CN108021894B - 一种基于深度策略学习的小麦病害检测方法 - Google Patents
一种基于深度策略学习的小麦病害检测方法 Download PDFInfo
- Publication number
- CN108021894B CN108021894B CN201711281743.0A CN201711281743A CN108021894B CN 108021894 B CN108021894 B CN 108021894B CN 201711281743 A CN201711281743 A CN 201711281743A CN 108021894 B CN108021894 B CN 108021894B
- Authority
- CN
- China
- Prior art keywords
- disease
- image
- strategy
- wheat
- action
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 232
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 232
- 241000209140 Triticum Species 0.000 title claims abstract description 104
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims description 72
- 238000000034 method Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度策略学习的小麦病害检测方法,与现有技术相比解决了提高小麦病害检测识别率导致运算过于复杂的缺陷。本发明包括以下步骤:小麦病害图像的收集和预处理;构造小麦病害图像的策略;构造并训练小麦病害图像检测模型;待检测小麦图像的收集和预处理;病害在图像中的检测。本发明在增加检测效率的同时,也基于状态策略加大了病害的识别率。
Description
技术领域
本发明涉及图像检测技术领域,具体来说是一种基于深度策略学习的小麦病害检测方法。
背景技术
基于计算机视觉的小麦病害的检测与统计一直是困扰农业病害预测预报的问题,在农田环境下,小麦病害呈现的图像受到多种因素的干扰,如:光照、复杂背景、形变、阴影等,这些无疑加剧计算机处理的难度。现行的小麦病害检测与统计工作主要是依靠少数植保专家和农技人员来完成的,但是人力有限、人工检测与统计时效性差、人工检测效率低下,致使小麦病害预测预报难以准确的开展。
现有技术中虽提出了多种针对于病害图像进行检测的方法,但由于小麦病害的图像背景复杂,并配上光照、姿态等影响,使得传统的自动检测与统计方法误检率高、鲁棒性差。而基于传统方法,若为了降低误检率,则需要加大模型识别运算的搜索范围,即针对图像的每个网格均进行扫描分析,但这势必会大大加大运算时间,导致运算过于复杂,更无法在田间实际环境中应用。
因此,如何在基于不增加运算强度的条件下提高小麦病害检测的准确性已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中提高小麦病害检测识别率导致运算过于复杂的缺陷,提供一种基于深度策略学习的小麦病害检测方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于深度策略学习的小麦病害检测方法,包括以下步骤:
小麦病害图像的收集和预处理,收集若干幅小麦病害图像作为训练图像,收集图像的焦点集中在病害部分,记录下收集的病害图像以及对应在原图中的位置,并将收集的病害图像归一化为16×16像素,得到若干个病害图像训练样本;
构造小麦病害图像的策略,构造小麦病害图像状态策略、动作策略以及奖励策略;
构造并训练小麦病害图像检测模型,通过状态策略、动作策略以及奖励策略构建小麦病害图像检测模型,并对小麦病害图像检测模型进行优化学习,得到训练后的小麦病害图像检测模型;
待检测小麦图像的收集和预处理,获取待检测小麦图像并将待检测小麦图像的大小归一化为512×512像素,得到待检测图像;
病害在图像中的检测,将待检测图像输入训练完成后的小麦病害图像检测模型,进行小麦病害的检测。
所述的构造小麦病害图像的策略包括以下步骤:
从若干个病害图像训练样本中,构造小麦病害图像的状态策略s,其表达式如下:
s∈S={(l1,d1,p1),(l2,d2,p2),...,(ln,dn,pn)},
其中,S表示有限状态集合,s表示在检测时某个特定状态,l表示病害图像中心点位置、d表示病害图像方向、p表示病害图像的概率;
