CN108664979A - 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 - Google Patents
基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 Download PDFInfo
- Publication number
- CN108664979A CN108664979A CN201810448021.8A CN201810448021A CN108664979A CN 108664979 A CN108664979 A CN 108664979A CN 201810448021 A CN201810448021 A CN 201810448021A CN 108664979 A CN108664979 A CN 108664979A
- Authority
- CN
- China
- Prior art keywords
- pest
- disease damage
- maize leaf
- image
- lesion region
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像识别的玉米叶部病虫害检测方法,用于获得待检玉米叶部的病虫害种类,对获取的玉米叶部病变区域的学***面,其中,xi是第i个样本的输入参数向量,yi是第i个样本的输出结果,其中,xi由玉米叶部的病变区域面积S、周长P、圆形度O、矩行度R、形状复杂度E参数构成;取待检测试样,代入上述支持向量机SVM模型的最优超平面获得yi的值,当yi=1表示是该种病虫害,yi=‑1表示非该种病虫害。采用引入松弛变量、分类误差惩罚因子的支持向量机SVM学习玉米叶部病虫害图像,以通过检测设备大量容易的、大批量的获取玉米叶部病虫害结果。
Description
技术领域
本发明涉及农作物病虫害防治技术领域,具体涉及一种基于图像识别的玉米叶部病虫害检测模型的构建方法及应用。
背景技术
对于农作物病虫害的防治而言,能够及时、准确地识别出其病虫害的类型是做到有效防治的前提条件。对于玉米作物而言,常见病害主要体现于叶部、穗部、茎部,其中叶部病害主要有大斑病、小斑病、弯孢霉菌叶斑病、褐斑病、细菌性条纹病、玉米叶鞘紫斑病、玉米链格孢菌叶枯病、玉米圆斑病、玉米斑枯病、灰斑病、玉米轮纹斑病、南方锈病、纹枯病等,其病害的表症均以不同的形状体现在玉米的叶部,因此通过识别玉米叶部的病症形状,根据该病症对应的形状信息,即可识别出该病虫害的种类。当前对于此类病虫害的判断仍旧依赖人工,然而人工识别不但工作量大,而且判断的准确度严重依赖于识别人的经验和认知水平,客观性难以保证,存在有极大的局限性。
当前随着机器视觉技术的快速发展,使得在各领域通过计算机图像识别代替人工识别成为可能。比如,公开日为2011年4月13日的中国专利文献CN201796028U公开了一种识别外壳带菌蛋的紫外检测装置,包括一个检测箱,紫外光源,CCD数码相机,图像采集卡和计算机;所述的检测箱为一个内壁为黑色的暗箱,其侧面开有箱门,在所述暗箱的左、右两壁面上水平对应安装有紫外光源,所述暗箱的上方正中设有使CCD数码相机镜头穿过的孔,CCD数码相机通过数据线与图像采集卡相连,所述图像采集卡插在计算机插槽中,在所述暗箱的底部设有一个检测点,该检测点位于数码相机镜头的正下方,所述的检测点用于放置待检测的蛋,受检蛋通过箱门的开关而被放进或被取出检测箱,所述的装置由图像采集单元、图像传输单元、图像处理单元和图像显示单元构成。该技术方案仅为一种图像采集装置,可以用于图像特征的采集,但其并无法实现对玉米叶部病虫害信息进行图像识别。
此外,公开日为2007年12月26日的中国专利文献CN101093539公开了一种手指静脉特征提取与匹配方法,包括(1)图像采集装置进行手指静脉图像的采集;(2)对采集的静脉图像进行预处理,预处理包括:采用加权平均值法来进行灰度化、采用迭代的方法求取最佳阈值来对图像进行分割、采用组合滤波器来滤除噪声、采用局部动态阈值法进行图像分割、采取面积消除法进行分割后的去噪处理、对分割后的静脉图像进行高度标准化处理;(3)通过将静脉图像分割成特定大小的图像块,采用小波分解算法对子图像进行小波分解及小波矩的提取,进行PCA及LDA变换步骤提取特征;(4)采用模糊化的阈值方法进行匹配与识别。该技术方案公开了一种应用于医疗领域的图像识别的算法。
然而当期在玉米病虫害防治领域,仍然缺乏一种快速、准确的基于图像识别的玉米叶部病虫害检测方法。
发明内容
本发明要解决的问题是提供一种基于图像识别的玉米叶部病虫害检测模型的构建方法和病虫害检测方法,以快速准确的识别出玉米病虫害的种类。
为解决上述技术问题,本发明采用如下技术方案:
设计一种基于图像识别的玉米叶部病虫害检测模型的构建方法,用于获得玉米叶部的病虫害种类识别模型,定义病虫害标签Y∈{A,B},A<0<B,包括下述步骤,
1)对玉米叶部病变区域进行预处理,以获取玉米叶部的病变区域的学习样本集{(xi,yi)|i=1,2,…,N},其中,xi是第i个样本的输入参数向量,xi由玉米叶部的病变区域面积S、周长P、圆形度O、矩行度R、形状复杂度E参数构成;yi对应于第i个样本的输出结果,yi=A表示是该种病虫害,yi=B表示非该种病虫害;
2)通过SMO算法求解支持向量机SVM模型,得到对偶最优化目标:
公式(1)中,LD是ζ(ω,b,ξ,α,γ)函数,l是松弛变量ξ的数目,αi是拉格朗日乘子,αj是αi的转置,xj为xi的转置,yj为yi的转置,C是分类误差惩罚因子;
根据(1)式求解拉格朗日乘子αi及其最优值分类误差惩罚因子C,令α=(α1.....,α1)T,获得拉格朗日乘子向量α,其中,不为零的αi对应的xi即为分类器的支持向量,根据分类器的支持向量得到最优超平面的参数ω、b及b的最优值b*;
根据公式(2)求解核参数g;
公式(2)中,是αi的最优值,b*是b的最优值,g是核参数,x是待检测点的输入参数向量,xi是支持向量,l是松弛变量ξ的数目。
优选的,通过遗传算法获取分类误差惩罚因子C、公式(2)中的核参数g。
设计一种基于图像识别的玉米叶部病虫害检测方法,包括如下步骤:
①获取待检测试样,对玉米叶部病变区域图像进行预处理,以获取待检测试样的病变区域对应的输入参数向量x;
②将松弛变量ξ的数目l、待检测试样对应的输入参数向量x和步骤2)中获得的αi的最优值b的最优值b*、核参数g、分类器的支持向量xi代入公式(3):
,求解获得yi的值,当yi=A表示是该种病虫害,yi=B表示非该种病虫害。
优选的,在上述步骤1)或步骤①中对玉米叶部病变区域图像预处理包括以下步骤:
a.获取玉米叶部的彩色图像;
b.对步骤a获得的彩色图像进行灰度化、均衡化、去噪处理后,将其分割为二值图像以区分玉米叶部的病变区域和健康区域,在所述二值图像中,玉米叶部的病变区域的边缘轮廓应该是封闭的;
c.从步骤b获得的二值图像中提取出以链码为区域边界的病变区域,通过链码表-线段表转换获得线段表,根据链码表和线段表求出病变区域的二值图像对应的面积S、周长P、圆形度0、矩行度R、形状复杂度E形态参数。
进一步的,在所述步骤b中,采用迭代阈值法对去噪处理后的灰度图像进分割,以获取二值图像。
进一步的,在所述步骤b中,还包括:对所述二值图像进行形态学运算以去除该二值图像中的噪声,填充孔洞,和/或对边缘不连续的部分进行边缘连接。
与现有技术相比,本发明的有益技术效果是:
采用引入松弛变量、分类误差惩罚因子的支持向量机SVM学习玉米叶部病虫害图像,以通过检测设备容易地、大批量地且准确、客观地获取玉米叶部病虫害结果。
附图说明
图1为对玉米叶部灰度图像依次进行均衡化处理、去噪处理所对应的效果图。
图2为对二值图像依次进行迭代阈值算法分割、闭运算、开运算的形态学运算所对应的效果图。
图3为对二值图像依次进行放大、边界链码处理所对应的效果图。
图4为一种遗传算法优化SVM核参数的流程图。
具体实施方式
下面结合附图和实施例来说明本发明的具体实施方式,但以下实施例只是用来详细说明本发明,并不以任何方式限制本发明的范围。
实施例1:一种基于图像识别的玉米叶部病虫害检测模型的构建方法,包括下述步骤:
1)获取玉米叶部的病变区域的学习样本集{(xi,yi)|i=1,2,…,N},其中,xi是第i个样本的输入参数向量,yi是第i个样本的病虫害类别,设病虫害类别标签为{1,-1},其中,xi由玉米叶部的病变区域面积S、周长P、圆形度0、矩行度R、形状复杂度E参数构成,yi是对应的输出类别,其中,yi=1表示是该种病虫害,yi=-1表示非该种病虫害;
其中,获取输入参数向量xi的过程包括以下分步骤,
a.获取玉米叶部的灰度图像,当获取的玉米叶部图像为彩色时,对彩色图像进行灰度化处理以获得玉米叶部的灰度图像,还可以选用黑白相机直接获得灰度图像;
b.对步骤a获得的灰度图像进行均衡化、去噪处理(参见图1)后,采用迭代阈值法将其分割为二值图像以区分玉米叶部的病变区域和健康区域,在所述二值图像中,玉米叶部的病变区域的边缘轮廓应该是封闭的;当所述二值图像中存在噪声、孔洞和/或边缘不连续时,对所述二值图像进行形态学运算以去除该二值图像中的噪声,填充孔洞,和/或对边缘不连续的部分进行边缘连接(参见图2);
c.从步骤b获得的二值图像中提取出以链码为区域边界的病变区域,通过链码表-线段表转换获得线段表,根据链码表和线段表求出病变区域的二值图像对应的面积S、周长P、圆形度O、矩行度R、形状复杂度E形态参数构造输入参数向量xi,i=1,2,3,…,N;其中i的含意为第i个样本;
为了提取病斑边界轮廓,需要知道所有坐标点的位置坐标。把屏幕左上角定义为坐标原点,当X轴由左向右,Y轴由上而下,采用8连通链码时,各邻点与中心点的坐标偏移见表1,算法中设为二维数组inc[8][2]。
表1 中心点与各邻点坐标偏移表
玉米叶片病斑的几何形状,一般都是呈现不规则图形状,即病斑的形状构成一条封闭曲线。定义好偏移表后,提取其中一个病斑图像,采用链码方法得到其边界轮廓,如图3所示。对图3进行处理得到玉米叶部病害的特征参数,见表2。
表2 玉米叶部病害的特征参数
矩形度可以描述病斑接近其最小外接矩形的程度。它反映了病斑对其最小外接矩形的充满程度,对于纤细、弯曲的病斑其矩形度较小。病斑圆形度用来描述病斑接近圆形的程度,在相同面积的条件下,病斑区域光滑并且为圆形,则周长最短,病斑的外形越复杂越偏离圆形,其圆形度越小。病斑的形状复杂性描述了单位面积上图像周长的大小,取值越大表示单位面积上的周长越大,其病斑形状越复杂,反之则越简单;
2)通过SMO算法求解支持向量机SVM模型,具体过程如下:
在支持向量机SVM模型中引入松弛变量ξi≥0,i=1,…,l,获得分类超平面的优化目标:
式(4)中,C是分类误差惩罚因子,ω和b是最优超平面的参数;
用拉格朗日优化方法求解线性约束二次规划问题,即:
s.t.αi≥0,βi≥0 (5)
式(5)中,αi,βi为拉格朗日乘子;
分别对ω,ξ,b求偏导并置零,对原式整理,得到对偶最优化问题
式(6)中,LD是ζ(ω,b,ξ,α,γ)函数,1是松弛变量ξ的数目,αi是拉格朗日乘子,αj是αi的转置,xj为xi的转置,yj为yi的转置,C是分类误差惩罚因子;
根据(6)式求解拉格朗日乘子αi及其最优值分类误差惩罚因子C;令α=(α1.....,α1)T,获得拉格朗日乘子向量α,其中,不为零的αi对应的xi即为分类器的支持向量,根据分类器的支持向量得到最优超平面的参数ω、b及b的最优值b*;
根据下述方程组求解核参数g,
式(7)中,是αi的最优值,b*是b的最优值,g是核参数,x是待检测点的输入参数向量,xi是分类器的支持向量,l是松弛变量ξ的数目。
实施例2:一种基于图像识别的玉米叶部病虫害检测方法,包括如下步骤:
①获取待检测试样,按实施例1中的步骤1)中的方法对玉米叶部病变区域图像预处理,以获取待检测试样的病变区域对应的输入待划新点的输入参数向量x;
②将松弛变量ξ的数目l、待检测试样的输入参数向量x和实施例1中的步骤2)获得的αi的最优值b的最优值b*、核参数g、分类器的支持向量xi代入下述公式:
求解获得yi的值,当yi=1表示是该种病虫害,yi=-1表示非该种病虫害。
采用遗传算法获取最优的SVM模型中RBF核函数参数g和惩罚因子C的方法流程如图4所示,具体如下:
A.对待优化的SVM的RBF核函数的核参数g和C在其约束范围内进行编码,产生初始化种群。
B.计算其误差函数,并根据误差函数确定它的适应度函数值,选取适应度大的个体遗传给下一代。
C.计算适应度是否满足优化准则,若不满足,则对前一代种群执行选择、交叉、变异等操作,产生优化的下一代种群,再考察适应度。
D.以此不断往复,使SVM的核参数不断进化,直至达到最优。
实验时,对每一类病斑分别选取60幅标准病斑图像样本,采用随机样本生成法每类缺陷抽取40个作为训练集,其余样本作为测试集。SVM分类模型惩罚因子C的搜索范围为[0.0001,100];核参数g的搜索范围为[0.0001,100]。群体规模为40,最大进化代数为80,杂交率pc=0.8,变异率pm=0.1。
为了评价该方法的分类性能,以所选特征参量作为模型输入,分别将遗传算法、网格搜索法、粒子群优化算法这三种算法,应用于病害的样本空间对核参数g和C进行优化并建立判别模型。表3为模型对病害样本集的判别结果。
表3 不同优化算法的病害识别结果
从表3中可以看出,利用遗传算法的SVM可以应用于玉米叶部病害的分类,分类性能优,可靠性高,平均正确识别率为91%。经过参数优化的模型性能优于原模型,原模型的准确识别率相对较低,达到85%。结果显示基于遗传算法的SVM识别方法适合玉米基于病斑形状的病害识别。
由上表可知,尽管还存在一定的误差,但大部分病斑都被正确地识别。分析误差的原因在于拍摄图片时不能保证拍摄的角度、光照和距离完全一致,因此不同图像的病斑面积和周长存在可比性差的缺点。
上面结合附图和实施例对本发明作了详细的说明,但是,所属技术领域的技术人员能够理解,在不脱离本发明宗旨的前提下,还可以对上述实施例中的各个具体参数进行变更,形成多个具体的实施例,均为本发明的常见变化范围,在此不再一一详述。
Claims (6)
1.一种基于图像识别的玉米叶部病虫害检测模型的构建方法,定义病虫害标签Y∈{A,B},A<0<B,其特征在于,包括下述步骤:
1)对玉米叶部病变区域图像进行预处理,以获取玉米叶部的病变区域的学习样本集{(xi,yi)|i=1,2,…,N},其中,xi是第i个样本的输入参数向量,xi由玉米叶部的病变区域面积S、周长P、圆形度O、矩行度R、形状复杂度E参数构成;yi对应于第i个样本的病虫害输出结果,yi=A表示是该种病虫害,yi=B表示非该种病虫害;
2)通过SMO算法求解支持向量机SVM模型,得到对偶最优化目标:
公式(1)中,LD是ζ(ω,b,ξ,α,γ)函数,l是松弛变量ξ的数目,αi是拉格朗日乘子,αj是αi的转置,xj为xi的转置,yj为yi的转置,C是分类误差惩罚因子;
根据(1)式求解拉格朗日乘子αi及其最优值分类误差惩罚因子C,令α=(α1.....,α1)T,获得拉格朗日乘子向量α,其中,不为零的αi对应的xi即为分类器的支持向量,根据分类器的支持向量得到最优超平面的参数ω、b及b的最优值b*;
根据公式(2)求解核参数g;
公式(2)中,是αi的最优值,b*是b的最优值,g是核参数,x是待检测点的输入参数向量,xi是分类器的支持向量,1是松弛变量ξ的数目。
2.根据权利要求1所述玉米叶部病虫害检测模型的构建方法,其特征在于,通过遗传算法获取分类误差惩罚因子C、公式(2)中的核参数g。
3.一种基于图像识别的玉米叶部病虫害检测方法,包括如下步骤:
①获取待检测试样,对玉米叶部病变区域图像进行预处理,以获得待检测试样的病变区域对应的输入参数向量x;
②将松弛变量ξ的数目l、待检测试样对应的输入参数向量x和权利要求1中步骤2)得到的αi的最优值b的最优值b*、核参数g、分类器的支持向量xi代入权利要求1中所述的公式(2),求解获得yi的值,当yi=A表示是该种病虫害,yi=B表示非该种病虫害。
4.根据权利要求1或2所述玉米叶部病虫害检测模型的构建方法或权利要求3所述玉米叶部病虫害检测方法,其特征在于,在所述玉米叶部病变区域图像预处理中包括以下步骤:
a.获取玉米叶部的彩色图像;
b.对步骤a获得的彩色图像进行灰度化、均衡化、去噪处理后,将其分割为二值图像以区分玉米叶部的病变区域和健康区域,在所述二值图像中,玉米叶部病变区域的边缘轮廓应该是封闭的;
c.从步骤b获得的二值图像中提取出以链码为区域边界的病变区域,通过链码表-线段表转换获得线段表,根据链码表和线段表求出病变区域的二值图像对应的面积S、周长P、圆形度0、矩行度R、形状复杂度E形态参数。
5.根据权利要求4所述玉米叶部病虫害检测模型构建的方法或病虫害检测方法,其特征在于,在所述步骤b中,采用迭代阈值法对去噪处理后的灰度图像进分割,以获取二值图像。
6.根据权利要求4所述玉米叶部病虫害检测模型构建的方法或病虫害检测方法,其特征在于,在所述步骤b中,还包括:对所述二值图像进行形态学运算以去除该二值图像中的噪声,填充孔洞,和/或对边缘不连续的部分进行边缘连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448021.8A CN108664979A (zh) | 2018-05-10 | 2018-05-10 | 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448021.8A CN108664979A (zh) | 2018-05-10 | 2018-05-10 | 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664979A true CN108664979A (zh) | 2018-10-16 |
Family
ID=63778127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810448021.8A Pending CN108664979A (zh) | 2018-05-10 | 2018-05-10 | 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664979A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105393A (zh) * | 2019-11-25 | 2020-05-05 | 长安大学 | 一种基于深度学习的葡萄病虫害识别方法及装置 |
CN112668404A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种大豆病虫害的有效鉴定方法 |
CN114166849A (zh) * | 2021-11-29 | 2022-03-11 | 广州海谷电子科技有限公司 | 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789000A (zh) * | 2009-12-28 | 2010-07-28 | 青岛朗讯科技通讯设备有限公司 | 搜索引擎中的模式分类方法 |
US20160033536A1 (en) * | 2010-02-10 | 2016-02-04 | Rules-Based Medicine, Inc. | Novel groups of biomarkers for diagnosing alzheimer's disease |
CN107871101A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
-
2018
- 2018-05-10 CN CN201810448021.8A patent/CN108664979A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789000A (zh) * | 2009-12-28 | 2010-07-28 | 青岛朗讯科技通讯设备有限公司 | 搜索引擎中的模式分类方法 |
US20160033536A1 (en) * | 2010-02-10 | 2016-02-04 | Rules-Based Medicine, Inc. | Novel groups of biomarkers for diagnosing alzheimer's disease |
CN107871101A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
ZHU J H ET AL: "Corn Leaf Diseases Diagnostic Techniques based on Image Recognition", 《COMMUNICATIONS AND INFORMATION PROCESSING》 * |
李玲等: "基于纹理特征和支持向量机的ALOS图像土地覆被分类", 《国土资源遥感》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105393A (zh) * | 2019-11-25 | 2020-05-05 | 长安大学 | 一种基于深度学习的葡萄病虫害识别方法及装置 |
CN111105393B (zh) * | 2019-11-25 | 2023-04-18 | 长安大学 | 一种基于深度学习的葡萄病虫害识别方法及装置 |
CN112668404A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种大豆病虫害的有效鉴定方法 |
CN112668404B (zh) * | 2020-12-10 | 2022-08-30 | 哈尔滨师范大学 | 一种大豆病虫害的有效鉴定方法 |
CN114166849A (zh) * | 2021-11-29 | 2022-03-11 | 广州海谷电子科技有限公司 | 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法 |
CN114166849B (zh) * | 2021-11-29 | 2022-12-20 | 广州海谷电子科技有限公司 | 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
Lottes et al. | Effective vision‐based classification for separating sugar beets and weeds for precision farming | |
Liu et al. | A detection method for apple fruits based on color and shape features | |
Wu et al. | Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms | |
Roscher et al. | Automated image analysis framework for high-throughput determination of grapevine berry sizes using conditional random fields | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
Fernandez et al. | Automatic detection of field-grown cucumbers for robotic harvesting | |
CN109154978A (zh) | 用于检测植物疾病的***和方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
CN111553240B (zh) | 一种玉米病害病情分级方法、***和计算机设备 | |
CN105849274A (zh) | 用于显微图像中的单独细胞的分类和识别的方法和*** | |
Xia et al. | In situ detection of small-size insect pests sampled on traps using multifractal analysis | |
Ngugi et al. | A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks | |
CN108664979A (zh) | 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 | |
Niu et al. | Automatic localization of optic disc based on deep learning in fundus images | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
CN116977960A (zh) | 一种基于实例分割的水稻秧苗行检测方法 | |
Kazi et al. | Fruit Grading, Disease Detection, and an Image Processing Strategy | |
Jia et al. | Dough‐Stage Maize (Zea mays L.) Ear Recognition Based on Multiscale Hierarchical Features and Multifeature Fusion | |
Maheshwari et al. | Performance analysis of mango leaf disease using machine learning technique | |
CN112861743A (zh) | 一种掌静脉图像防伪方法、装置和设备 | |
CN107886060A (zh) | 基于视频的行人自动检测与跟踪方法 | |
CN206363347U (zh) | 基于角点检测与匹配的药品识别*** | |
Dantas et al. | A deterministic technique for identifying dicotyledons in images | |
CN113283378B (zh) | 一种基于梯形区域归一化像素差异特征的猪脸检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |