CN109241817B - 一种无人机拍摄的农作物图像识别方法 - Google Patents
一种无人机拍摄的农作物图像识别方法 Download PDFInfo
- Publication number
- CN109241817B CN109241817B CN201810709051.XA CN201810709051A CN109241817B CN 109241817 B CN109241817 B CN 109241817B CN 201810709051 A CN201810709051 A CN 201810709051A CN 109241817 B CN109241817 B CN 109241817B
- Authority
- CN
- China
- Prior art keywords
- crop
- image
- aerial vehicle
- unmanned aerial
- features
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013526 transfer learning Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005096 rolling process Methods 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
- G06V20/188—Vegetation
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种无人机拍摄的农作物图像识别方法。一种无人机拍摄的农作物图像识别方法，其特征在于，包括如下步骤：S1.对无人机拍摄的农作物图像构建属性信息并进行预处理，获得农作物图像数据集；S2.采用迁移学习的思想预训练卷积神经网络模型；S3.用步骤S1得到的农作物图像数据集对步骤S2预训练后的卷积神经网络进行微调，提取卷积神经网络模型不同层的特征进行结合，获得图像特征表示；S4.用SVM分类器对步骤S3中得到的图像特征进行分类，完成农作物图像分类，得出分类结果，最后将无人机拍摄的农作物图像输入到步骤S3中的卷积神经网络模型进行识别。本发明能够在图像数据集有限情况下，利用目标图像已标记的样本辅助目标图像数据进行更有效的识别。
Description
技术领域
本发明涉及图像处理与识别技术领域，更具体地，涉及一种无人机拍摄的农作物图像识别方法。
背景技术
近年来，图像识别技术发展迅速，尤其深度学习使得图像识别的性能得到显著提高。利用深度学习识别由无人机拍摄的农作物图像能有效推动传统农业向现代农业的发展。
然而，深度学习是需要巨大的样本实现模型的训练，无人机拍摄的图像数据有限，较难实现有效的训练；有相关的研究显示学习到的特征与识别的任务是紧密相关的，而传统的卷积神经网络的特征识别算法在精度上很难满足现实场景的需要，特别高层特征属于比较抽象的语义特征，易丢失图像的细节信息。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷，提供一种无人机拍摄的农作物图像识别方法。本发明使用迁移学习解决解决训练样本的不足；改进卷积神经网络层的特征提取，结合不同层的特征和SVM的决策提升图像的识别率；从而达到在图像数据集有限情况下，利用目标图像已标记的样本辅助目标图像数据进行更有效的识别。
为解决上述技术问题，本发明采用的技术方案是：一种无人机拍摄的农作物图像识别方法，其中，包括如下步骤：
S1.对无人机拍摄的农作物图像构建属性信息并进行预处理，以获得农作物图像数据集；
S2.采用迁移学习的思想预训练卷积神经网络模型；
S3.用步骤S1得到的农作物图像数据集对步骤S2预训练后的卷积神经网络模型进行微调，提取卷积神经网络模型不同层的特征进行结合，获得图像特征表示；
S4.用SVM分类器对步骤S3中得到的图像特征进行分类，完成农作物图像分类，得出分类结果，最后将无人机拍摄的农作物图像输入到步骤S3中的卷积神经网络模型进行识别。
进一步的，所述步骤S2中采用的卷积神经网络模型为VGG_16模型。
进一步的，所述步骤S1中，通过无人机拍摄各种农作物的图像，图像在分辨率和宽高比方面各不相同，对无人机拍摄的农作物图像构建属性信息并进行预处理包括如下步骤：
S11.用K-means算法将输入的彩色图像分割成农作物和背景，为了加快程序，在分割之前将图像大小减少30％；
S12.通过处理R、G、B每个通道来增强农作物部分的对比度；
S13.计算目标农作物的质心和长轴，通过旋转目标农作物来使其主轴水平，从而使农作物的方向达到正常；
S14.获取目标农作物区域作为方位标准化其最大面积平方，使用增强彩色农作物的相应正方形区域来提取特征；
S15.填充并调整目标农作物区域图像为224×224像素以适合VGG_16模型的输入层，并对不同种类的农作物图像做好类别标记，为避免图像数据过度拟合，数据集通过给定范围内的多个随机变换进行人为放大。如剪切变换随机应用于0.2弧度范围内的数据集；一些图像随机放大0.8-1.2倍；水平翻转也是随机应用的。
进一步的，所述步骤S2中，利用大型数据集imageNet对卷积神经网络模型VGG_16进行预训练。
进一步的，所述步骤S3中，将步骤S1中预处理后的农作物图像数据集对步骤S2中的卷积神经网络模型VGG_16微调；基于VGG_16的模型中，提取pool2/128x128_s1层的特征作为Middle_level特征，提取pool5/7x7_s1层的特征作为High_level特征；直接提取pool2/128x128_s1层和pool5/7x7_s1层的特征分别得到一个128维的向量和一个512维的向量，然后再各个向量做L2标准化；直接拼接标准化后的两个向量得到一个640维的特征向量，FC6把每张图片的特征从640降低到256维；删除FC7、FC8，SVM替代softmax；再训练时，C1至C5的参数保持不变，使用反向传播和随机梯度下降来更新可调节层。
进一步的，所述步骤S4中，将步骤S3中获取的图像深层特征输入改进的SVM分类器，完成农作物图像分类；最后，将无人机拍摄的农作物图像调整为224×224像素并输入到步骤S3中的卷积神经网络，各类农作物识别的信息通过分类器直接输出进行信息表达。
与现有技术相比，本发明的有益效果：
本发明融合迁移学习和改进特征的卷积神经网络对无人机拍摄的农作物图像进行识别的方法，对训练的样本有限时，利用已有的数据集训练模型参数权重；无人机拍摄下的图像进行特征处理，提高对图像的识别率，从而达到有效识别出目标农作物。
本发明在无人机拍摄的目标图像不足情况下，利用迁移学习有效解决了图像数据集少造成的过拟合。
本发明结合无人机拍摄图像的图像大小、训练速度与计算资源的消耗，对输入图像进行预处理，解决无人机拍摄限制问题，使得特征提取更准确。
本发明充分发挥卷积神经网络的深度学习算法对图像特征的自动学习，采用不同层的特征进行融合，并用分类器分类，避免了人工选取的局限性，提高图像的识别率。
本发明将深度学习与农业相结合、农业与无人机结合、深度学习与无人机结合，促进传统农业向现代农业的发展，提高研究价值。
附图说明
图1是本发明的原理流程图。
图2是本发明卷积神经网络改进后的模型架构图。
图3是本发明提取输入特征的表示图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
如图1所示，一种无人机拍摄的农作物图像识别方法，其中，包括如下步骤：
S1.对无人机拍摄的农作物图像进行标记，构建属性信息并进行预处理，以获得农作物图像数据集；
S2.采用迁移学习的思想预训练卷积神经网络模型；
S3.用步骤S1得到的农作物图像数据集对步骤S2预训练后的卷积神经网络模型进行微调，提取卷积神经网络模型不同层的特征进行结合，获得图像特征表示；
S4.用SVM分类器对步骤S3中得到的图像特征进行分类，完成农作物图像分类，得出分类结果，最后将无人机拍摄的农作物图像输入到步骤S3中的卷积神经网络模型进行识别。
本实施例中，所述步骤S2中采用的卷积神经网络模型为VGG_16模型。
本实施例中，，所述步骤S1中，通过无人机拍摄各种农作物的图像，图像在分辨率和宽高比方面各不相同，对无人机拍摄的农作物图像构建属性信息并进行预处理包括如下步骤：
S11.用K-means算法将输入的彩色图像分割成农作物和背景，为了加快程序，在分割之前将图像大小减少30％；
S12.通过处理R、G、B每个通道来增强农作物部分的对比度；
S13.计算目标农作物的质心和长轴，通过旋转目标农作物来使其主轴水平，从而使农作物的方向达到正常；
S14.获取目标农作物区域作为方位标准化其最大面积平方，使用增强彩色农作物的相应正方形区域来提取特征；
S15.填充并调整目标农作物区域图像为224×224像素以适合VGG_16模型的输入层，并对不同种类的农作物图像做好类别标记，为避免图像数据过度拟合，数据集通过给定范围内的多个随机变换进行人为放大。如剪切变换随机应用于0.2弧度范围内的数据集；一些图像随机放大0.8-1.2倍；水平翻转也是随机应用的。
本实施例中，所述步骤S2中，利用大型数据集imageNet对卷积神经网络模型VGG_16进行预训练。用大型数据集训练VGG_16是应用了迁移学习的思想：一个域D由一个特征空间x和特征空间上的边际概率分布P(X)组成，即D＝{x,P(X)}，其中X＝x1,x2,…,xn∈x。对于给定的一个域，一个学习任务，由两部分组成，即标签和目标预测函数f(·)，T＝{Y,f(·)}。
给定一个源域Ds，和一个学习任务Ts，一个目标域Dt和一个目标学习任务Tt。迁移学习主要是利用Ds和Ts中的知识，来提高目标预测函数f(·)在Dt中的性能，其中Ds≠Ts或Dt≠Tt。利用ImageNet进行网络的预训练主要是该数据集包含1000类的自然场景图像，图像总量大于100万，与识别目标农作物图像具有相似性，利用它进行大规模网络训练是非常合适的。
原VGG_16中的网络含有参数的有16个层，都是几个卷积层后面跟一个可以压缩图像大小的池化层：
卷积层：CONV＝3×3filters，s＝1，padding＝sameconvolution。
池化层：MAX_Pool＝2×2，s＝2。
其中包含13个卷积层，3个全连接层，5个池化层与Softmax层，前面几层是卷积层的堆叠，后面几层是全连接层，最后是Softmax层，每个隐层的激活单元都是ReLU，每个Batch的图像数量设置为64，学习率从0.01～0.00001，共进行40轮训练。
本实施例中，所述步骤S3中，将步骤S1中预处理后的农作物图像数据集对步骤S2中的卷积神经网络模型VGG_16微调；包含的农作物图像有256类，每类大概50～100张图像。学习率保持在0.00001，共进行20轮训练。
图1中，改进的VGG_16模型是通过提取模型中的特征进行相结合，删除两个全连接层并替换上SVM分类器所形成的新模型。基于原VGG_16的模型，结合图2，提取pool2/128x128_s1层的特征作为Middle_level特征，提取pool5/7x7_s1层的特征作为High_level特征。直接提取pool2/128x128_s1层和pool5/7x7_s1层的特征分别得到一个128维的向量和一个512维的向量，然后再各个向量做L2标准化。直接拼接标准化后的两个向量得到一个640维的特征向量，FC6把每张图片的特征从640降低到256维。删除FC7、FC8，SVM替代softmax。再训练时，C1至C5的参数保持不变，使用反向传播和随机梯度下降来更新可调节层。
图1中，特征提取是网路模型改进后的低层特征与高层特征的结合，结合图3，提取pool2/128x128_s1层的特征作为Middle_level特征，提取pool5/7x7_s1层的特征作为High_level特征。直接提取pool2/128x128_s1层和pool5/7x7_s1层的特征分别得到一个128维的向量和一个512维的向量，然后再各个向量做L2标准化。直接拼接标准化后的两个向量得到一个640维的特征向量，FC6把每张图片的特征从640降低到256维。
进一步的，所述步骤S4中，将步骤S3中获取的图像深层特征输入改进的SVM分类器，完成农作物图像分类；最后，将待识别的无人机拍摄的农作物图像调整为224×224像素并输入到步骤S3中的卷积神经网络，各类农作物识别的信息通过分类器直接输出进行信息表达。
SVM分类器的利用是为了更好得到分类结果而改进Softmax分类器，目标函数的惩罚系数C默认为1.0，在高维空间中最优分类函数为：
其中：ai≥0是拉格朗日因子，b是阈值。
为了优化拟合问题，选用径向量核函数为：
其中σ为可调参数，i＝1,2,…,n。
显然，本发明的上述实施例仅仅是为了清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种无人机拍摄的农作物图像识别方法，其特征在于，包括如下步骤：
S1.对无人机拍摄的农作物图像构建属性信息并进行预处理，以获得农作物图像数据集；
S2.采用迁移学习的思想预训练卷积神经网络模型；
S3.用步骤S1得到的农作物图像数据集对步骤S2预训练后的卷积神经网络模型进行微调，提取卷积神经网络模型不同层的特征进行结合，获得图像特征表示；
S4.用SVM分类器对步骤S3中得到的图像特征进行分类，完成农作物图像分类，得出分类结果，最后将无人机拍摄的农作物图像输入到步骤S3中的卷积神经网络模型进行识别；
所述步骤S2中采用的卷积神经网络模型为VGG_16模型；
所述步骤S1中，对无人机拍摄的农作物图像构建属性信息并进行预处理包括如下步骤：
S11.用K-means算法将输入的彩色图像分割成农作物和背景，为了加快程序，在分割之前将图像大小减少30％；
S12.通过处理R、G、B每个通道来增强农作物部分的对比度；
S13.计算目标农作物的质心和长轴，通过旋转目标农作物来使其主轴水平，从而使农作物的方向达到正常；
S14.获取目标农作物区域作为方位标准化其最大面积平方，使用增强彩色农作物的相应正方形区域来提取特征；
S15.填充并调整目标农作物区域图像为224×224像素以适合VGG_16模型的输入层，并对不同种类的农作物图像做好类别标记，为避免图像数据过度拟合，数据集通过给定范围内的多个随机变换进行人为放大。
2.根据权利要求1所述的一种无人机拍摄的农作物图像识别方法，其特征在于，所述步骤S2中，利用大型数据集imageNet对卷积神经网络模型VGG_16进行预训练。
3.根据权利要求1所述的一种无人机拍摄的农作物图像识别方法，其特征在于，所述步骤S3中，将步骤S1中预处理后的农作物图像数据集对步骤S2中的卷积神经网络模型VGG_16微调；基于VGG_16的模型中，提取pool2/128x128_s1层的特征作为Middle_level特征，提取pool5/7x7_s1层的特征作为High_level特征；直接提取pool2/128x128_s1层和pool5/7x7_s1层的特征分别得到一个128维的向量和一个512维的向量，然后再各个向量做L2标准化；直接拼接标准化后的两个向量得到一个640维的特征向量，FC6把每张图片的特征从640降低到256维；删除FC7、FC8，SVM替代softmax；再训练时，C1至C5的参数保持不变，使用反向传播和随机梯度下降来更新可调节层。
4.根据权利要求1所述的一种无人机拍摄的农作物图像识别方法，其特征在于，所述步骤S4中，将步骤S3中获取的图像深层特征输入改进的SVM分类器，完成农作物图像分类；最后，将待识别的无人机拍摄的农作物图像调整为224×224像素并输入到步骤S3中的卷积神经网络，各类农作物识别的信息通过分类器直接输出进行信息表达。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810709051.XA CN109241817B (zh) | 2018-07-02 | 2018-07-02 | 一种无人机拍摄的农作物图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810709051.XA CN109241817B (zh) | 2018-07-02 | 2018-07-02 | 一种无人机拍摄的农作物图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109241817A CN109241817A (zh) | 2019-01-18 |
| CN109241817B true CN109241817B (zh) | 2022-02-22 |
Family
ID=65072366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810709051.XA Expired - Fee Related CN109241817B (zh) | 2018-07-02 | 2018-07-02 | 一种无人机拍摄的农作物图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109241817B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977802A (zh) * | 2019-03-08 | 2019-07-05 | 武汉大学 | 强噪音背景下作物分类识别方法 |
| CN109871833B (zh) * | 2019-03-19 | 2023-04-18 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 |
| CN110008900B (zh) * | 2019-04-02 | 2023-12-12 | 北京市遥感信息研究所 | 一种由区域到目标的可见光遥感图像候选目标提取方法 |
| CN110008899B (zh) * | 2019-04-02 | 2021-02-26 | 北京市遥感信息研究所 | 一种可见光遥感图像候选目标提取与分类方法 |
| CN110020635A (zh) * | 2019-04-15 | 2019-07-16 | 中国农业科学院农业资源与农业区划研究所 | 基于无人机影像与卫星影像的种植区农作物精细分类方法和*** |
| CN110969182A (zh) * | 2019-05-17 | 2020-04-07 | 丰疆智能科技股份有限公司 | 基于农田图像的卷积神经网络构建方法及其*** |
| CN110210355B (zh) * | 2019-05-24 | 2021-11-26 | 华南农业大学 | 稻田杂草种类识别方法及***、目标位置检测方法及*** |
| CN110209863B (zh) * | 2019-06-03 | 2021-01-01 | 上海蜜度信息技术有限公司 | 用于相似图片检索的方法与设备 |
| CN110298388A (zh) * | 2019-06-10 | 2019-10-01 | 天津大学 | 基于改进vgg19网络的玉米5种旱情识别方法 |
| CN111027635B (zh) * | 2019-12-12 | 2023-10-31 | 深圳前海微众银行股份有限公司 | 图像处理模型的构建方法、装置、终端及可读存储介质 |
| CN111257507B (zh) * | 2020-01-16 | 2023-06-27 | 清华大学合肥公共安全研究院 | 一种基于无人机的气体浓度检测及事故预警*** |
| CN111798470B (zh) * | 2020-07-20 | 2024-06-18 | 成都快乐猴科技有限公司 | 一种应用于智能农业的农作物图像实体分割方法及*** |
| CN112910813B (zh) * | 2021-04-10 | 2022-09-06 | 青岛科技大学 | 基于lda-knn的水声信号自动调制识别方法 |
| CN113553897A (zh) * | 2021-05-31 | 2021-10-26 | 南通大学 | 一种基于无人机和YOLOv3模型的农作物识别方法 |
| CN114926753B (zh) * | 2022-06-16 | 2023-10-13 | 无锡慧眼人工智能科技有限公司 | 一种海量图像条件下的快速目标场景信息提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488528A (zh) * | 2015-11-26 | 2016-04-13 | 北京工业大学 | 基于改进自适应遗传算法的神经网络图像分类方法 |
| CN105913604A (zh) * | 2016-05-18 | 2016-08-31 | 中国计量大学 | 基于无人机的火灾发生测定方法及其装置 |
| WO2017165801A1 (en) * | 2016-03-24 | 2017-09-28 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
| CN107463960A (zh) * | 2017-08-07 | 2017-12-12 | 石林星 | 一种图像识别方法及装置 |
| CN107909600A (zh) * | 2017-11-04 | 2018-04-13 | 南京奇蛙智能科技有限公司 | 一种基于视觉的无人机实时运动目标分类与检测方法 |
-
2018
- 2018-07-02 CN CN201810709051.XA patent/CN109241817B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488528A (zh) * | 2015-11-26 | 2016-04-13 | 北京工业大学 | 基于改进自适应遗传算法的神经网络图像分类方法 |
| WO2017165801A1 (en) * | 2016-03-24 | 2017-09-28 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
| CN105913604A (zh) * | 2016-05-18 | 2016-08-31 | 中国计量大学 | 基于无人机的火灾发生测定方法及其装置 |
| CN107463960A (zh) * | 2017-08-07 | 2017-12-12 | 石林星 | 一种图像识别方法及装置 |
| CN107909600A (zh) * | 2017-11-04 | 2018-04-13 | 南京奇蛙智能科技有限公司 | 一种基于视觉的无人机实时运动目标分类与检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于可拓神经网络的农作物叶部病害图像识别;张飞云;《电子世界》;20171231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109241817A (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241817B (zh) | 一种无人机拍摄的农作物图像识别方法 | |
| CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
| Lee et al. | Going deeper with contextual CNN for hyperspectral image classification | |
| Gandhi et al. | Plant disease detection using CNNs and GANs as an augmentative approach | |
| US20200372648A1 (en) | Image processing method and device, computer apparatus, and storage medium | |
| CN110414377B (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
| CN110909820B (zh) | 基于自监督学习的图像分类方法及*** | |
| Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
| CN109886161B (zh) | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 | |
| Xu et al. | Learning-based shadow recognition and removal from monochromatic natural images | |
| Eigen et al. | Nonparametric image parsing using adaptive neighbor sets | |
| CN110321967B (zh) | 基于卷积神经网络的图像分类改进方法 | |
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| Xiao et al. | A fast method for particle picking in cryo-electron micrographs based on fast R-CNN | |
| CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
| CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
| CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
| CN108416270B (zh) | 一种基于多属性联合特征的交通标志识别方法 | |
| CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
| CN113177612B (zh) | 一种基于cnn少样本的农业病虫害图像识别方法 | |
| CN105956631A (zh) | 一种面向电子图库的在线渐进式图像分类方法 | |
| CN111680705A (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
| CN115063832A (zh) | 一种基于全局与局部特征的对抗学习跨模态行人重识别方法 | |
| CN112395953A (zh) | 一种道面异物检测*** | |
| CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220222 |