从若干个病害图像训练样本中,构造小麦病害图像的动作策略a,其表达式如下:
其中,A表示有限动作集合,a表示在病害检测时某个特定动作,在每个动作状态中,病害检测的动作包括aup表示检测图像向上搜索动作、adown表示检测图像向下搜索动作、aleft表示检测图像向左搜索动作、aright表示检测图像向右搜索动作、ascale表示检测图像尺度变化动作,尺度变化动作大小为放大2倍、放大4倍、缩小2倍或缩小4倍;
从若干个病害图像训练样本中,构造检测小麦病害图像的奖励策略;
从若干训练样本库中依次选定标记后的病害图像样本,执行动作策略a,计算在动作策略a下的状态s,并更新病害检测的奖励策略;
满足上述条件的情况下,继续执行构造的下一个动作策略am;
当t时刻满足以下条件,停止执行动作策略at,代表在动作策略的引导下,已经找到最优病害目标区域和状态s;其表达式定义如下:
当在t时刻满足I(b,g)>δ,
新奖励策略定义为:
其中,I(b,g)=M(b∩g)/M(b∪g),b表示m时候检测的病害图像区域,g表示m时刻人工所标记的病害图像区域,M(b∩g)表示检测的病害图像区域和人工标记病害区域的交集,M(b∪g)示检测的病害图像区域和人工标记病害区域并集,γ阈值为5,δ为0.8。
所述的构造并训练小麦病害图像检测模型包括以下步骤:
构造小麦病害图像检测模型,小麦病害图像检测模型构造原则基于选择一个能得到最大奖励策略R的动作A,其表达式如下:
其中,f(s,a)表示在检测模型状态策略s中采取动作策略a能够得到最大奖励R,λ表示损失因子,f(s′,a′)是未来检测步骤中的奖励,a′表示获得最大奖励R的检测模型动作策略,Es′[]代表期望值;
利用深度神经网络作为策略学习对小麦病害图像检测模型进行最优化策略函数学习,使用有监督学习方法,将病害图像训练样本以及对应的状态策略s,计算最优化策略学习函数,其计算步骤如下:
利用深度神经网络作为策略学习f(s,a)函数值的网络,其定义如下:
f(s,a,w)≈f(s,a)
这里w表示深度神经网络中参数;
使用均方差定义最优化策略学习中的损失函数,其定义如下:
计算w关于损失函数的梯度,其计算公式如下:
使用随机梯度下降方法更新参数w,最终得到最优f(s,a,w)值。
所述病害在图像中的检测包括以下步骤:
针对大小为512×512像素的待检测图像,输入到学习后的f(s,a,w)最优化小麦病害图像检测模型,得到N个16×16像素大小为图像块区域,并得到每一个图像块样本的病害概率;
分析每一个输入图像块样本的病害概率,
若预测概率值大于0.7,则判断为该图像为小麦病害,并记录该图像块在整个待检测的小麦图像中位置,否则不是病害。
还包括病害图像数量的统计步骤,病害图像数量的统计如下:
设针对检测后的小麦图像,包含有n个16×16图像块大小的检测结果,病害图像个数计算公式如下:
有益效果
本发明的一种基于深度策略学习的小麦病害检测方法,与现有技术相比在增加检测效率的同时,也基于状态策略加大了病害的识别率。本发明通过对小麦病害检测时的状态策略、动作策略以及奖励策略的学习训练,为病害图像检测提供了最优检测路径,大大减少了病害检测所需扫描的网格范围,从而在进一步提高识别效率同时,提高了小麦病害图像检测模型的识别能力。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种基于深度策略学习的小麦病害检测方法,包括以下步骤:
第一步,小麦病害图像的收集和预处理。收集若干幅小麦病害图像作为训练图像,收集图像的焦点集中在病害部分,记录下收集的病害图像以及对应在原图中的位置(在原图中标记出病害位置)。将收集的病害图像归一化为16×16像素,得到若干个病害图像训练样本。
第二步,构造小麦病害图像检测策略。构造小麦病害图像状态策略、动作策略以及奖励策略,小麦病害图像的状态策略为病害发生的位置、方向和概率,通过对病害图像训练样本中病害发生的分布情况如位置、中心点位置方向等,学习出病害图像训练样本之间病害发生的关联性,为后续病害图像区域搜索过程提供基础。
其具体步骤如下:
(1)从若干个病害图像训练样本中,构造小麦病害图像的状态策略s,其表达式如下:
s∈S={(l1,d1,p1),(l2,d2,p2),...,(ln,dn,pn)},
其中,S表示有限状态集合,s表示在检测时某个特定状态,l表示病害图像中心点位置、d表示病害图像方向、p表示病害图像的概率。
通过对病害图像样本状态策略s的构造与训练学习,找到病害图像在训练样本之间病害发生的状态关联与分布。因为在实际病害识别过程中发现,小麦病害所处的位置(即病害图像中心点位置l)、病害的发生中心点位置方向都是存在一定规律的。例如,此区域病害位置若集中在中间区域,那么只会有很少一部分病害会是从边缘延伸至中心区域;此区域病害位置若集中在边缘延伸,则会有很少一部分病害会自中心产生。同理,针对于同一区域(同一批病害图像训练样本),病害发生严重程度也是相关联,例如,此区域病害严重,则不同样本病害概率则高,不会出现病害集中在某几株小麦上。这此现象都是由于图像采集方式等多种复杂因素所造成的,在识别过程中,正可以基于这样的特性以此作为关键因素,减少搜索范围,以使得提高搜索效率的同时,还能增加识别率。
(2)从若干个病害图像训练样本中,构造小麦病害图像的动作策略a,其表达式如下:
其中,A表示有限动作集合,a表示在病害检测时某个特定动作,在每个动作状态中,病害检测的动作包括aup表示检测图像向上搜索动作、adown表示检测图像向下搜索动作、aleft表示检测图像向左搜索动作、aright表示检测图像向右搜索动作、ascale表示检测图像尺度变化动作,尺度变化动作大小为放大2倍、放大4倍、缩小2倍或缩小4倍。
动作策略a为针对于图像的搜索策略,即针对于图像,如何进行搜索。按传统理论和思想,针对于图像的每个网格或区域进行全范围搜素,其效果肯定是最佳。但这也带来巨大的计算量,以致于无法满足于实际应用,只能停留在理论分析阶段。此外,由于图像采集时候焦距的远近等因素,造成病害图像尺度上的变换,因而现有方法使用同一种尺度模型进行检测与搜索的效率往往不高。在此,基于不同样本病害之间的关联,通过样本学习找出其关联规律,为搜索过程提供最优策略(奖励策略)。
(3)从若干个病害图像训练样本中,构造检测小麦病害图像的奖励策略。结合状态策略s和动作策略a获得病害检测的奖励策略。
其具体步骤如下:
A、从若干训练样本库中依次选定标记后的病害图像样本,执行动作策略a,计算在动作策略a下的状态s,并更新病害检测的奖励策略。
满足上述条件的情况下,继续执行构造的下一个动作策略am。
为了使得每个样本在学习过程中,状态s朝着最优化状态执行,设定函数当满足条件时,说明执行的状态策略是朝着合理状态方向进行,则检测的奖励策略为正1;否则当满足条件时,说明执行的状态策略是朝着相反方向进行,则检测的奖励策略为负1。
B、当t时刻满足以下条件,停止执行动作策略at,代表在动作策略的引导下,已经找到最优病害目标区域和状态s。
停止动作策略条件为:I(b,g)>δ,即I(b,g)=M(b∩g)/M(b∪g)>δ。在此条件下,训练过程中所检测的病害图像区域和人工标记病害区域基本重合,吻合程度80%以上。
其表达式定义如下:
当在t时刻满足I(b,g)>δ,
新奖励策略定义为:
其中,I(b,g)=M(b∩g)/M(b∪g),b表示m时候检测的病害图像区域,g表示m时刻人工所标记的病害图像区域,M(b∩g)表示检测的病害图像区域和人工标记病害区域的交集,M(b∪g)示检测的病害图像区域和人工标记病害区域并集,γ阈值为5,δ为0.8。M(b∩g)具体为检测的病害图像像素和人工标记病害图像区域像素的重合部分的像素个数。M(b∪g)检测的病害图像像素和人工标记病害图像区域像素的不重合部分的像素个数。
第三步,构造并训练小麦病害图像检测模型。通过状态策略、动作策略以及奖励策略构建小麦病害图像检测模型,并对小麦病害图像检测模型进行优化学习,得到训练后的小麦病害图像检测模型。在构造状态策略、动作策略以及奖励策略三种策略基础上,通过深度神经网络学习模型进行参数优化,获得最优搜索路径,以达到最优的病害图像检测模型。其具体步骤如下:
(1)构造小麦病害图像检测模型。小麦病害图像检测模型构造原则基于选择一个能得到最大奖励策略R的动作A,其表达式如下:
其中,f(s,a)表示在检测模型状态策略s中采取动作策略a能够得到最大奖励R,λ表示损失因子,f(s′,a′)是未来检测步骤中的奖励,a′表示获得最大奖励R的检测模型动作策略,Es′[]代表期望值。在病害图像检测过程中,考虑到在执行相关状态和动作前提下,往往希望得到病害检测正确率越高,则对应的状态和动作过程奖励策略值越大,最终病害检测的成功期望值越大。整个优化奖励策略过程,也就是学习病害图像中样本中在执行不同状态和动作相互关系过程。
(2)利用深度神经网络作为策略学习对小麦病害图像检测模型进行最优化策略函数学习。使用有监督学习方法,将病害图像训练样本以及对应的状态策略s,计算最优化策略学习函数,其计算步骤如下:
A、利用深度神经网络作为策略学习f(s,a)函数值的网络,其定义如下:
f(s,a,w)≈f(s,a)
这里w表示深度神经网络中参数;
B、使用均方差定义最优化策略学习中的损失函数,其定义如下:
C、计算w关于损失函数的梯度,其计算公式如下:
D、使用随机梯度下降方法更新参数w,最终得到最优f(s,a,w)值。
第四步,待检测小麦图像的收集和预处理。获取待检测小麦图像并将待检测小麦图像的大小归一化为512×512像素,得到待检测图像。
第五步,病害在图像中的检测。将待检测图像输入训练完成后的小麦病害图像检测模型,进行小麦病害的检测,定位并标记出病害在图像中具***置。其具体步骤如下:
(1)针对大小为512×512像素的待检测图像,输入到学习后的f(s,a,w)最优化小麦病害图像检测模型,得到N个16×16像素大小为图像块区域,并得到每一个图像块区域的病害概率。
(2)分析每一个输入图像块区域的病害概率。在此,概率和相似度形式一样,发现病害所在图像区域的概率,就是表示发现病害了,如果概率大于设定值,就可以表示为某种病害。
若预测概率值大于0.7,则判断为该图像为小麦病害,并记录该图像块在整个待检测的小麦图像中位置,否则不是病害。
在此,还提供针对于病害检测出后,病害图像数量的统计方法。
病害图像数量的统计如下:
设针对检测后的小麦图像,包含有n个16×16图像块大小的检测结果,病害图像个数计算公式如下:
本发明的整个病害图像检测模型学习过程借鉴人类奖励机制过程,例如:人类在学习完成某项任务过程中,在某个状态下通过某个动作,完成该项任务越好,总希望得到的奖励越多。同理,图像检测过程也是类似,当图像在某个状态下,执行相应的搜索动作,如果正确的检测到病害图像区域,则获得最大的激励值。此外,单独通过状态、动作等作为因素来完成图像分析、理解也获得了较好的结果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (3)
1.一种基于深度策略学习的小麦病害检测方法,其特征在于,包括以下步骤:
11)小麦病害图像的收集和预处理,收集若干幅小麦病害图像作为训练图像,收集图像的焦点集中在病害部分,记录下收集的病害图像以及对应在原图中的位置,并将收集的病害图像归一化为16×16像素,得到若干个病害图像训练样本;
12)构造小麦病害图像的策略,构造小麦病害图像状态策略、动作策略以及奖励策略;所述的构造小麦病害图像的策略包括以下步骤:
121)从若干个病害图像训练样本中,构造小麦病害图像的状态策略s,其表达式如下:
s∈S={(l1,d1,p1),(l2,d2,p2),...,(ln,dn,pn)},
其中,S表示有限状态集合,s表示在检测时某个特定状态,l表示病害图像中心点位置、d表示病害图像方向、p表示病害图像的概率;
122)从若干个病害图像训练样本中,构造小麦病害图像的动作策略a,其表达式如下:
其中,A表示有限动作集合,a表示在病害检测时某个特定动作,在每个动作状态中,病害检测的动作包括aup表示检测图像向上搜索动作、adown表示检测图像向下搜索动作、aleft表示检测图像向左搜索动作、aright表示检测图像向右搜索动作、ascale表示检测图像尺度变化动作,尺度变化动作大小为放大2倍、放大4倍、缩小2倍或缩小4倍;
123)从若干个病害图像训练样本中,构造检测小麦病害图像的奖励策略;
1231)从若干训练样本库中依次选定标记后的病害图像样本,执行动作策略a,计算在动作策略a下的状态s,并更新病害检测的奖励策略;
满足上述条件的情况下,继续执行构造的下一个动作策略am;
1232)当t时刻满足以下条件,停止执行动作策略at,代表在动作策略的引导下,已经找到最优病害目标区域和状态s;其表达式定义如下:
当在t时刻满足I(b,g)>δ,
新奖励策略定义为:
其中,I(b,g)=M(b∩g)/M(b∪g),b表示m时刻检测的病害图像区域,g表示m时刻人工所标记的病害图像区域,M(b∩g)表示检测的病害图像区域和人工标记病害区域的交集,M(b∪g)示检测的病害图像区域和人工标记病害区域并集,γ阈值为5,δ为0.8;
13)构造并训练小麦病害图像检测模型,通过状态策略、动作策略以及奖励策略构建小麦病害图像检测模型,并对小麦病害图像检测模型进行优化学习,得到训练后的小麦病害图像检测模型;所述的构造并训练小麦病害图像检测模型包括以下步骤:
131)构造小麦病害图像检测模型,小麦病害图像检测模型构造原则基于选择一个能得到最大奖励策略R的动作A,其表达式如下:
其中,f(s,a)表示在检测模型状态策略s中采取动作策略a能够得到最大奖励R,λ表示损失因子,f(s′,a′)是未来检测步骤中的奖励,a′表示获得最大奖励R的检测模型动作策略,Es′[]代表期望值;
132)利用深度神经网络作为策略学习对小麦病害图像检测模型进行最优化策略函数学习,使用有监督学习方法,将病害图像训练样本以及对应的状态策略s,计算最优化策略学习函数,其计算步骤如下:
1321)利用深度神经网络作为策略学习f(s,a)函数值的网络,其定义如下:
f(s,a,w)≈f(s,a)
这里w表示深度神经网络中参数;
1322)使用均方差定义最优化策略学习中的损失函数,其定义如下:
1323)计算w关于损失函数的梯度,其计算公式如下:
1324)使用随机梯度下降方法更新参数w,最终得到最优f(s,a,w)值;
14)待检测小麦图像的收集和预处理,获取待检测小麦图像并将待检测小麦图像的大小归一化为512×512像素,得到待检测图像;
15)病害在图像中的检测,将待检测图像输入训练完成后的小麦病害图像检测模型,进行小麦病害的检测。
2.根据权利要求1所述的一种基于深度策略学习的小麦病害检测方法,其特征在于,所述病害在图像中的检测包括以下步骤:
21)针对大小为512×512像素的待检测图像,输入到学习后的f(s,a,w)最优化小麦病害图像检测模型,得到N个16×16像素大小为图像块区域,并得到每一个图像块样本的病害概率;
22)分析每一个输入图像块样本的病害概率,
若预测概率值大于0.7,则判断为该图像为小麦病害,并记录该图像块在整个待检测的小麦图像中位置,否则不是病害。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711281743.0A CN108021894B (zh) | 2017-12-07 | 2017-12-07 | 一种基于深度策略学习的小麦病害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711281743.0A CN108021894B (zh) | 2017-12-07 | 2017-12-07 | 一种基于深度策略学习的小麦病害检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108021894A CN108021894A (zh) | 2018-05-11 |
CN108021894B true CN108021894B (zh) | 2020-06-05 |
Family
ID=62078838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711281743.0A Active CN108021894B (zh) | 2017-12-07 | 2017-12-07 | 一种基于深度策略学习的小麦病害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021894B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064460B (zh) * | 2018-08-01 | 2021-09-28 | 中国科学院合肥物质科学研究院 | 基于多时序属性元素深度特征的小麦重度病害预测方法 |
CN109086823B (zh) * | 2018-08-01 | 2022-02-11 | 中国科学院合肥物质科学研究院 | 一种小麦赤霉病病穗率自动统计方法 |
CN109345506A (zh) * | 2018-08-23 | 2019-02-15 | 中国科学院合肥物质科学研究院 | 一种基于卷积神经网络的热点与marfe自动检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488536A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院合肥物质科学研究院 | 一种基于多特征深度学习技术的农田害虫图像识别方法 |
CN106991666A (zh) * | 2017-02-24 | 2017-07-28 | 中国科学院合肥物质科学研究院 | 一种适用于多尺寸图片信息的病害图像识别方法 |
CN107194418A (zh) * | 2017-05-10 | 2017-09-22 | 中国科学院合肥物质科学研究院 | 一种基于对抗特征学习的水稻蚜虫检测方法 |
-
2017
- 2017-12-07 CN CN201711281743.0A patent/CN108021894B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488536A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院合肥物质科学研究院 | 一种基于多特征深度学习技术的农田害虫图像识别方法 |
CN106991666A (zh) * | 2017-02-24 | 2017-07-28 | 中国科学院合肥物质科学研究院 | 一种适用于多尺寸图片信息的病害图像识别方法 |
CN107194418A (zh) * | 2017-05-10 | 2017-09-22 | 中国科学院合肥物质科学研究院 | 一种基于对抗特征学习的水稻蚜虫检测方法 |
Non-Patent Citations (3)
Title |
---|
Reinforcement Learning for Visual Object Detection;Stefan Mathe 等;《IEEE Conference on Computer Vision and Pattern Recognition》;20160630;全文 * |
基于深度学习和强化学习的车辆定位与识别;丁乐乐;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215;第13-14、17-20、39-41页 * |
深度学习在游戏中的应用;郭潇逍 等;《自动化学报》;20160531;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108021894A (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Autoassign: Differentiable label assignment for dense object detection | |
CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
CN107403175A (zh) | 一种运动背景下的视觉跟踪方法及视觉跟踪*** | |
CN110770752A (zh) | 多尺度特征融合网络结合定位模型的害虫自动计数方法 | |
CN114897816B (zh) | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 | |
CN108021894B (zh) | 一种基于深度策略学习的小麦病害检测方法 | |
CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
CN111179216A (zh) | 一种基于图像处理与卷积神经网络的作物病害识别方法 | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN103177266A (zh) | 储藏物害虫智能识别*** | |
CN113168687A (zh) | 图像评价装置和方法 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
CN108765463A (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
CN116012721A (zh) | 一种基于深度学习的水稻叶片病斑检测方法 | |
CN111444816A (zh) | 一种基于Faster RCNN的多尺度密集行人检测方法 | |
CN109145770B (zh) | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 | |
Hu et al. | Road surface crack detection method based on improved YOLOv5 and vehicle-mounted images | |
Xue et al. | Automatic identification of butterfly species based on gray-level co-occurrence matrix features of image block | |
CN117456325A (zh) | 一种水稻病虫害检测方法 | |
CN111368625B (zh) | 一种基于级联优化的行人目标检测方法 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
CN117132802A (zh) | 一种田间小麦病虫害识别方法、装置及存储介质 | |
CN116597275A (zh) | 一种基于数据增强的高速移动目标识别方法 | |
CN113673534B (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |