CN108764199A - 入侵植物薇甘菊的自动识别方法及*** - Google Patents
入侵植物薇甘菊的自动识别方法及*** Download PDFInfo
- Publication number
- CN108764199A CN108764199A CN201810572277.XA CN201810572277A CN108764199A CN 108764199 A CN108764199 A CN 108764199A CN 201810572277 A CN201810572277 A CN 201810572277A CN 108764199 A CN108764199 A CN 108764199A
- Authority
- CN
- China
- Prior art keywords
- training
- convolutional neural
- neural networks
- instruction plant
- mikania micrantha
- 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
- 241001440840 Mikania micrantha Species 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 56
- 241000196324 Embryophyta Species 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 241001464837 Viridiplantae Species 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000003449 preventive effect Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 48
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V20/188—Vegetation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于外来入侵植物智能防控技术领域,具体涉及入侵植物薇甘菊的自动识别方法及***。本发明通过构建深度卷积神经网络,用野外目标入侵植物训练和测试该深度卷积神经网络后,对带识别的野外入侵植物进行识别,具有识别的速度快、准确率高,抗复杂环境干扰的能力强的特点。
Description
技术领域
本发明属于图像智能识别技术领域,具体涉及入侵植物薇甘菊的自动识别方法及***。
背景技术
野外入侵植物严重破坏森林和农田的生态环境,造成巨大的经济损失。利用数字图像自动识别技术对野外入侵植物实时精准检测,进而防范其进一步扩散,保护生物多样性具有重要意义。
由于很多如薇甘菊的野外入侵植物与附主植物可见光下颜色及其相似,视觉辨识度低,而且野外环境复杂多变,加上未知背景因素的干扰,一般图像识别方法很难实现对野外入侵植物实时精准识别。目前对野外入侵植物的自动识别的研究很少,主要基于高空或卫星遥感图像对大规模的野外入侵植物进行有效识别,但对于中小规模的野外入侵植物往往作为误差点忽略,整体识别准确率有限。因此,随着如薇甘菊的入侵植物危害的严重性日益增加和入侵植物自动识别技术的缺陷,迫切需要开发一种高精度的识别方法快速准确识别野外目标入侵植物。
发明内容
为了解决现有技术中存在的对入侵植物薇甘菊缺少高精度、快速识别方法的问题,本发明提供一种入侵植物薇甘菊的自动识别方法及***,其具有精度高、识别速度快的特点。
本发明的目的是提供一种薇甘菊的自动识别方法。
本发明的再一目的是提供一种薇甘菊的自动识别***。
根据本发明的具体实施方式的入侵植物薇甘菊自动识别方法,其包括以下步骤:
构建深度卷积神经网络,所述深度卷积神经网络结构包括输入层、中间层、全连接层、分类器和输出层;
用训练集的野外目标入侵植物的彩色高清图像训练深度卷积神经网络,生成用于识别的深度卷积神经网络;
用测试集的野外目标入侵植物的彩色高清图像验证训练生成的深度卷积神经网络的准确率;当准确率小于预设阈值时,调整深度卷积神经网络结构的中间层和训练参数,重新测试深度卷积神经网络的准确率,重复此步骤直至准确率大于等于预设阈值,完成训练;
用完成训练的深度卷积神经网络对待识别的野外目标入侵植物的彩色高清图像进行种类识别,标注识别结果并拼接。
根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法,将野外目标植物的彩色高清图像、待识别的野外目标入侵植物的彩色高清图像分别裁剪成多个正方形的输入单元。
根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法,训练参数的设置为学习率衰减因子为0.1~1,学习率衰减周期为10~100,初始学习率为0.0001~0.1,训练循环最高次数为10~1000,随机抽取的样本数为10~200,其中优选的参数设置为,学习率衰减因子为0.8,学习率衰减周期为100,初始学习率为0.0005,训练循环最高次数为50,随机抽取的样本数为100。
根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法,预设阈值设定范围为90%~100%,其中优选的预定阈值为90%。
根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法,训练集和测试集的数量比为4:1。
根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法,全连接层的分类数是3,每个分类数分别对应入侵目标植物、绿色植物背景和除绿色植物外的背景;或者,全连接层的分类数也可以是2,分别对应入侵植物薇甘菊目标和除目标外的所有背景。
根据本发明具体实施方式的入侵植物薇甘菊的自动识别***,所述***包括,
模型模块,用于构建深度卷积神经网络;
训练模块,用于训练生成用于识别的深度卷积神经网络,并验证训练生成的深度卷积神经网络的准确度;若训练生成的深度卷积神经网络的识别准确率大于等于预设阈值,则训练结束,若训练生成的深度卷积神经网络的识别准确率小于预设阈值,则提醒用户调整所述深度卷积神经网络结构中间层和所述训练参数,重新训练深度卷积神经网络;
识别模块,用于对待识别的野外入侵植物的彩色高清图像进行种类识别,标注识别结果并拼接。
根据本发明具体实施方式的入侵植物薇甘菊的自动识别***,所述***还包括图像获取模块,用于获取待识别的野外目标入侵植物的彩色高清图像。
根据本发明具体实施方式的入侵植物薇甘菊的自动识别***,所述***还包括数据模块,用于将野外目标入侵植物的彩色高清图像分成训练集和测试集,并将彩色高清图像裁剪成多个正方形的输入单元。
本发明的有益效果:
1、训练好的深度卷积神经网络对目标入侵植物识别速度快、准确率高,抗复杂环境干扰的能力强;
2、深度卷积神经网络的训练过程简单,只需调整所述中间层和所述训练参数;
3、目标自动识别效率高,可对海量入侵植物的低空彩色高清图像进行识别。
附图说明
图1是本发明的入侵植物薇甘菊自动识别方法的流程示意图;
图2是本发明的入侵植物薇甘菊自动识别***结构示意图;
图3是本发明的一种深度卷积神经网络结构示意图。
具体实施方式
下面结合附图对本发明做进一步的描述。
实施例1
如图1所示,本发明的入侵植物薇甘菊的自动识别方法的流程示意图,所述入侵植物自动识别方法包括以下步骤:
S01,构建所述深度卷积神经网络:
本发明的构建的深度卷积神经网络结构,包括输入层、中间层、全连接层、分类器和输出层。
中间层结构可以参考AlexNet、GoogLeNet和ResNet等深度卷积神经网络的中间层结构,也可以以卷积层后紧跟激活函数再紧跟池化层的基本结构构建中间层,激活函数可以为对二分类较好的sigmoid函数,可以为训练过程中不断扩大特征效果的tanh函数,也可以为解决训练过程中梯度消失问题较好的ReLU函数。
其中,全连接层的分类数是3,分别对应入侵植物薇甘菊目标、绿色植物背景和除绿色植物外的背景;全连接层的分类数也可以是2,分别对应入侵植物薇甘菊目标和除目标外的所有背景。分类器可采用多分类较好的softmax,也可采用二分类较好的SVM。
输出层输出图片结果并拼接。
如图3所示,深度卷积神经网络结构为:
输入层:data,输入是尺寸224×224的RGB3通道图像;
第二层:卷积层convolution2dLayer,滤波函数尺寸7×7,步长2,无填充;
第三层:激活函数reluLayer;
第四层:池化层maxPooling2dLayer,滤波函数尺寸3×3,步长2,无填充;
第五层:规则化层Response-nomalization Layer;
第六层:池化层maxPooling2dLayer,滤波函数尺寸3×3,步长2,无填充;
第七层至第二十层:GoogLeNet的inception v1结构;
第二十一层至第三十四层:GoogLeNet的inception v1结构;
第三十五层:池化层maxPooling2dLayer,滤波函数尺寸3×3,步长2,无填充;
第三十六层至第四十九层:GoogLeNet的inception v1结构;
第五十层:池化层maxPooling2dLayer,函数尺寸3×3,步长2;
第五十一层:池化层maxPooling2dLayer,函数尺寸7×7,步长1;
第五十二层:全连接层,3通道;
第五十三层:分类层softmaxLayer;
输出层:classificationLayer。
使用7×7的大滤波器可以使本算法对区域目标更敏感,由于薇甘菊一般成片,基于区域特征更能准确识别薇甘菊目标。使用GoogLeNet的inception结构能加快计算速度。
S02,将一定量的不同时期不同环境下野外入侵植物薇甘菊彩色高清图像按一定比例分为训练集和测试集,将所述训练集和测试集图像按固定尺寸裁剪成正方形小块的输入单元,该尺寸一般能被2整除,常用尺寸32,64,96,128,224,384和512等,且深度卷积神经网络的层数越多,选择的固定裁剪尺寸越大,并按入侵植物薇甘菊目标、绿色植物背景和除绿色植物外的背景对所有正方形小块标注。
本发明中使用的不同时期不同环境下野外入侵植物薇甘菊彩色高清图像,可以是无人机低空飞行采集到的野外入侵植物薇甘菊彩色高清图像,高清图像的数量为10万张,或者更多。
对于采集的野外入侵植物薇甘菊彩色高清图像,可以将80%的图片作为训练集,剩下20%的图片作为测试集。
S03,将所述训练集的正方形小块输入所述深度卷积神经网络,设置训练参数,以训练生成用于识别的深度卷积神经网络,将测试集的正方形小块输入训练生成的深度卷积神经网络,验证训练生成的深度卷积神经网络的准确率;
上述设置训练参数一般包括:学习率衰减因子为0.8,学习率衰减周期为100,初始学习率为0.0005,训练循环最高次数为50,随机抽取的样本数为100;步骤S03中所述预设阈值为90%。
S04,判断所述准确率与预设阈值大小;
S05,若所述准确率大于等于预设阈值,则训练结束;
S06,若所述准确率小于预设阈值,则调整所述深度卷积神经网络结构中间层和所述训练参数,重复S04-S06步骤;具体的调整方法是增减卷积层、激活函数reluLayer、池化层maxPooling2dLayer,调整卷积层滤波函数尺寸、池化层尺寸和步长,增减训练参数大小。
S07,将待识别的野外入侵植物薇甘菊彩色高清图像按所述固定尺寸裁剪成正方形小块,采用所述预先训练生成的深度卷积神经网络对所述正方形小块进行种类识别,标注识别结果并拼接。
本发明的入侵植物自动识别方法,其中,待识别的野外入侵植物薇甘菊彩色高清图像,可以是任意时间、天气、地点、地形用无人机低空飞行采集获得的。
野外入侵植物薇甘菊彩色高清图像按224*224像素尺寸裁剪成154个正方形小块,输入到预先训练生成的深度卷积神经网络,输出识别结果并拼接,经人工验证,识别准确率约为91.56%,被错误识别的正方形小块放大展示。
本发明的入侵植物自动识别方法,其中,所述输入图像尺寸可根据所述构建的深度卷积神经网络结构选择,一般能被2整除,常用尺寸32,64,96,128,224,384和512等,且深度卷积神经网络的层数越多,选择的固定裁剪尺寸越大。
实施例2
如图2所示,图2为本发明的入侵植物薇甘菊的自动识别***的结构示意图,所述识别***包括:
模型模块102,用于构建所述深度卷积神经网络,所述深度卷积神经网络结构包括输入层、中间层、全连接层、分类器和输出层。
全连接层的分类数是3,分别对应入侵植物薇甘菊目标、绿色植物背景和除绿色植物外的背景;或者,全连接层的分类数是2,分别对应入侵植物薇甘菊目标和除目标外的所有背景。
数据模块103,用于将一定量的不同时期不同环境下野外入侵植物薇甘菊彩色高清图像按一定比例分为训练集和测试集,将所述训练集和测试集图像按所述固定尺寸裁剪成正方形小块,并按入侵植物薇甘菊目标、绿色植物背景和除绿色植物外的背景对所有正方形小块标注。
训练模块104,用于将所述训练集的正方形小块输入所述深度卷积神经网络,设置训练参数,以训练生成用于识别的深度卷积神经网络,将测试集的正方形小块输入训练生成的深度卷积神经网络,已验证训练生成的深度卷积神经网络的准确率,若训练生成的深度卷积神经网络的识别准确率大于等于预设阈值,则训练结束,若训练生成的深度卷积神经网络的识别准确率小于预设阈值,则提醒用户调整所述深度卷积神经网络结构中间层和所述训练参数,重新训练深度卷积神经网络。
识别模块101,用于将待识别的野外入侵植物薇甘菊彩色高清图像按固定尺寸裁剪成正方形小块,采用所述预先训练生成的深度卷积神经网络对所述正方形小块进行种类识别,标注识别结果并拼接。
裁剪成正方形小块一般能被2整除,常用尺寸32,64,96,128,224,384和512等,且深度卷积神经网络的层数越多,选择的固定裁剪尺寸越大。
Claims (10)
1.入侵植物薇甘菊自动识别方法,其特征在于,包括以下步骤:
构建深度卷积神经网络,所述深度卷积神经网络包括输入层、中间层、全连接层、分类器和输出层;
将野外目标植物薇甘菊的彩色高清图像分成训练集和测试集;用训练集的彩色高清图像训练所述深度卷积神经网络,生成用于识别的深度卷积神经网络;
用测试集的野外目标入侵植物薇甘菊的彩色高清图像验证训练生成的深度卷积神经网络的准确率;
当准确率小于预设阈值时,调整深度卷积神经网络结构的中间层和训练参数,再重新测试准确率,重复此步骤直至准确率大于等于预设阈值,完成训练;
用训练完成的深度卷积神经网络对输入的待识别的野外目标入侵植物的彩色高清图像进行种类识别,标注识别结果并拼接。
2.根据权利要求1所述的入侵植物薇甘菊的自动识别方法,其特征在于,在训练集训练所述深度卷积神经网络的步骤中,将野外目标植物薇甘菊的彩色高清图像裁剪成多个正方形的输入单元。
3.根据权利要求2所述的入侵植物薇甘菊的自动识别方法,其特征在于,在测试集测试所述深度卷积神经网络步骤中,将待识别的野外目标入侵植物的彩色高清图像裁剪成多个正方形的输入单元。
4.根据权利要求1所述的入侵植物薇甘菊的自动识别方法,其特征在于,在构建深度卷积神经网络步骤中,设置全连接层的分类数为3,每个分类数分别对应入侵目标植物、绿色植物背景和除绿色植物外的背景。
5.根据权利要求1所述的入侵植物薇甘菊的自动识别方法,其特征在于,设置训练参数为学习率衰减因子为0.8,学习率衰减周期为100,初始学习率为0.0005,训练循环最高次数为50,随机抽取的样本数为100。
6.根据权利要求1所述的入侵植物薇甘菊的自动识别方法,其特征在于,所述预设阈值为90%。
7.根据权利要求1所述的入侵植物薇甘菊的自动识别方法,其特征在于,训练集和测试集的数量比为4:1。
8.一种入侵植物薇甘菊的自动识别***,其特征在于,所述***包括,
模型模块,用于构建深度卷积神经网络;
训练模块,用于训练生成用于识别的深度卷积神经网络,并验证训练生成的深度卷积神经网络的准确度,若训练生成的深度卷积神经网络的识别准确率大于等于预设阈值,则训练结束,若训练生成的深度卷积神经网络的识别准确率小于预设阈值,则提醒用户调整所述深度卷积神经网络结构中间层和所述训练参数,重新训练深度卷积神经网络;
识别模块,用于对待识别的野外入侵植物的彩色高清图像进行种类识别,标注识别结果并拼接。
9.根据权利要求8所述的入侵植物薇甘菊的自动识别***,其特征在于,所述***还包括图像获取模块,用于获取待识别的野外目标入侵植物的彩色高清图像。
10.根据权利要求8所述的入侵植物薇甘菊的自动识别***,其特征在于,所述***还包括数据模块,用于将野外目标入侵植物的彩色高清图像分成训练集和测试集,并将彩色高清图像裁剪成多个正方形的输入单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810572277.XA CN108764199B (zh) | 2018-06-06 | 2018-06-06 | 入侵植物薇甘菊的自动识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810572277.XA CN108764199B (zh) | 2018-06-06 | 2018-06-06 | 入侵植物薇甘菊的自动识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764199A true CN108764199A (zh) | 2018-11-06 |
CN108764199B CN108764199B (zh) | 2022-03-25 |
Family
ID=63999128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810572277.XA Active CN108764199B (zh) | 2018-06-06 | 2018-06-06 | 入侵植物薇甘菊的自动识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764199B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188735A (zh) * | 2019-06-10 | 2019-08-30 | 中国农业科学院深圳农业基因组研究所 | 一种基于高光谱的入侵植物识别方法 |
CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
CN111339953A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于聚类分析的薇甘菊监测方法 |
CN112016484A (zh) * | 2020-08-31 | 2020-12-01 | 深圳市赛为智能股份有限公司 | 植物侵扰评估方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392130A (zh) * | 2017-07-13 | 2017-11-24 | 西安电子科技大学 | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 |
WO2018075674A1 (en) * | 2016-10-22 | 2018-04-26 | Burden Keith Charles | Automated pruning or harvesting system for complex morphology foliage |
-
2018
- 2018-06-06 CN CN201810572277.XA patent/CN108764199B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018075674A1 (en) * | 2016-10-22 | 2018-04-26 | Burden Keith Charles | Automated pruning or harvesting system for complex morphology foliage |
CN107392130A (zh) * | 2017-07-13 | 2017-11-24 | 西安电子科技大学 | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 |
Non-Patent Citations (2)
Title |
---|
万华伟: "《基于高光谱遥感数据的入侵植物监测》", 《农业工程学报》 * |
刘笃晋: "《面向植被识别的无人机图像处理关键技术研究》", 《中国博士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188735A (zh) * | 2019-06-10 | 2019-08-30 | 中国农业科学院深圳农业基因组研究所 | 一种基于高光谱的入侵植物识别方法 |
CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
CN111339953A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于聚类分析的薇甘菊监测方法 |
CN112016484A (zh) * | 2020-08-31 | 2020-12-01 | 深圳市赛为智能股份有限公司 | 植物侵扰评估方法、装置、计算机设备及存储介质 |
CN112016484B (zh) * | 2020-08-31 | 2024-04-05 | 深圳市赛为智能股份有限公司 | 植物侵扰评估方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108764199B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764199A (zh) | 入侵植物薇甘菊的自动识别方法及*** | |
CN110378909B (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
CN106326937B (zh) | 基于卷积神经网络的人群密度分布估计方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN107871119A (zh) | 一种基于目标空间知识和两阶段预测学习的目标检测方法 | |
CN107657603A (zh) | 一种基于智能视觉的工业外观检测方法 | |
CN106599773A (zh) | 用于智能驾驶的深度学习图像识别方法、***及终端设备 | |
CN102524024B (zh) | 基于计算机视觉的作物灌溉*** | |
CN107316066A (zh) | 基于多通路卷积神经网络的图像分类方法及*** | |
CN107301387A (zh) | 一种基于深度学习的图像高密度人群计数方法 | |
CN109800736A (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN108875620B (zh) | 入侵植物的监测方法及*** | |
CN109815914A (zh) | 一种基于植被区域识别的卷积神经网络模型训练方法及*** | |
CN110443969A (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
CN103839078B (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN106127702A (zh) | 一种基于深度学习的图像去雾算法 | |
CN109740676A (zh) | 基于相似目标的物体检测迁移方法 | |
CN108830285A (zh) | 一种基于Faster-RCNN的加强学习的目标检测方法 | |
CN107330453A (zh) | 基于分步识别和融合关键部位检测的色情图像识别方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN107918776A (zh) | 一种基于机器视觉的用地规划方法、***及电子设备 | |
CN106997475A (zh) | 一种基于并行卷积神经网络的害虫图像识别方法 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN110674735A (zh) | 基于精细分类的农业设施遥感提取方法和装置 | |
CN109376676A (zh) | 基于无人机平台的公路工程现场施工人员安全预警方法 |
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 |