CN109977802A - 强噪音背景下作物分类识别方法 - Google Patents
强噪音背景下作物分类识别方法 Download PDFInfo
- Publication number
- CN109977802A CN109977802A CN201910175557.1A CN201910175557A CN109977802A CN 109977802 A CN109977802 A CN 109977802A CN 201910175557 A CN201910175557 A CN 201910175557A CN 109977802 A CN109977802 A CN 109977802A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- background noise
- recognition methods
- strong background
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000013526 transfer learning Methods 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 239000007787 solid Substances 0.000 claims abstract description 4
- 238000010200 validation analysis Methods 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 26
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 15
- 238000013135 deep learning Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种强噪音背景下作物分类识别方法,用多光谱相机拍摄各类别作物的图片各若干张形成图片集;得各像素点NDVI值并分割出植物区域;将非植物区域替换为纯色背景来突出植物区域,进行图片预处理后形成多光谱数据集并分为训练、测试、验证3个数据集;通过迁移学习的方法,将训练数据集输入预设的卷积神经网络模型进行训练,得到卷积预测神经网络模型,将测试数据集输入卷积预测神经网络模型进行准确率测试得到合格的卷积预测神经网络模型;将验证数据集输入卷积预测神经网络模型,对其中的作物进行分类识别并获取分类结果。该方法减少了强噪音背景对作物分类识别产生的影响,提高了模型的识别效率和预测能力。
Description
技术领域
本发明属于农作物分类识别领域,具体涉及一种强噪音背景下作物分类识别方法。
背景技术
基于深度学习的图像分类和检索中,如何对图像进行特征提取及提取图像的哪些特征(颜色、纹理、形状等),不仅影响着图像分类的准确性,而且对基于内容的图像检索起着至关重要的作用。目前,利用RGB图像通过深度学习进行作物识别时,受强噪音背景下的干扰特征及自身亮度的影响,深度学习的精度存在明显下降趋势,RGB颜色模型通过图像间颜色、形状、纹理等特征差异,达到分类与识别不同作物的效果,但是这种方法不能表达出颜色空间分布的信息,只记录红绿蓝三个波段的信息,其他波段丢失,不利于在强噪音背景下对作物的识别。在大多数深度学习中,作物图像一般通过人工选择规避复杂的干扰,但实际应用中可能会受到强噪音背景的影响,导致作物分类识别精度不够。
发明内容
本发明的目的是提供一种强噪音背景下作物分类识别方法,该方法减少了强噪音背景对作物分类识别产生的影响、提高了识别准确率,可应用于小样本数据下作物类型的识别,提高了模型的识别效率和预测能力。
本发明所采用的技术方案是:
一种强噪音背景下作物分类识别方法,包括步骤:
S1、用多光谱相机拍摄各类别作物的图片各若干张,形成图片集;
S2、用算法完成辐射定标和植被指数计算,得各像素点NDVI值并分割出植物区域;
S3、将非植物区域替换为纯色背景来突出植物区域,进行图片预处理后形成多光谱数据集,将多光谱数据集分为训练、测试、验证3个数据集;
S4、通过迁移学习的方法,将训练数据集输入预设的卷积神经网络模型进行训练,得到卷积预测神经网络模型,将测试数据集输入卷积预测神经网络模型进行准确率测试,根据测试结果优化卷积预测神经网络模型的参数并得到合格的卷积预测神经网络模型;
S5、将验证数据集输入卷积预测神经网络模型,对其中的作物进行分类识别并获取分类结果。
在S1中,多光谱相机进行拍摄时,必须基于光线良好的日照条件下,保证足够的光线量。
在S2中,每个像素点的NDVI值的计算公式为,
NDVI=(ρnir-ρred)/(ρnir+ρred)
其中ρnir为近红外波段得到的反射率、ρred为红外波段得到的反射率,植物区域的NDVI值明显比地物区域的NDVI值高,通过otsu算法自动计算得到NDVI阈值,以NDVI阈值划分植物区域和地物区域。
在S3中,进行图片预处理时采用TFRecord格式统存储数据。
在S4中,预设的卷积神经网络模型采用GoogleNet的Inception_v3。
进一步地,对于Inception_v3的参数设定,保留Inception_v3中所有卷积层的参数,仅替代最后一层全训练层,最后一层之前是对图像的特征向量的提取,用提取到的特征向量作为输出训练得到一个单层全连接神经网络模型。
本发明的有益效果是:
多光谱是由多个通道组成的图像,每一个通道捕捉指定波长的光,可充分考虑图像的颜色空间分布信息,多光谱成像既能获取光谱特征,又能获取图像信息,该方法利用多光谱相机拍摄作物图片,排除了纯RGB图像背景颜色对特征寻找的混淆,提高了识别准确率。
NDVI值(归一化差分植被指数)应用于监测植被生长状态、植被覆盖率和消除部分辐射误差,有助于将植物从包含水土等在内周围环境中分离出来,该方法通过计算多光谱图片各点NDVI值并以此分割出植物区域,从强噪音背景下将作物分离,减少强噪音背景对作物分类识别产生的影响,进一步提取并强化了作物特征。
该方法通过迁移学习的方法,得到卷积预测神经网络模型,可应用于小样本数据下作物类型的识别,NDVI值的利用精确了作物特征的位置,提高了模型的识别效率,参数的优化提高了模型的预测能力,基于深度学习可达到更好的作物分类识别效果,该此方法可以提高小样本数据下作物分类识别的准确率。
该方法采用NDVI值分割区域后再对指定区域进行深度学习的思路,相当于划定了一块区域供深度学习发挥,减少了深度学习中寻找特征点的工作量和可能的错误。
附图说明
图1是本发明的原理流程图。
图2是本发明的具体流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1和图2所示,一种强噪音背景下作物分类识别方法,包括步骤:
S1、用多光谱相机拍摄小麦和其他类别植株的图片各五百张,形成图片集。
S2、用算法完成辐射定标和植被指数计算,即各像素点NDVI值并以此分割出植物区域,每个像元在NDVI影像中的NDVI值的计算公式为:
NDVI=(ρnir-ρred)/(ρnir+ρred)
其中ρnir为近红外波段得到的反射率,ρred为红外波段得到的反射率;植物区域的NDVI值会明显比地物的高,给定NDVI阈值,以此划分植物和地物区域。
S3、植物区域外用纯色背景替换,突出植物区域,再进行图片的预处理(进行图片预处理时采用TFRecord格式统存储数据,当数据来源更加复杂,样例种类增多,每一个样例中的信息更加复杂之后,仍然能够有效记录输入数据中的信息),形成多光谱数据集,运行代码实现多光谱数据集划分和标签制作,将所有图片划分成训练、测试、验证3个数据集,并且将图片从原始格式转化成Inception_v3需要的299×299×3的数字矩阵。
S4、通过迁移学习的方法,将训练数据集输入预设的卷积神经网络模型进行训练,得到训练后的卷积预测神经网络模型,具体流程如下:
卷积预设神经网络模型采用GoogleNet的Inception_v3,其可以将一个较大的二维卷积核拆成两个较小的一维卷积(比如将3×3卷积拆成1×3卷积和3×1卷积),减少了参数数量,加速运算并减轻了过拟合,同时增加了一层非线性扩展模型表达能力;结构上使用不同大小卷积核的卷积层做并联,因此可以识别出不同尺度上的特征。
当训练数据集已经准备好,加载通过Tensorflow-Slim定义好的Inception_v3模型,定义预设的超参数,网络最后全连接层的权重参数和偏置参数由新数据训练得到,保存训练好模型的路径。
简化的模型形式从前到后分为卷积层→池化层→卷积层→池化层→全连接层→全连接层→softmax层,图片刚输入卷积层时的尺寸为299×299,卷积层将神经网络中的每一小块进行更深入的分析,从而得到抽象程度更高的特征,卷积后的宽度和高度可用下列公式计算:
W2=(W1-F+2P)/S+1
H2=(H1-F+2P)/S+1
其中,W2是卷积后Feature Map的宽度、W1是卷积前图像的宽度、F是filter的宽度、P是Zero Padding的数量、Zero Padding是指在原始图像周围补几圈0(如果的值是1,那么就补1圈0)、S是步幅、H2是卷积后Feature Map的高度、H1是卷积前图像的高度。这一层的输出即为下一层的输入。
池化层神经网络不会改变三维矩阵的深度,但它可以缩小矩阵的大小,进一步缩小最后全连接层中节点的个数,达到减少整个神经网络中参数的目的。
经过卷积层和池化层的层层处理之后,图像中的信息已经被抽象成了信息量更高的特征。后面的几层全连接层则用来进行分类任务。最后的softmax层则使用一个概率表示待分类对象有多大概率属于某个类。
可以发现,由新建数据集训练后,网络很快收敛,训练损失逐渐降低,准确率提升到92%左右。
最后,将测试数据集输入卷积预测神经网络模型进行准确率测试,根据测试结果优化卷积预测神经网络模型的参数并得到合格的卷积预测神经网络模型;
S5、将验证数据集输入卷积预测神经网络模型,对其中的作物进行分类识别并获取分类结果。
多光谱是由多个通道组成的图像,每一个通道捕捉指定波长的光,可充分考虑图像的颜色空间分布信息,多光谱成像既能获取光谱特征,又能获取图像信息,该方法利用多光谱相机拍摄作物图片,排除了纯RGB图像背景颜色对特征寻找的混淆,提高了识别准确率。
NDVI值(归一化差分植被指数)应用于监测植被生长状态、植被覆盖率和消除部分辐射误差,有助于将植物从包含水土等在内周围环境中分离出来,该方法通过计算多光谱图片各点NDVI值并以此分割出植物区域,从强噪音背景下将作物分离,减少强噪音背景对作物分类识别产生的影响,进一步提取并强化了作物特征。
该方法通过迁移学习的方法,得到卷积预测神经网络模型,可应用于小样本数据下作物类型的识别,NDVI值的利用精确了作物特征的位置,提高了模型的识别效率,参数的优化提高了模型的预测能力,基于深度学习可达到更好的作物分类识别效果,该此方法可以提高小样本数据下作物分类识别的准确率。
该方法采用NDVI值分割区域后再对指定区域进行深度学习的思路,相当于划定了一块区域供深度学习发挥,减少了深度学习中寻找特征点的工作量和可能的错误。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种强噪音背景下作物分类识别方法,其特征在于:包括步骤,
S1、用多光谱相机拍摄各类别作物的图片各若干张,形成图片集;
S2、用算法完成辐射定标和植被指数计算,得各像素点NDVI值并分割出植物区域;
S3、将非植物区域替换为纯色背景来突出植物区域,进行图片预处理后形成多光谱数据集,将多光谱数据集分为训练、测试、验证3个数据集;
S4、通过迁移学习的方法,将训练数据集输入预设的卷积神经网络模型进行训练,得到卷积预测神经网络模型,将测试数据集输入卷积预测神经网络模型进行准确率测试,根据测试结果优化卷积预测神经网络模型的参数并得到合格的卷积预测神经网络模型;
S5、将验证数据集输入卷积预测神经网络模型,对其中的作物进行分类识别并获取分类结果。
2.如权利要求1所述的强噪音背景下作物分类识别方法,其特征在于:在S1中,多光谱相机进行拍摄时,必须基于光线良好的日照条件下,保证足够的光线量。
3.如权利要求1所述的强噪音背景下作物分类识别方法,其特征在于:在S2中,每个像素点的NDVI值的计算公式为,
NDVI=(ρnir-ρred)/(ρnir+ρred)
其中ρnir为近红外波段得到的反射率、ρred为红外波段得到的反射率,植物区域的NDVI值明显比地物区域的NDVI值高,通过otsu算法自动计算得到NDVI阈值,以NDVI阈值划分植物区域和地物区域。
4.如权利要求1所述的强噪音背景下作物分类识别方法,其特征在于:在S3中,进行图片预处理时采用TFRecord格式统存储数据。
5.如权利要求1所述的强噪音背景下作物分类识别方法,其特征在于:在S4中,预设的卷积神经网络模型采用GoogleNet的Inception_v3。
6.如权利要求5所述的强噪音背景下作物分类识别方法,其特征在于:对于Inception_v3的参数设定,保留Inception_v3中所有卷积层的参数,仅替代最后一层全训练层,最后一层之前是对图像的特征向量的提取,用提取到的特征向量作为输出训练得到一个单层全连接神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175557.1A CN109977802A (zh) | 2019-03-08 | 2019-03-08 | 强噪音背景下作物分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175557.1A CN109977802A (zh) | 2019-03-08 | 2019-03-08 | 强噪音背景下作物分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109977802A true CN109977802A (zh) | 2019-07-05 |
Family
ID=67078249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175557.1A Pending CN109977802A (zh) | 2019-03-08 | 2019-03-08 | 强噪音背景下作物分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977802A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619349A (zh) * | 2019-08-12 | 2019-12-27 | 深圳市识农智能科技有限公司 | 植物图像分类方法及装置 |
CN110909820A (zh) * | 2019-12-02 | 2020-03-24 | 齐鲁工业大学 | 基于自监督学习的图像分类方法及*** |
CN110991454A (zh) * | 2019-12-23 | 2020-04-10 | 云南大学 | 一种叶片图像识别方法、装置、电子设备及存储介质 |
CN111428798A (zh) * | 2020-03-30 | 2020-07-17 | 北京工业大学 | 一种基于卷积神经网络的植物幼苗分类方法 |
CN112347894A (zh) * | 2020-11-02 | 2021-02-09 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
CN113489869A (zh) * | 2021-07-05 | 2021-10-08 | 深圳市威视佰科科技有限公司 | 基于高光谱相机的衣物物料识别方法 |
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及*** |
WO2023018387A1 (en) * | 2021-08-11 | 2023-02-16 | Agcurate Bilgi Teknolojileri Anonim Sirketi | A crop classification method using deep neural networks |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991439A (zh) * | 2017-03-28 | 2017-07-28 | 南京天数信息科技有限公司 | 基于深度学习与迁移学习的图像识别方法 |
CN108710864A (zh) * | 2018-05-25 | 2018-10-26 | 北华航天工业学院 | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 |
CN109241817A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种无人机拍摄的农作物图像识别方法 |
-
2019
- 2019-03-08 CN CN201910175557.1A patent/CN109977802A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991439A (zh) * | 2017-03-28 | 2017-07-28 | 南京天数信息科技有限公司 | 基于深度学习与迁移学习的图像识别方法 |
CN108710864A (zh) * | 2018-05-25 | 2018-10-26 | 北华航天工业学院 | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 |
CN109241817A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种无人机拍摄的农作物图像识别方法 |
Non-Patent Citations (1)
Title |
---|
卫娇娇: "基于遥感的甘肃河西地区绿洲分布提取及时空变化分析", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619349A (zh) * | 2019-08-12 | 2019-12-27 | 深圳市识农智能科技有限公司 | 植物图像分类方法及装置 |
CN110909820A (zh) * | 2019-12-02 | 2020-03-24 | 齐鲁工业大学 | 基于自监督学习的图像分类方法及*** |
CN110991454A (zh) * | 2019-12-23 | 2020-04-10 | 云南大学 | 一种叶片图像识别方法、装置、电子设备及存储介质 |
CN111428798A (zh) * | 2020-03-30 | 2020-07-17 | 北京工业大学 | 一种基于卷积神经网络的植物幼苗分类方法 |
CN112347894A (zh) * | 2020-11-02 | 2021-02-09 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
CN112347894B (zh) * | 2020-11-02 | 2022-05-20 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
CN113489869A (zh) * | 2021-07-05 | 2021-10-08 | 深圳市威视佰科科技有限公司 | 基于高光谱相机的衣物物料识别方法 |
WO2023018387A1 (en) * | 2021-08-11 | 2023-02-16 | Agcurate Bilgi Teknolojileri Anonim Sirketi | A crop classification method using deep neural networks |
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977802A (zh) | 强噪音背景下作物分类识别方法 | |
Wang et al. | Identification of tomato disease types and detection of infected areas based on deep convolutional neural networks and object detection techniques | |
Kong et al. | Multi-stream hybrid architecture based on cross-level fusion strategy for fine-grained crop species recognition in precision agriculture | |
Zhou et al. | Wheat ears counting in field conditions based on multi-feature optimization and TWSVM | |
CN107576618B (zh) | 基于深度卷积神经网络的水稻穗瘟检测方法及*** | |
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及*** | |
CN110619632B (zh) | 一种基于Mask R-CNN的芒果实例对抗分割方法 | |
Gong et al. | Citrus yield estimation based on images processed by an Android mobile phone | |
Chen et al. | Citrus fruits maturity detection in natural environments based on convolutional neural networks and visual saliency map | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN115311588A (zh) | 基于无人机遥感图像的松材线虫病害立木检测方法及装置 | |
CN114445785A (zh) | 基于物联网的荔枝虫害监测预警方法、***及存储介质 | |
CN109829425B (zh) | 一种农田景观小尺度地物分类方法及*** | |
Lv et al. | A visual identification method for the apple growth forms in the orchard | |
CN111814563B (zh) | 一种种植结构的分类方法及装置 | |
CN112560623B (zh) | 一种基于无人机的红树植物种类快速识别方法 | |
Hao et al. | Growing period classification of Gynura bicolor DC using GL-CNN | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN110163101A (zh) | 中药材种子区别及等级快速判别方法 | |
Du et al. | DSW-YOLO: A detection method for ground-planted strawberry fruits under different occlusion levels | |
CN114821321A (zh) | 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法 | |
CN113657158A (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
Yang et al. | A comparative evaluation of convolutional neural networks, training image sizes, and deep learning optimizers for weed detection in alfalfa | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
Ji et al. | Exploring the solutions via Retinex enhancements for fruit recognition impacts of outdoor sunlight: a case study of navel oranges |
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: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |