CN112364826B - 一种基于航拍图像的害虫识别方法 - Google Patents
一种基于航拍图像的害虫识别方法 Download PDFInfo
- Publication number
- CN112364826B CN112364826B CN202011378398.4A CN202011378398A CN112364826B CN 112364826 B CN112364826 B CN 112364826B CN 202011378398 A CN202011378398 A CN 202011378398A CN 112364826 B CN112364826 B CN 112364826B
- Authority
- CN
- China
- Prior art keywords
- features
- image
- training
- pest
- noise
- 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.)
- Active
Links
Classifications
-
- 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
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Catching Or Destruction (AREA)
Abstract
一种基于航拍图像的害虫识别方法,该方法包括以下步骤:步骤1,获取实验图像数据;步骤2,添加相干斑噪;步骤3,提取图像轮廓特征;步骤4,GRA算法筛选图像轮廓特征;步骤5,训练回声状态网络;步骤6,微调网络;步骤7,害虫预警。本发明在模拟环境噪声的基础上训练回声状态网络模型,增加了训练模型的鲁棒性和稳定性,提取了害虫的轮廓特征,为了增加轮廓特征的可分性,对特征进行平移不变性、尺度不变性和旋转不变性处理,并通过GRA算法对轮廓特征进行筛选,通过模型对比可知筛选后的轮廓特征更容易识别害虫类型。
Description
技术领域
本发明涉及害虫识别领域,特别是涉及一种基于航拍图像的害虫识别方法。
背景技术
农业是我国国民经济的基础产业,虫害的防治效果直接与农业生产效益、农产品质量安全、农业生态环境安全等相关。近些年来,全球气候异常多变、耕作制度与生产方式改变以及作物复种指数提高,作物虫害呈多发、频发、大规模态势。虫害检测方法主要是依赖种植户的经验,有些地区邀请农技人员、农业专家上门指导或远程指导等,传统的方式往往错过了防治的最佳时机,效率低,费用高,时效性差。
近年来,随着机器学习和深度学习的发展,通过基于机器视觉识别和卷积神经网络深度学习来识别农业害虫将会大大减少农业虫害的发生,在害虫体征出现时,能够对图像快速分析判断,精准地定位虫害类型,及时发出预警,将害虫消灭在萌芽中。
发明内容
为解决上述问题,本发明无人机航拍采集的图像数据基础上,提出了一种基于航拍图像的害虫识别方法。为尽可能的降低环境噪声对传感器采集的数据的影响,本发明通过模拟噪声环境对传感器采集数据的影响,增强训练得到的模型的鲁棒性。另外,为了增加图像特征的可分性,本发明提取了害虫的轮廓特征,并通过算法消除图像特征的平移性、尺度性和旋转性。为达此目的,本发明提供一种基于航拍图像的害虫识别方法方法,具体步骤如下,其特征在于:
步骤1,获取实验图像数据:使用无人机对需要检测害虫的农地进行检测,并将采集到的农田航拍图像传回服务器,建立农业害虫图像样本集;
步骤2,添加相干斑噪声:向步骤1中获取的农业害虫图像数据添加乘性噪声,通过添加相干斑噪声模拟噪声环境下采集信号所受到的干扰;
步骤3,提取图像轮廓特征:提取步骤2中处理后害虫图像的轮廓特征,通过算法处理使其特征具有平移不变性、尺度不变性和旋转不变性;
步骤4,GRA算法筛选图像轮廓特征:通过GRA算法找出步骤3.4获得轮廓特征的冗余关系,并剔除冗余的图像轮廓特征。
步骤5,训练回声状态网络:将步骤4获得的样本特征数据化分为训练样本和测试样本,将训练样本的特征作为输入,训练样本的标签作为输出,训练回声状态网络;
步骤6,微调网络:对预训练的回声状态网络进行微调,以提高模型的精确性;
步骤7,害虫预警:将训练获得的回声状态网络模型嵌入硬件***中,并将模型识别的结果发送给农户,有针对性的灭除害虫。
进一步,步骤2中添加相干斑噪声的过程可以表示为:
添加乘性噪声模型来描述信号所受的相干斑噪声:
zij=xijvij (1)
