CN111178177A - 一种基于卷积神经网络的黄瓜病害识别方法 - Google Patents
一种基于卷积神经网络的黄瓜病害识别方法 Download PDFInfo
- Publication number
- CN111178177A CN111178177A CN201911290689.5A CN201911290689A CN111178177A CN 111178177 A CN111178177 A CN 111178177A CN 201911290689 A CN201911290689 A CN 201911290689A CN 111178177 A CN111178177 A CN 111178177A
- Authority
- CN
- China
- Prior art keywords
- image
- cucumber
- disease
- images
- data set
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于卷积神经网络的黄瓜病虫害识别方法,首先利用多特征融合的方法对采集到的黄瓜病害图像进行预处理,去除图像的复杂背景等噪声;然后利用数据增强的方法构建运于卷积神经网络(CNN)训练的黄瓜病害数据集;最后利用黄瓜病虫害数据集构建基于卷积神经网络(CNN)的病害识别分类器并利用梯度下降算法(SGD)进行模型训练;本发明可以快速、准确的实现黄瓜病害识别,并且可以移植到多种黄瓜病虫害识别仪器上。
Description
技术领域
本发明涉及农业病虫害识别技术领域,特别涉及一种基于卷积神 经网络的黄瓜病害识别方法。
背景技术
近年来,由于空气污染和环境恶化等原因,蔬菜病害发生的规模 越来越大、危害越来越严重,蔬菜类农产品每年由于病害对我国造成 的经济损失高达数百亿元。其中黄瓜作为一种广受人们欢迎的蔬菜, 也由于炭疽病、白粉病、霜霉病等多种病害的影响,对其产量和质量 造成了严重的损害。想要减少病虫害对果蔬等农产品影响,及时和准 确判断病虫害的类型是关键步骤。目前针对病虫害的检测主要以人工 目测的方式进行判断,这种方法需要耗费大量的时间以及人力。近年 来随着计算机视觉等技术的发展,许多研究人员使用机器学习的算法 进行病虫害识别,但是这种方法效果较差,很难在农业应用上进行推广。
发明内容
为了解决上述现有技术的不足,本发明的目的在于提供了一种基 于卷积神经网络的黄瓜病害识别方法,解决了传统人工检测耗时、费 力以及现有机器视觉方法识别精度低、模型复杂等问题。
为了达到上述目的,本发明采取的技术方案为:
一种基于卷积神经网络的黄瓜病害识别方法,包括以下步骤:
步骤1:使用数码相机或摄像机在蔬菜大棚中进行黄瓜叶部病害 图像采集,将采集后的图像分辨率统一缩放为256×256,然后按病害 类别对图像进行贴标签,得到具有样本标签的原始病虫害数据集;
步骤2:对步骤1得到的具有样本标签的原始病虫害数据集进行 数据增广操作,将原始数据集中的每幅图像通过随机反转、变换角度、 随机缩放和颜色抖动4种操作方式进行图像数据扩充;
步骤3:将通过步骤2得到的黄瓜病虫害扩充数据集通过多特征 融合的方法进行图像预处理操作,去除数据集图像中由于光照不均匀 和复杂背景等因素在图像中产生的复杂噪声;
步骤4:对通过步骤3得到的预处理后黄瓜病虫害扩充数据集利 用颜色特征与区域生长算法相结合的方式进行病斑分割,并将分割后 的图像按照步骤1的方式按类别对图像进行贴标签,得到分割后的黄 瓜病虫害图像数据集;
步骤5:将步骤4得到的分割后黄瓜病虫害图像数据集做随机置 乱处理,并将处理后的数据集按照3:1:1的大小划分为训练集、验证 集和测试集;
步骤6:建立用于黄瓜病虫害识别的卷积神经网络模型,该模型 主要基于传统的Lenet网络模型;该模型主要包括3个模块,第1个 模块由1个卷积层、1个ReLU层和1个池化层;第2个模块包括1 个卷积层、1个ReLU层和1个池化层;第3个模块包括2个全连接 层;
步骤7:利用步骤5得到的训练集和验证集输入到步骤6建立的 卷积神经网络中进行模型训练,并利用随机梯度下降算法(SGD)进 行模型参数优化,得到优化的卷积神经网络模型;
步骤8:将步骤5中得到的测试集图像输入到通过步骤7得到的 优化后卷积神经网络模型,完成对黄瓜病虫害种类的识别。
本发明的有益效果为:
