| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 1 | 一种小样本棉花害虫目标检测方法 | CN202310021496.X | 2023-01-07 | CN116012711A | 2023-04-25 | 刘厚冉; 马龙华; 朱阳; 田冠中; 常方乐; 赵扬帆 |
| 本发明涉及一种小样本棉花害虫目标检测方法，通过对图像进行随机混合增强处理来有效增强目标其他部位特征的检测能力，提高棉花害虫的检测准确率，并通过骨干网络获得特征信息后，采用不同空洞数的空洞卷积操作获得多尺度特征图，扩大卷积运算的感受野，然后通过施加注意力机制增强局部特征的提取能力，从而能够提取图像中更多棉花害虫的特征信息，增强检测模型的泛化能力，提高小样本目标检测准确性。 | ||||||
| 2 | 基于YOLOv7-tiny改进的小目标害虫检测方法 | CN202311518341.3 | 2023-11-15 | CN117422868A | 2024-01-19 | 徐伟悦; 陈伟; 沈聪; 杨如雪 |
| 本发明涉及图像处理技术领域，尤其涉及基于YOLOv7‑tiny改进的小目标害虫检测方法，包括采集蚜虫图像；对蚜虫图像进行离线处理，并制作数据集；构建改进YOLOv7‑tiny网络模型，对YOLOv7‑tiny的主干网络进行轻量化设计；压缩颈部网络，与主干网络实现通道对齐；对中、小尺度特征层进行细粒度设计；对改进YOLOv7‑tiny网络模型进行训练。本发明改进后的YOLOv7‑tiny模型适用于相似性高的小目标识别；同时可以部署在低成本边缘设备上，最终实现对蚜虫检测系统的广泛应用，满足智慧农业、精准农业的需求。 | ||||||
| 3 | 具有高目标活性和低非目标活性的防治害虫的组合物和方法 | CN200980135368.6 | 2009-07-22 | CN102149276A | 2011-08-10 | 埃萨姆·埃南 |
| 本发明的实施方式涉及用于选择性防治害虫的组合物和方法，其中所述组合物包括活性剂，在组合中的所述活性剂具有针对选定的目标害虫的第一活性和针对选定的非目标生物体的第二活性，其中，所述第一活性大于所述第二活性。本发明的进一步的实施方式涉及研制选择性防治害虫的组合物和低抗性的防止害虫的组合物的方法。 | ||||||
| 4 | 一种基于卷积神经网络的生态景观工程小目标害虫检测方法 | CN202310810888.4 | 2023-07-04 | CN117036931A | 2023-11-10 | 翟福森; 金燕; 张继; 王业义; 张涛; 刘明龙; 李刚; 吴尧 |
| 本发明提出了一种基于卷积神经网络的生态景观工程小目标害虫检测方法，包括以下步骤：S1，采集生态景观工程小目标害虫数据；S2，将小目标害虫数据输入害虫检测模型；所述害虫检测模型包括：Conv模块、C3GS模块和SPPF模块；Conv模块由标准卷积层、归一化层和SiLU激活函数构成；C3GS模块由3个Conv模块和1个GS bottleneck构成；SPPF模块包括由标准卷积层、最大池化，用于对特征图进行多尺度的特征提取。S3，得到害虫检测结果。本发明能够找到模型精度和模型参数量的平衡，满足生态景观工程小目标害虫又快又高效的检测需求。 | ||||||
| 5 | 基于注意力机制和改进特征融合的小目标害虫检测方法 | CN202211522257.4 | 2022-11-30 | CN115810123A | 2023-03-17 | 戴凡杰; 万里 |
| 本发明提出了一种基于注意力机制和改进特征融合的小目标害虫检测方法，包括以下步骤：S1，获取害虫图像数据集并进行预处理，所述预处理包括镜像翻转和/或随机旋转；S2，将采集的小目标害虫图像数据输入检测模型进行模型训练；S3，将待测的小目标害虫图像输入训练完毕的检测模型得到检测结果。本发明基于深度学习的图像识别技术通过大量的模型参数自主学习，能够获得图像的全局特征和细节特征，对不同环境下的小目标害虫都有较好的鲁棒性和泛化能力。 | ||||||
| 6 | 基于解耦分类和回归特征最优层技术的害虫目标检测方法 | CN202110804036.5 | 2021-07-16 | CN113627269A | 2021-11-09 | 宋良图; 陈天娇; 王儒敬; 谢成军; 张洁; 杜健铭; 李瑞; 陈红波; 胡海瀛; 刘海云 |
| 本发明涉及基于解耦分类和回归特征最优层技术的害虫目标检测方法，与现有技术相比解决了灭虫灯内虫体尺寸差异大导致害虫识别率低的缺陷。本发明包括以下步骤：训练样本集的获取；害虫目标检测网络的构建；害虫目标检测网络的训练；待检测害虫图像样本的获取；害虫目标的检测定位。本发明可以根据常用特征层设置将分类和回归任务分派到不同的特征层分别进行后得到最终的检测结果，从而针对灭虫灯环境下虫体差异大进行差异化检测，提高了灭虫灯环境下虫体检测识别率，满足了实际应用的需要。 | ||||||
| 7 | 基于目标检测技术的林业害虫智能识别检测方法 | CN202211485382.2 | 2022-11-24 | CN116824200A | 2023-09-29 | 郑青 |
| 本发明涉及林业害虫识别检测分析技术领域，具体公开一种基于目标检测技术的林业害虫智能识别检测方法，通过对目标沙枣薪炭林林业区域的木屑和树冠进行初步虫害分析，进而根据目标沙枣薪炭林林业区域的各重点监测区域的监测图像分析得出各重点监测区域对应的虫害类型，在一定程度上减少了害虫检测的任务量，提高了检测效率，进而更快促进形成森林可持续的绿色发展模式，有利于采取科学的绿色防治措施，进一步加强了整个地区的生态平衡，提高了检测力度，降低了检测过程的繁琐性，同时还适用于大批次沙枣薪炭林林业区域的害虫检测，还保障了沙枣薪炭林林业区域的害虫检测结果的精准性和参考性，提高了检测的科学性和合理性。 | ||||||
| 8 | 基于解耦分类和回归特征最优层技术的害虫目标检测方法 | CN202110804036.5 | 2021-07-16 | CN113627269B | 2023-04-28 | 宋良图; 陈天娇; 王儒敬; 谢成军; 张洁; 杜健铭; 李瑞; 陈红波; 胡海瀛; 刘海云 |
| 本发明涉及基于解耦分类和回归特征最优层技术的害虫目标检测方法，与现有技术相比解决了灭虫灯内虫体尺寸差异大导致害虫识别率低的缺陷。本发明包括以下步骤：训练样本集的获取；害虫目标检测网络的构建；害虫目标检测网络的训练；待检测害虫图像样本的获取；害虫目标的检测定位。本发明可以根据常用特征层设置将分类和回归任务分派到不同的特征层分别进行后得到最终的检测结果，从而针对灭虫灯环境下虫体差异大进行差异化检测，提高了灭虫灯环境下虫体检测识别率，满足了实际应用的需要。 | ||||||
| 9 | 一种适用于小目标样本的果园害虫智能定位与识别方法 | CN202011388299.4 | 2020-12-01 | CN112508012B | 2022-09-06 | 蔡卫明; 庞海通; 张一涛; 马龙华 |
| 本发明通过分析果园害虫的自身特点，结合深度学习和计算机视觉技术，实现彩色图像范围内害虫小目标样本的定位和识别，同时通过计算害虫的生长分布，通过多种害虫共同定位某一种生长条件的手段，判定当前环境导致害虫容易生长的因素，对于促进农林业害虫识别和防治领域的发展具有重要的意义。 | ||||||
| 10 | 一种基于深度可分离卷积与异构嵌入式的小目标害虫检测方法 | CN202310769275.0 | 2023-06-28 | CN116704315A | 2023-09-05 | 李念强; 聂顺 |
| 本发明提供一种基于深度可分离卷积与异构嵌入式的小目标害虫检测方法，该方法可以加快推理设备的推理速度、提高推理精度，使相同的参数量和计算量可以更快地进行推理。具体步骤包括：收集害虫测报灯实拍图片并进行标注构建数据集；对数据集中的图片进行预处理操作，实现数据集的多样性；使用深度可分离卷积网络对数据集进行模型训练，得到初始模型；对得到的模型文件进行量化和格式转化操作；将最终模型文件部署到异构嵌入式平台进行加速推理。其中，通过替换卷积层实现深度可分离卷积网络。模型文件经过格式转换和量化处理后部署到异构嵌入式平台进行推理加速。 | ||||||
| 11 | 一种基于背景减除与多卷积融合的小目标害虫检测方法 | CN202310474349.8 | 2023-04-28 | CN116433896A | 2023-07-14 | 李念强; 聂顺 |
| 本发明提供了一种基于背景减除和多卷积融合的小目标害虫检测方法。具有高精度、快速识别和占用资源少的优点。具体实现步骤包括：使用摄像头拍摄干净的落虫盘背景图像；采集害虫图像制作数据集，使用基于多卷积融合的神经网络训练生成害虫目标检测模型；使用摄像头获取待检测的害虫图片并进行背景减除操作，将图片除噪并将存在害虫的部分分割保存为独立的图片，记录害虫存在部分的坐标和尺寸信息；然后对待检测图像使用基于多卷积融合的目标检测算法进行害虫检测，最后根据保存的位置和尺寸信息将检测结果放置在原图中并输出为最终结果。这种方法可以有效地检测小目标害虫，提高农业生产的效率和质量。 | ||||||
| 12 | 一种基于YOLOv5模型的害虫目标检测方法、系统及设备 | CN202310183682.3 | 2023-02-27 | CN116310718A | 2023-06-23 | 余济鹏; 谭台哲 |
| 本发明涉及目标检测领域，公开了一种基于YOLOv5模型的害虫目标检测方法、系统及设备，所述方法包括：获取目标数据集；并将所述目标数据集划分为训练集、验证集和测试集；以YOLOv5模型作为基础模型，对所述YOLOv5模型进行改进，构建害虫目标检测模型；分别利用训练集和验证集对所述害虫目标检测模型进行训练和调参，直至害虫目标检测模型的损失函数收敛，得到训练好的害虫目标检测模型；将测试集的图像输入训练好的害虫目标检测模型进行目标检测，输出害虫目标检测结果。本发明通过对YOLOv5模型进行改进，构建出能够适用于对于害虫等小目标进行检测的害虫目标检测模型，利用所述害虫目标检测模型进行害虫目标检测，能够提高小目标的检测能力，进一步提升检测精度。 | ||||||
| 13 | 基于目标检测技术的多种农业害虫识别方法及相关设备 | CN202210513438.4 | 2022-05-12 | CN114926720A | 2022-08-19 | 吕春利; 张焱; 任宇斐; 张水海; 梅议文; 杨心语; 李曼州 |
| 本发明针对植株虫害的快速识别，采集植株虫害可见光图像信息，采用YOLOv5模型，开发了基于目标检测技术的多种农业害虫识别方法及便携手持装置。本发明着眼于农业害虫识别精确度低、周期长的问题，利用YOLOv5模型。输入端采用Mosaic数据增强的方式，增强数据的多样性，而且变相增加了目标个数，对于小目标检测有较明显的效果提升，同时采用自适应锚框计算和自适应图片缩放，减小计算量，提升检测速度。Backbone采用CSP结构，可以在减小计算量的同时保证准确率，增强了模型的学习能力。输出端主要采用CIOU_Loss作为Bounding Box的损失函数，可以使其考虑到重叠面积、中心点的距离以及宽高比的信息，使得预测框回归的速度和精度更高，同时采用加权非极大值抑制，有效预测被遮挡的目标。 | ||||||
| 14 | 一种适用于小目标样本的果园害虫智能定位与识别方法 | CN202011388299.4 | 2020-12-01 | CN112508012A | 2021-03-16 | 蔡卫明; 庞海通; 张一涛; 马龙华 |
| 本发明通过分析果园害虫的自身特点，结合深度学习和计算机视觉技术，实现彩色图像范围内害虫小目标样本的定位和识别，同时通过计算害虫的生长分布，通过多种害虫共同定位某一种生长条件的手段，判定当前环境导致害虫容易生长的因素，对于促进农林业害虫识别和防治领域的发展具有重要的意义。 | ||||||
| 15 | 一种基于超分辨率重构和数据增强的园林工程小目标害虫检测方法 | CN202210731495.X | 2022-06-24 | CN115147646A | 2022-10-04 | 全厚发; 逄敏; 张涛; 金燕; 肖天宏; 刘明龙; 张继; 崔路允 |
| 本发明提出了一种基于超分辨率重构和数据增强的园林工程小目标害虫检测方法，包括以下步骤：S1，进行小目标害虫图像数据的采集、筛选，形成小目标害虫数据库；S2，对小目标害虫数据库进行镜像翻转、随机旋转形成训练集；S3，将训练集中的目标图片进行超分辨率重构和数据增强；S4，将S3得到的数据输入基于迁移学习的主干网络进行特征提取，预测小目标害虫的类别和位置信息，从而得到小目标害虫检测器；S5，将采集的图片输入害虫检测器得到小目标害虫检测结果。本发明提高了主干网络的识别能力；解决了样本不平衡问题；以及能缓解各目标之间重叠分布造成的识别困难问题。 | ||||||
| 16 | 一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法 | CN202011526681.7 | 2020-12-22 | CN112488244B | 2022-09-09 | 王儒敬; 李瑞; 谢成军; 张洁; 杜健铭; 陈红波; 胡海瀛; 陈天娇; 刘海云 |
| 本发明涉及一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法,与现有技术相比解决了难以针对密集小目标害虫进行识别的缺陷。本发明包括以下步骤:获取训练样本并进行预处理;生成热力图;构建密集小目标害虫定位计数网络;训练密集小目标害虫定位计数网络;待定位计数图像的获取;小目标害虫自动计数结果的获得。本发明通过点标注方式进行害虫识别,防止候选框方式识别带来的重叠和误判,特别适用于密集分布小目标害虫的识别计数。 | ||||||
| 17 | 一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法 | CN202011526681.7 | 2020-12-22 | CN112488244A | 2021-03-12 | 王儒敬; 李瑞; 谢成军; 张洁; 杜健铭; 陈红波; 胡海瀛; 陈天娇; 刘海云 |
| 本发明涉及一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法，与现有技术相比解决了难以针对密集小目标害虫进行识别的缺陷。本发明包括以下步骤：获取训练样本并进行预处理；生成热力图；构建密集小目标害虫定位计数网络；训练密集小目标害虫定位计数网络；待定位计数图像的获取；小目标害虫自动计数结果的获得。本发明通过点标注方式进行害虫识别，防止候选框方式识别带来的重叠和误判，特别适用于密集分布小目标害虫的识别计数。 | ||||||
| 18 | PEST-CONTROL COMPOSITIONS AND METHODS HAVING HIGH TARGET AND LOW NON-TARGET ACTIVITY | EP09800969.9 | 2009-07-22 | EP2309846A1 | 2011-04-20 | ENAN, Essam |
| Embodiments of the invention relate to compositions and methods for selective pest control wherein the compositions include active agents that in combination have a first activity against a selected target pest and a second activity against a selected non-target organism and wherein the first activity is greater than the second. Further embodiments of the invention relate to a method for developing selective pest control compositions and low-resistance pest control compositions. | ||||||
| 19 | Insect-resistant transgenic plants and methods for improving delta-endotoxin activity against target insects | EP06118584.9 | 1998-12-17 | EP1749834B1 | 2012-04-25 | English, Leigh; Brussock, Susan M.; Malvar, Thomas M.; Bryson, James W.; Kulesza, Caroline A.; Walters, Frederick S.; Slatin, Stephen L.; von Tersch, Michael A.; Romano, Charles |
| 20 | Badder than a Bed Bug Strategically Designed Modular Moat Systems for Control of Target Pests | US13796629 | 2013-03-12 | US20140259879A1 | 2014-09-18 | Joseph Benedict Logsdon |
| Method and apparatus for killing target pests using strategically designed moats. The moats are constructed of barrier material that is difficult for the target pests to traverse, material that is easy for the target pests to traverse, and killing material, which tends to kill the target pests after they have made adequate contact with it. These elements are strategically positioned so that target pests that are attracted to a bait travel along a long zigzag path parallel to the barrier material and, hence, a long zigzag path along killing material held by the material that is easy for the target pests to traverse and along any killing material contained in a strategically positioned furrow. Moat system embodiments that provide selective access to baits and/or killing material are disclosed. Several examples are provided demonstrating applications to bed bugs, and explanation is provided for how to apply the invention to other pests. | ||||||
QQ群二维码
意见反馈
意见反馈