和UNet三种语义切分模型 水稻作物和两种杂草的分割。获得了准确率超过90%的有希望的结果。我们相信，这可
2022-05-02 13:33:20
887
原创 用于语义分割和自动估计病虫害叶片症状严重程度的深度学习体系结构
背景不均匀时，它们的性能较差。在这项研究中，六种卷积神经网络（CNN）结构被训练用于对单个叶片的图像进行语义分割，这些叶片表现出由害虫咖啡潜叶虫（CLM）和两种真菌疾病：大豆锈病（SBR）和小麦褐斑（WTS）引起的坏死病变和/或变黄。所有图像被手动标注为三类：叶背景（B）、健康叶（H）和受伤叶（I）。在测试图像集中，B类的精确度、召回率和联合交集（IoU）指标最高，其次是H类和I类，而不管是哪种体系结构。当像素级预测用于计算严重性百分比时，特征金字塔网络（FPN）、Unet和DeepLabv3+在架构中表现
2022-04-27 22:54:08
2128
原创 类特征注意机制融合Deeplabv3+语义分割
针对经典语义分割网络在高分辨率遥感图像语义分割中存在的边缘目标分割不准确、不同类型目标分割不一致、预测效率慢等问题，本文提出了一种融合改进的Deeplabv3+网络CFAMNet的分类特征注意机制，用于遥感图像中常见特征的语义分割。首先，利用类特征注意模块增强类间的相关性，更好地提取和处理不同类别的语义信息;其次，利用多并行无网格空间金字塔池化结构增强空间间的相关性，更好地提取图像不同尺度的上下文信息;最后，利用编码器-解码器结构对分割结果进行细化。在公共数据集高奋图像数据集(GID)上进行了实验，验证了所
2022-03-11 13:34:51
5278
原创 数据增强语义分割和作物杂草分类
卷积神经网络(CNN)等深度学习方法已成为解决农业机器人中作物和杂草分类问题的流行方法。然而，为了获得满意的性能并避免过拟合，训练深度神经网络通常需要数千幅标记图像。这导致了语义分割中繁琐的像素标记。在本文中，我们基于数据增强的最新发展，并进一步利用该概念对农作物和杂草进行语义分割和分类。具体而言，我们提出了一种新的数据增强框架，该框架基于随机图像裁剪与修补(random image crop and patch, RICAP)方法，该方法最初是为了增强数据而设计的，用于泛型图像分类。该框架对原始的RICA
2022-03-11 12:22:58
908
原创 语义分割总结
语义分割的目标是根据语义信息对输入图像进行分割，并从给定的标签集中预测出每个像素的语义类别。随着现代生活的逐渐智能化，越来越多的应用需要从图像中推断出相关的语义信息进行后续处理，如增强现实、自动驾驶、视频监控等。本文综述了基于深度学习的语义分割技术的最新进展。由于语义分词需要大量的像素级标注，为了降低标注的细粒度要求和降低人工标注的经济和时间成本，本文对弱监督语义分词进行了研究。为了提高分割模型的泛化能力和鲁棒性，本文研究了语义分割中的领域自适应问题。在一些实际应用中，如自动驾驶和医学图像分析，通常会配备多
2022-03-11 11:23:55
4114
原创 基于标记不确定性和类别不平衡的语义分割在植被制图中的应用(soybean+FCN_segNet+newloss)
近年来，卷积神经网络(CNN)方法在语义分割任务中取得了显著的成功。然而，围绕样本的类别不平衡和人类像素标记的不确定性等挑战并没有完全解决。在这里，我们提出了一种方法，计算每个像素的权重，考虑其类别和不确定性在标记过程中。在训练阶段使用像素加权来增加或减少像素的重要性。对已知的CNN方法FCN和SegNet进行了实验验证;然而，这种策略可以应用于任何分割方法。对航拍图像中城市树木语义分割的实验结果进行了评价。利用极端不平衡条件下的陆地植被图像数据集评估了该方法的鲁棒性。与基线方法相比，我们在任务方面取得了显
2022-03-10 22:01:02
576
原创 TransUNet:Transformers医学图像分割强编码器
0、研究内容医学图像分割是医疗系统开发的必要前提，特别是疾病诊断和治疗规划。在各种医学图像分割任务中，U-Net结构已经成为事实上的标准，并取得了巨大的成功。然而，由于卷积操作固有的局部性，U-Net在显式地建模远程依赖关系方面通常存在局限性。用于序列到序列预测的transformer已经成为具有固有全局自注意机制的替代架构，但由于缺乏低层细节，可能导致定位能力有限。在本文中，我们提出TransUNet，它兼具transformer和U-Net的优点，作为一种强有力的医学图像分割替代方案。一方面，Tran
2022-03-07 19:31:03
2281
1
原创 基于深度学习和模糊逻辑的葡萄黑麻疹疾病自动检测与严重程度分析（受控背景）
研究内容葡萄黑麻疹可能是所有植物病害中最著名、研究时间最长、破坏性最大的一种，它最终会降低产品的生产率和质量。及时、有效、准确地评价葡萄黑麻疹病是田间管理的重要环节。本文提出了一种基于深度学习和模糊逻辑的葡萄黑麻疹疾病自动检测和严重程度分析方法。在第一阶段，我们将训练基于resnet50的最先进的DeepLabV3+语义分割模型，用于在真菌引起的病理病变的单个叶片图像中进行像素级预测。这样就得到了所提取的ROI和POI特征。其次，针对每个特征，建立基于模糊规则的疾病危害程度预测系统;此外，在模糊逻辑系统中
2022-02-27 01:29:29
409
原创 一个可解释的植物胁迫表型的深度机器视觉框架（大豆叶片胁迫程度估算）
研究内容目前作物研究和生产中对生物和非生物胁迫进行准确识别、分类和量化的方法主要是目视的，需要专门培训。然而，这种技术却因内部和内部认知变异性所产生的主观性而受阻。这就导致了错误的决定和巨大的资源浪费。在这里，我们演示了一个机器学习框架的能力，以识别和分类大豆叶片应力的不同集合[Glycine max (L.)]稳定。非常准确。我们还提供了一种解释机制，使用top-K高分辨率特征图来隔离用于进行预测的视觉症状。这种无监督的视觉症状识别提供了压力严重程度的定量测量，允许在一个单一框架中识别(叶面压力的类型)
2022-02-26 14:57:24
255
1
原创 基于深度学习的咖啡叶病害识别和严重程度评估(源代码+数据集)
研究内容生物胁迫包括通过其他生物体对植物的损害。对害虫和病原体（病毒、真菌、细菌等）等生物制剂的有效控制与农业可持续性的概念密切相关。农业可持续性促进了新技术的发展，这些新技术可以减少对环境的影响，让农民更容易获得，从而提高生产力。将计算机视觉与深度学习方法结合使用可以及早和正确地识别引起压力的因素。因此，可以尽快采取纠正措施来缓解问题。这项工作的目的是设计一个有效且实用的系统，能够识别和估计生物制剂对咖啡叶造成的压力严重程度。所提出的方法由一个基于卷积神经网络的多任务系统组成。此外，我们还探索了使用数据
2022-02-25 22:58:22
1338
1
原创 一种结合实例和语义分割从田间图像中识别咖啡叶病虫害的深度学习方法
研究概况对影响咖啡作物的病虫害的自动诊断是咖啡农民面临的一个重要问题。传统的计算机视觉和模式识别方法在解决这类具有挑战性的问题上存在局限性。然而，在过去的几年里，人们对深度学习的兴趣越来越大，特别是从智能手机获取的植物现场图像中检测/识别生物胁迫，因为它们受光照变化、复杂的背景、图像噪声等影响。在这项工作中，我们提出了一个集成的框架，通过使用不同的卷积神经网络(CNN)，从包含咖啡树部分的智能手机收集的现场图像中自动检测/识别病变。在第一阶段，我们使用一个Mask R-CNN网络进行实例分割;第二阶段采用
2022-02-24 21:25:29
948
原创 基于深度学习语义分割自动估算叶片病虫害严重程度（R语言项目）
研究内容颜色阈值数字成像方法通常能够准确地测量受病虫害影响的叶面积百分比(严重程度)，但当场景光照和背景不均匀时，它们的性能就会很差。在本研究中，我们训练了6个卷积神经网络(CNN)架构，用于对由咖啡斑叶虫(CLM)和大豆锈病(SBR)和小麦褐斑病(WTS)引起的呈现坏死病变和/或变黄的单个叶片图像进行语义分割。所有图像都手动标注了三个类别:叶片背景(B)、健康叶片(H)和受损叶片(I)。无论采用何种结构，测试图像集中B类图像的精度、召回率和联合交叉(IoU)度量最高，H类和I类次之。当像素级预测被用来计
2022-02-21 23:03:57
1508
原创 基于卷积神经网络的大豆病害识别
1、研究内容植物已经成为一种重要的能源，是解决全球变暖问题的基础。然而，植物病害正威胁着这一重要来源的生计。卷积神经网络(CNN)在物体识别和图像分类问题上表现出了卓越的性能(超过了人类)。本文介绍了利用CNN对自然环境下的叶片图像进行植物病害分类的可行性。该模型基于LeNet结构设计，用于大豆植物病害的分类。从PlantVillage数据库中获得4类叶片图像共12673个样本，包括健康叶片图像。这些照片是在不受控制的环境下拍摄的。该模型的分类准确率达到了99.32%，表明CNN能够从自然环境下拍摄的图像
2022-02-13 10:38:33
769
1
原创 一种用于亚洲大豆锈病黄化和坏死严重程度评估的自动植物病理测量系统
1、研究内容通过遗传育种的方法，可以培育出抗大豆粗粒锈病(Phakopsora pachyrhizi)的大豆品种。在选择抗性基因型阶段，可以采用的一个因素是目测大豆植株小叶锈病症状的严重程度。通过量化每个样品的褪绿、坏死和未受影响的区域的确切数量，自动方法被发展为锈蚀严重程度分级，并相应地对样品进行分类。本文提出的方法使用大豆小叶的输入图像，从健康到不同程度的ASR严重程度，采样自巴西东南部一个农场的对照试验。然后对图像进行通道变换(RGB到CIELab)、通道分布分析和聚类算法，对三个主要区域进行区域分
2022-02-10 11:52:26
1725
原创 温室番茄一般病害的检测与严重程度评估系统（COCO Annotator 是一种基于 Web 的图像注释工具）
1、研究内容在温室番茄生产中，病害的防治是一个重要的经济和环境因素。人类在评估疾病的存在和程度方面的专门知识对制定和执行管理计划很重要，但获得这些专门知识既困难又昂贵。在本文中，我们提出了一个新的计算机视觉系统，以自动识别几种疾病，检测以前未见的疾病和估计每片严重程度。模型的训练和测试使用了PlantVillage番茄数据集的9种番茄病害的几个修改版本，显示了不同的叶片特性如何影响病害检测。2、研究相关番茄病害管理是一个具有挑战性的过程，需要在整个作物周期内持续关注，占总生产成本的很大一部分(Peet
2021-12-29 17:15:53
2062
原创 利用U-Net进行两阶段超声图像分割，并增加测试时间
1、研究内容超声成像检测乳腺病变是计算机辅助诊断系统的重要应用。针对乳腺病变的检测和分割，提出了几种自动的方法;然而，由于超声伪影，以及病变形状和位置的复杂性，从超声乳腺图像中分割病灶或肿瘤仍然是一个有待解决的问题。在本文中，为了提高分割的准确性，我们提出在分割阶段之前使用损伤检测阶段。我们使用了一个乳腺超声成像数据集，其中包含163张乳房的图像，其中包括良性病变或恶性肿瘤。首先，我们使用一个U-Net来检测病变，然后使用另一个U-Net来分割检测区域。可以看出，当病灶被精确地检测到时，分割性能显著提高
2021-12-18 13:50:22
2270
自然环境下，4种水稻叶片病虫害数据集
2022-05-04
图像扩充(一张变多张)
2022-03-16
win10+3060+tensorflow+pytorch+安装教程.doc
2021-08-03
scripts(xml-csv-tfrecord).rar
2021-07-31
cifar 10 物体识别系统
2021-03-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人