在本发明构造的基于卷积神经网络的黄瓜病害识别方法中,不需 要对每幅病害叶片图像进行复杂的预处理以及病斑分割和手工设计 的特征提取,能够直接从归一化后的彩色病害叶片图像中提取出高层 次的抽象特征,并在输出层进行病害识别,从而极大提高了病害的识 别效率;能够对复杂环境下拍摄设备采集的黄瓜病虫害图像进行病害 类型识别,极大地扩展了该方法的应用范围;使用卷积神经网络的方 法进行病虫害识别,相对于传统的基于特征提取的黄瓜病虫害识别方 法,本方法准确率更高、识别效果更好。
附图说明
图1为本发明方法的流程图。
图2为构建黄瓜病虫害数据集的流程图。
图3为病斑图像分割流程图。
图4为本发明方法中卷积神经网络模型结构图。
图5为本发明方法对两种不同黄瓜病害所检测到的病斑图像。
具体实施方式
下面结合附图和实施例对本发明进行详细描述。
参见图1,一种基于卷积神经网络的黄瓜病虫害识别方法,包括 以下步骤:
步骤1:使用数码相机或摄像机在蔬菜大棚中进行黄瓜叶部病害 图像采集,将采集后的图像分辨率统一缩放为256×256,然后按病害 类别对图像进行贴标签,得到具有样本标签的原始黄瓜病虫害数据集;
步骤1所述的原始黄瓜病虫害数据集包括黄瓜靶斑病、白粉病、 褐斑病、黑斑病、霜霉病、炭疽病等6种黄瓜病害,其中每种病害图 像数量为300幅,共1600幅图像。
参见图2,步骤2:对步骤1得到的具有样本标签的原始病虫害数 据集进行数据增广操作,将原始数据集中的每幅图像通过随机反转、 变换角度、随机缩放和颜色抖动4种操作方式进行图像数据扩充;
1)对步骤1所构建的黄瓜病虫害数据集利用图像标注工具进行人 工标注,将图像中的黄瓜病害像素部分标注为1,背景像素部分标记 为0;
2)对图像进行裁剪,将图像裁剪为4个不同的子图,分别在子图 中对图像的病斑区域进行标注,标注时使用圆形来标注图像的病斑区 域,然后将标注后的子图进行拼接复原;
将步骤2)中得到的标注后图像进行数据增广操作,将每幅图像 通过随机反转、变换角度、随机缩放和颜色抖动4种操作方式进行图 像数据扩充;其中每种操作方式对标注后数据集扩充1倍,将数据集 中图像扩充为7200幅。
步骤2所述的随机反转:将标注后图像数据集以图像中心点为基 准,进行随机的水平和垂直反转操作。
步骤2所述的变换角度:将标注后图像数据集在(0°~180°)范围 内进行随机角度变换,以图像变换中心为原点,裁剪出4幅大小相同 的图像。
步骤2所述的随机缩放:将标注后图像数据集在缩放比例因子为 (1~1.5)的范围内随机进行缩放5次,以图像中心为原点,裁剪出4 幅大小相同的图像。
步骤2所述的颜色抖动:将标注后图像数据集的R、G和B三个颜 色分量分别统一用因子在[0.8,1.2]范围内随机相乘5次,然后再将 相乘后的R、G和B三个分量整合为原始RGB图像,以图像中心为原 点,裁剪出4幅大小相同的图像。
步骤3:将步骤2得到的扩充后黄瓜病虫害数据集通过多特征融 合的方法进行图像预处理操作,去除数据集中由于光照不均匀和复杂 背景等因素在图像中产生的复杂噪声;
步骤3所述的多特征融合图像预处理操作方法首先要提取原始 图像的R、G、B三个颜色分量特征,利用2R-G的计算方法得出图 像的超红特征,然后将原始图像分别转换到HSV颜色空间和CIELAB 颜色空间中,提取H分量和B分量;在获取了超红特征、H分量特 征和B分量特征后通过二维离散卷积操作得到多特征融合后的图像。
参见图3,步骤4:对通过步骤3得到的预处理后黄瓜病虫害扩 充数据集利用颜色特征与区域生长算法相结合的方式进行病斑分割, 并将分割后的图像按照步骤1的方式按类别对图像进行贴标签,得到 分割后的黄瓜病虫害图像数据集。
步骤4所述的病斑分割方法是在步骤3对数据集图像预处理的基 础上,通过人机交互的方式选择种子点进行病斑图像分割,得到初始 分割结果;对初始分割结果二值图进行形态学处理,优化分割结果; 将优化的分割结果与原始图像进行掩码运算得到最终病斑分割结果。
步骤5:将步骤4得到的分割后黄瓜病虫害图像数据集做随机置 乱处理,并将处理后的数据集按照3:1:1的大小划分为训练集、验证 集和测试集。
步骤5所述的训练集大小为1080幅图像,验证集为360幅图像, 测试集为360幅图像,其中训练集、验证集和测试集的图像中同时包 括6种不同的黄瓜病害类型。
步骤6:建立用于黄瓜病虫害识别的卷积神经网络模型,该模型 主要基于传统的Lenet网络模型。该模型主要包括3个模块,第1个 模块由1个卷积层、1个ReLU层和1个池化层;第2个模块包括1 个卷积层、1个ReLU层和1个池化层;第3个模块包括2个全连接 层。
参见图4,步骤6所述的卷积神经网络模型是在Lenet网络结构 的基础上,结合黄瓜病虫害图像数据集的特点,对网络模型的结构和 参数进行了调整和优化;由于黄瓜病斑的面积较小且数量较多,考虑 到卷积神经网络运行的效率,将针对黄瓜病虫害识别的神经网络模型 分为3个模块。
步骤6所述的3个模块中,第1个模块由1个卷积层、1个ReLU 层和1个池化层组成,其中为了能够提高卷积运算的效果,第1个模 块卷积层采用20个大小为5×5的卷积核,用于提取输入数据的特征, 生成相应的特征图。池化层卷积核的大小为2×2,步长为2,通过最 大降采样方法,减小特征图的大小,从而降低参数的数量和网络的计 算量,控制过拟合现象的产生。
步骤6所述的3个模块中,第2个模块包含1个卷积层、1个 ReLU层和1个池化层。卷积层采用100个大小为3×3的卷积核,池 化层的大小和步长与第1个模块相同;
步骤6所述的3个模块中,第3个模块包含2个全连接层,将卷 积后生成的特征图转化为一维向量作为分类器的输入,全连接层的神 经元个数分别为1000和1500。输出层包含6个神经元分别代表6种 不同的黄瓜病虫害类型,输出层分类函数采用Softmax分类函数。
步骤7:利用步骤5得到的训练集和验证集输入到步骤7建立的 卷积神经网络中进行模型训练,并利用随机梯度下降算法(SGD)进 行模型参数优化,得到优化的卷积神经网络模型。
步骤7所述的网络模型训练需要进行多次迭代训练,直到网络模 型的损失函数收敛,即损失函数降低到一定程度后不在降低,获得准 确检测病斑的网络模型;计算网络模型的损失主要由代价函数: 计算,其中P为网络模型需要学习的参数,Ii是在训练集上第i张训练图像,N是训练集的图像数目,Di为标注的 病害图像,Ei表示检测得到的病斑图像,L(P)是计算标注的病斑图像 和检测的病斑图像之间的欧氏距离得到的损失。
参见图5,步骤8:将步骤5中得到的测试集图像输入到通过步 骤6得到的优化后卷积神经网络模型,完成对黄瓜病虫害种类的识别。
因此,本发明提出的一种基于卷积神经网络(CNN)的黄瓜病虫 害识别方法,首先利用多特征融合的方法对采集到的黄瓜病害图像进 行预处理,去除图像的复杂背景等噪声;然后利用数据增强的方法构 建运于卷积神经网络(CNN)训练的黄瓜病害数据集;最后利用黄瓜病 虫害数据集构建基于卷积神经网络(CNN)的病害识别分类器并利用 梯度下降算法(SGD)进行模型训练。本发明可以快速、准确的实现 黄瓜病害识别,并且可以移植到多种黄瓜病虫害识别仪器上。
Claims (8)
1.一种基于卷积神经网络的黄瓜病害识别方法,其特征在于:包括以下步骤:
步骤1:使用数码相机和摄像机在蔬菜大棚中进行黄瓜叶部病害图像采集,将采集后的图像分辨率统一缩放为256×256,然后按病害类别对图像进行贴标签,得到具有样本标签的原始病虫害数据集;
步骤2:对步骤1得到的具有样本标签的原始病虫害数据集进行数据增广操作,将原始数据集中的每幅图像通过随机反转、变换角度、随机缩放和颜色抖动4种操作方式进行图像数据扩充;
步骤3:将通过步骤2得到的黄瓜病虫害扩充数据集通过多特征融合的方法进行图像预处理操作,去除数据集图像中由于光照不均匀和复杂背景等因素在图像中产生的复杂噪声;
步骤4:对通过步骤3得到的预处理后黄瓜病虫害扩充数据集利用颜色特征与区域生长算法相结合的方式进行病斑分割,并将分割后的图像按照步骤1的方式按类别对图像进行贴标签,得到分割后的黄瓜病虫害图像数据集;
步骤5:将步骤4得到的分割后黄瓜病虫害图像数据集做随机置乱处理,并将处理后的数据集按照3:1:1的大小划分为训练集、验证集和测试集;
步骤6:建立用于黄瓜病虫害识别的卷积神经网络模型,该模型主要基于传统的Lenet网络模型,该模型主要包括3个模块,第1个模块由1个卷积层、1个ReLU层和1个池化层;第2个模块包括1个卷积层、1个ReLU层和1个池化层;第3个模块包括2个全连接层;
步骤7:利用步骤5得到的训练集和验证集输入到步骤6建立的卷积神经网络中进行模型训练,并利用随机梯度下降算法(SGD)进行模型参数优化,得到优化的卷积神经网络模型;
步骤8:将步骤5中得到的测试集图像输入到通过步骤7得到的优化后卷积神经网络模型,完成对黄瓜病虫害种类的识别。
2.根据权利要求1所述的一种基于卷积神经网络的黄瓜病害识别方法,其特征在于:步骤1所述的原始黄瓜病虫害数据集包括黄瓜靶斑病、白粉病、褐斑病、黑斑病、霜霉病、炭疽病等6种黄瓜病害,其中每种病害图像数量为300幅,共1600幅图像。
3.根据权利要求1所述的一种基于卷积神经网络的黄瓜病害识别方法,其特征在于:步骤2的具体步骤是:
