CN107292353A - 一种果树分类方法及*** - Google Patents
一种果树分类方法及*** Download PDFInfo
- Publication number
- CN107292353A CN107292353A CN201710675225.0A CN201710675225A CN107292353A CN 107292353 A CN107292353 A CN 107292353A CN 201710675225 A CN201710675225 A CN 201710675225A CN 107292353 A CN107292353 A CN 107292353A
- Authority
- CN
- China
- Prior art keywords
- fruit tree
- classification
- convolutional neural
- neural networks
- grader
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种果树分类方法及***,包括:建立卷积神经网络并获取分类器;使用分类器对果树的图片进行分类处理;将分类处理后的图片作为输入,对卷积神经网络进行训练;采用训练好的卷积神经网络对果树进行分类。本申请基于神经网络相对于现有的树木分类方法优势在于提高了分类的精度,并且在分类的速度上得到了提高。
Description
技术领域
本发明涉及果树分类领域,特别是涉及一种果树分类方法及***。
背景技术
在当今大型的果园中,由于含杂类型不同的众多果树交错在一起,每当需要在不同的季节给果树喷洒农药时候,因为每种果树对农药的药剂量需求不同,因此给果农带来了巨大的工作量,而且不是每一位果农都对果树的生长健康状况十分了解,要想培训出一名合格的果农需要数月时间。
一个庞大的果园,单纯靠果农辨认各种果树这个工作量是相当巨大的,为了解决对各种果树能够进行快速分类,当今已经出现针对树木的某种特性比如树叶进行对树木通过模式识别进行分类,采取的方法诸如支持向量机(Support Vector Machine,简称SVM),K最近邻(K-Nearest Neighbor,简称KNN)等。然而,这些分类方法也存在弊端,如训练时间过长,特征不易提取等不足。
因此,如何提供一种新的方法对果树进行快速分类,且分类精度高,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种果树分类方法及***,可以提高分类的精度和速度。其具体方案如下:
一种果树分类方法,包括:
建立卷积神经网络并获取分类器;
使用所述分类器对所述果树的图片进行分类处理;
将所述分类处理后的图片作为输入,对所述卷积神经网络进行训练;
采用训练好的所述卷积神经网络对所述果树进行分类。
优选地,在本发明实施例提供的上述果树分类方法中,建立卷积神经网络并获取分类器,具体包括:
搜索若干张果树的树叶以及花卉作为训练样本,在微型处理器上建立卷积神经网络;
利用所述卷积神经网络对所述训练样本进行分类,得到包含结果的分类器。
优选地,在本发明实施例提供的上述果树分类方法中,使用所述分类器对所述果树的图片进行分类处理,具体包括:
检测所述果树的图片是所述果树的树叶还是花卉;
根据检测的结果,对所述果树的图片进行细化处理;
使用所述分类器对细化处理后的图片进行分类处理得到分类结果。
优选地,在本发明实施例提供的上述果树分类方法中,使用所述分类器对所述果树的图片进行分类处理之前,还包括:
在灌浇农药的无人机搭载配备相机的微型电脑;
利用所述相机给所述果树拍照,得到所述果树的图片;
将所述果树的图片发送到所述卷积神经网络上。
优选地,在本发明实施例提供的上述果树分类方法中,采用训练好的所述卷积神经网络对所述果树进行分类,具体包括:
根据训练好的所述卷积神经网络,所述微型处理器控制伺服电机对所述果树进行分类;
在分类出不同的果树后,所述无人机选择性地对不同的果树进行喷洒农药。
优选地,在本发明实施例提供的上述果树分类方法中,所述卷积神经网络的模型为一个多层架构,由卷积层和非线性层交替多次排列后构成。
本发明实施例还提供了一种果树分类***,包括:
分类器获取模块,用于建立卷积神经网络并获取分类器;
分类器处理模块,用于使用所述分类器对所述果树的图片进行分类处理;
卷积神经网络训练模块,用于将所述分类处理后的图片作为输入,对所述卷积神经网络进行训练;
果树分类模块,用于采用训练好的所述卷积神经网络对所述果树进行分类。
优选地,在本发明实施例提供的上述果树分类***中,所述分类器获取模块,具体包括:
卷积神经网络建立单元,用于搜索若干张果树的树叶以及花卉作为训练样本,在微型处理器上建立卷积神经网络;
分类器获取单元,用于利用所述卷积神经网络对所述训练样本进行分类,得到包含结果的分类器。
优选地,在本发明实施例提供的上述果树分类***中,所述分类器处理模块,具体包括:
图片检测单元,用于检测所述果树的图片是所述果树的树叶还是花卉;
细化处理单元,用于根据检测的结果,对所述果树的图片进行细化处理;
分类器处理单元,用于使用所述分类器对细化处理后的图片进行分类处理得到分类结果。
优选地,在本发明实施例提供的上述果树分类***中,还包括:
相机拍照模块,用于利用在灌浇农药的无人机搭载的微型电脑上配备的相机给所述果树拍照,得到所述果树的图片,并将所述果树的图片发送到所述卷积神经网络上。
本发明所提供的一种果树分类方法及***,包括:建立卷积神经网络并获取分类器;使用分类器对果树的图片进行分类处理;将分类处理后的图片作为输入,对卷积神经网络进行训练;采用训练好的卷积神经网络对果树进行分类。本发明基于神经网络相对于现有的树木分类方法优势在于提高了分类的精度,并且在分类的速度上得到了提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的果树分类方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种果树分类方法,如图1所示,包括:
S101、建立卷积神经网络并获取分类器;
S102、使用分类器对果树的图片进行分类处理;
S103、将分类处理后的图片作为输入,对卷积神经网络进行训练;
S104、采用训练好的卷积神经网络对果树进行分类。
在本发明实施例提供的上述果树分类方法中,首先建立卷积神经网络并获取分类器;然后使用分类器对果树的图片进行分类处理;之后将分类处理后的图片作为输入,对卷积神经网络进行训练;最后采用训练好的卷积神经网络对果树进行分类。这样的方法基于神经网络相对于现有的树木分类方法优势在于提高了分类的精度,并且在分类的速度上得到了提高。
需要说明的是,上述基于神经网络的方法可称为深度学习。深度学习近年来在图像识别这块已经有了重大的突破,不仅能够识别出各种验证码和各种汽车的型号,而且还能对各种动物的品种进行识别,比较经典的有微软亚洲研究院开发的动物品种识别APP,准确率高达90%,比人类识别的正确率高的多。谷歌于2015年11月开源了机器学习工具——TensorFlow,极大拉低了机器学习的门槛,用户不需要掌握部署深度神经网络所需的高级数学模型和优化算法。
在具体实施时,在本发明实施例提供的上述果树分类方法中,步骤S101建立卷积神经网络并获取分类器,具体可以包括以下步骤:
首先,搜索若干张果树的树叶以及花卉作为训练样本,在微型处理器上建立卷积神经网络;
然后,利用卷积神经网络对训练样本进行分类,得到包含结果的分类器。
在具体实施时,在本发明实施例提供的上述果树分类方法中,步骤S102使用分类器对果树的图片进行分类处理,具体包括:
首先,检测果树的图片是果树的树叶还是花卉;
然后,根据检测的结果,对果树的图片进行细化处理;
最后,使用分类器对细化处理后的图片进行分类处理得到分类结果。
在具体实施时,在本发明实施例提供的上述果树分类方法中,步骤S102使用分类器对果树的图片进行分类处理之前,还可以包括以下步骤:
首先,在灌浇农药的无人机搭载配备相机的微型电脑;
然后,利用相机给果树拍照,得到果树的图片;
最后,将果树的图片发送到卷积神经网络上。
在具体实施时,在本发明实施例提供的上述果树分类方法中,步骤S104采用训练好的卷积神经网络对果树进行分类,具体包括:
首先,根据训练好的卷积神经网络,微型处理器控制伺服电机对果树进行分类;
然后,在分类出不同的果树后,无人机选择性地对不同的果树进行喷洒农药。
在具体实施时,在本发明实施例提供的上述果树分类方法中,卷积神经网络的模型为一个多层架构,由卷积层和非线性层交替多次排列后构成。
具体地,卷积神经网络(CNN,Convolutional Neural Networks)是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。卷积神经网络的本质是输入到输出的一种映射,它能够学习大量的输入输出之间的映射关系,而不需要任何输入输出之间的精确数学表达式,只要用已知的模式对卷积网络加以训练,网络具有输入输出之间的映射能力,核心在于通过建立很多特征提取层一层一层地从图片像素中找出关系并抽象出来,从而达到分类的目的。
另外,训练这个可进行N维分类的卷积神经网络使用的方法是多项式逻辑回归,又被叫做softmax回归。Softmax回归在网络的输出层上附加了一个softmax nonlinearity,并且计算归一化的预测值和label的1-hot encoding的交叉熵。在正则化过程中,会对所有学习变量应用权重衰减损失,模型的目标函数是求交叉熵损失和所有权重衰减项的和。
基于同一发明构思,本发明实施例还提供了一种果树分类***,由于该***解决问题的原理与前述一种果树分类方法相似,因此该***的实施可以参见果树分类方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的果树分类***,具体包括:
分类器获取模块,用于建立卷积神经网络并获取分类器;
分类器处理模块,用于使用分类器对果树的图片进行分类处理;
卷积神经网络训练模块,用于将分类处理后的图片作为输入,对卷积神经网络进行训练;
果树分类模块,用于采用训练好的卷积神经网络对果树进行分类。
在本发明实施例提供的上述果树分类***中,可以提高分类的精度和分类的速度。需要说明的是,上述四个模块可以设置在微型处理器中。
在具体实施时,在本发明实施例提供的上述果树分类***中,上述分类器获取模块,具体可以包括:
卷积神经网络建立单元,用于搜索若干张果树的树叶以及花卉作为训练样本,在微型处理器上建立卷积神经网络;
分类器获取单元,用于利用卷积神经网络对训练样本进行分类,得到包含结果的分类器。
在具体实施时,在本发明实施例提供的上述果树分类***中,上述分类器处理模块,具体可以包括:
图片检测单元,用于检测果树的图片是果树的树叶还是花卉;
细化处理单元,用于根据检测的结果,对果树的图片进行细化处理;
分类器处理单元,用于使用分类器对细化处理后的图片进行分类处理得到分类结果。
在具体实施时,在本发明实施例提供的上述果树分类***中,还包括:
相机拍照模块,用于利用在灌浇农药的无人机搭载的微型电脑上配备的相机给果树拍照,得到果树的图片,并将果树的图片发送到卷积神经网络上。
上述相机拍照模块可以为相机上的摄像头。
本发明实施例提供的一种果树分类方法及***,包括:建立卷积神经网络并获取分类器;使用分类器对果树的图片进行分类处理;将分类处理后的图片作为输入,对卷积神经网络进行训练;采用训练好的卷积神经网络对果树进行分类。本发明基于神经网络相对于现有的树木分类方法优势在于提高了分类的精度,并且在分类的速度上得到了提高。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的果树分类方法及***进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种果树分类方法,其特征在于,包括:
建立卷积神经网络并获取分类器;
使用所述分类器对所述果树的图片进行分类处理;
将所述分类处理后的图片作为输入,对所述卷积神经网络进行训练;
采用训练好的所述卷积神经网络对所述果树进行分类。
2.根据权利要求1所述的果树分类方法,其特征在于,建立卷积神经网络并获取分类器,具体包括:
搜索若干张果树的树叶以及花卉作为训练样本,在微型处理器上建立卷积神经网络;
利用所述卷积神经网络对所述训练样本进行分类,得到包含结果的分类器。
3.根据权利要求2所述的果树分类方法,其特征在于,使用所述分类器对所述果树的图片进行分类处理,具体包括:
检测所述果树的图片是所述果树的树叶还是花卉;
根据检测的结果,对所述果树的图片进行细化处理;
使用所述分类器对细化处理后的图片进行分类处理得到分类结果。
4.根据权利要求3所述的果树分类方法,其特征在于,使用所述分类器对所述果树的图片进行分类处理之前,还包括:
在灌浇农药的无人机搭载配备相机的微型电脑;
利用所述相机给所述果树拍照,得到所述果树的图片;
将所述果树的图片发送到所述卷积神经网络上。
5.根据权利要求4所述的果树分类方法,其特征在于,采用训练好的所述卷积神经网络对所述果树进行分类,具体包括:
根据训练好的所述卷积神经网络,所述微型处理器控制伺服电机对所述果树进行分类;
在分类出不同的果树后,所述无人机选择性地对不同的果树进行喷洒农药。
6.根据权利要求5所述的果树分类方法,其特征在于,所述卷积神经网络的模型为一个多层架构,由卷积层和非线性层交替多次排列后构成。
7.一种果树分类***,其特征在于,包括:
分类器获取模块,用于建立卷积神经网络并获取分类器;
分类器处理模块,用于使用所述分类器对所述果树的图片进行分类处理;
卷积神经网络训练模块,用于将所述分类处理后的图片作为输入,对所述卷积神经网络进行训练;
果树分类模块,用于采用训练好的所述卷积神经网络对所述果树进行分类。
8.根据权利要求7所述的果树分类***,其特征在于,所述分类器获取模块,具体包括:
卷积神经网络建立单元,用于搜索若干张果树的树叶以及花卉作为训练样本,在微型处理器上建立卷积神经网络;
分类器获取单元,用于利用所述卷积神经网络对所述训练样本进行分类,得到包含结果的分类器。
9.根据权利要求8所述的果树分类***,其特征在于,所述分类器处理模块,具体包括:
图片检测单元,用于检测所述果树的图片是所述果树的树叶还是花卉;
细化处理单元,用于根据检测的结果,对所述果树的图片进行细化处理;
分类器处理单元,用于使用所述分类器对细化处理后的图片进行分类处理得到分类结果。
10.根据权利要求9所述的果树分类***,其特征在于,还包括:
相机拍照模块,用于利用在灌浇农药的无人机搭载的微型电脑上配备的相机给所述果树拍照,得到所述果树的图片,并将所述果树的图片发送到所述卷积神经网络上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710675225.0A CN107292353A (zh) | 2017-08-09 | 2017-08-09 | 一种果树分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710675225.0A CN107292353A (zh) | 2017-08-09 | 2017-08-09 | 一种果树分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292353A true CN107292353A (zh) | 2017-10-24 |
Family
ID=60104730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710675225.0A Pending CN107292353A (zh) | 2017-08-09 | 2017-08-09 | 一种果树分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292353A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108686978A (zh) * | 2018-05-02 | 2018-10-23 | 广州慧睿思通信息科技有限公司 | 基于arm的水果类别和色泽的分拣方法及*** |
WO2020208641A1 (en) * | 2019-04-11 | 2020-10-15 | Seetree Systems Ltd. | Recurrent pattern image classification and registration |
WO2021051268A1 (zh) * | 2019-09-17 | 2021-03-25 | 深圳市大疆创新科技有限公司 | 基于机器视觉的树木种类识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726251A (zh) * | 2009-11-13 | 2010-06-09 | 江苏大学 | 基于支持向量机的苹果采摘机器人果实自动识别方法 |
CN104700404A (zh) * | 2015-03-02 | 2015-06-10 | 中国农业大学 | 一种果实定位识别方法 |
CN104899610A (zh) * | 2015-06-26 | 2015-09-09 | 小米科技有限责任公司 | 图片分类方法及装置 |
CN105718945A (zh) * | 2016-01-20 | 2016-06-29 | 江苏大学 | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 |
CN105787519A (zh) * | 2016-03-21 | 2016-07-20 | 浙江大学 | 一种基于叶脉检测的树种分类方法 |
CN106934408A (zh) * | 2015-12-29 | 2017-07-07 | 北京大唐高鸿数据网络技术有限公司 | 基于卷积神经网络的身份证照片分类方法 |
-
2017
- 2017-08-09 CN CN201710675225.0A patent/CN107292353A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726251A (zh) * | 2009-11-13 | 2010-06-09 | 江苏大学 | 基于支持向量机的苹果采摘机器人果实自动识别方法 |
CN104700404A (zh) * | 2015-03-02 | 2015-06-10 | 中国农业大学 | 一种果实定位识别方法 |
CN104899610A (zh) * | 2015-06-26 | 2015-09-09 | 小米科技有限责任公司 | 图片分类方法及装置 |
CN106934408A (zh) * | 2015-12-29 | 2017-07-07 | 北京大唐高鸿数据网络技术有限公司 | 基于卷积神经网络的身份证照片分类方法 |
CN105718945A (zh) * | 2016-01-20 | 2016-06-29 | 江苏大学 | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 |
CN105787519A (zh) * | 2016-03-21 | 2016-07-20 | 浙江大学 | 一种基于叶脉检测的树种分类方法 |
Non-Patent Citations (1)
Title |
---|
肖怀铁等: "《基于核方法的雷达高分辨距离像目标识别理论与方法》", 30 September 2015, 国防工业出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108686978A (zh) * | 2018-05-02 | 2018-10-23 | 广州慧睿思通信息科技有限公司 | 基于arm的水果类别和色泽的分拣方法及*** |
WO2020208641A1 (en) * | 2019-04-11 | 2020-10-15 | Seetree Systems Ltd. | Recurrent pattern image classification and registration |
WO2021051268A1 (zh) * | 2019-09-17 | 2021-03-25 | 深圳市大疆创新科技有限公司 | 基于机器视觉的树木种类识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067020B (zh) | 图片识别方法及装置 | |
CN104850836B (zh) | 基于深度卷积神经网络的害虫图像自动识别方法 | |
CN109859158A (zh) | 一种基于视觉的工作区域边界的检测***、方法及机器设备 | |
CN107133960A (zh) | 基于深度卷积神经网络的图像裂缝分割方法 | |
CN110297483A (zh) | 待作业区域边界获取方法、装置,作业航线规划方法 | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、***、设备及介质 | |
Jabir et al. | Deep learning-based decision support system for weeds detection in wheat fields | |
CN104899255A (zh) | 适用于训练深度卷积神经网络的图像数据库的构建方法 | |
CN107247957A (zh) | 一种基于深度学习和云计算的智能农产品分类方法及*** | |
CN107292353A (zh) | 一种果树分类方法及*** | |
Ranjani et al. | Crop yield prediction using machine learning algorithm | |
US20230073541A1 (en) | System and method for performing machine vision recognition of dynamic objects | |
CN104102922A (zh) | 一种基于上下文感知字典学习的害虫图像分类方法 | |
Uoc et al. | A novel automatic detecting system for cucumber disease based on the convolution neural network algorithm | |
CN102646198A (zh) | 具有层次结构的混合线性svm分类器的模式识别方法 | |
Kamal et al. | FCN Network‐Based Weed and Crop Segmentation for IoT‐Aided Agriculture Applications | |
CN110188661B (zh) | 边界识别方法及装置 | |
Devi et al. | Eight convolutional layered deep convolutional neural network based banana leaf disease prediction | |
Prasomphan | Rice Bacterial Infection Detection Using Ensemble Technique on Unmanned Aerial Vehicles Images. | |
Miao et al. | Crop weed identification system based on convolutional neural network | |
Dahiya et al. | An effective detection of litchi disease using deep learning | |
Dwivedi et al. | Artificial Intelligence, Machine Learning and IOT in Pest Management | |
CN109766988A (zh) | 基于混沌蚁狮优化算法的目标分群方法 | |
Satoto et al. | Rice disease classification based on leaf damage using deep learning | |
CN112164041A (zh) | 基于多尺度深度神经网络的黄龙病自动诊疗***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |
|
RJ01 | Rejection of invention patent application after publication |