CN104361342A - 一种基于几何不变形状特征的在线植物物种识别方法 - Google Patents
一种基于几何不变形状特征的在线植物物种识别方法 Download PDFInfo
- Publication number
- CN104361342A CN104361342A CN201410572582.0A CN201410572582A CN104361342A CN 104361342 A CN104361342 A CN 104361342A CN 201410572582 A CN201410572582 A CN 201410572582A CN 104361342 A CN104361342 A CN 104361342A
- Authority
- CN
- China
- Prior art keywords
- species
- hypersphere
- classifier
- plant species
- leaf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于几何不变形状特征的在线植物物种识别方法,包括以下步骤:(1)浏览器端采集叶片图像,预处理后传输给服务器端;(2)服务器端根据预处理后的叶片图像计算叶片形状特征,构建特征向量,所述的服务器端保存有训练好的移动中心超球分类器,该移动中心超球分类器根据所述的特征向量进行物种识别,输出该物种的物种编号,根据所述的物种编号查询叶片信息数据库,并将最终识别结果反馈给浏览器端;(3)浏览器端显示最终识别结果,包括识别出的物种的叶、花、果实、种子图片以及该物种的科普介绍信息。与现有技术相比,本发明具有实时方便、准确率高等优点。
Description
技术领域
本发明涉及一种植物识别的方法,尤其是涉及一种基于几何不变形状特征的在线植物物种识别方法。
背景技术
植物分类学在生物学意义上是一门划分植物种类,研究同类群植物的起源、探究植物间的亲缘关系及物种进化发展规律的一门学科。通过对各个物种间的比较,可以将各种各样的植物进行鉴定、分群归类、命名排列起来,方便人们对植物的认识、了解。原始的植物分类主要是人类根据植物的形态、习性、用途的差异来划分,没有考虑植物间的亲缘和演化关系。如我国《本草纲目》中就是按照外形和用途将植物分为草部、果部、木部、谷藏部、蔬菜部等五个部。近年来,随着其他学科的发展和渗入,植物分类学得到了迅速发展,出现了许多新的研究方向和新的边缘学科,如植物细胞分类学、植物化学分类学,以及植物数值分类学等新的学科领域。以上这些新兴学科的形成和发展,越来越被植物分类学家所重视和应用,它对植物分类工作和药用植物的开发利用将起着重要作用。虽然目前的植物分类有很多种方法,如植物细胞分类学、植物化学分类学、植物血清分类学以及植物遗产学,但对于非专业人员,这些分类方法很难掌握或不实用。相对来讲,经典的植物分类方法,即形态分类方法比较容易掌握,而且适用于野外活体植物识别。然而,由于学科发展和社会等原因,全世界范围内目前从事经典分类的人数急剧下降,且呈现出明显的老龄化趋势,后继乏人,植物分类学已经成为一个“濒危学科”。这不仅对于植物分类学本身,而且对植物保护和国民经济的发展都会带来重大的不利影响。现在,人类已经逐渐意识到保护植物的重要性。除了保护环境,避免生态被进一步破坏之外,对植物资源进行调查、识别、分类,建立植物物种数据库,保护生物多样性,也越来越受到人们的关注。同时也需要让更多的非专业人员去认识、了解各种植物,提高他们对植物的兴趣以及保护植物的意识。然而地球上仅为人所知的有花植物就有大约25万种,面对如此庞大的植物世界,任何一个植物学家都不可能知道所有的物种和名称,这就给进一步的研究带来了困难。
随着模式识别技术和图像处理技术的快速发展,使得利用计算机辅助方式进行植物物种识别成为可能。在传统的物种识别方法中,主要是依靠人们的经验、手动测量植物信息或利用化学成分分析分类。基于计算机的物种识别技术通过提供有效的物种特征,可以实现自动、高效和精确的特征提取和识别分类。
目前,基于计算机图像技术对植物物种分类识别的方法已经得到人们广泛的关注,并且很多研究已经取得初步的成效,其中特征选取大部分是采用植物叶片分析获得的。傅星、卢汉清、祁亨年等较早的开展了应用计算机进行植物自动分类的初步研究。张全法等人提出利用CCD测量植物叶片面积获得叶片特征信息的方法,该***的硬件部分主要用于获取叶片的图像。但是该***只适合于用单张叶片在特定背景下进行识别,对于自然背景下的叶片不能处理。王晓峰等提出了一种基于多光谱的植物叶片数字信息采集与自动识别***及其识别方法,利用多光谱技术对植物叶片进行采集,然后通过GPRS数据传输模块将图片上传服务器,最后根据叶片本身的特征进行分类识别和存储。该***和张全法的***相似,都是只有识别模块,不能对复杂背景下的叶片进行处理识别。而国外,Peter Belhumeur和David Jacobs开发了识别植物叶片的移动客户端应用程序。
经调研发现,(1)以上识别方法大多是应用与单片叶子,对复杂背景下的叶片不能使用。(2)传统的识别均是基于嵌入式或者C/S的架构模式的识别***,需要手持设备,或者安装程序。(3)以上研究工作的对象大都局限于某一特定领域的几种或者少量种类植物,未能普及应用。而且由于自身的缺陷不是很方便快捷,代价比较大。(4)叶片形状作为叶片图像一个很重要的特征没有充分的作为识别证据利用起来。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实时方便、准确率高的基于几何不变形状特征的在线植物物种识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于几何不变形状特征的在线植物物种识别方法,包括以下步骤:
(1)浏览器端采集叶片图像,预处理后传输给服务器端;
(2)服务器端根据预处理后的叶片图像计算叶片形状特征,构建特征向量,所述的服务器端保存有训练好的移动中心超球分类器,该移动中心超球分类器根据所述的特征向量进行物种识别,输出该物种的物种编号,根据所述的物种编号查询叶片信息数据库,并将最终识别结果反馈给浏览器端;
(3)浏览器端显示最终识别结果,包括识别出的物种的叶、花、果实、种子图片以及该物种的科普介绍信息。
所述的浏览器端与服务器端的信息交互采用基于PHP的B/S架构的交互式***。
步骤(1)中,所述的预处理包括灰度化、图像增强、图像分割、大小校正和边缘补充。
步骤(2)中,所述的移动中心超球分类器的训练过程具体为:
A)获取所有需要训练的植物物种的多张不同角度、不同光照条件下的叶片图像,对每张图像进行特征向量提取,并标注物种编号;
B)以特征向量及相对应的物种编号作为移动中心超球分类器的输入,对移动中心超球分类器的参数进行训练。
所述的叶片形状特征包括纵横轴比、矩形度、面积凹凸比、周长凹凸比、球状性、圆形度、偏心率、形状参数和Hu不变矩,所述的特征向量由叶片形状特征构建。
步骤(2)中,所述的移动中心超球分类器进行物种识别的计算公式为:
其中,k表示训练好的移动中心超球分类器的超球总数,di表示需要识别的特征向量到第i个超球中心的欧氏距离,ri表示第i个超球的半径,I表示需要识别的特征向量所属超球的标记,即对应的物种编号。
与现有技术相比,本发明具有以下优点:
(1)本发明在对叶片图像进行识别前,增加了图像预处理,能较好的处理不同场景下获得的叶片,扩大了叶片识别的使用范围,不再受限于特定的采集设备,去除了采集设备的复杂操作。
(2)本发明在进行图像预处理时,对图像进行分割处理,用于目标叶片的提取,不仅能够从简单背景中获得目标叶片,自然背景下采集的数字图像同样可以通过人工交互的方法得到目标叶片。
(3)本发明基于PHP的B/S架构的交互式***进行在线识别,可不再需要手持设备或者安装程序,只需要通过浏览器交互便可实现各种功能户直接使用,实时、方便。
(4)本发明采用移动中心超球分类器进行物种识别,训练快速,通过对样本数据的压缩处理,可以有效地减少存储空间和计算时间,准确率高。
(5)本发明通过上传的叶片图像,即可高效率高准确率地识别出植物的物种类别,并从数据库中检索出该物种相关的各种资料信息。
附图说明
图1为本发明的流程示意图;
图2为本发明***通信示意图;
图3为图像增强流程示意图;
图4为图像分割流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本发明实施例提供一种基于几何不变形状特征的在线植物物种识别方法,包括以下步骤:
在步骤101中,浏览器端采集叶片图像。
在步骤102中,进行图像预处理,并传输给服务器端。如图2所示,浏览器端与服务器端的信息交互采用基于PHP的B/S架构的交互式***,***功能的实现前台(浏览器端)主要利用HTML、JAVASCRIPT和CSS语言实现浏览器端的交互,后台(服务器端)则主要利用PHP、C和MYSQL,实现PHP对可执行文件的调用完成叶片识别和处理功能并通过MYSQL实现数据的查找。PHP语言的开发快捷性与运行的高效性,保障了该***性能的可靠,同时PHP具有较高的跨平台特性及资源耗损小等特点。
对图像进行的预处理包括灰度化、图像增强、图像分割、大小校正和边缘补充等,其中,图像增强和图像分割的流程如图3和图4所示。
图像分割主要用于目标叶片的提取,使用主动形状模型实现,其主要思想是首先通过人类的识别能力,在待提取轮廓的附近设置若干控制点,然后利用图像信息定义一个能量函数,在控制点由初始位置向真实轮廓逐渐靠近时,寻找此能量函数的局部极小值,即通过对能量函数的动态规划来逼近目标的真实轮廓。能量函数主要是由内部能量函数及外部能量函数组成,内部能量函数涉及到曲线本身的连续性和各点曲率的大小;外部能量函数则主要涉及到图像的一些具体情况,如图像灰度变化的梯度等因素。在该模型中用参量表示轮廓线
v(s)=[x(s),y(s)]
s为弧长,其能量函数定义为
其中,Eint表示主动轮廓的内部能量,起到保护轮廓连续性和平滑轮廓的作用;Eimage表示有图像作用力产生的能量,也叫做图像能量,表示轮廓点与图像局部特征温和的情况。进一步对内部能量函数划分连续能量和弯曲能量得到主动形状模型的公式为:
E=αiEcont(Vi,j)+βiEcurv(Vi,j)+γiEimage(Vi,j)
其中,Vi表示轮廓上的控制点(xi,yi),Vi,j表示控制点(Vi=Vi,0)及邻域点Vi,j(j不等于0),三个能量函数分别依次表示连续能量、弯曲能量和图像能量,前两项属于内部能量,能量函数前的三个系数是控制系数,用于调整各能量项对控制点的影响。其中连续能量采用如下形式:
其中表示控制点之间的平均距离,也就是弯曲能量采用二阶中心差分表示:
图像能量采用图像本身的灰度值,即:
式中,I(vi,j)表示点vi,j处的灰度值,Graymin和Graymax分别表示邻域里的最小灰度值和最大灰度值。通过此算法,在分割过程中,首先利用javascript语言实现网页交互功能,方便在图片中利用点标记获得选择区域,然后通过调节能量函数的参数获得叶片目标图片,再进行简单二值化和轮廓提取为特征提取提供信息。
在步骤103中,服务器端根据预处理后的叶片图像计算叶片形状特征,包括纵横轴比(叶片最小包围盒的长与宽的比值)、矩形度(叶片面积与其最小包围盒面积的比值)、面积凹凸比(叶片面积与其凸包面积的比值)、周长凹凸比(叶片周长与其凸包周长的比值)、球状性(叶片内切圆半径与外切圆半径的比值)、圆形度(叶片面积与其凸包周长的平方的比值)、偏心率(叶片长轴与短轴长度的比值)、形状参数(叶片面积与其周长平方的比值)和不同的Hu不变矩,由上述各特征项构建特征向量,所述的服务器端保存有训练好的移动中心超球分类器,该移动中心超球分类器根据所述的特征向量进行物种识别,输出该物种的物种编号,根据所述的物种编号查询叶片信息数据库,并将最终识别结果反馈给浏览器端。
移动中心超球分类器,该方法是一种对参考样本进行压缩的方法,通过对样本数据的压缩处理,可以有效地减少存储空间和计算时间,而且对正确识别率没有影响。它的基本思想是用超球来代表一簇点,我们知道一个样本在高维空间中就是一个点,一个类别就是对应于空间中的一个点集,因此我们可以运用一系列超球来拟合这些点所在的高维空间。该算法大体思想是对每类样本用若干个超球去逼近,并不断的移动每个超球的中心,同时努力扩大超球的半径使其包含近尽可能多的样本点,从而减少需要存储的超球数量,最终实现用多个超球包含样本空间中所有的样本点。每个超球都可用中心点和半径来表示,因此使用移动中心超球法可以很大程度上的压缩样本数量。在识别的时候,我们以待识别样本点到超球外表面的距离为判断依据,计算公式为:
其中,k表示训练好的移动中心超球分类器的超球总数,di表示需要识别的特征向量到第i个超球中心的欧氏距离,ri表示第i个超球的半径,I表示需要识别的特征向量所属超球的标记,即对应的物种编号。
移动中心超球分类器的训练过程具体为:
A)获取所有需要训练的植物物种的多张不同角度、不同光照条件下的叶片图像,对每张图像进行特征向量提取,并标注物种编号;
B)以特征向量及相对应的物种编号作为移动中心超球分类器的输入,对移动中心超球分类器的参数进行训练。
在步骤104中,浏览器端显示最终识别结果,包括识别出的物种的叶、花、果实、种子图片以及该物种的科普介绍信息。
通过本识别方法获得的识别结果,准确率可在98%以上。
在浏览器端,用户也可以根据自己的需要,选择相应其他的功能,比如选择各个算子的操作效果,边缘检测实现效果,图像增强等。
Claims (6)
1.一种基于几何不变形状特征的在线植物物种识别方法,其特征在于,包括以下步骤:
(1)浏览器端采集叶片图像,预处理后传输给服务器端;
(2)服务器端根据预处理后的叶片图像计算叶片形状特征,构建特征向量,所述的服务器端保存有训练好的移动中心超球分类器,该移动中心超球分类器根据所述的特征向量进行物种识别,输出该物种的物种编号,根据所述的物种编号查询叶片信息数据库,并将最终识别结果反馈给浏览器端;
(3)浏览器端显示最终识别结果,包括识别出的物种的叶、花、果实、种子图片以及该物种的科普介绍信息。
2.根据权利要求1所述的一种基于几何不变形状特征的在线植物物种识别方法,其特征在于,所述的浏览器端与服务器端的信息交互采用基于PHP的B/S架构的交互式***。
3.根据权利要求1所述的一种基于几何不变形状特征的在线植物物种识别方法,其特征在于,步骤(1)中,所述的预处理包括灰度化、图像增强、图像分割、大小校正和边缘补充。
4.根据权利要求1所述的一种基于几何不变形状特征的在线植物物种识别方法,其特征在于,步骤(2)中,所述的移动中心超球分类器的训练过程具体为:
A)获取所有需要训练的植物物种的多张不同角度、不同光照条件下的叶片图像,对每张图像进行特征向量提取,并标注物种编号;
B)以特征向量及相对应的物种编号作为移动中心超球分类器的输入,对移动中心超球分类器的参数进行训练。
5.根据权利要求1或4所述的一种基于几何不变形状特征的在线植物物种识别方法,其特征在于,所述的叶片形状特征包括纵横轴比、矩形度、面积凹凸比、周长凹凸比、球状性、圆形度、偏心率、形状参数和Hu不变矩,所述的特征向量由叶片形状特征构建。
6.根据权利要求1所述的一种基于几何不变形状特征的在线植物物种识别方法,其特征在于,步骤(2)中,所述的移动中心超球分类器进行物种识别的计算公式为:
其中,k表示训练好的移动中心超球分类器的超球总数,di表示需要识别的特征向量到第i个超球中心的欧氏距离,ri表示第i个超球的半径,I表示需要识别的特征向量所属超球的标记,即对应的物种编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410572582.0A CN104361342A (zh) | 2014-10-23 | 2014-10-23 | 一种基于几何不变形状特征的在线植物物种识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410572582.0A CN104361342A (zh) | 2014-10-23 | 2014-10-23 | 一种基于几何不变形状特征的在线植物物种识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104361342A true CN104361342A (zh) | 2015-02-18 |
Family
ID=52528600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410572582.0A Pending CN104361342A (zh) | 2014-10-23 | 2014-10-23 | 一种基于几何不变形状特征的在线植物物种识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361342A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404853A (zh) * | 2015-10-29 | 2016-03-16 | 江南大学 | 基于内容的植物叶片在线识别*** |
CN105631451A (zh) * | 2016-01-07 | 2016-06-01 | 同济大学 | 一种基于安卓***的植物叶片识别方法 |
CN106897724A (zh) * | 2015-12-18 | 2017-06-27 | 南京财经大学 | 一种基于轮廓线形状特征的植物叶片识别方法 |
WO2018040387A1 (zh) * | 2016-08-30 | 2018-03-08 | 苏州大学 | 基于支持向量数据描述的特征提取及分类方法及其*** |
WO2018208947A1 (en) * | 2017-05-09 | 2018-11-15 | Blue River Technology Inc. | Automated plant detection using image data |
CN109934833A (zh) * | 2019-04-18 | 2019-06-25 | 东华大学 | 基于计算机视觉的植物生长检测*** |
CN110321942A (zh) * | 2019-06-25 | 2019-10-11 | 华中科技大学 | 一种基于球形特征的细粒度图像分类方法与装置 |
CN110889839A (zh) * | 2019-11-27 | 2020-03-17 | 贵州中烟工业有限责任公司 | 一种打叶复烤烟片片形的表征方法及*** |
US10803311B2 (en) | 2017-05-09 | 2020-10-13 | Blue River Technology Inc. | Automatic camera parameter adjustment on a plant treatment system |
CN112191055A (zh) * | 2020-09-29 | 2021-01-08 | 广州天域科技有限公司 | 一种矿山机械用具有空气检测结构的降尘装置 |
CN117372790A (zh) * | 2023-12-08 | 2024-01-09 | 浙江托普云农科技股份有限公司 | 植物叶片形状分类的方法、***及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030026484A1 (en) * | 2001-04-27 | 2003-02-06 | O'neill Mark | Automated image identification system |
CN103824083A (zh) * | 2014-02-25 | 2014-05-28 | 同济大学 | 基于叶片完备局部二值特征的Web在线物种识别方法 |
-
2014
- 2014-10-23 CN CN201410572582.0A patent/CN104361342A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030026484A1 (en) * | 2001-04-27 | 2003-02-06 | O'neill Mark | Automated image identification system |
CN103824083A (zh) * | 2014-02-25 | 2014-05-28 | 同济大学 | 基于叶片完备局部二值特征的Web在线物种识别方法 |
Non-Patent Citations (2)
Title |
---|
王晓峰 等: "叶片图像特征提取与识别技术的研究", 《计算机工程与应用》 * |
王艳菲: "基于CENTRIST的植物叶片识别算法研究及移动平台上的实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404853A (zh) * | 2015-10-29 | 2016-03-16 | 江南大学 | 基于内容的植物叶片在线识别*** |
CN106897724A (zh) * | 2015-12-18 | 2017-06-27 | 南京财经大学 | 一种基于轮廓线形状特征的植物叶片识别方法 |
CN105631451A (zh) * | 2016-01-07 | 2016-06-01 | 同济大学 | 一种基于安卓***的植物叶片识别方法 |
WO2018040387A1 (zh) * | 2016-08-30 | 2018-03-08 | 苏州大学 | 基于支持向量数据描述的特征提取及分类方法及其*** |
CN111163628A (zh) * | 2017-05-09 | 2020-05-15 | 蓝河技术有限公司 | 使用图像数据的自动植物检测 |
US11023726B2 (en) | 2017-05-09 | 2021-06-01 | Blue River Technology Inc. | Automatic camera parameter adjustment on a plant treatment system |
US11748976B2 (en) | 2017-05-09 | 2023-09-05 | Blue River Technology Inc. | Automated plant detection using image data |
US11093745B2 (en) | 2017-05-09 | 2021-08-17 | Blue River Technology Inc. | Automated plant detection using image data |
WO2018208947A1 (en) * | 2017-05-09 | 2018-11-15 | Blue River Technology Inc. | Automated plant detection using image data |
US10803311B2 (en) | 2017-05-09 | 2020-10-13 | Blue River Technology Inc. | Automatic camera parameter adjustment on a plant treatment system |
CN109934833A (zh) * | 2019-04-18 | 2019-06-25 | 东华大学 | 基于计算机视觉的植物生长检测*** |
CN110321942A (zh) * | 2019-06-25 | 2019-10-11 | 华中科技大学 | 一种基于球形特征的细粒度图像分类方法与装置 |
CN110889839A (zh) * | 2019-11-27 | 2020-03-17 | 贵州中烟工业有限责任公司 | 一种打叶复烤烟片片形的表征方法及*** |
CN110889839B (zh) * | 2019-11-27 | 2022-11-25 | 贵州中烟工业有限责任公司 | 一种打叶复烤烟片片形的表征方法及*** |
CN112191055A (zh) * | 2020-09-29 | 2021-01-08 | 广州天域科技有限公司 | 一种矿山机械用具有空气检测结构的降尘装置 |
CN112191055B (zh) * | 2020-09-29 | 2021-12-31 | 武穴市东南矿业有限公司 | 一种矿山机械用具有空气检测结构的降尘装置 |
CN117372790A (zh) * | 2023-12-08 | 2024-01-09 | 浙江托普云农科技股份有限公司 | 植物叶片形状分类的方法、***及装置 |
CN117372790B (zh) * | 2023-12-08 | 2024-03-08 | 浙江托普云农科技股份有限公司 | 植物叶片形状分类的方法、***及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104361342A (zh) | 一种基于几何不变形状特征的在线植物物种识别方法 | |
Zhao et al. | Classifying airborne LiDAR point clouds via deep features learned by a multi-scale convolutional neural network | |
Zhao et al. | ApLeaf: An efficient android-based plant leaf identification system | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
Yue et al. | Robust loop closure detection based on bag of superpoints and graph verification | |
CN105678341A (zh) | 一种基于Gabor小波分析的羊毛羊绒识别算法 | |
Quan et al. | Tree species classification in a typical natural secondary forest using UAV-borne LiDAR and hyperspectral data | |
Yan et al. | Identification and picking point positioning of tender tea shoots based on MR3P-TS model | |
CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及*** | |
Dong et al. | Progressive cascaded convolutional neural networks for single tree detection with *** earth imagery | |
Gawade et al. | Early-stage apple leaf disease prediction using deep learning | |
Zou et al. | Multi-species weed density assessment based on semantic segmentation neural network | |
Liu et al. | Tomato detection based on convolutional neural network for robotic application | |
CN103617417A (zh) | 植物自动识别方法和*** | |
Nyon et al. | Durian species recognition system based on global shape representations and k-nearest neighbors | |
Zhou et al. | Classification of Urban Construction Land with Worldview-2 Remote Sensing Image Based on Classification and Regression Tree Algorithm | |
Huang et al. | Tea garden detection from high-resolution imagery using a scene-based framework | |
Hi et al. | A deep learning approach for lantana camara weed detection and localization in the natural environment | |
Nagila et al. | The effectiveness of machine learning and image processing in detecting plant leaf disease | |
Dahiya et al. | An effective detection of litchi disease using deep learning | |
KR102533505B1 (ko) | 스마트 시티 감시 환경에서 사람을 재식별하기 위한 시스템 및 방법 | |
Yin et al. | Hyperspectral image target detection based on exponential smoothing method | |
Hang et al. | Identification of apple tree trunk diseases based on improved convolutional neural network with fused loss functions | |
Xiao et al. | Phalaenopsis growth phase classification using convolutional neural network | |
Pushpa et al. | Tomato leaf disease detection and classification using CNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150218 |