1)对步骤1所构建的黄瓜病虫害数据集利用图像标注工具进行人工标注,将图像中的黄瓜病害像素部分标注为1,背景像素部分标记为0;
2)对图像进行裁剪,将图像裁剪为4个不同的子图,分别在子图中对图像的病斑区域进行标注,标注时使用圆形来标注图像的病斑区域,然后将标注后的子图进行拼接复原;
将步骤2)中得到的标注后图像进行数据增广操作,将每幅图像通过随机反转、变换角度、随机缩放和颜色抖动4种操作方式进行图像数据扩充;其中每种操作方式对标注后数据集扩充1倍,将数据集中图像扩充为7200幅;
步骤2所述的随机反转:将标注后图像数据集以图像中心点为基准,进行随机的水平和垂直反转操作;
步骤2所述的变换角度:将标注后图像数据集在(0°~180°)范围内进行随机角度变换,以图像变换中心为原点,裁剪出4幅大小相同的图像;
步骤2所述的随机缩放:将标注后图像数据集在缩放比例因子为(1~1.5)的范围内随机进行缩放5次,以图像中心为原点,裁剪出4幅大小相同的图像;
步骤2所述的颜色抖动:将标注后图像数据集的R、G和B三个颜色分量分别统一用因子在[0.8,1.2]范围内随机相乘5次,然后再将相乘后的R、G和B三个分量整合为原始RGB图像,以图像中心为原点,裁剪出4幅大小相同的图像。
4.根据权利要求1所述的一种基于卷积神经网络的黄瓜病害识别方法,其特征在于:步骤3所述的多特征融合图像预处理操作方法首先要提取原始图像的R、G、B三个颜色分量特征,利用2R-G的计算方法得出图像的超红特征,然后将原始图像分别转换到HSV颜色空间和CIELAB颜色空间中,提取H分量和B分量;在获取了超红特征、H分量特征和B分量特征后通过二维离散卷积操作得到多特征融合后的图像。
5.根据权利要求1所述的一种基于卷积神经网络的黄瓜病害识别方法,其特征在于:步骤4所述的病斑分割方法是在步骤3对数据集图像预处理的基础上,通过人机交互的方式选择种子点进行病斑图像分割,得到初始分割结果;对初始分割结果二值图进行形态学处理,优化分割结果;将优化的分割结果与原始图像进行掩码运算得到最终病斑分割结果。
6.根据权利要求1所述的一种基于卷积神经网络的黄瓜病害识别方法,其特征在于:步骤5所述的训练集大小为1080幅图像,验证集为360幅图像,测试集为360幅图像,其中训练集、验证集和测试集的图像中同时包括6种不同的黄瓜病害类型。
7.根据权利要求1所述的一种基于卷积神经网络的黄瓜病害识别方法,其特征在于:步骤6所述的3个模块中,第2个模块包含1个卷积层、1个ReLU层和1个池化层。卷积层采用100个大小为3×3的卷积核,池化层的大小和步长与第1个模块相同;
步骤6所述的3个模块中,第3个模块包含2个全连接层,将卷积后生成的特征图转化为一维向量作为分类器的输入,全连接层的神经元个数分别为1000和1500。输出层包含6个神经元分别代表6种不同的黄瓜病虫害类型,输出层分类函数采用Softmax分类函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290689.5A CN111178177A (zh) | 2019-12-16 | 2019-12-16 | 一种基于卷积神经网络的黄瓜病害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290689.5A CN111178177A (zh) | 2019-12-16 | 2019-12-16 | 一种基于卷积神经网络的黄瓜病害识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178177A true CN111178177A (zh) | 2020-05-19 |
Family
ID=70652025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911290689.5A Pending CN111178177A (zh) | 2019-12-16 | 2019-12-16 | 一种基于卷积神经网络的黄瓜病害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178177A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638216A (zh) * | 2020-06-30 | 2020-09-08 | 黑龙江大学 | 一种用于监测病虫害的无人机***的甜菜相关病症分析方法 |
CN111860330A (zh) * | 2020-07-21 | 2020-10-30 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
CN112749675A (zh) * | 2021-01-20 | 2021-05-04 | 云南农业大学 | 一种基于卷积神经网络的马铃薯病害识别方法 |
CN113408393A (zh) * | 2021-06-15 | 2021-09-17 | 上海海洋大学 | 一种木薯病害识别方法 |
CN113610048A (zh) * | 2021-08-25 | 2021-11-05 | 华南农业大学 | 基于图像识别的荔枝霜疫病自动识别方法、***和存储介质 |
CN114332849A (zh) * | 2022-03-16 | 2022-04-12 | 科大天工智能装备技术(天津)有限公司 | 一种农作物生长状态联合监测方法、装置及存储介质 |
CN114519402A (zh) * | 2022-04-18 | 2022-05-20 | 安徽农业大学 | 一种基于神经网络模型的柑橘病虫害检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017194276A1 (en) * | 2016-05-13 | 2017-11-16 | Basf Se | System and method for detecting plant diseases |
CN107784305A (zh) * | 2017-09-29 | 2018-03-09 | 中国农业科学院农业环境与可持续发展研究所 | 基于卷积神经网络的设施蔬菜病害识别方法及装置 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
CN109359681A (zh) * | 2018-10-11 | 2019-02-19 | 西京学院 | 一种基于改进全卷积神经网络的大田作物病虫害识别方法 |
-
2019
- 2019-12-16 CN CN201911290689.5A patent/CN111178177A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017194276A1 (en) * | 2016-05-13 | 2017-11-16 | Basf Se | System and method for detecting plant diseases |
CN107784305A (zh) * | 2017-09-29 | 2018-03-09 | 中国农业科学院农业环境与可持续发展研究所 | 基于卷积神经网络的设施蔬菜病害识别方法及装置 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
CN109359681A (zh) * | 2018-10-11 | 2019-02-19 | 西京学院 | 一种基于改进全卷积神经网络的大田作物病虫害识别方法 |
Non-Patent Citations (2)
Title |
---|
张善文等: "卷积神经网络在黄瓜叶部病害识别中的应用", 《江苏农业学报》 * |
马浚诚等: "基于卷积神经网络的温室黄瓜病害识别***", 《农业工程学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638216A (zh) * | 2020-06-30 | 2020-09-08 | 黑龙江大学 | 一种用于监测病虫害的无人机***的甜菜相关病症分析方法 |
CN111860330A (zh) * | 2020-07-21 | 2020-10-30 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
CN111860330B (zh) * | 2020-07-21 | 2023-08-11 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
CN112749675A (zh) * | 2021-01-20 | 2021-05-04 | 云南农业大学 | 一种基于卷积神经网络的马铃薯病害识别方法 |
CN113408393A (zh) * | 2021-06-15 | 2021-09-17 | 上海海洋大学 | 一种木薯病害识别方法 |
CN113610048A (zh) * | 2021-08-25 | 2021-11-05 | 华南农业大学 | 基于图像识别的荔枝霜疫病自动识别方法、***和存储介质 |
CN113610048B (zh) * | 2021-08-25 | 2023-08-01 | 华南农业大学 | 基于图像识别的荔枝霜疫病自动识别方法、***和存储介质 |
CN114332849A (zh) * | 2022-03-16 | 2022-04-12 | 科大天工智能装备技术(天津)有限公司 | 一种农作物生长状态联合监测方法、装置及存储介质 |
CN114332849B (zh) * | 2022-03-16 | 2022-08-16 | 科大天工智能装备技术(天津)有限公司 | 一种农作物生长状态联合监测方法、装置及存储介质 |
CN114519402A (zh) * | 2022-04-18 | 2022-05-20 | 安徽农业大学 | 一种基于神经网络模型的柑橘病虫害检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
Jia et al. | Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN110298266B (zh) | 基于多尺度感受野特征融合的深度神经网络目标检测方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
US20210224609A1 (en) | Method, system and device for multi-label object detection based on an object detection network | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN109344883A (zh) | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 | |
CN112446388A (zh) | 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及*** | |
CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN113076816B (zh) | 基于红外与可见光图像的太阳能光伏组件热斑识别方法 | |
CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
CN111310756A (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
CN113222959B (zh) | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN116363505A (zh) | 一种基于采摘机器人视觉***的目标采摘方法 | |
CN114283137A (zh) | 基于多尺度特征图推理网络的光伏组件热斑缺陷检测方法 | |
CN114898359B (zh) | 一种基于改进EfficientDet的荔枝病虫害检测方法 | |
CN115410087A (zh) | 一种基于改进YOLOv4的输电线路异物检测方法 | |
CN114120359A (zh) | 一种基于堆叠沙漏网络的群养猪体尺测量方法 | |
CN117079125A (zh) | 一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法 | |
Liu et al. | Ground-based visible-light cloud image classification based on a convolutional neural network | |
CN113469224A (zh) | 一种基于卷积神经网络与特征描述算子相融合的大米分类方法 | |
Yang et al. | Multi-Growth Period Tomato Fruit Detection Using Improved Yolov5 |
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 |