CN111914951A - 一种基于图像实时识别的农作物害虫智能诊断***及方法 - Google Patents
一种基于图像实时识别的农作物害虫智能诊断***及方法 Download PDFInfo
- Publication number
- CN111914951A CN111914951A CN202010846845.8A CN202010846845A CN111914951A CN 111914951 A CN111914951 A CN 111914951A CN 202010846845 A CN202010846845 A CN 202010846845A CN 111914951 A CN111914951 A CN 111914951A
- Authority
- CN
- China
- Prior art keywords
- pest
- image
- identification
- real
- module
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 163
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005520 cutting process Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 230000002265 prevention Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 19
- 241000894007 species Species 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于图像实时识别的农作物害虫智能诊断***及方法,所述***包括:依次连接的图像采集终端、图像裁切模块、网络数据传输模块、图像实时识别模块、诊断服务模块;图像采集终端用于实时获取害虫图像数据;图像裁切模块用于完成害虫图像的裁切;图像实时识别模块基于Tensorflow2.0框架下的卷积神经网络模型,实时对害虫图像进行害虫种类的识别;诊断服务模块根据害虫种类信息,输出害虫的相关科普知识、防治方法、专家信息。本发明能够对害虫种类进行实时准确识别,并且能够根据害虫种类识别结果推送害虫的相关科普知识、防治方法、专家信息,帮助农户快速控制虫害,降低损失,提高农作物产量。
Description
技术领域
本发明涉及农作物害虫防控技术领域,特别是涉及一种基于图像实时识别的农作物害虫智能诊断***及方法。
背景技术
传统的害虫图像识别方法是依靠人工提取对象的纹理、颜色和几何形态等特征参数,通过机器学习技术实现自动识别。然而,传统识别方法的准确率受限于特征描述能力,具有较强主观性,其研究结果仅适用于实验环境,不能满足实际生产需求。近几年,诸多学者把深度学习技术应用到害虫图像识别领域,由浅至深提取图像的细节纹理、颜色、形态、空间和语义等信息,增强特征描述性,取得很好的识别效果。研究表明,基于深度学习的农作物害虫图像识别的设想从技术角度考虑是可行的,核心思想是用卷积核提取图像特征,构建深度神经网络来训练模型,前向传播获取目标对象预测类别值,通过反向传播计算预测类别值和真值间之间的误差值,不断修正模型各个超参数,直至误差值降到最小且稳定不变。模型学习过程是数据驱动过程,训练模型的参数越多,要求数据量会越大。目前,农作物害虫图像数据非常有限,但受数据驱动影响,尚未有能够有效推广应用的智能识别***。
因此,目前亟需一种能够对害虫种类进行实时准确识别的***和方法。
发明内容
本发明的目的是提供一种基于图像实时识别的农作物害虫智能诊断***及方法,以解决现有技术中存在的技术问题,能够对害虫种类进行实时准确识别,并且能够根据害虫种类识别结果推送害虫的相关科普知识、防治方法、专家信息,帮助农户快速控制虫害,降低损失,提高农作物产量。
为实现上述目的,本发明提供了如下方案:本发明提供一种基于图像实时识别的农作物害虫智能诊断***,包括:图像采集终端、图像裁切模块、网络数据传输模块、图像实时识别模块、诊断服务模块;所述图像采集终端、图像裁切模块、网络数据传输模块、图像实时识别模块、诊断服务模块依次连接;
所述图像采集终端用于实时获取害虫图像数据;
所述图像裁切模块用于完成害虫图像的裁切,并将裁切后的害虫图像通过所述网络数据传输模块传送至所述图像实时识别模块;
所述图像实时识别模块基于Tensorflow2.0框架下的卷积神经网络模型,实时对害虫图像进行害虫种类的识别,并将识别结果传送至所述诊断服务模块;
所述诊断服务模块根据所述图像实时识别模块获取的害虫种类信息,输出所述害虫的相关科普知识、防治方法、专家信息。
优选地,所述图像实时识别模块通过构建害虫自动识别模型进行害虫种类的识别,所述害虫自动识别模型处于实时监听状态,在接收到用户的识别请求后,实时进行害虫图像的读取以及害虫种类的识别,并将识别结果反馈至所述诊断服务模块。
优选地,所述图像采集终端采用基于Android***的智能实时识别终端。
本发明还提供一种基于图像实时识别的农作物害虫智能诊断方法,包括如下步骤:
获取害虫图像数据,并对所获取的害虫图像数据进行裁切;
基于裁切后的害虫图像数据构建害虫图像识别数据集,并对所述害虫图像识别数据集进行类别标注;
基于卷积神经网络构建害虫自动识别模型,并在Tensorflow2.0框架下,通过所述害虫图像识别数据集对所述害虫自动识别模型进行训练;
根据训练好的害虫自动识别模型对实时采集的害虫图像进行害虫种类的识别,并根据害虫种类的识别结果,推送害虫的相关科普知识、防治方法、专家信息。
优选地,所述害虫图像数据包括不同种类、同一种类不同虫态的害虫图像。
优选地,通过所述害虫图像识别数据集对所述害虫自动识别模型进行训练的具体方法包括:
按预设比例将所述害虫图像识别数据集划分为训练集、测试集、验证集;
在Tensorflow2.0框架下,通过所述训练集对所述害虫自动识别模型进行训练,调优卷积神经网络的超参数;所述超参数包括:激活函数、池化方式、学习率;
通过所述测试集计算所述害虫自动识别模型的识别准确率和召回率,并根据所述验证集的识别准确率,验证所述害虫自动识别模型是否过拟合和欠拟合。
本发明公开了以下技术效果:(1)本发明所构建的农作物害虫图像识别数据集覆盖的害虫类别广、样本数量大,并对害虫图像进行类别标注和感兴趣区域裁剪,能够加速计算机视觉技术在农作物害虫识别方面研究进展;
(2)本发明采用卷积神经网络模型提取图像特征,与传统人为指定图像特征参数集合的方式相比,更能全面、准确地提取具有强描述能力的图像特征;同时,通过加深网络模型结构,能够进一步提取图像的语义特征和空间特征,提高害虫种类识别的准确性;
(3)本发明诊断服务模块能够根据害虫种类识别结果推送害虫的相关科普知识、防治方法、专家信息,帮助农户快速控制虫害,降低损失,提高农作物产量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于图像实时识别的农作物害虫智能诊断***结构示意图;
图2为本发明基于图像实时识别的农作物害虫智能诊断方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示,本实施例提供一种基于图像实时识别的农作物害虫智能诊断***,包括:图像采集终端、图像裁切模块、网络数据传输模块、图像实时识别模块、诊断服务模块;所述图像采集终端、图像裁切模块、网络数据传输模块、图像实时识别模块、诊断服务模块依次连接。
所述图像采集终端用于实时获取害虫图像数据;本实施例所述图像采集终端采用基于Android***的智能实时识别终端,能够自动对焦目标对象,获取高清害虫图像数据。
所述图像裁切模块用于完成害虫图像的裁切,确保不丢失图像的原始信息,并将裁切后的害虫图像通过所述网络数据传输模块传送至所述图像实时识别模块。所述图像裁切模块以所采集的害虫图像的中心点为坐标原点,裁切宽*高为250*250像素的区域作为感兴趣区域,并传送至所述图像实时识别模块。
所述图像实时识别模块基于Tensorflow2.0框架下的卷积神经网络模型,实时对害虫图像进行害虫种类的识别,并将识别结果传送至所述诊断服务模块;所述卷积神经网络模型包括11个卷积层和3个全连接层,采用ReLU函数激活卷积层,经平均池化后输入至全连接层,网络结构规整,网络参数较少,能快速收敛,提高训练速度;所述图像实时识别模块通过构建害虫自动识别模型进行害虫种类的识别;所述害虫自动识别模型通过在GPU服务器上编写的自动识别程序实现,加载所述害虫自动识别模型,使所述害虫自动识别模型处于实时监听状态,能够实时接收用户的识别请求,在接收到用户的识别请求后,能够实时进行害虫图像的读取及害虫种类的识别,并将识别结果反馈至所述诊断服务模块。
所述诊断服务模块根据所述图像实时识别模块获取的害虫种类信息,输出所述害虫的相关科普知识、防治方法、专家信息;所述诊断服务模块通过构建百科数据库,并根据害虫种类的识别结果在所述百科数据库中进行自动搜索,输出所述害虫的相关科普知识、防治方法、专家信息;其中,害虫的相关科普知识包括:常规寄主、分布区域、危害状、害虫防治用药信息,以帮助农户快速控制虫害,降低损失,提高农作物产量。
本实施例还提供一种基于图像实时识别的农作物害虫智能诊断方法,如图2所示,具体包括如下步骤:
S1、获取害虫图像数据;所述害虫图像数据包括不同种类、同一种类不同虫态的害虫图像;本实施例通过人工实地采集害虫图像6万张,共包含21个类别害虫,经去重和去脏处理,保留约2.3万张,每个类别的害虫图像数量均超过500张,覆盖的害虫类别广,样本数量大,能够满足深度学习的数据驱动要求。
S2、对所获取的害虫图像数据进行裁切,确保不丢失图像的原始信息;具体裁切方法为:以害虫图像的中心点为坐标原点,裁切宽*高为250*250像素的区域作为感兴趣区域。
S3、基于裁切后的害虫图像数据构建害虫图像识别数据集,并对所述害虫图像识别数据集进行类别标注,标注后按照6:3:1的比例划分为训练集、测试集和验证集;
S4、基于卷积神经网络构建害虫自动识别模型,并在Tensorflow2.0框架下,通过所述害虫图像识别数据集对所述害虫自动识别模型进行训练;具体包括:
S4.1、在Tensorflow2.0框架下,通过所述训练集对所述害虫自动识别模型进行训练,调优卷积神经网络模型的超参数;所述超参数包括:激活函数、池化方式、学习率;通过预设的训练识别准确率,获取所述超参数的优化值。
S4.2、通过所述测试集计算所述害虫自动识别模型的识别准确率和召回率,验证所述害虫自动识别模型的识别准确率和稳定性,并通过比较所述训练集和所述验证集的识别准确率,验证所述害虫自动识别模型是否过拟合和欠拟合;所述识别准确率和召回率大于或等于预设阈值,所述害虫自动识别模型训练完成,反之,重复步骤S4.1;
所述识别准确率Acc和召回率Rec的计算分别为:
Acc=TP/(TP+FP)
Rec=TP/NT
其中,TP表示正类被判定为正类,FP表示负类被判定为正类,FN表示正类被判定为负类,NT=FP+FN。
S5、根据训练好的害虫自动识别模型对实时采集的害虫图像进行害虫种类的识别;
S6、根据害虫种类的识别结果,推送害虫的相关科普知识、防治方法、专家信息;其中,害虫的相关科普知识包括:常规寄主、分布区域、危害状、害虫防治用药信息,以帮助农户快速控制虫害,降低损失,提高农作物产量。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种基于图像实时识别的农作物害虫智能诊断***,其特征在于,包括:图像采集终端、图像裁切模块、网络数据传输模块、图像实时识别模块、诊断服务模块;所述图像采集终端、图像裁切模块、网络数据传输模块、图像实时识别模块、诊断服务模块依次连接;
所述图像采集终端用于实时获取害虫图像数据;
所述图像裁切模块用于完成害虫图像的裁切,并将裁切后的害虫图像通过所述网络数据传输模块传送至所述图像实时识别模块;
所述图像实时识别模块基于Tensorflow2.0框架下的卷积神经网络模型,实时对害虫图像进行害虫种类的识别,并将识别结果传送至所述诊断服务模块;
所述诊断服务模块根据所述图像实时识别模块获取的害虫种类信息,输出所述害虫的相关科普知识、防治方法、专家信息。
2.根据权利要求1所述的基于图像实时识别的农作物害虫智能诊断***,其特征在于,所述图像实时识别模块通过构建害虫自动识别模型进行害虫种类的识别,所述害虫自动识别模型处于实时监听状态,在接收到用户的识别请求后,实时进行害虫图像的读取以及害虫种类的识别,并将识别结果反馈至所述诊断服务模块。
3.根据权利要求1所述的基于图像实时识别的农作物害虫智能诊断***,其特征在于,所述图像采集终端采用基于Android***的智能实时识别终端。
4.一种基于图像实时识别的农作物害虫智能诊断方法,其特征在于,包括如下步骤:
获取害虫图像数据,并对所获取的害虫图像数据进行裁切;
基于裁切后的害虫图像数据构建害虫图像识别数据集,并对所述害虫图像识别数据集进行类别标注;
基于卷积神经网络构建害虫自动识别模型,并在Tensorflow2.0框架下,通过所述害虫图像识别数据集对所述害虫自动识别模型进行训练;
根据训练好的害虫自动识别模型对实时采集的害虫图像进行害虫种类的识别,并根据害虫种类的识别结果,推送害虫的相关科普知识、防治方法、专家信息。
5.根据权利要求4所述的基于图像实时识别的农作物害虫智能诊断方法,其特征在于,所述害虫图像数据包括不同种类、同一种类不同虫态的害虫图像。
6.根据权利要求4所述的基于图像实时识别的农作物害虫智能诊断方法,其特征在于,通过所述害虫图像识别数据集对所述害虫自动识别模型进行训练的具体方法包括:
按预设比例将所述害虫图像识别数据集划分为训练集、测试集、验证集;
在Tensorflow2.0框架下,通过所述训练集对所述害虫自动识别模型进行训练,调优卷积神经网络的超参数;所述超参数包括:激活函数、池化方式、学习率;
通过所述测试集计算所述害虫自动识别模型的识别准确率和召回率,并根据所述验证集的识别准确率,验证所述害虫自动识别模型是否过拟合和欠拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010846845.8A CN111914951A (zh) | 2020-08-21 | 2020-08-21 | 一种基于图像实时识别的农作物害虫智能诊断***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010846845.8A CN111914951A (zh) | 2020-08-21 | 2020-08-21 | 一种基于图像实时识别的农作物害虫智能诊断***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914951A true CN111914951A (zh) | 2020-11-10 |
Family
ID=73278550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010846845.8A Pending CN111914951A (zh) | 2020-08-21 | 2020-08-21 | 一种基于图像实时识别的农作物害虫智能诊断***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914951A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580591A (zh) * | 2020-12-29 | 2021-03-30 | 江苏农林职业技术学院 | 一种农作物病虫害分析*** |
CN113159060A (zh) * | 2021-02-23 | 2021-07-23 | 华南农业大学 | 一种农作物虫害检测方法及*** |
TWI760124B (zh) * | 2021-03-02 | 2022-04-01 | 國立臺灣大學 | 計數害蟲數量之分級預警系統 |
CN115601585A (zh) * | 2022-09-15 | 2023-01-13 | 中科聚信信息技术(北京)有限公司(Cn) | 基于图片分析的农业病虫害诊断方法及装置 |
CN116468962A (zh) * | 2023-06-20 | 2023-07-21 | 浙江天演维真网络科技股份有限公司 | 害虫识别方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101830056B1 (ko) * | 2017-07-05 | 2018-02-19 | (주)이지팜 | 딥러닝 기반의 병해 진단 시스템 및 그 이용방법 |
KR20180053003A (ko) * | 2016-11-11 | 2018-05-21 | 전북대학교산학협력단 | 딥 러닝을 이용한 작물 병충해 검출 및 진단 방법 및 장치 |
CN108615046A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种储粮害虫检测识别方法及装置 |
CN109411084A (zh) * | 2018-11-28 | 2019-03-01 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度学习的肠结核辅助诊断***及方法 |
KR20190021833A (ko) * | 2017-08-24 | 2019-03-06 | 세종대학교산학협력단 | 병해충 검색을 위한 통합 시스템 |
CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 |
-
2020
- 2020-08-21 CN CN202010846845.8A patent/CN111914951A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180053003A (ko) * | 2016-11-11 | 2018-05-21 | 전북대학교산학협력단 | 딥 러닝을 이용한 작물 병충해 검출 및 진단 방법 및 장치 |
KR101830056B1 (ko) * | 2017-07-05 | 2018-02-19 | (주)이지팜 | 딥러닝 기반의 병해 진단 시스템 및 그 이용방법 |
KR20190021833A (ko) * | 2017-08-24 | 2019-03-06 | 세종대학교산학협력단 | 병해충 검색을 위한 통합 시스템 |
CN108615046A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种储粮害虫检测识别方法及装置 |
CN109411084A (zh) * | 2018-11-28 | 2019-03-01 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度学习的肠结核辅助诊断***及方法 |
CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 |
Non-Patent Citations (3)
Title |
---|
吴晓盼;周礼赞;王大仓;: "基于深度学习的茶叶害虫智能识别APP设计", 科技视界, no. 06 * |
邵泽中,姚青,唐健,李罕琼,杨保军,吕军,陈轶: "面向移动终端的农业害虫图像智能识别***的研究与开发", 《中国农业科学》, vol. 53, no. 16, pages 3257 - 3268 * |
钱蓉,孔娟娟,朱静波,张萌,董伟: "基于VGG-16卷积神经网络的水稻害虫智能识别研究", 《安徽农业科学》, vol. 48, no. 05, pages 235 - 238 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580591A (zh) * | 2020-12-29 | 2021-03-30 | 江苏农林职业技术学院 | 一种农作物病虫害分析*** |
CN113159060A (zh) * | 2021-02-23 | 2021-07-23 | 华南农业大学 | 一种农作物虫害检测方法及*** |
CN113159060B (zh) * | 2021-02-23 | 2023-04-28 | 华南农业大学 | 一种农作物虫害检测方法及*** |
TWI760124B (zh) * | 2021-03-02 | 2022-04-01 | 國立臺灣大學 | 計數害蟲數量之分級預警系統 |
US11910791B2 (en) | 2021-03-02 | 2024-02-27 | National Taiwan University | Graded early warning system for pest quantity counting |
CN115601585A (zh) * | 2022-09-15 | 2023-01-13 | 中科聚信信息技术(北京)有限公司(Cn) | 基于图片分析的农业病虫害诊断方法及装置 |
CN116468962A (zh) * | 2023-06-20 | 2023-07-21 | 浙江天演维真网络科技股份有限公司 | 害虫识别方法、装置、设备及介质 |
CN116468962B (zh) * | 2023-06-20 | 2023-10-24 | 浙江天演维真网络科技股份有限公司 | 害虫识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914951A (zh) | 一种基于图像实时识别的农作物害虫智能诊断***及方法 | |
CN110245720B (zh) | 一种基于深度学习的柑橘病虫害智能诊断方法及*** | |
CN109615627B (zh) | 一种输变电巡检图像质量评价方法及*** | |
CN113470076B (zh) | 一种平养鸡舍黄羽鸡多目标跟踪方法 | |
CN113822198B (zh) | 基于uav-rgb图像和深度学习的花生生长监测方法、***及介质 | |
CN113128576A (zh) | 基于深度学习图像分割的作物行检测方法及装置 | |
CN112528058B (zh) | 基于图像属性主动学习的细粒度图像分类方法 | |
CN111666897A (zh) | 基于卷积神经网络的斑石鲷个体识别方法 | |
CN113435355A (zh) | 多目标奶牛身份识别方法及*** | |
CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
CN112883915A (zh) | 一种基于迁移学习的麦穗自动识别方法和*** | |
CN109978058B (zh) | 确定图像分类的方法、装置、终端及存储介质 | |
CN115294651A (zh) | 一种基于农事场景的行为分析方法及服务器 | |
CN115761356A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
CN116612191B (zh) | 一种车载式采摘机器人自动定位方法及装置 | |
CN113989538A (zh) | 基于深度图像的鸡群均匀度估测方法、装置、***及介质 | |
CN117351404A (zh) | 一种奶牛分娩应激程度判识方法及*** | |
CN112966698A (zh) | 基于轻量化卷积网络的淡水鱼图像实时识别方法 | |
CN115830078B (zh) | 生猪多目标跟踪及行为识别方法、计算机设备与存储介质 | |
CN116612386A (zh) | 基于分级检测双任务模型的辣椒病虫害识别方法及*** | |
CN115965874A (zh) | 一种农作物病害识别方法、***、装置和存储介质 | |
CN111723737B (zh) | 一种基于多尺度匹配策略深度特征学习的目标检测方法 | |
CN114569129A (zh) | 畜禽的情绪监控方法以及畜禽的情绪监控装置 | |
CN112819527A (zh) | 一种用户分群处理方法及装置 | |
CN117315552B (zh) | 一种大规模农作物巡检方法、装置及存储介质 |
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: 20201110 |