申请/专利权人:浙江甲骨文超级码科技股份有限公司
申请日:2024-03-11
公开(公告)日:2024-04-12
公开(公告)号:CN117876823A
主分类号:G06V10/774
分类号:G06V10/774;G06V10/764;G06V10/82;G06V10/80;G06N3/0464;G06N3/045;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本发明公开了一种茶园图像检测方法及其模型训练方法和系统,包括:S1.对无人机采集的茶园图像进行预处理;S2.标注出预处理后的茶园图像上有无茶树,茶园在图像上的位置信息和茶园的整体掩膜,将标注后的茶园图像按比例进行划分形成训练集、验证集和测试集;S3.使用训练集输入茶园图像检测模型进行训练,在训练后使用验证集进行精度验证。无人机根据检测任务采集茶园图像,输入至茶园图像检测模型,进行茶园图像检测;其中,所述茶园图像检测模型包括:依次连接的主干网络、颈部网络、检测头和损失函数。实现模型自动训练,自动验证,与自动迭代优化。具有更精确的算法处理,可准确区分茶树和其他植被,简化茶园图像的分割和检测。
主权项:1.一种茶园图像检测模型训练方法,其特征在于,包括:S1.对无人机采集的茶园图像进行预处理;S2.标注出预处理后的茶园图像上有无茶树,茶园在图像上的位置信息和茶园的整体掩膜,将标注后的茶园图像按比例进行划分形成训练集、验证集和测试集;S3.使用训练集输入茶园图像检测模型进行训练,在训练后使用验证集进行精度验证;S4.将验证的初代模型中高于M的茶园图像检测模型组合形成初代模型族,同时标记其更新时间与验证精度,0<M<1;S5.若初代模型族中有模型,则将所述初代模型族中的模型部署至无人机端模型推理硬件;若后续初代模型精度存在高于现有部署于无人机端模型推理硬件的模型,则将无人机端模型推理硬件的模型更新为最新且精度最高的一个模型;所述茶园图像检测模型包括:依次连接的主干网络、颈部网络、检测头和损失函数。
全文数据:
权利要求:
百度查询: 浙江甲骨文超级码科技股份有限公司 一种茶园图像检测方法及其模型训练方法和系统
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。