CN107392091A - 一种农业人工智能作物检测方法、移动终端和计算机可读介质 - Google Patents
一种农业人工智能作物检测方法、移动终端和计算机可读介质 Download PDFInfo
- Publication number
- CN107392091A CN107392091A CN201710430843.9A CN201710430843A CN107392091A CN 107392091 A CN107392091 A CN 107392091A CN 201710430843 A CN201710430843 A CN 201710430843A CN 107392091 A CN107392091 A CN 107392091A
- Authority
- CN
- China
- Prior art keywords
- crop
- detected
- disease
- network
- map picture
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种农业人工智能作物检测方法,包括获取图像样本并构建农作物病害数据库;获取神经网络模型;通过深度学习***对所述神经网络模型进行训练,获得针对不同农作物的病害识别网络;获取待检测的农作物图像;获取待检测的农作物种类;根据所述待检测的农作物种类选择执行检测的病害识别网络;所述执行检测的病害识别网络对所述待检测的农作物图像进行处理,获得病害预测结果;输出所述病害预测结果。由于使用农作物病害数据库并通过深度学习***,对神经网络模型进行训练,获得针对不同农作物的病害识别网络。
Description
技术领域
本发明涉及农作物病害智能识别技术领域,具体涉及一种农业人工智能作物检测方法、移动终端和计算机可读介质。
背景技术
农作物病虫害是制约农业增产增收的重要因素。由于农作物病虫害具有种类多、影响大、并时常暴发成灾的特点,其发生范围和严重程度对国民经济、特别是农业生产常造成重大损失。及时发现农业病害并采取防止措施,对避免农业减产和大规模经济损失十分重要。现有技术在农作物病害检测方面,主要依靠人工检测,即农业技术人员深入田间地头对作物生产情况进行现场勘查,现场检测作物是否发生病害及病害种类。这种农作物病害检测方式,不利于在作物病害发生的早期及时发现病害种类,并采取针对性的防治措施。利用人工智能实现作物病害的自动检测,能够有效解决上述难题。借助于人工智能,农民能够随时随地对其栽培的作物进行病害检测,对于病害早期的防治,十分有利。利用人工智能实现作物病害的自动检测,其核心技术为图像识别。
发明内容
本申请提供一种农业人工智能作物检测方法、移动终端和计算机可读介质,利用人工智能实现对作物病害的自动检测。
根据第一方面,一种实施例中提供一种农业人工智能作物检测方法,包括获取图像样本并构建农作物病害数据库;获取神经网络模型;通过深度学习***对所述神经网络模型进行训练,获得针对不同农作物的病害识别网络;获取待检测的农作物图像;获取待检测的农作物种类;根据所述待检测的农作物种类选择执行检测的病害识别网络;所述执行检测的病害识别网络对所述待检测的农作物图像进行处理,获得病害预测结果;输出所述病害预测结果。
进一步的,方法还包括获取第二神经网络模型;通过深度学习***对所述第二神经网络模型进行训练,获得作物及病害检测网络。
进一步的,所述获取待检测的农作物种类,包括所述作物及病害检测网络对所述待检测的农作物图像进行处理,获得作物种类检测结果和病害检测结果。
进一步的,方法还包括对所述待检测的农作物图像进行图像金字塔分解处理,获得所述待检测的农作物图像的区域子图像。
进一步的,方法还包括所述作物及病害检测网络对所述待检测的农作物图像的区域子图像进行处理,获得各区域子图像的病害检测结果。
进一步的,所述执行检测的病害识别网络对所述待检测的农作物图像进行处理,为所述执行检测的病害识别网络对存在病害的区域子图像进行处理,获得病害预测结果。
进一步的,所述获取图像样本,包括对图像样本进行归一化处理。
进一步的,所述获取图像样本,包括对图像样本执行压缩、多角度旋转和伸缩变化处理;将处理后的图像样本加入所述农作物病害数据库。
根据第二方面,一种实施例中提供一种移动终端,包括触摸显示屏,所述触摸显示屏用于输入待检测的农作物图像,以及显示输出病害预测结果。处理器,所述处理器用于存储针对不同农作物的病害识别网络,获取待检测的农作物种类,根据所述待检测的农作物种类选择执行检测的病害识别网络,所述执行检测的病害识别网络对所述待检测的农作物图像进行处理,获得病害预测结果。
进一步的,所述处理器还用于存储作物及病害检测网络,所述作物及病害检测网络对所述待检测的农作物图像进行处理,获得作物种类检测结果和病害检测结果。
进一步的,所述处理器还用于对所述待检测的农作物图像进行图像金字塔分解处理,获得所述待检测的农作物图像的区域子图像。
进一步的,所述作物及病害检测网络对所述待检测的农作物图像的区域子图像进行处理,获得各区域子图像的病害检测结果。
进一步的,所述执行检测的病害识别网络对所述待检测的农作物图像进行处理,为所述执行检测的病害识别网络对存在病害的区域子图像进行处理,获得病害预测结果。
根据第三方面,一种实施例中提供一种计算机可读存储介质,包括程序,所述程序能够被处理器执行以实现如第一方面实施例中所述的方法。
依据上述实施例的农业人工智能作物检测方法、移动终端和计算机可读介质,由于使用农作物病害数据库并通过深度学习***,对神经网络模型进行训练,获得针对不同农作物的病害识别网络。基于深度学习和神经网络的作物病害图像识别技术,具有通过迭代学习不断提高识别准确率的再学习能力,能够实现并满足作物病害识别的要求。
附图说明
图1为实施例一的农业人工智能作物检测方法的流程图;
图2为实施例二的农业人工智能作物检测移动终端的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。方法描述中的各步骤可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。本文中为部件或模块所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。
在本发明实施例中,采用深度学***。(3)具备再学习机制。本申请所开发的图像识别***可以不断更新、不断训练以提高对作物病害的识别率。本申请技术方案的特点要求所选择的图像识别***具备以下能力:(1)在大数据库上对大样本量进行识别的能力;(2)对繁多的图像进行多分类的能力;(3)通过迭代学习不断提高识别率的再学习能力。基于深度学习的方式是现有技术下唯一能够实现对繁多的种类进行高准确率识别的人工智能***,同时也是能够通过迭代训练过程以不断提升识别能力的人工智能***。因此,基于深度学习的图像识别***无疑是本申请的最佳技术路线选择。
实施例一:
实施例一提供一种农业人工智能作物检测方法,参见图1,其具体步骤如下:
步骤S100:获取图像样本并构建农作物病害数据库。在构建农作物病害数据库前,需要对图像样本进行归一化处理。为了扩大数据库的规模,可以对图像样本执行压缩、多角度旋转和伸缩变化处理,将处理后的图像样本加入农作物病害数据库。在现场所采集的农作物病害图像的格式、大小、拍摄角度等均不一致,如果将这些原始素材的集合直接用作数据库,很难得到最优的检测和分类网络。因此,构建数据库的第一步就是对图像进行“归一化”处理,实现所有图像的大小、格式以及标签的统一化。例如,将所有图像样本均归一化为256×256像素大小,在整个256×256像素大小的图像中,有效病害的图像区域应该尽量大,这样更有利于最终的分类。
图像数据库是基于深度学习的图像识别***能够实现图像分类的重要基础。图像数据库为深度学习***提供了大量的经验样本。深度学习***基于数据库提供的图像样本进行训练和学习,再依据学习到的特征或者知识对特定物体或模式进行分类。因此,数据库样本的有效性和充分性直接影响深度学习***训练得到的特征或知识,从而影响最后的分类性能。由此可见,一个好的数据库对深度学习***的分类性能起到至关重要的作用。基于以上原因,本申请构建的病害数据库应该尽量保证病害图像样本的有效性和充分性。病害样本的有效性主要体现在先期收集病害样本时,要对病害样本的作物名称、生长周期、病害类别等进行准确标注,并尽量收集病害特征明显的样本。病害样本的充分性就是要保证收集足够多的病害样本共深度学习***进行训练。这一点十分重要,原因在于深度神经网络的训练是数据驱动的,数据量越大后期效果越好。为了保证深度学习***得到良好的分类性能,农作物病害数据库需要提供大量的图像样本。病害数据库中的样本量越大越好,保守估计,针对51种病害,每一类病害的图像样本数量至少应该在1000张以上。
步骤S110:获取神经网络模型。为了获得较高的响应速度,可以自行设计神经网络模型,只要经训练后所获针对不同农作物的病害识别网络,能够达到验收所要求的识别准确率即可。或者,在现有神经网络的基础上进行部分的简化来得到一个层次较浅、参数较少的神经网络,以提高***的响应速度。
步骤S120:获得针对不同农作物的病害识别网络。通过深度学***台,具有很好的移植性,同时也支持分布式计算。
步骤S130:获取待检测的农作物图像。对待检测的农作物图像进行图像金字塔分解处理,获得待检测的农作物图像的区域子图像。考虑到各种图像传感器所采集的图像尺寸、质量千差万别,为进一步提高识别的准确率,本申请采用图像金字塔和区域识别的方式来提高识别准确率。利用图像金字塔可以自动寻找到尺度较为合理的病害图像区域,从而提高***识别的准确率。
步骤S140:获取待检测的农作物种类。可通过以下两种方式获取待检测的农作物种类,一是人工指定待检测的农作物种类,二是自动识别待检测的农作物种类。第一种方式,由用户直接输入待检测的农作物种类。第二种方式,还需要获取第二神经网络模型,通过深度学习***对第二神经网络模型进行训练,获得作物及病害检测网络,由作物及病害检测网络对待检测的农作物图像进行处理,获得作物种类检测结果和病害检测结果。其中,病害检测结果是一种对农作物是否患病的简单判断,其输出为图片中作物是否存在病害,并不需要对作物具体患有何种病害进行识别。在一具体实施方式中,作物及病害检测网络对待检测的农作物图像的区域子图像进行处理,获得各区域子图像的病害检测结果。通过作物及病害检测网络对区域子图像的处理,可获知待检测的农作物种类。并非全部的待检测的农作物图像的区域子图像均包含作物病害特征,对于不具有作物病害特征的区域子图像,可以不再做后续处理;对于具有作物病害特征的区域子图像,作物及病害检测网络可以将其筛选出来,并输入到后续处理步骤,以识别其病害种类。在第二种识别方式下,作物及病害检测网络同时对区域子图像做出如下两种处理,一是识别其农作物种类,二是识别其是否患病,即区域子图像是否包含作物病害特征。由于获取待检测的农作物种类,可以得到用户的人工干预,因此本申请中作物及病害检测网络的重要性相对低,可替代性相对高,可以采用一个相对简单的第二神经网络模型来实现,比如将第二神经网络模型设计为两至四层的卷积层和一层全连接网络,每一层的卷积参数也可以比较小。
步骤S150:选择执行检测的病害识别网络。根据待检测的农作物种类选择执行检测的病害识别网络。
步骤S160:执行检测的病害识别网络对待检测的农作物图像进行处理,获得病害预测结果。在一具体实施方式中,执行检测的病害识别网络对包含作物病害特征的区域子图像进行处理,获得病害预测结果。对每个输入执行检测的病害识别网络的包含作物病害特征的区域子图像,执行检测的病害识别网络会给出各类别的置信率,选择置信率最高的一类作为当前区域子图像的类别,作为最终的识别结果进行输出。
步骤S170:输出病害预测结果。
实施例一使用神经网络实现对农作物病害图像分类的自动识别。神经网络的训练是数据驱动的,数据量越大后期效果越好,然而考虑到本申请实施的实际情况以及人力物力的投入,很难在短时间获得一个比较大的数据库用于神经网络的训练。因此,对一定数量的样本而言,样本的种类越少,每一类相应的样本数目就越多,对训练就越有利。为此,本申请采用渐进的方式接近目标。第一级网络为作物及病害检测网络,这样样本被简单的分为了六类(本申请针对六类农作物进行病害检测)。一方面,第一级网络任务简单,数据量大,容易得到一个准确率很高的网络;另一方面,该网络可以快速准确的剔除掉图像中的无用区域,大大的减小后续网络的计算量。第二级网络由不同物种的病害识别网络并联组成。由于这些网络都具有相对的专一性,即只识别病害,所以对训练样本数量和训练难度的要求也相应的降低了。以玉米病害识别网络为例,在训练时只需要将所有玉米病害样本作为其训练样本即可。
实施例二:
实施例二提出了一种移动终端,请参考图2,该移动终端包括触摸显示屏200和处理器210。触摸显200示屏用于输入待检测的农作物图像,以及显示输出病害预测结果。处理器210用于存储或调用针对不同农作物的病害识别网络;获取待检测的农作物种类;根据待检测的农作物种类选择执行检测的病害识别网络;处理器210调用执行检测的病害识别网络对待检测的农作物图像进行处理,获得病害预测结果。处理器210获取待检测的农作物种类的方式有两种,一是人工指定待检测的农作物种类,二是自动识别待检测的农作物种类。当使用第二种方式自动识别待检测的农作物种类时,处理器210还应当存储有作物及病害检测网络,或者处理器210能够调用作物及病害检测网络以执行检测识别任务,处理器210调用作物及病害检测网络对待检测的农作物图像进行处理,获得作物种类检测结果和病害检测结果。为例提高识别准确率,处理器210可对待检测的农作物图像进行图像金字塔分解处理,获得待检测的农作物图像的区域子图像。处理器210调用作物及病害检测网络对存在病害的区域子图像进行处理,获得各区域子图像的病害检测结果。
为了获取针对不同农作物的病害识别网络和作物及病害检测网络,可以利用农作物病害数据库并通过深度学习***进行神经网络模型的训练,获得神经网络参数即获取针对不同农作物的病害识别网络和作物及病害检测网络。将针对不同农作物的病害识别网络和作物及病害检测网络部署到服务器上,或移动终端上,移动终端包括Android或者IOS客户端。服务器端部署的优势在于可以对病害识别网络和作物及病害检测网络进行简单封装,当外部程序需要进行病害识别时,只需要远程调用服务器中的函数即可。服务器端部署的缺点在于以下两个方面:(1)服务器端部署对带宽提出了很高的要求,并且客户端必须联网,否则不能使用。(2)服务器端部署对服务器性能、并行计算算法提出了很高的要求。深度学习***对计算能力要求很高,在实际使用中即使仅同时并发1000个左右的神经网络计算进程,也需要强大的分布式计算能力和优秀的并行计算算法。这需要做大量的底层技术开发才能得以实现。移动终端部署的优点在于非联网条件下也能进行作物病害识别,并且响应迅速,成本较低。其缺点在于,当农作物病害数据库中图像样本增加并对神经网络再次训练获得优化的神经网络后,需要更新部署在移动终端上的病害识别网络和作物及病害检测网络,这样才能实现通过迭代学习以不断提高识别准确率的技术效果。
需要说明的是,神经网络具备再学习机制是指,神经网络擅长通过增大样本量进行迭代训练来不断提高识别率。但是,神经网络并不能在没有人工帮助的情况下自主对数据样本进行学习,自主改变网络的结构和参数,从而实现所谓的自主学习。另外,增加样本量的工作必须由工作人员人工完成,不能自动化得到;同时,也不能将机器已经分类的样本直接放入数据库中。因为从理论上讲,不存在分类准确率100%的神经网络,而加入数据库中的样本必须保证100%正确,所以人工识别样本并准确标记进而加入训练数据库中是唯一的办法。
实施例三:
实施例三提供一种计算机可读存储介质,包括程序,程序能够被处理器执行以实现如实施例一中所述的方法。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的***进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (14)
1.一种农业人工智能作物检测方法,其特征在于包括:
获取图像样本并构建农作物病害数据库;
获取神经网络模型;
通过深度学习***对所述神经网络模型进行训练,获得针对不同农作物的病害识别网络;
获取待检测的农作物图像;
获取待检测的农作物种类;
根据所述待检测的农作物种类选择执行检测的病害识别网络;
所述执行检测的病害识别网络对所述待检测的农作物图像进行处理,获得病害预测结果;
输出所述病害预测结果。
2.如权利要求1所述的方法,其特征在于,还包括获取第二神经网络模型;通过深度学习***对所述第二神经网络模型进行训练,获得作物及病害检测网络。
3.如权利要求2所述的方法,其特征在于,所述获取待检测的农作物种类,包括所述作物及病害检测网络对所述待检测的农作物图像进行处理,获得作物种类检测结果和病害检测结果。
4.如权利要求3所述的方法,其特征在于,还包括对所述待检测的农作物图像进行图像金字塔分解处理,获得所述待检测的农作物图像的区域子图像。
5.如权利要求4所述的方法,其特征在于,还包括所述作物及病害检测网络对所述待检测的农作物图像的区域子图像进行处理,获得各区域子图像的病害检测结果。
6.如权利要求5所述的方法,其特征在于,所述执行检测的病害识别网络对所述待检测的农作物图像进行处理,为所述执行检测的病害识别网络对存在病害的区域子图像进行处理,获得病害预测结果。
7.如权利要求1所述的方法,其特征在于,所述获取图像样本,包括对图像样本进行归一化处理。
8.如权利要求7所述的方法,其特征在于,所述获取图像样本,包括对图像样本执行压缩、多角度旋转和伸缩变化处理;将处理后的图像样本加入所述农作物病害数据库。
9.一种移动终端,其特征在于包括:
触摸显示屏,所述触摸显示屏用于输入待检测的农作物图像,以及显示输出病害预测结果;
处理器,所述处理器用于存储针对不同农作物的病害识别网络,获取待检测的农作物种类,根据所述待检测的农作物种类选择执行检测的病害识别网络,所述执行检测的病害识别网络对所述待检测的农作物图像进行处理,获得病害预测结果。
10.如权利要求9所述的移动终端,其特征在于,所述处理器还用于存储作物及病害检测网络,所述作物及病害检测网络对所述待检测的农作物图像进行处理,获得作物种类检测结果和病害检测结果。
11.如权利要求10所述的移动终端,其特征在于,所述处理器还用于对所述待检测的农作物图像进行图像金字塔分解处理,获得所述待检测的农作物图像的区域子图像。
12.如权利要求11所述的移动终端,其特征在于,所述作物及病害检测网络对所述待检测的农作物图像的区域子图像进行处理,获得各区域子图像的病害检测结果。
13.如权利要求12所述的移动终端,其特征在于,所述执行检测的病害识别网络对所述待检测的农作物图像进行处理,为所述执行检测的病害识别网络对存在病害的区域子图像进行处理,获得病害预测结果。
14.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710430843.9A CN107392091B (zh) | 2017-06-09 | 2017-06-09 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710430843.9A CN107392091B (zh) | 2017-06-09 | 2017-06-09 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392091A true CN107392091A (zh) | 2017-11-24 |
CN107392091B CN107392091B (zh) | 2020-10-16 |
Family
ID=60332193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710430843.9A Active CN107392091B (zh) | 2017-06-09 | 2017-06-09 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392091B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764183A (zh) * | 2018-05-31 | 2018-11-06 | 寿光得峰生态农业有限公司 | 一种植物病害诊断方法、装置及存储介质 |
CN109002853A (zh) * | 2018-07-18 | 2018-12-14 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
CN109165623A (zh) * | 2018-09-07 | 2019-01-08 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及*** |
CN109409270A (zh) * | 2018-10-16 | 2019-03-01 | 宁夏农林科学院农业经济与信息技术研究所(宁夏农业科技图书馆) | 一种枸杞虫害图像识别*** |
CN109863874A (zh) * | 2019-01-30 | 2019-06-11 | 深圳大学 | 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质 |
CN109961035A (zh) * | 2019-03-19 | 2019-07-02 | 广东省农业科学院水稻研究所 | 一种水稻分蘖期长势智慧监控调节方法 |
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
CN110738379A (zh) * | 2019-11-07 | 2020-01-31 | 成都淞幸科技有限责任公司 | 一种被子植物主要病虫害大数据预测平台 |
CN110929888A (zh) * | 2019-11-06 | 2020-03-27 | 南京财经大学 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
CN111967441A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种基于深度学习的农作物病害分析方法 |
CN112347264A (zh) * | 2019-08-06 | 2021-02-09 | ***通信有限公司研究院 | 一种农业病虫害防治方法、装置和计算机可读存储介质 |
CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别*** |
WO2021088657A1 (zh) * | 2019-11-06 | 2021-05-14 | 杭州睿琪软件有限公司 | 获取物种识别名称的方法及装置 |
CN113159125A (zh) * | 2021-03-16 | 2021-07-23 | 北京农业智能装备技术研究中心 | 一种施药方法及*** |
CN113228047A (zh) * | 2018-10-24 | 2021-08-06 | 克莱米特公司 | 利用多阶段、多尺度深度学习的植物病害检测 |
WO2021198731A1 (en) * | 2020-04-01 | 2021-10-07 | Sarabi Soroush | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. |
CN113723157A (zh) * | 2020-12-15 | 2021-11-30 | 京东数字科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
US20220254155A1 (en) * | 2019-05-20 | 2022-08-11 | Basf Agro Trademarks Gmbh | Method for plantation treatment based on image recognition |
CN118095836A (zh) * | 2024-02-01 | 2024-05-28 | 北京天译科技有限公司 | 面向农业生产状态监测的气象数据分析方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916382A (zh) * | 2010-07-30 | 2010-12-15 | 广州中医药大学 | 一种植物叶片的图像识别方法 |
CN102324038A (zh) * | 2011-09-06 | 2012-01-18 | 北京林业大学 | 一种基于数字图像的植物种类识别方法 |
CN106022467A (zh) * | 2016-05-17 | 2016-10-12 | 浪潮集团有限公司 | 一种基于神经网络的农作物疾病检测*** |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
-
2017
- 2017-06-09 CN CN201710430843.9A patent/CN107392091B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916382A (zh) * | 2010-07-30 | 2010-12-15 | 广州中医药大学 | 一种植物叶片的图像识别方法 |
CN102324038A (zh) * | 2011-09-06 | 2012-01-18 | 北京林业大学 | 一种基于数字图像的植物种类识别方法 |
CN106022467A (zh) * | 2016-05-17 | 2016-10-12 | 浪潮集团有限公司 | 一种基于神经网络的农作物疾病检测*** |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
Non-Patent Citations (1)
Title |
---|
PUNNARAI SIRICHAROEN 等: ""Automated Wheat Disease Classification under Controlled and Uncontrolled Image Acquisition", 《IEEE》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764183A (zh) * | 2018-05-31 | 2018-11-06 | 寿光得峰生态农业有限公司 | 一种植物病害诊断方法、装置及存储介质 |
CN109002853A (zh) * | 2018-07-18 | 2018-12-14 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
