CN110287882A - 一种基于深度学习的大菊品种图像识别方法 - Google Patents
一种基于深度学习的大菊品种图像识别方法 Download PDFInfo
- Publication number
- CN110287882A CN110287882A CN201910559352.3A CN201910559352A CN110287882A CN 110287882 A CN110287882 A CN 110287882A CN 201910559352 A CN201910559352 A CN 201910559352A CN 110287882 A CN110287882 A CN 110287882A
- Authority
- CN
- China
- Prior art keywords
- image
- chrysanthemum
- big
- big chrysanthemum
- model
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的大菊品种图像识别方法。该方法设计了基于深度卷积神经网络的菊花品种分类网络。本发明具体包括如下步骤:(1)拍摄菊花图像,建立图像数据集;(2)图像预处理,将原始图像缩放为256×256,在缩放后每张图像随机裁剪10幅大小为224×224的图像;(3)使用ResNet50深度卷积网络模型作为预训练模型,将训练集输入网络进行训练;(4)利用服务器运行ResNet50模型提取训练集图像的特征;(5)训练菊花品种分类器模型;(6)将校验集输入到模型中进行品种分类,计算识别精度并输出识别的品种名。本发明能够辅助专家学者以及大众识别和鉴赏大菊,为大菊品种识别提供新的方案。
Description
技术领域
本发明属于计算机视觉领域,涉及一种图像识别方法,特别是涉及一种基于深度学习的大菊品种图像识别方法。
背景技术
菊花是中国十大传统名花之一,流传至今,蕴含了丰富的中华传统文化和独特的品种类型,其品种之多,变异之繁堪称世界园艺植物的一大奇迹(戴思兰,1994)。由于这类品种大菊的花型变幻多姿,品种鉴定工作非常困难,很难实施有效的品种保护。
目前的品种识别研究大都参照《植物新品种DUS测试指南——菊花》(中华人民共和国农业部,2002)对中国传统大菊品种的54个形态特征进行测试。但DUS测试过程全部依靠人工,耗时费工,采集数据时人为误差较大,易受主观判断的影响,同时有些形态变异的数据采集不到,采集到的数据参考价值不强。
在花卉研究领域,国内外研究者通过机器学习等相关技术,在植物叶片、花朵的识别方面的方面取得了较大进展(袁培森等,2018)。目前,普遍采用特征提取结合建立模型的方法,对于图像特征而言,相关研究人员已经研究出不同的图像描述方法,如颜色特征、纹理特征、轮廓特征、SIFT、SURF算子等,并将这些特征应用在各个基于图像的应用领域。在花卉的花朵识别方面,梅花(张娟等,2012)、月季(白帆等,2015;庞俊震和淮永建,2017)、牡丹(刘晶晶et al,2017)等使用了这些特征进行识别,都取得较好的识别效果。
为了实现准确的菊花品种识别,相关研究人员将机器视觉技术应用在菊花研究中,但由于菊花花部特征的复杂性,识别的效果并不理想。瞿果(2016)曾经提取了20个观赏菊品种图片的灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)纹理,进行了粗略的品种识别。刘芷兰(2017)曾经选择了24个大菊品种,对大菊展开图像的各区域提取相应LBP纹理特征,然而只能识别大菊头状花序的整体形状和舌状花瓣型,不能实现大菊品种的精确识别。其原因在于,相较于其他植物,大菊的花型复杂,如果选取的性状过少,很多品种相似程度很高。常规的图像特征描述无法精准地表达大菊品种的差异,导致分类模型准确性很差。图像特征通常是有经验的专业人员经过长时间研究,通过不断的数据分析才能获得。面对大菊品种繁多而差异很小的情况,人工设计的特征难以达到准确识别大菊品种的要求。
特征提取是通过变换函数将被研究对象从图像的空间表示转换为抽象表示的过程。图像特征的研究在Alex模型(Krizhevsky et al,2012)出现后取得了重大突破。该模型主要使用深层次的卷积神经网络结构(Deep convolution neural network,DCNN)进行逼近变换,从而获得图像的抽象特征表示。特征提取部分通过数据的训练获得,因此反应了数据本质的特征。随后出现的网络结构深度逐步加深,如VGG(Simonyan&Zisserman,2014)、GoogLeNet(Szegedy et al,2014)以及2015年微软公司提出的残差网络ResNet(He et al,2015)等,而不断加深的网络在视觉应用的各方面取得了前所未有的成绩。ResNet50模型因网络深度的增加,其提取的图像特征更为抽象,所以能够在复杂的视觉应用中使用,使其成为ILSVRC&COCO 2015competitions中多项赛事的冠军。
发明内容
发明目的:针对上述现有技术的不足,本发明的目的在于提供一种基于深度学习的大菊品种图像识别方法,该方法证明了使用机器学习进行菊花品种识别的可行性,可以将输入的大菊品种进行精确地识别。
为实现上述目的,发明提供一种基于深度学习的大菊品种图像识别方法,其包括以下步骤:
(1)采集中国传统大菊原始图像并建立图像数据集;
(2)将原始图像进行预处理;
(3)使用ResNet50深度卷积网络模型作为预训练模型,将训练集输入网络进行训练;
(4)运行ResNet50提取训练集中所有图像的特征;
(5)使用3层神经网络分类,训练大菊品种分类器模型;
(6)将校验集输入到模型中进行品种分类,计算识别精度并输出识别的品种名。
更具体地,所述的步骤(1)使用大菊图像采集装置(与武汉谷丰光电公司合作设计)对大菊进行拍摄,完成对中国传统大菊原始图像的采集,装置示意图如图1所示。图像采集过程中,分别通过顶视相机、斜视相机和侧视相机对大菊花进行拍摄,得到不同角度的大菊图像,以此增强数据的多样性。
所述的步骤(1)采用4:1的比例分配原则,将采集到的大菊图片进行训练集与测试集的划分。对图片数据集进行随机划分,其中数据集的80%作为训练集,20%作为校验集。
所述的步骤(2)从原始图像(6000×4000像素)裁剪出大菊,然后将处理后的训练图像(2000×2000像素)重新调整大小,缩放至256×256像素,在缩放后每张图像随机裁剪10幅大小为224×224像素的图像。
所述的步骤(3)采用的ResNet50深度卷积网络模型由输入层、隐藏层和输出层组成。输入层的输入数据为经过步骤(2)的预处理后以h5格式存放的生成图像集;隐藏层包括卷积层和池化层;输出层与最后一个全连接层相连接,输出的维数与待识别的图像的类别数相等。
所述的步骤(4)将大菊图像数据集中的每一幅图像输入到步骤(3)所述的ResNet50深度卷积网络模型中,在网络的倒数第二层全连接层上提取一个2048维的深度特征。由此,每一个大菊图像样本可以得到一个2048维的向量,将大菊数据集中的每一个样本对应一行向量,加上对应的标签,构建成一个深度特征的数据库,并将数据库中所有图像的特征保存为hdf5文件格式。
所述的步骤(5)中的品种分类器模型,输入为每一个大菊图像样本所对应的2048维向量,输出采用softmax对127个大菊品种进行分类。此外,使用dropout方法来缓解模型的过拟合问题。
所述的步骤(6)给定任意一幅待识别的大菊图像,输入到训练好的ResNet50深度卷积网络模型中,提取样本的深度特征,读取样本类别名称。最终识别的大菊品种名为所输入的大菊图像所含的大菊品种的名称。
有益效果:本发明与现有技术相比,其显著的特点在于:第一、发明大菊图像数据集建立过程;第二、本发明解决现有大菊识别的技术难题;第三、本发明对大菊数据预处理,增加模型的泛化能力;第四、本发明可以对大菊进行有效识别;第五、本发明可以识别大菊的品种名。
附图说明
图1大菊自动化图像采集装置示意图
图2大菊图像识别分类模型流程图
具体实施方式
以下结合附图对本发明作进一步详细描述。
本发明提出一种基于深度学习的大菊品种图像识别方法,其大菊图像识别分类模型流程图如图2所示,具体包括如下6个步骤:
步骤(1)采集中国传统大菊原始图像并建立图像数据集。
本实验使用大菊图像采集装置(与武汉谷丰光电公司合作设计)对大菊进行拍摄,完成对中国传统大菊原始图像的采集,装置示意图如图1所示。图像采集过程中,分别通过顶视相机、斜视相机和侧视相机对大菊花进行拍摄,得到不同角度的大菊图像,以此增强数据的多样性。基于拍摄采集到的大菊图像,完成对图像数据集的构建,图像存储格式为png。
对得到的数据集,首先要进行训练集和测试集的划分。训练集用于训练模型,测试集则是根据训练集的训练结果来评判最终的训练效果。本实验采用4:1的比例分配原则,将采集到的大菊图片划分为训练集和测试集。其中数据集的80%作为训练集,20%作为校验集。我们采用Keras框架交叉验证中常用的函数train_test_split来从样本中随机的按比例选取训练数据和测试数据。
步骤(2)将原始图像进行预处理。
首先对步骤(1)中拍摄到的大菊原始图像(6000×4000像素)进行标记,并将其保存为标记文件(xml),根据标记文件中的边界框对大菊进行裁剪,然后将裁剪后的大菊训练图像(2000×2000像素)重新调整大小,缩放至256×256像素,再对缩放后每张图像随机裁剪成10幅大小为224×224像素的图像。对每张图像进行10次随机裁剪,是为了获得不同尺度和局部特点的图像。
步骤(3)使用ResNet50深度卷积网络模型作为预训练模型,将训练集输入网络进行训练。
本实验采用ResNet50模型结构提取127个大菊品种图像的深度特征,然后使用训练集数据训练大菊品种分类器模型。ResNet50深度卷积网络模型由输入层、隐藏层和输出层组成。
A.输入层
输入层的输入数据为经过步骤(2)的预处理后以h5格式存放的生成图像集,图片大小为224×224像素。
B.隐藏层
隐藏层包括卷积层和池化层。Keras框架中提供了一些用ImageNet训练过的模型,本实验使用ResNet50预训练模型,对大菊数据集进行图像分类。ResNet50分为5部分,分别是conv1,conv2_x,conv3_x,conv4_x,conv5_x。conv1中,卷积核为7×7×64,stride为2,输入为224×224×3,输出为112×112×64。在conv1后接一个stride为2的3×3的最大池化层。conv2_x,conv3_x,conv4_x,conv5_x均为残差单元,其进行的是三层间的残差学***均池化层,输出1×1×2048。
C.输出层
输出层与最后一个全连接层相连接,输出的维数与待识别的图像的类别数相等。
本实验的网络在Keras框架上进行训练,将大菊图像数据分成训练集,训练集标签,测试集,测试集标签。采用反向传播算法和随机梯度下降优化方法,根据前向传播损失值的大小,来进行反向传播迭代更新每一层的权重。当模型损失值趋向于收敛时,停止训练。
步骤(4)运行ResNet50提取训练集中所有图像的深度特征。
将大菊图像数据集中的每一幅图像输入到步骤(3)所述的ResNet50深度卷积网络模型中,在网络的倒数第二层全连接层上提取一个2048维的深度特征。由此,每一个大菊图像样本可以得到一个2048维的向量,将大菊数据集中的每一个样本对应一行向量,加上对应的标签,构建成一个深度特征的数据库,并将数据库中所有图像的特征保存为hdf5文件格式。
步骤(5)使用3层神经网络分类,训练大菊品种分类器模型。
大菊品种分类器模型的输入为每一个大菊图像样本所对应的2048维向量,在输出中将ResNet50模型中参数include_top设置为False,使用Softmax进行最后的多分类,修改softmax的分类数为127,实现对127个大菊品种的分类。为了解决深度卷积神经网络存在的过拟合问题,在softmax前增加Dropout层。Dropout在网络的训练过程中,将神经元以一定概率暂时从网络中丢弃,对于随机梯度下降来说,由于随机丢弃,因而每一个mini-batch都在训练不同的网络。本实验中,将Dropout层的丢弃概率设置为0.5。
步骤(6)将校验集输入到模型中进行品种分类,计算识别精度并输出识别的品种名。
给定任意一幅待识别的大菊图像,输入到训练好的ResNet50深度卷积网络模型中,提取样本的深度特征,读取样本类别名称。最终识别的大菊品种名为所输入的大菊图像所含的大菊品种的名称。
综上,本发明提供了一种基于深度学习的大菊品种图像识别方法,该方法证明了使用机器学习进行菊花品种识别的可行性,可以将输入的大菊品种进行精确地识别。
上述详细说明仅仅是针对本发明的可行性实施方式的具体说明,而非用于限制本发明。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种基于深度学习的大菊品种图像识别方法,其特征在于,包括:
(1)采集中国传统大菊原始图像并建立图像数据集;
(2)将原始图像进行预处理;
(3)使用ResNet50深度卷积网络模型作为预训练模型,将训练集输入网络进行训练;
(4)运行ResNet50提取训练集中所有图像的特征;
(5)使用3层神经网络分类,训练菊花品种分类器模型;
(6)将校验集输入到模型中进行品种分类,计算识别精度并输出识别的品种名。
2.根据权利要求1所述的一种基于深度学习的大菊品种图像识别方法,其特征在于:所述的步骤(1)使用大菊图像采集装置(与武汉谷丰光电公司合作设计)对大菊进行拍摄,完成对中国传统大菊原始图像的采集,图像采集过程中,分别通过顶视相机、斜视相机和侧视相机对大菊花进行拍摄,得到不同角度的大菊图像,以此增强数据的多样性,采用4:1的比例分配原则,将采集到的大菊图片进行训练集与测试集的划分,对图片数据集进行随机划分,其中数据集的80%作为训练集,20%作为校验集。
3.根据权利要求1所述的一种基于深度学习的大菊品种图像识别方法,其特征在于:所述的步骤(2)从原始图像(6000×4000像素)裁剪出大菊,然后将处理后的训练图像(2000×2000像素)重新调整大小,缩放至256×256像素,在缩放后每张图像随机裁剪10幅大小为224×224像素的图像。
4.根据权利要求1所述的一种基于深度学习的大菊品种图像识别方法,其特征在于:所述的步骤(3)采用的ResNet50深度卷积网络模型由输入层、隐藏层和输出层组成,输入层的输入数据为经过步骤(2)的预处理后以h5格式存放的生成图像集;隐藏层包括卷积层和池化层;输出层与最后一个全连接层相连接,输出的维数与待识别的图像的类别数相等。
5.根据权利要求1所述的一种基于深度学习的大菊品种图像识别方法,其特征在于:所述的步骤(4)将大菊图像数据集中的每一幅图像输入到步骤(3)所述的ResNet50深度卷积网络模型中,在网络的倒数第二层全连接层上提取一个2048维的深度特征,因此每一个大菊图像样本可以得到一个2048维的向量,将大菊数据集中的每一个样本对应一行向量,加上对应的标签,构建成一个深度特征的数据库,并将数据库中所有图像的特征保存为hdf5文件格式。
6.根据权利要求1所述的一种基于深度学习的大菊品种图像识别方法,其特征在于:所述的步骤(5)中的品种分类器模型,输入为每一个大菊图像样本所对应的2048维向量,输出采用softmax对127个大菊品种进行分类,此外,使用dropout方法来缓解模型的过拟合问题。
7.根据权利要求1所述的一种基于深度学习的大菊品种图像识别方法,其特征在于:所述的步骤(6)给定任意一幅待识别的大菊图像,输入到训练好的ResNet50深度卷积网络模型中,提取样本的深度特征,读取样本类别名称,最终识别的大菊品种名为所输入的大菊图像所含的大菊品种的名称。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559352.3A CN110287882A (zh) | 2019-06-26 | 2019-06-26 | 一种基于深度学习的大菊品种图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559352.3A CN110287882A (zh) | 2019-06-26 | 2019-06-26 | 一种基于深度学习的大菊品种图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110287882A true CN110287882A (zh) | 2019-09-27 |
Family
ID=68005853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910559352.3A Pending CN110287882A (zh) | 2019-06-26 | 2019-06-26 | 一种基于深度学习的大菊品种图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287882A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110742047A (zh) * | 2019-10-12 | 2020-02-04 | 西南大学 | 基于计算机视觉效应的自动换纸***和虫害监测*** |
CN110866561A (zh) * | 2019-11-18 | 2020-03-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于图像识别的塑料瓶颜色分选方法 |
CN111860567A (zh) * | 2020-05-09 | 2020-10-30 | 武汉理工大学 | 叶片图像识别模型的构建方法 |
CN111898680A (zh) * | 2020-07-31 | 2020-11-06 | 陈艳 | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
CN111967376A (zh) * | 2020-08-14 | 2020-11-20 | 上海大学 | 基于神经网络的位姿识别与检测方法 |
CN111967527A (zh) * | 2020-08-21 | 2020-11-20 | 菏泽学院 | 一种基于人工智能牡丹品种识别方法及识别*** |
CN112816687A (zh) * | 2020-12-31 | 2021-05-18 | 华南农业大学 | 一种利用机器学习进行图像匹配的广谱免疫传感器 |
CN115719430A (zh) * | 2022-10-28 | 2023-02-28 | 河北舒隽科技有限公司 | 一种太行鸡雏鸡雌雄鉴别的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153844A (zh) * | 2017-05-12 | 2017-09-12 | 上海斐讯数据通信技术有限公司 | 对花卉识别***进行改进的辅助***和进行改进的方法 |
CN107491733A (zh) * | 2017-07-19 | 2017-12-19 | 南京农业大学 | 一种基于深度神经网络的菊花识别方法 |
CN108932314A (zh) * | 2018-06-21 | 2018-12-04 | 南京农业大学 | 一种基于深度哈希学习的菊花图像内容检索方法 |
-
2019
- 2019-06-26 CN CN201910559352.3A patent/CN110287882A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153844A (zh) * | 2017-05-12 | 2017-09-12 | 上海斐讯数据通信技术有限公司 | 对花卉识别***进行改进的辅助***和进行改进的方法 |
CN107491733A (zh) * | 2017-07-19 | 2017-12-19 | 南京农业大学 | 一种基于深度神经网络的菊花识别方法 |
CN108932314A (zh) * | 2018-06-21 | 2018-12-04 | 南京农业大学 | 一种基于深度哈希学习的菊花图像内容检索方法 |
Non-Patent Citations (2)
Title |
---|
AYESHA GURNANI: "Flower Categorization using Deep Convolutional Neural Networks", 《ARXIV.ORG》 * |
袁培森 等: "基于卷积神经网络的菊花花型和品种识别", 《农业工程学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110742047A (zh) * | 2019-10-12 | 2020-02-04 | 西南大学 | 基于计算机视觉效应的自动换纸***和虫害监测*** |
CN110742047B (zh) * | 2019-10-12 | 2021-12-17 | 西南大学 | 基于计算机视觉效应的自动换纸***和虫害监测*** |
CN110866561A (zh) * | 2019-11-18 | 2020-03-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于图像识别的塑料瓶颜色分选方法 |
CN111860567A (zh) * | 2020-05-09 | 2020-10-30 | 武汉理工大学 | 叶片图像识别模型的构建方法 |
CN111860567B (zh) * | 2020-05-09 | 2024-04-16 | 武汉理工大学 | 叶片图像识别模型的构建方法 |
CN111898680A (zh) * | 2020-07-31 | 2020-11-06 | 陈艳 | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
CN111967376A (zh) * | 2020-08-14 | 2020-11-20 | 上海大学 | 基于神经网络的位姿识别与检测方法 |
CN111967527A (zh) * | 2020-08-21 | 2020-11-20 | 菏泽学院 | 一种基于人工智能牡丹品种识别方法及识别*** |
CN112816687A (zh) * | 2020-12-31 | 2021-05-18 | 华南农业大学 | 一种利用机器学习进行图像匹配的广谱免疫传感器 |
CN115719430A (zh) * | 2022-10-28 | 2023-02-28 | 河北舒隽科技有限公司 | 一种太行鸡雏鸡雌雄鉴别的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287882A (zh) | 一种基于深度学习的大菊品种图像识别方法 | |
CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN111047554B (zh) | 一种基于实例分割的复合绝缘子过热缺陷检测方法 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN109961024A (zh) | 基于深度学习的小麦田间杂草检测方法 | |
CN109977918A (zh) | 一种基于无监督域适应的目标检测定位优化方法 | |
CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及*** | |
CN108549893A (zh) | 一种任意形状的场景文本端到端识别方法 | |
CN107133960A (zh) | 基于深度卷积神经网络的图像裂缝分割方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN111462230B (zh) | 一种基于深度强化学习的台风中心定位方法 | |
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 | |
CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
CN107273502A (zh) | 一种基于空间认知学习的图像地理标注方法 | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN111369498B (zh) | 基于改进生成对抗网络的种苗生长势评估的数据增强方法 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN114842208A (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
CN111814563B (zh) | 一种种植结构的分类方法及装置 | |
CN109272487A (zh) | 一种基于视频的公共区域内人群的数量统计方法 | |
CN110060273A (zh) | 基于深度神经网络的遥感影像滑坡测图方法 | |
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*** | |
CN115099297A (zh) | 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法 | |
CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和*** |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Dai Silan Inventor after: Tian Ye Inventor after: Wang Jue Inventor after: Liu Zhilan Inventor after: Zhang Ruisong Inventor before: Dai Silan Inventor before: Tian Ye Inventor before: Wang Jue Inventor before: Zhang Ruisong |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |