CN107491733A - 一种基于深度神经网络的菊花识别方法 - Google Patents
一种基于深度神经网络的菊花识别方法 Download PDFInfo
- Publication number
- CN107491733A CN107491733A CN201710588673.7A CN201710588673A CN107491733A CN 107491733 A CN107491733 A CN 107491733A CN 201710588673 A CN201710588673 A CN 201710588673A CN 107491733 A CN107491733 A CN 107491733A
- Authority
- CN
- China
- Prior art keywords
- chrysanthemum
- neural network
- deep neural
- methods based
- recognition methods
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度神经网络的菊花识别方法,包括以下步骤:(1)菊花图像原始数据的采集和预处理,并构成训练集样本;(2)构建深度神经网络模型;(3)待识别菊花的图像采集,并对图像进行裁剪和缩放,将图像转化成RGB形式输入到深度神经网络的模型中;(4)将测试样本利用训练完成的神经网络的模型得出识别菊花的类型。本发明设计的卷积神经网络层数一共6层,识别的菊花分为五种类型,相比现有花朵种类识别***及其方法,极大的提高了图像的识别准确率和解决现有技术对于菊花识别困难的技术问题。
Description
技术领域
本发明属于图像处理,尤其涉及一种基于深度神经网络的菊花识别方法。
背景技术
菊花是中国的传统名花,从原始的野生种类经过栽培、杂交选择和精心培育,已经逐步成为世界上品种最丰富的栽培花卉之一。菊花是中国十大名花之一,花中四君子(梅兰竹菊)之一,具有重要的观赏价值和药用价值。
目前,对于植物和花的识别,主要采用了机器学习技术。但是针对不同菊花种类的识别缺少深度的研究,现有技术和产品对不同菊花的识别正确率不高。
在现有花的种类识别技术主要有:
(1)微软识花是微软和中国科学院植物联合提出的智能识别技术,它采用人工智能技术,但是对不同形状的菊花识别功能不足。
(2)myGardenAnswers是通过上传植物和花卉图像进行植物种类识别的***,通过植物照片就能识别出来植物种类,但是对识别不同形状的菊花能力不足。
随着深度学习技术的发展,针对菊花的形状,有必要研究一种基于深度神经网络的菊花识别技术,提高菊花识别的正确率。
发明内容
发明目的:针对上述现有技术的不足,本发明提供一种基于深度神经网络的菊花识别方法,该方法对于菊花的识别率更精准,可以的将菊花按照花朵的形状进行分类。
技术方案:本发明所公开的一种基于深度神经网络的菊花识别方法,包括以下步骤:
(1)菊花图像原始数据的采集和预处理,并构成训练集样本;
(2)构建深度神经网络模型;
(3)待识别菊花的图像采集,并对图像进行裁剪和缩放,将图像转化成RGB形式输入到深度神经网络的模型中;
(4)将测试样本利用训练完成的神经网络的模型识别菊花的类型。
其中,所述的步骤(2)对图像处理包括训练集图片的随机剪裁、随机反转、随机亮度变换、随机对比度变换、白化处理和测试集图片的随机剪裁、白化处理;所述的深度卷积神经网络依次连接的是数据输入层Input、Conv1卷积层、Conv2卷积层、全连接层和Output数据输出层;所述的Conv1卷积层输入图像像素大小为48*48*3,所述Conv1卷积层的卷积核数目为64个,卷积核的移动切片步长为1,卷积核的大小为5*5,pooling层的卷积核大小为3*3,移动步长为2,所述的Conv1卷积层的输出为Conv2卷积层的输入;所述Conv1卷积层和Conv2卷积层为相同的设计结构,即卷积核数目为64个,卷积核的移动切片步长为1,卷积核的大小为5*5,pooling层的卷积核大小为3*3,移动步长为2,并均使用ReLU函数为神经元激活函数;所述全连接层包括Fc3全连接层和Fc4全连接层,Fc3全连接层的输出神经元个数设为384个,Fc4全连接层输出的神经元个数设为192个。
进一步的,所述的深度卷积神经网络Conv1卷积层分为C1卷积层、S1下采样层和L1归一化层,所述的Conv2卷积层分为C2卷积层、S2下采样层和L2归一化层。所述的L层为LRN层,是局部响应归一化,对于每个元素按照给定的系数逐一进行规范化处理。
进一步的,本发明所述方法采用修正线性单元ReLU激活函数为f(x)=max(0,x);所述识别的菊花类型有五种,分别为翻卷型、雏菊型、飞舞型、球型和莲座型。
更进一步的,所述步骤(2)中所述卷积神经网络训练阶段包括如下步骤:
(a)从截断的正态分布中输出随机值的方法初始化网络的权值参数W,生成的值服从正态分布;
(b)从训练集中通过线程随机选取15-50个训练样本,然后对选取图像进行预处理后输入到BP卷积神经网络中;
(c)计算实际的输出值与预测的输出值之间的误差值;
(d)如果迭代次数达到预定值,则停止训练,否则继续进行训练,并按照极小化的方式将误差进行反向传播;
(e)返回步骤(b),循环训练。
有益效果:本发明与现有技术相比,其显著的特点在于:第一、发明针对图像视点问题、尺寸问题、光影变化问题、背景复杂问题、遮挡问题,变形问题有极大的改进,可以提图像识别的准确率;第二、本发明解决现有菊花识别的技术难题,并且可以对于菊花的类型有进一步区分;第三、本发明对菊花数据预处理,增加模型的泛化能力;第四、本发明可以深度神经网络结构及激活函数对菊花有效识别;第五、本发明可以通过菊花形状来识别菊花的种类和名称。
附图说明
图1是本发明的数据预处理流程框图;
图2是本发明的***网络层;
图3是本发明的Conv1卷积层设计图;
图4是本发明的Conv2卷积层设计图;
图5是本发明的Fc3全连接层;
图6是本发明的Fc4全连接层;
图7是本发明的Output输出分类层;
图8是采用本发明所述方法的***工作过程示意图;
图9是本发明各部件连接关系图。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合具体实施例和说明书附图做进一步的阐述,作为优选,本领域的技术人员应得知,本具体实施例不作为本发明的权利保护范围的限制,在不违背本发明精神下所做的优化和替换均落入本发明的权利保护范围。
本发明首先通过摄像头采集菊花的图像信息,也可以直接输入已经采集好的菊花图片信息,然后对图像数据进行预处理,如图1所示,增强训练模型的泛化能力,对数据首先进行了随机预处理;白化处理阶段是为了降低图像明暗、光照差异引起的影响。将采菊花图像数据进行处理得到256色的RGB形式图像,接着分为训练数据集和测试数据集两种另外,对于训练集图片,则使用简单的像素级操作将图像进行随机剪裁、随机反转、随机亮度变换、随机对比度变换、白化处理;对于测试集图片,只将图像进行随机剪裁和白化处理。
处理方式:如果是测试训练集则对图像进行随机反转、随机亮度变换、随机对比度变换,最后随机的裁剪后白化处理,如果是测试数据集则经过随机裁剪后进行白化处理。
接着是深度神经网络模型的构建:如图2所示,本发明设计的神经网络为卷积神经网络层数一共是6层,首先是数据输入层Input,接着是Conv1卷积层,其中Conv1卷积层分为C1卷积层、S1下采样层和L1归一化层,这里的L层为LRN层(Local ResponseNormalization),也就是局部响应归一化,作用是对于每个元素按照给定的系数逐一进行规范化处理,以提高神经网络分类精确度。图像数据经过Conv1卷积层变换后进入Conv2卷积层中,Conv2卷积层和Conv1卷积层设计结构一样,Conv1卷积层的输入数据为Conv2卷积层的数据输入,Conv2卷积层同样分为C2卷积层、S2下采样层和L2归一化层,然后是F3全连接层、F4全连接层,最后是Output数据输出层。
其中,深度神经网络模型中,卷积层包括Conv1卷积层和Conv2卷积层。图3是Conv1卷积层设计图,图像在预处理步骤时随机剪裁为像素大小48*48*3,即Conv1卷积层输入图像像素大小为48*48*3,Conv1卷积层的卷积核数目为64个,卷积核的移动切片步长为1,卷积核的大小为5*5,并且使用ReLU函数为神经元激活函数,ReLU处理数据输出像素大小为44*44*64,pooling层的卷积核大小为3*3,移动步长为2,最后经过LRN归一化处理,输出为像素大小为24*24*64的图像数据信息。图4为Conv2卷积层设计图,和Conv1卷积层设计一样。其输入为Conv1层的输出像素大小为24*24*64的图像,输出为像素大小为12*12*64的图像数据。如图5所示的是Fc3全连接层,输入为Conv2层的输出图像,输出的神经元个数设为384个。Fc4全连接层的处理流程如图6所示,其输入数据为Fc3层的输出,输出的神经元个数设为192个。该***中采用修正线性单元ReLU激活函数f(x)=max(0,x)。最后为Output输出分类层,如图7所示,输入为Fc4全连接层的输出,输出的神经节点个数是根据实际的训练集来确定的,训练样本的类别根据菊花的形状即分为5类,分别是翻卷型、雏菊型、飞舞型、球型和莲座型,所以输出神经元节点数为5个。
本发明所述的一种基于深度神经网络的菊花识别方法应用于采用该方法识别菊花的***中,各部件连接关系或位置关系如图8所示,通过拍照或调用***相册都能对获取到的图片进行识别,识别之后可以进行返回或者保存图像和识别结果,也可以通过点击识别图像按钮预览同种菊花。
本发明所述方法及其在***工作过程或原理:
如图9所示,通过获取拍照获得拍照图像,并对图像进行裁剪和缩放,使得图像像素大小为48*48,再将图像转为RGB形式输入到模型中,最后获取输出分类的五种菊花类型的概率,选取概率最大的前三种菊花类型的种类输出。***工作过程分为两步:虚线上部为模型的使用,使用训练出的模型,进行识别;虚线下部为模型训练阶段,根据菊花图像和设定的深度神经网络结构,训练模型。
其中模型构建分为卷积神经网络训练阶段和模型使用阶段的流程图。下面是训练阶段的流程:
1、使用从截断的正态分布中输出随机值的方法初始化网络的权值参数W,生成的值服从正态分布。其中偏置量b设定为常量;
2、为了避免一次性的读取所有数据造成内存溢出现象,所以采用batch方式来选取,从训练集中通过线程按批次随机选取训练样本,这里***优选设定batch=15或者batch=50,即一次选取15或者50张图像,然后对这15或者50张图像进行预处理后输入到卷积神经网络中;
3、这15张训练图像通过卷积神经网络进行前向传播得到输出值;
4、计算实际的输出值与预测的输出值之间的误差值,如果迭代次数达到预定值,则停止训练,否则继续进行训练;
5、按照极小化的方式将误差进行反向传播,也就是计算每层的每个神经元的残差,以此来更新与神经元相连的权值参数,按照此方法逐步更新卷积神经网络的所有权值参数;
6、返回步骤(2),循环训练。
***的使用流程如下:
1、使用训练好的卷积神经网络的权值参数来初始化网络的权值参数;
2、从测试集中随机选取一个batch的测试集样本,输入到网络中;
3、这15或者50张测试图像通过卷积神经网络进行前向传播得到输出值;
4、让输出值依次与实际标签进行对比,判断是否正确,如果正确则正确个数增1,否则继续测试,最后统计所有正确的个数;
5、返回步骤(2),循环测试,直到测试完所有的测试样本,再以统计的正确个数除以总测试样本数得到图像识别准确率。
本发明能够识别菊花的形状和种类名称,并给出图像之间的相似性的概率值。
上述***的测试结果如下表所示:
上表为训练开始的0-100步的测试结果,设置迭代次数为8000次,且每一次选取15张图片,每10步输出loss损失值,每1000步在检查点文件中保存模型中的所有参数。此***用CPU来运行,训练时间为1.5小时左右。由测试结果可以看出一开始训练的损失值为2.64,之后的损失值虽然有浮动,但是整体呈递减趋势。且每10步大约消耗7秒的时间。
上表为训练结束时7900-8000步的测试结果,从测试结果中可以看出,总体消耗了大约1.5小时时间,最后损失值对比初始值有大幅度的下降。
本***测试输入的菊花图像为训练样本分类中的翻卷型,经***处理和测试后输出,结果表明对菊花识别的准确率平均在98%以上,其中翻卷型的准确为99.9%,表明***对菊花形状的识别准确率较高。
Claims (9)
1.一种基于深度神经网络的菊花识别方法,其特征在于,包括以下步骤:
(1)菊花图像原始数据的采集和预处理,并构成训练集样本;
(2)构建深度神经网络模型;
(3)待识别菊花的图像采集,并对图像进行裁剪和缩放,将图像转化成RGB形式输入到深度神经网络的模型中;
(4)将测试样本利用训练完成的神经网络的模型识别菊花的类型。
2.根据权利要求1所述的一种基于深度神经网络的菊花识别方法,其特征在于:所述的步骤(2)对图像处理包括训练集图片的随机剪裁、随机反转、随机亮度变换、随机对比度变换、白化处理和测试集图片的随机剪裁、白化处理。
3.根据权利要求1所述的一种基于深度神经网络的菊花识别方法,其特征在于:所述的深度卷积神经网络依次是数据输入层Input、Conv1卷积层、Conv2卷积层、全连接层和Output数据输出层。
4.根据权利要求3所述的一种基于深度神经网络的菊花识别方法,其特征在于:所述的Conv1卷积层输入图像像素大小为48*48*3,所述Conv1卷积层的卷积核数目为64个,卷积核的移动切片步长为1,卷积核的大小为5*5,pooling层的卷积核大小为3*3,移动步长为2,所述的Conv1卷积层的输出为Conv2卷积层的输入。
5.根据权利要求3所述的一种基于深度神经网络的菊花识别方法,其特征在于:所述Conv1卷积层和Conv2卷积层为相同的设计结构,并均使用ReLU函数为神经元激活函数。
6.根据权利要求3所述的一种基于深度神经网络的菊花识别方法,其特征在于:所述全连接层包括Fc3全连接层和Fc4全连接层,Fc3全连接层的输出神经元个数设为384个,Fc4全连接层输出的神经元个数设为192个。
7.根据权利要求1所述的一种基于深度神经网络的菊花识别方法,其特征在于:本发明所述方法采用修正线性单元ReLU激活函数为f(x)=max(0,x)。
8.根据权利要求1所述的一种基于深度神经网络的菊花识别方法,其特征在于:所述步骤(4)识别的菊花类型有五种,分别为翻卷型、雏菊型、飞舞型、球型和莲座型。
9.根据权利要求1所述的一种基于深度神经网络的菊花识别方法,其特征在于:所述步骤(2)中所述卷积神经网络训练阶段包括如下步骤:
(a)从截断的正态分布中输出随机值的方法初始化网络的权值参数W,生成的值服从正态分布;
(b)从训练集中通过线程随机选取15-50个训练样本,然后对选取图像进行预处理后输入到BP卷积神经网络中;
(c)计算实际的输出值与预测的输出值之间的误差值;
(d)如果迭代次数达到预定值,则停止训练,否则继续进行训练,并按照极小化的方式将误差进行反向传播;
(e)返回步骤(b),循环训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710588673.7A CN107491733A (zh) | 2017-07-19 | 2017-07-19 | 一种基于深度神经网络的菊花识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710588673.7A CN107491733A (zh) | 2017-07-19 | 2017-07-19 | 一种基于深度神经网络的菊花识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107491733A true CN107491733A (zh) | 2017-12-19 |
Family
ID=60643400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710588673.7A Pending CN107491733A (zh) | 2017-07-19 | 2017-07-19 | 一种基于深度神经网络的菊花识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491733A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740647A (zh) * | 2018-12-21 | 2019-05-10 | 贵阳中医学院 | 一种小花清风藤叶的识别方法 |
CN110287882A (zh) * | 2019-06-26 | 2019-09-27 | 北京林业大学 | 一种基于深度学习的大菊品种图像识别方法 |
CN110705621A (zh) * | 2019-09-25 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于dcnn的食物图像的识别方法和***及食物热量计算方法 |
CN111652861A (zh) * | 2020-05-27 | 2020-09-11 | 贵州省煤矿设计研究院有限公司 | 一种基于深度学习技术的煤的破坏类型快速识别方法及装置 |
CN111914902A (zh) * | 2020-07-08 | 2020-11-10 | 南京航空航天大学 | 一种基于深度神经网络的中药识别与表面缺陷检测方法 |
CN112116598A (zh) * | 2020-08-04 | 2020-12-22 | 北京农业信息技术研究中心 | 一种花卉种类识别方法及*** |
CN112381662A (zh) * | 2020-10-30 | 2021-02-19 | 中国农业大学 | 花粉可育率评估方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228177A (zh) * | 2016-06-30 | 2016-12-14 | 浙江大学 | 基于卷积神经网络的日常生活物体图像识别方法 |
CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
CN106599827A (zh) * | 2016-12-09 | 2017-04-26 | 浙江工商大学 | 一种基于深度卷积神经网络的小目标快速检测方法 |
CN106683091A (zh) * | 2017-01-06 | 2017-05-17 | 北京理工大学 | 一种基于深度卷积神经网络的目标分类及姿态检测方法 |
-
2017
- 2017-07-19 CN CN201710588673.7A patent/CN107491733A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
CN106228177A (zh) * | 2016-06-30 | 2016-12-14 | 浙江大学 | 基于卷积神经网络的日常生活物体图像识别方法 |
CN106599827A (zh) * | 2016-12-09 | 2017-04-26 | 浙江工商大学 | 一种基于深度卷积神经网络的小目标快速检测方法 |
CN106683091A (zh) * | 2017-01-06 | 2017-05-17 | 北京理工大学 | 一种基于深度卷积神经网络的目标分类及姿态检测方法 |
Non-Patent Citations (2)
Title |
---|
沈萍等: "基于深度学习模型的花卉种类识别", 《科技通报》 * |
翟果等: "基于图像处理技术的观赏菊品种识别方法研究", 《中国农机化学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740647A (zh) * | 2018-12-21 | 2019-05-10 | 贵阳中医学院 | 一种小花清风藤叶的识别方法 |
CN110287882A (zh) * | 2019-06-26 | 2019-09-27 | 北京林业大学 | 一种基于深度学习的大菊品种图像识别方法 |
CN110705621A (zh) * | 2019-09-25 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于dcnn的食物图像的识别方法和***及食物热量计算方法 |
CN111652861A (zh) * | 2020-05-27 | 2020-09-11 | 贵州省煤矿设计研究院有限公司 | 一种基于深度学习技术的煤的破坏类型快速识别方法及装置 |
CN111914902A (zh) * | 2020-07-08 | 2020-11-10 | 南京航空航天大学 | 一种基于深度神经网络的中药识别与表面缺陷检测方法 |
CN111914902B (zh) * | 2020-07-08 | 2024-03-26 | 南京航空航天大学 | 一种基于深度神经网络的中药识别与表面缺陷检测方法 |
CN112116598A (zh) * | 2020-08-04 | 2020-12-22 | 北京农业信息技术研究中心 | 一种花卉种类识别方法及*** |
CN112381662A (zh) * | 2020-10-30 | 2021-02-19 | 中国农业大学 | 花粉可育率评估方法及装置 |
CN112381662B (zh) * | 2020-10-30 | 2024-04-26 | 中国农业大学 | 花粉可育率评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491733A (zh) | 一种基于深度神经网络的菊花识别方法 | |
CN106203331B (zh) | 一种基于卷积神经网络的人群密度估算方法 | |
Jiang et al. | A tomato leaf diseases classification method based on deep learning | |
CN105005774B (zh) | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 | |
CN109614996A (zh) | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 | |
CN106529564B (zh) | 一种基于卷积神经网络的食物图像自动分类方法 | |
CN107256246A (zh) | 基于卷积神经网络的印花织物图像检索方法 | |
Lee et al. | Plant Identification System based on a Convolutional Neural Network for the LifeClef 2016 Plant Classification Task. | |
CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割***及方法 | |
CN108717524A (zh) | 一种基于双摄手机和人工智能***的手势识别***及方法 | |
CN110032925A (zh) | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 | |
CN106845450A (zh) | 基于近红外成像与深度学习的黑暗环境人脸识别方法 | |
CN110309841A (zh) | 一种基于深度学习的山核桃常见害虫识别方法 | |
CN113657326A (zh) | 一种基于多尺度融合模块和特征增强的杂草检测方法 | |
CN109886267A (zh) | 一种基于最优特征选择的低对比度图像显著性检测方法 | |
CN109948607A (zh) | 基于深度学习反卷积网络的候选边框生成和目标检测方法 | |
CN107516103A (zh) | 一种影像分类方法和*** | |
Liu et al. | Small unopened cotton boll counting by detection with MRF-YOLO in the wild | |
CN116434012A (zh) | 一种基于边缘感知的轻量型棉铃检测方法及*** | |
CN107742132A (zh) | 基于卷积神经网络的马铃薯表面缺陷检测方法 | |
CN113361466B (zh) | 一种基于多模态交叉指导学习的多光谱目标检测方法 | |
CN117372881A (zh) | 一种烟叶病虫害智能识别方法、介质及*** | |
CN110188811A (zh) | 基于赋范梯度特征与卷积神经网络的水下目标检测方法 | |
Li et al. | An efficient detection method for litchi fruits in a natural environment based on improved YOLOv7-Litchi | |
CN116740337A (zh) | 一种红花采摘点识别定位方法及采摘*** |
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: 20171219 |
|
RJ01 | Rejection of invention patent application after publication |