CN109002853B (zh) * | 2018-07-18 | 2021-10-01 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
CN109165623A (zh) * | 2018-09-07 | 2019-01-08 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及*** |
CN109165623B (zh) * | 2018-09-07 | 2020-08-04 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及*** |
CN109409270A (zh) * | 2018-10-16 | 2019-03-01 | 宁夏农林科学院农业经济与信息技术研究所(宁夏农业科技图书馆) | 一种枸杞虫害图像识别*** |
CN113228047A (zh) * | 2018-10-24 | 2021-08-06 | 克莱米特公司 | 利用多阶段、多尺度深度学习的植物病害检测 |
CN109863874A (zh) * | 2019-01-30 | 2019-06-11 | 深圳大学 | 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质 |
CN109863874B (zh) * | 2019-01-30 | 2021-12-14 | 深圳大学 | 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质 |
CN109961035A (zh) * | 2019-03-19 | 2019-07-02 | 广东省农业科学院水稻研究所 | 一种水稻分蘖期长势智慧监控调节方法 |
US20220254155A1 (en) * | 2019-05-20 | 2022-08-11 | Basf Agro Trademarks Gmbh | Method for plantation treatment based on image recognition |
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
CN112347264A (zh) * | 2019-08-06 | 2021-02-09 | ***通信有限公司研究院 | 一种农业病虫害防治方法、装置和计算机可读存储介质 |
WO2021088657A1 (zh) * | 2019-11-06 | 2021-05-14 | 杭州睿琪软件有限公司 | 获取物种识别名称的方法及装置 |
CN110929888A (zh) * | 2019-11-06 | 2020-03-27 | 南京财经大学 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
CN110738379A (zh) * | 2019-11-07 | 2020-01-31 | 成都淞幸科技有限责任公司 | 一种被子植物主要病虫害大数据预测平台 |
WO2021198731A1 (en) * | 2020-04-01 | 2021-10-07 | Sarabi Soroush | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. |
CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
CN111967441A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种基于深度学习的农作物病害分析方法 |
CN113723157A (zh) * | 2020-12-15 | 2021-11-30 | 京东数字科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
CN113723157B (zh) * | 2020-12-15 | 2024-02-09 | 京东科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别*** |
CN113159125A (zh) * | 2021-03-16 | 2021-07-23 | 北京农业智能装备技术研究中心 | 一种施药方法及*** |
CN113159125B (zh) * | 2021-03-16 | 2024-04-05 | 北京农业智能装备技术研究中心 | 一种施药方法及*** |
CN118095836A (zh) * | 2024-02-01 | 2024-05-28 | 北京天译科技有限公司 | 面向农业生产状态监测的气象数据分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107392091B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392091A (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
Ahmad et al. | A survey on using deep learning techniques for plant disease diagnosis and recommendations for development of appropriate tools | |
JP7345583B2 (ja) | 画像における作物タイプ分類 | |
Thapa et al. | The Plant Pathology Challenge 2020 data set to classify foliar disease of apples | |
US20220327815A1 (en) | System and method for identification of plant species | |
Zhao et al. | Rapeseed seedling stand counting and seeding performance evaluation at two early growth stages based on unmanned aerial vehicle imagery | |
Singh | An artificial intelligence and cloud based collaborative platform for plant disease identification, tracking and forecasting for farmers | |
Wu et al. | Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms | |
CN109478232A (zh) | 自然环境中的杂草的识别 | |
CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
Janakiramaiah et al. | Intelligent system for leaf disease detection using capsule networks for horticulture | |
Hati et al. | AI-driven pheno-parenting: a deep learning based plant phenotyping trait analysis model on a novel soilless farming dataset | |
Mosley et al. | Image-based sorghum head counting when you only look once | |
Saeed et al. | Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks | |
Mitra et al. | aGROdet: a novel framework for plant disease detection and leaf damage estimation | |
Cándido-Mireles et al. | Detecting vineyard plants stress in situ using deep learning | |
Huang et al. | A novel intelligent system for dynamic observation of cotton verticillium wilt | |
Rößle et al. | Efficient noninvasive FHB estimation using RGB images from a novel multiyear, multirater dataset | |
Ye et al. | Exploring the potential of visual tracking and counting for trees infected with pine wilt disease based on improved YOLOv5 and StrongSORT algorithm | |
CN108764183A (zh) | 一种植物病害诊断方法、装置及存储介质 | |
Tej et al. | AI-based smart agriculture 4.0 system for plant diseases detection in Tunisia | |
Singh et al. | Monitoring and detecting plant diseases using cloud-based internet of things | |
Dinca et al. | Deep Neural Networks for Halyomorpha Halys Detection | |
Nayak et al. | YOLO-IP: An Efficient and Robust Deep Learning Framework to Detect Insect Pests for Agricultural Applications | |
Jiji et al. | Soil type identification using remotely sensed data for agricultural purpose |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |