CN109948563A - 一种基于深度学习的松材线虫病枯死树检测定位方法 - Google Patents
一种基于深度学习的松材线虫病枯死树检测定位方法 Download PDFInfo
- Publication number
- CN109948563A CN109948563A CN201910229945.3A CN201910229945A CN109948563A CN 109948563 A CN109948563 A CN 109948563A CN 201910229945 A CN201910229945 A CN 201910229945A CN 109948563 A CN109948563 A CN 109948563A
- Authority
- CN
- China
- Prior art keywords
- tree
- pine
- withered
- image
- deep learning
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的松材线虫病枯死树检测定位方法，包括以下步骤：(1)采集样本图像，预处理样本图像，并对松树进行标注，得到训练样本；(2)运用深度学习框架和卷积神经网络对松材线虫病枯死树训练样本进行训练，得到检测模型；(3)无人机对目标区域进行高空定点拍摄，采集图像和位置信息；(4)将采集后的图像传输到检测模型中，检测模型对采集后的图像进行枯死树识别，并输出检测完成后的检测图像，根据枯死树在图像中坐标位置，最终得到松材线虫病枯死树地理位置信息处方图。本发明能够快速、高效以及准确地检测出患病的松树，判断出患病松树的位置，以便后续的处理。
Description
技术领域
本发明涉及一种松材线虫病枯死树检测方法，具体涉及一种基于深度学习的松材线虫病枯死树检测定位方法。
背景技术
松材线虫病是我国目前对松树林危害极大的一种松树毁灭性流行病，被感染的松树的外部症状表现为针叶逐渐变为黄褐色，重度患病的松树针叶会呈红褐色，最终萎蔫直至枯死。松材线虫病的致病能力强且对宿主有着致命的影响，往往被感染的松树很快就会死亡并且会迅速传染至其他松树，除此之外，该病往往猝不及防，一旦出现就会快速蔓延导致大量松树死亡，因此若不能及时发现并进行处理出现松材线虫病的松树，将会带来巨大的经济损失以及对生态环境产生一定的破坏。根据不完全统计，松材线虫病已经在浙江、广东、四川等16个省份的244个县级行政区出现，累计致死松树达到5亿多株，造成的直接和间接经济损失达到约275亿元。
尽早发现患病的植株并将其砍伐，能够防止松材线虫病扩张蔓延，可以大大的减少该病对生态环境的破坏以及带来的经济损失。目前我国检测治理松材线虫病的方法通常是通过人工前往松树林内寻找患病的松树再对松树进行施药和砍伐等处理，这种方法不但耗费人力物力而且效率不高，显然这不是最佳的检测治理方法。
发明内容
本发明目的在于克服现有技术的不足，提供一种基于深度学习的松材线虫病枯死树检测定位方法，该方法能够快速、高效以及准确地检测出患病的松树，并且能够判断出患病松树的位置，以便后续的治疗和其他处理。
本发明的目的通过以下技术方案实现：
一种基于深度学习的松材线虫病枯死树检测定位方法，其特征在于，包括以下步骤：
(1)采用无人机高空定点拍摄具有松材线虫病枯死树的松树林全景，对拍摄后的样本图像进行预处理，并对预处理后的样本图像中的松树进行标注，得到松材线虫病枯死树训练样本；
(2)运用深度学习框架和卷积神经网络对松材线虫病枯死树训练样本进行训练，得到可用来检测松树林中松材线虫病枯死树的检测模型；
(3)通过带有GPS定位模块的无人机对目标区域进行高空定点拍摄，采集目标区域的图像和位置信息；并对拍摄图像进行拼接操作，获得带有地理坐标信息的目标区域的正射影像图；
(4)将采集后的所述正射影像图输入到检测模型中，检测模型对采集后的图像进行枯死树识别，找出与训练样本中相似的枯死树区域并输出检测完成后的检测图像；同时，输出正射影像图中每个像素的坐标位置，根据枯死树在图像中坐标位置，找到每个枯死树对应的地理坐标，最终得到松材线虫病枯死树地理位置信息处方图。
本发明的一个优选方案，其中，步骤(1)中对拍摄后的照片进行预处理，该预处理包括将拍摄的各区域的图像进行拼接、图像边缘去燥以及分割操作。
优选地，在对预处理后的照片中的松树标注时，将松树树分为正常松树、初发病松树、半枯死松树以及完全枯死松树四种类型，并将四种对应的松树外部特征作为实例进行标注，且添加对应的标签。通过标注病发不同成程度的松树，以便训练后的检测模型能够更加准确地判断出病发松树的真实情况，也有利于后续对不同病发程度的松树进行相应的治疗和处理，提高检测质量。
优选地，根据训练后显示的结果和测试结果，通过增加训练迭代次数、增加训练样本和优化损失函数及深度学习网路框架的方式对训练出的检测模型进行调整和改进，直至检测模块的检测效果符合预设标准。
本发明的一个优选方案，步骤(1)中的无人机搭载的相机为可见光相机，该可见光相机设置在无人机的云台上。采用可见光相机，其具有2000万像素，有利于无人机在高空中拍摄出清晰的松材线虫病枯死树的外部特征，从而有利于提高训练出的模型的识别精度。
优选地，步骤(3)中的无人机搭载的相机为可见光相机，该可见光相机设置在航拍定位无人机的云台上。
本发明的一个优选方案，训练好的检测模型设置在基站内，通过传输设备将通过无人机采集的目标区域的图像输入到基站内，通过检测模型对目标区域的图像进行枯死树检测识别。将训练好的检测模型设置在基站内，而不是直接设置在无人机上，能够减轻无人机的电量消耗以及运算负担，从而延长无人机的续航时间，有利于拍摄更加全面，范围更加大的松树林，有利于提高检测的速度。
本发明的一个优选方案，在步骤(3)中，通过拼接之后的正射影像图中每个像素点均带有地理坐标信息；通过获取正射影像图中每个像素的坐标位置，并根据枯死树在图像中坐标位置，输出每个枯死树对应的地理坐标，最终得到枯死树的具***置并输出完整目标区域的松材线虫病枯死树地理位置信息处方图。
本发明与现有技术相比具有以下有益效果：
1、本发明通过无人机采集目标区域的松树林照片，并传输到训练好的检测模型中进行识别检测，且结合无人机上的导航***，最终确定出目标区域中的枯死树的情况以及具***置信息；这样不仅可以极大的节约人工寻找枯死树所花的时间，降低人力物力所花费的成本，又加快了对松材线虫病枯死树的处理，能够有效的避免松材线虫病进一步扩散和蔓延到其他健康松树，阻止病虫害进一步恶化所带来的经济损失，实现了快速、高效、精准的松材线虫病枯死树检测。
2、由于被感染的松树在初发病时期呈黄褐色，在半枯死时期(重度患病时期)呈红褐色，两者的特征尤为明显，本发明采用深度学习的检测方式对松材线虫病枯死树进行识别检测，检测效果好。
附图说明
图1为本发明的基于深度学习的松材线虫病枯死树检测定位方法的流程框图。
图2为本发明中所使用的VGG16卷积神经网络训练流程结构图。
图3为本发明中对训练样本进行标注的示意图。
具体实施方式
下面结合实施例和附图对本发明作进一步描述，但本发明的实施方式不仅限于此。
参见图1，本实施例的基于深度学习的松材线虫病枯死树检测定位方法，包括以下步骤：
(1)训练样本的采集以及预处理和标注。利用搭载可见光相机的航拍无人机前往已知有松材线虫病枯死树的松树林进行高空拍摄采集松材线虫病的样本图像，对拍摄好的样本图像进行去噪、拼接、切割等预处理(具体可采用现有的matlab和python工具)，并将样本图像的大小尺寸归一化为224mm×224mm×3mm，形成训练样本；对已经采集并预处理好的训练样本进行标注，在标注时要分别将松树分为正常松树、初发病松树、半枯死松树以及完全枯死松树，并将对应松树的外部特征作为实例进行标注，且添加标签，例如图3所示的标注后的训练样本。在标注样本时，也可以利用标注工具labelImg软件进行。
(2)运用深度学习框架和卷积神经网络对训练样本进行训练，得出检测模型。以tensorflow作为深度学习框架，运用基于VGG16的faster-rcnn深度学习网络对已预处理并标注好的训练样本进行训练，如图2所示，VGG16包含13个3×3的层卷积层，5个最大池化层和3个全连接层，最后一个全连接层FC的神经元数量，对应于分类类别的数量，由于在对松材线虫病枯死树进行标注时分类包括正常松树、初发病松树、半枯死松树以及完全枯死松树四类，所以最后一个全连接层FC的神经元数量为4。在训练过程中，通过VGG16中的卷积层、池化层和激活函数对图像中的实例标注进行特征提取，通过设置好的迭代测试进行反复训练最终通过全连接层输出得到用于检测松材线虫病枯死树的检测模型，训练结束后，根据训练结果和测试结果判断该模型是否已达到最优，通过修改迭代次数、增加数据训练样本和优化算法等方式不断调整改进得到检测效果最好的检测模型。
(3)对目标区域进行图像采集和读取位置信息。使用带有GPS定位模块的无人机对目标区域进行图像采集，所采用的无人机上设有用于搭载可见光相机的无人机云台、用于定位目标位置信息的GPS定位模块、用于控制无人机飞行拍摄的遥感设备无人机平台和搭载在无人机平台上的可见光相机。在拍摄过程要保证覆盖到目标检测区域的所有范围，并且采集目标区域的GPS定位信息，完成目标区域的图像采集后，通过Photoscan工具对图像进行拼接操作，形成带有地理坐标信息的目标区域的正射影像图。
(4)将采集后的所述正射影图像输入到检测模型中进行识别检测。在检测过程中，先将采集后的图像通过传输设备传输到基站内的检测模型，可以通过无线的方式实时传回，也可以在完成图片采集后通过有线方式传输；识别过程中，检测模型会自动识别与步骤(1)中实例标注特征相似的目标，用边框标注出来并显示置信度，包括正常松树、初发病松树、半枯死松树以及完全枯死松树都会被标注出来，最终输出检测完成的检测图像。
步骤(3)中通过拼接之后的正射影像图中每个像素点均带有地理坐标信息，通过ArcGIS软件，可以输出正射影像图中每个像素的坐标位置。根据松材线虫病枯死树在图像中坐标位置，输出每个对应的枯死树地理坐标(包括初发病松树、半枯死松树和完全枯死松树)的具体地理坐标位置信息，并显示其具体的地理位置坐标，最终输出完整的包含病害检测结果和具体地理位置坐标信息的松材线虫病枯死树的检测处方图。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的松材线虫病枯死树检测定位方法，其特征在于，包括以下步骤：
(1)采用无人机高空定点拍摄具有松材线虫病枯死树的松树林全景，对拍摄后的样本图像进行预处理，并对预处理后的样本图像中的松树进行标注，得到松材线虫病枯死树训练样本；
(2)运用深度学习框架和卷积神经网络对松材线虫病枯死树训练样本进行训练，得到可用来检测松树林中松材线虫病枯死树的检测模型；
(3)通过带有GPS定位模块的无人机对目标区域进行高空定点拍摄，采集目标区域的图像和位置信息；并对拍摄图像进行拼接操作，获得带有地理坐标信息的目标区域的正射影像图；
(4)将采集后的所述正射影像图输入到检测模型中，检测模型对采集后的图像进行枯死树识别，找出与训练样本中相似的枯死树区域并输出检测完成后的检测图像；同时，输出正射影像图中每个像素的坐标位置，根据枯死树在图像中坐标位置，找到每个枯死树对应的地理坐标，最终得到松材线虫病枯死树地理位置信息处方图。
2.根据权利要求1所述的基于深度学习的松材线虫病枯死树检测定位方法，其特征在于，步骤(1)中对拍摄后的照片进行预处理，该预处理包括将拍摄的各区域的图像进行拼接、图像边缘去燥以及分割操作。
3.根据权利要求2所述的基于深度学习的松材线虫病枯死树检测定位方法，其特征在于，在对预处理后的图像中的松树标注时，将松树分为正常松树、初发病松树、半枯死松树以及完全枯死松树四种类型，并将四种对应的松树外部特征作为实例进行标注，且添加对应的标签。
4.根据权利要求1-3任一项所述的基于深度学习的松材线虫病枯死树检测定位方法，其特征在于，根据训练后显示的结果和模型测试结果，通过增加训练迭代次数、增加训练样本以及优化损失函数及深度学习网路框架的方式对训练出的检测模型进行调整和改进，直至检测模块的检测效果符合预设标准。
5.根据权利要求1所述的基于深度学习的松材线虫病枯死树检测定位方法，其特征在于，步骤(1)中的无人机搭载的相机为可见光相机，该可见光相机设置在无人机的云台上。
6.根据权利要求1所述的基于深度学习的松材线虫病枯死树检测定位方法，其特征在于，步骤(3)中的无人机搭载的相机为可见光相机，该可见光相机设置在无人机的云台上。
7.根据权利要求1所述的基于深度学习的松材线虫病枯死树检测定位方法，其特征在于，训练好的检测模型设置在基站内，通过传输设备将通过无人机采集的目标区域的图像输入到基站内，通过检测模型对目标区域的图像进行枯死树检测识别。
8.根据权利要求1所述的一种深度学习的松材线虫病枯死树检测定位方法，其特征在于：在步骤(3)中，通过拼接之后的正射影像图中每个像素点均带有地理坐标信息；通过获取正射影像图中每个像素的坐标位置，并根据枯死树在图像中坐标位置，输出每个枯死树对应的地理坐标，最终得到枯死树的具***置并输出完整目标区域的松材线虫病枯死树地理位置信息处方图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910229945.3A CN109948563A (zh) | 2019-03-22 | 2019-03-22 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910229945.3A CN109948563A (zh) | 2019-03-22 | 2019-03-22 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109948563A true CN109948563A (zh) | 2019-06-28 |
Family
ID=67011423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910229945.3A Pending CN109948563A (zh) | 2019-03-22 | 2019-03-22 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948563A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348403A (zh) * | 2019-07-15 | 2019-10-18 | 华瑞新智科技（北京）有限公司 | 一种树木数量实时测量统计方法、***及无人机 |
| CN110517228A (zh) * | 2019-07-30 | 2019-11-29 | 浙江农林大学 | 基于卷积神经网络与迁移学习的树干图像快速检测方法 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和*** |
| CN111177443A (zh) * | 2020-01-17 | 2020-05-19 | 陈虎 | 一种松材线虫病除治监理方法 |
| CN111582176A (zh) * | 2020-05-09 | 2020-08-25 | 湖北同诚通用航空有限公司 | 一种可见光遥感图像枯死木识别软件***及识别方法 |
| CN111768363A (zh) * | 2020-05-13 | 2020-10-13 | 华南农业大学 | 基于深度学习的电路板表面缺陷检测方法及检测*** |
| CN111881851A (zh) * | 2020-07-30 | 2020-11-03 | 湖南省建筑科学研究院有限责任公司 | 一种基于uav和卷积神经网络的园林苗木智能检测与计数方法 |
| CN112084989A (zh) * | 2020-09-16 | 2020-12-15 | 湖南三湘绿谷生态科技有限公司 | 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法 |
| CN112329594A (zh) * | 2020-11-02 | 2021-02-05 | 南京新向量信息科技有限公司 | 松材线虫病疫木监测***及其监测方法 |
| CN112329703A (zh) * | 2020-11-20 | 2021-02-05 | 北京林业大学 | 一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 |
| CN112598265A (zh) * | 2020-12-18 | 2021-04-02 | 武汉大学 | 基于解耦风险估计的无人机高光谱松材线虫病快速探测方法 |
| CN112633161A (zh) * | 2020-12-21 | 2021-04-09 | 重庆英卡电子有限公司 | 基于高空云台识别的松材线虫病枯死树检测定位方法 |
| CN112753456A (zh) * | 2020-12-30 | 2021-05-07 | 山东农业大学 | 一种基于时空规律的松材线虫病精准防控方法及*** |
| CN112800867A (zh) * | 2021-01-13 | 2021-05-14 | 重庆英卡电子有限公司 | 基于二阶段高空云台视频的松材线虫病枯死树检测方法 |
| CN113011355A (zh) * | 2021-03-25 | 2021-06-22 | 东北林业大学 | 一种松材线虫病图像识别检测方法及装置 |
| CN113128281A (zh) * | 2019-12-31 | 2021-07-16 | ***通信集团福建有限公司 | 自动化基站开通方法及其装置 |
| CN113537089A (zh) * | 2021-07-20 | 2021-10-22 | 浙江点创信息科技有限公司 | 一种基于无人机航拍原片的松材线虫病疫木识别定位方法 |
| US20220198641A1 (en) * | 2020-12-23 | 2022-06-23 | International Business Machines Corporation | Tree fall management |
| CN114782844A (zh) * | 2022-05-06 | 2022-07-22 | 华南农业大学 | 一种松材线虫病树识别方法、***和存储介质 |
| CN116310793A (zh) * | 2023-02-08 | 2023-06-23 | 西南林业大学 | 山地枯死树识别定位方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910309A (zh) * | 2017-04-18 | 2017-06-30 | 南昌航空大学 | 基于无人机飞行平台的森林火灾检测*** |
| CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别*** |
| CN108334110A (zh) * | 2018-02-06 | 2018-07-27 | 首欣（北京）科技有限公司 | 一种基于无人机的林业病害监测方法和装置 |
| CN108921814A (zh) * | 2018-05-16 | 2018-11-30 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病在线快速检测***及方法 |
-
2019
- 2019-03-22 CN CN201910229945.3A patent/CN109948563A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别*** |
| CN106910309A (zh) * | 2017-04-18 | 2017-06-30 | 南昌航空大学 | 基于无人机飞行平台的森林火灾检测*** |
| CN108334110A (zh) * | 2018-02-06 | 2018-07-27 | 首欣（北京）科技有限公司 | 一种基于无人机的林业病害监测方法和装置 |
| CN108921814A (zh) * | 2018-05-16 | 2018-11-30 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病在线快速检测***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙钰等: ""基于深度学习的森林虫害无人机实时监测方法"", 《农业工程学报》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348403A (zh) * | 2019-07-15 | 2019-10-18 | 华瑞新智科技（北京）有限公司 | 一种树木数量实时测量统计方法、***及无人机 |
| CN110517228A (zh) * | 2019-07-30 | 2019-11-29 | 浙江农林大学 | 基于卷积神经网络与迁移学习的树干图像快速检测方法 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和*** |
| CN113128281A (zh) * | 2019-12-31 | 2021-07-16 | ***通信集团福建有限公司 | 自动化基站开通方法及其装置 |
| CN111177443A (zh) * | 2020-01-17 | 2020-05-19 | 陈虎 | 一种松材线虫病除治监理方法 |
| CN111582176A (zh) * | 2020-05-09 | 2020-08-25 | 湖北同诚通用航空有限公司 | 一种可见光遥感图像枯死木识别软件***及识别方法 |
| CN111768363A (zh) * | 2020-05-13 | 2020-10-13 | 华南农业大学 | 基于深度学习的电路板表面缺陷检测方法及检测*** |
| CN111881851A (zh) * | 2020-07-30 | 2020-11-03 | 湖南省建筑科学研究院有限责任公司 | 一种基于uav和卷积神经网络的园林苗木智能检测与计数方法 |
| CN112084989A (zh) * | 2020-09-16 | 2020-12-15 | 湖南三湘绿谷生态科技有限公司 | 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法 |
| CN112329594A (zh) * | 2020-11-02 | 2021-02-05 | 南京新向量信息科技有限公司 | 松材线虫病疫木监测***及其监测方法 |
| CN112329703A (zh) * | 2020-11-20 | 2021-02-05 | 北京林业大学 | 一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 |
| CN112598265B (zh) * | 2020-12-18 | 2022-06-07 | 武汉大学 | 基于解耦风险估计的无人机高光谱松材线虫病快速探测方法 |
| CN112598265A (zh) * | 2020-12-18 | 2021-04-02 | 武汉大学 | 基于解耦风险估计的无人机高光谱松材线虫病快速探测方法 |
| CN112633161A (zh) * | 2020-12-21 | 2021-04-09 | 重庆英卡电子有限公司 | 基于高空云台识别的松材线虫病枯死树检测定位方法 |
| CN112633161B (zh) * | 2020-12-21 | 2023-05-09 | 重庆英卡电子有限公司 | 基于高空云台识别的松材线虫病枯死树检测定位方法 |
| US20220198641A1 (en) * | 2020-12-23 | 2022-06-23 | International Business Machines Corporation | Tree fall management |
| CN112753456A (zh) * | 2020-12-30 | 2021-05-07 | 山东农业大学 | 一种基于时空规律的松材线虫病精准防控方法及*** |
| CN112753456B (zh) * | 2020-12-30 | 2021-12-21 | 山东农业大学 | 一种基于时空规律的松材线虫病精准防控方法及*** |
| CN112800867A (zh) * | 2021-01-13 | 2021-05-14 | 重庆英卡电子有限公司 | 基于二阶段高空云台视频的松材线虫病枯死树检测方法 |
| CN112800867B (zh) * | 2021-01-13 | 2023-05-12 | 重庆英卡电子有限公司 | 基于二阶段高空云台视频的松材线虫病枯死树检测方法 |
| CN113011355A (zh) * | 2021-03-25 | 2021-06-22 | 东北林业大学 | 一种松材线虫病图像识别检测方法及装置 |
| CN113537089A (zh) * | 2021-07-20 | 2021-10-22 | 浙江点创信息科技有限公司 | 一种基于无人机航拍原片的松材线虫病疫木识别定位方法 |
| CN114782844A (zh) * | 2022-05-06 | 2022-07-22 | 华南农业大学 | 一种松材线虫病树识别方法、***和存储介质 |
| CN114782844B (zh) * | 2022-05-06 | 2023-05-12 | 华南农业大学 | 一种松材线虫病树识别方法、***和存储介质 |
| CN116310793A (zh) * | 2023-02-08 | 2023-06-23 | 西南林业大学 | 山地枯死树识别定位方法、装置、设备及存储介质 |
| CN116310793B (zh) * | 2023-02-08 | 2024-01-23 | 西南林业大学 | 山地枯死树识别定位方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948563A (zh) | 一种基于深度学习的松材线虫病枯死树检测定位方法 | |
| CN109977813B (zh) | 一种基于深度学习框架的巡检机器人目标定位方法 | |
| Chen et al. | A YOLOv3-based computer vision system for identification of tea buds and the picking point | |
| CN107657639A (zh) | 一种快速定位目标的方法和装置 | |
| CN111507976B (zh) | 基于多角度成像的缺陷检测方法及*** | |
| CN109919157A (zh) | 一种视觉定位方法及装置 | |
| CN111881728A (zh) | 基于低空遥感的草地鼠害监测方法 | |
| WO2024051067A1 (zh) | 红外图像处理方法、装置及设备、存储介质 | |
| CN113743358B (zh) | 一种全方位采集和智能计算的景观视觉特征识别方法 | |
| CN111626241B (zh) | 一种人脸检测方法及装置 | |
| CN114972177A (zh) | 道路病害识别管理方法、装置及智能终端 | |
| CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
| CN116543386A (zh) | 一种基于卷积神经网络的农业病虫害图像识别方法 | |
| Xiang et al. | Measuring stem diameter of sorghum plants in the field using a high-throughput stereo vision system | |
| CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
| Xiang et al. | PhenoStereo: a high-throughput stereo vision system for field-based plant phenotyping-with an application in sorghum stem diameter estimation | |
| CN114998769A (zh) | 基于cbam和改进yolox的无人机航拍小物体快速检测方法与装置 | |
| CN111060518A (zh) | 一种基于实例分割的冲压件缺陷识别方法 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及*** | |
| CN110298366A (zh) | 农作物分布提取方法及装置 | |
| CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
| CN113837044A (zh) | 基于环境亮度的器官定位方法及相关设备 | |
| CN113378754A (zh) | 一种工地裸土监测方法 | |
| Liu et al. | Improvement of detection accuracy of aircraft in remote sensing images based on YOLOV5 model | |
| CN115649501A (zh) | 一种无人机夜行照明***及方法 |
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 |
Application publication date: 20190628 |
|
| RJ01 | Rejection of invention patent application after publication |