申请/专利权人:浙江大学
申请日:2023-10-30
公开(公告)日:2024-03-01
公开(公告)号:CN117635911A
主分类号:G06V10/25
分类号:G06V10/25;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/09
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.03.19#实质审查的生效;2024.03.01#公开
摘要:本发明公开一种基于深度学习的入侵害虫粘虫板图像识别方法,包括获取拍摄图像,构建数据集;对数据集进行预处理;将经预处理后的数据集进行划分;构建改进的TPH‑YOLOv5预训练模型;将训练集输入至改进的TPH‑YOLOv5预训练模型,进行迁移学习,组合不同模型训练技巧进行模型训练,将预测结果与真实结果比对,计算损失函数,并更新网络权重;若达到预设的迭代次数,则结束训练;基于改进的TPH‑YOLOv5模型实现入侵害虫检测。本发明通过获取高质量入侵害虫数据集,利用改进的TPH‑YOLOv5模型,针对害虫样本数量不平衡,数据集数量较少等问题,组合不同模型训练技巧进行模型训练,最终实现入侵害虫精准检测。
主权项:1.一种基于深度学习的入侵害虫粘虫板图像识别方法,其特征在于,所述图像识别方法包括以下具体步骤:S1、获取拍摄图像,构建数据集;S2、对数据集进行标注和数据集增强处理;S3、将经预处理后的数据集划分为训练集、验证集和测试集三个子集;S4、构建改进的TPH-YOLOv5预训练模型;S5、将训练集输入至改进的TPH-YOLOv5预训练模型,进行迁移学习,组合不同模型训练技巧进行模型训练,将预测结果与真实结果比对,计算损失函数,并更新网络权重,若达到预设的迭代次数,则结束训练;S6、基于改进的TPH-YOLOv5模型进行入侵害虫检测。
全文数据:
权利要求:
百度查询: 浙江大学 一种基于深度学习的入侵害虫粘虫板图像识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。