zij是害虫图像上(i,j)像素被相干斑噪声污染后的强度,xij是未被噪声污染图像的反射率,vij是服从均值为1指数分布的噪声。
进一步,步骤3中提取图像轮廓特征的过程可以表示为:
由于昆虫的轮廓特征较为复杂,在水平方向和竖直方向都有着较大的轮廓变化,因此通过加权距离的轮廓特征提取方法来提取昆虫特征:
步骤3.1:计算昆虫图像上曲线的质心:
(xi,yi)i∈{1,2,3,...,n}是经过乘性噪声处理过后的昆虫二值图像坐标,(xc,yc)是轮廓曲线的质心。
步骤3.2:计算二值图像上的点(xi,yi)到质心(xc,yc)的加权距离:
由于二值图像上的点(xi,yi)与质心有关,因此所求的距离di具有平移不变性。
步骤3.3:对特征di进行尺度不变性处理:
s为将特征统一的采样长度,为处理过后的特征,具有尺度不变性。
步骤3.4:对步骤3.3得到的加权距离进行旋转不变性处理得到特征pt:
其中pt是第t帧昆虫图像处理过后的加权距离轮廓特征,Sm是时移因子。
进一步,步骤4中GRA算法筛选图像轮廓特征的过程可以表示为:
求出所有图像轮廓特征的灰色关联度并组成上三角矩阵A:
式中,εij表示第i个轮廓特征和第j个轮廓特征的灰色绝对关联度,一般地设置阈值0.8,当灰色绝对关联度大于0.8时,判定该两个特征是冗余特征,并剔除其中一个冗余特征,最终组成筛选过后的轮廓特征样本D。
进一步,步骤5中训练回声状态网络的过程可以表示为:
将步骤4获得的轮廓特征样本D和样本标签Ei组成训练样本u(i)={D(i),E(i)};
步骤5.1初始化网络,将训练样本特征D(i)通过输入连接权值矩阵Win进入储备池,E(i)经过反馈连接权值Wback进入储备池,并根据下式的顺序采集***状态和输出状态:
x(i+1)=f(WinD(i+1)+Wx(i)+WbackE(i)) (9)
E(i+1)=fout(WoutD(i+1),x(i+1),E(i)) (10)
其中,x(i)是初始值为0的***参数,f(·)为储备池节点的激励函数,fout()为储备池输出单元的激励函数,W表示储备池内部神经元的连接权值矩阵,Wout表示输出值矩阵。
步骤5.2计算输出值矩阵Wout:
其中,K是输入层的神经元个数,N是储备池神经元的个数,L是输出层神经元个数,表示正则化因子,||·||表示欧式距离。
本发明一种基于航拍图像的害虫识别方法,有益效果:本发明的技术效果在于:
1.本发明利用所提方法有效的模拟了航拍图像在采集数据时受到的噪声环境的干扰,利用模拟噪声的数据训练回声状态网络模型,增强了模型在噪声环境下的鲁棒性;
2.本发明通过算法使提取的害虫轮廓特征具有平移不变性、尺度不变性和旋转不变性,增加了轮廓特征的可分性;
3.本发明通过GRA算法对轮廓特征进行筛选,通过模型对比可知筛选后的轮廓特征更容易识别害虫类型
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了一种基于航拍图像的害虫识别方法,旨在提高农田害虫识别的精确度,根据模型识别的结果对害虫针对性的灭除,首先通过无人机获取农业害虫图像,同时为了增加训练模型的鲁棒性和稳定性,在训练回声网络模型之前,给图像添加相干斑噪声,其次通过算法消除了所提害虫特征的平移性、尺度性和旋转性,最后通过训练回声网络模型实现害虫的有效识别。图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。
步骤1,获取实验图像数据:使用无人机对需要检测害虫的农地进行检测,并将采集到的农田航拍图像传回服务器,建立农业害虫图像样本集;
步骤2,添加相干斑噪声:向步骤1中获取的农业害虫图像数据添加乘性噪声,通过添加相干斑噪声模拟噪声环境下采集信号所受到的干扰;
步骤2中添加相干斑噪声的过程可以表示为:
添加乘性噪声模型来描述信号所受的相干斑噪声:
zij=xijvij (1)
zij是害虫图像上(i,j)像素被相干斑噪声污染后的强度,xij是未被噪声污染图像的反射率,vij是服从均值为1指数分布的噪声。
步骤3,提取图像轮廓特征:提取步骤2中处理后害虫图像的轮廓特征,通过算法处理使其特征具有平移不变性、尺度不变性和旋转不变性;
步骤3中提取图像轮廓特征的过程可以表示为:
由于昆虫的轮廓特征较为复杂,在水平方向和竖直方向都有着较大的轮廓变化,因此通过加权距离的轮廓特征提取方法来提取昆虫特征:
步骤3.1:计算昆虫图像上曲线的质心:
(xi,yi)i∈{1,2,3,…,n}是经过乘性噪声处理过后的昆虫二值图像坐标,(xc,yc)是轮廓曲线的质心。
步骤3.2:计算二值图像上的点(xi,yi)到质心(xc,yc)的加权距离:
由于二值图像上的点(xi,yi)与质心有关,因此所求的距离di具有平移不变性。
步骤3.3:对特征di进行尺度不变性处理:
s为将特征统一的采样长度,为处理过后的特征,具有尺度不变性。
步骤3.4:对步骤3.3得到的加权距离进行旋转不变性处理得到特征pt:
其中pt是第t帧昆虫图像处理过后的加权距离轮廓特征,Sm是时移因子。
步骤4,GRA算法筛选图像轮廓特征:通过GRA算法找出步骤3.4获得轮廓特征的冗余关系,并剔除冗余的图像轮廓特征。
步骤4中GRA算法筛选图像轮廓特征的过程可以表示为:
求出所有图像轮廓特征的灰色关联度并组成上三角矩阵A:
式中,εij表示第i个轮廓特征和第j个轮廓特征的灰色绝对关联度,一般地设置阈值0.8,当灰色绝对关联度大于0.8时,判定该两个特征是冗余特征,并剔除其中一个冗余特征,最终组成筛选过后的轮廓特征样本D。
步骤5,训练回声状态网络:将步骤4获得的样本特征数据化分为训练样本和测试样本,将训练样本的特征作为输入,训练样本的标签作为输出,训练回声状态网络;
步骤5中训练回声状态网络的过程可以表示为:
将步骤4获得的轮廓特征样本D和样本标签Ei组成训练样本u(i)={D(i),E(i)};
步骤5.1初始化网络,将训练样本特征D(i)通过输入连接权值矩阵Win进入储备池,E(i)经过反馈连接权值Wback进入储备池,并根据下式的顺序采集***状态和输出状态:
x(i+1)=f(WinD(i+1)+Wx(i)+WbackE(i)) (9)
E(i+1)=fout(WoutD(i+1),x(i+1),E(i)) (10)
其中,x(i)是初始值为0的***参数,f(·)为储备池节点的激励函数,fout(·)为储备池输出单元的激励函数,W表示储备池内部神经元的连接权值矩阵,Wout表示输出值矩阵。
步骤5.2计算输出值矩阵Wout:
其中,K是输入层的神经元个数,N是储备池神经元的个数,L是输出层神经元个数,表示正则化因子,||·||表示欧式距离。
步骤6,微调网络:对预训练的回声状态网络进行微调,以提高模型的精确性;
步骤7,害虫预警:将训练获得的回声状态网络模型嵌入硬件***中,并将模型识别的结果发送给农户,有针对性的灭除害虫。
由于每个害虫的轮廓特征具有很大的差异性,回声状态网络可根据害虫的轮廓特征对害虫进行有效的识别,为了增加轮廓特征的可分性,本发明通过算法使提取的害虫轮廓特征具有平移不变性、尺度不变性和旋转不变性,但是由于轮廓特征太多,存在一定的冗余性,会增加网络计算时的复杂度,影响模型分类精度,因此本发明通过GRA算法对轮廓特征进行筛选,通过模型对比可知筛选后的轮廓特征更容易识别害虫类型。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (1)
1.一种基于航拍图像的害虫识别方法,具体步骤如下,其特征在于:
步骤1,获取实验图像数据:使用无人机对需要检测害虫的农地进行检测,并将采集到的农田航拍图像传回服务器,建立农业害虫图像样本集;
步骤2,添加相干斑噪声:向步骤1中获取的农业害虫图像数据添加乘性噪声,通过添加相干斑噪声模拟噪声环境下采集信号所受到的干扰;
步骤2中添加相干斑噪声的过程表示为:
添加乘性噪声模型来描述信号所受的相干斑噪声:
zij=xijvij (1)
zij是害虫图像上(i,j)像素被相干斑噪声污染后的强度,xij是未被噪声污染图像的反射率,vij是服从均值为1指数分布的噪声;
步骤3,提取图像轮廓特征:提取步骤2中处理后害虫图像的轮廓特征,通过算法处理使其特征具有平移不变性、尺度不变性和旋转不变性;
步骤3中提取图像轮廓特征的过程表示为:
由于昆虫的轮廓特征较为复杂,在水平方向和竖直方向都有着较大的轮廓变化,因此通过加权距离的轮廓特征提取方法来提取昆虫特征:
步骤3.1:计算昆虫图像上曲线的质心:
(xi,yi)i∈{1,2,3,,n}是经过乘性噪声处理过后的昆虫二值图像坐标,(xc,yc)是轮廓曲线的质心;
步骤3.2:计算二值图像上的点(xi,yi)到质心(xc,yc)的加权距离:
由于二值图像上的点(xi,yi)与质心有关,因此所求的距离di具有平移不变性;
步骤3.3:对特征di进行尺度不变性处理:
s为将特征统一的采样长度,为处理过后的特征,具有尺度不变性;
步骤3.4:对步骤3.3得到的加权距离进行旋转不变性处理得到特征pt:
其中pt是第t帧昆虫图像处理过后的加权距离轮廓特征,Sm是时移因子;
步骤4,GRA算法筛选图像轮廓特征:通过GRA算法找出步骤3.4获得轮廓特征的冗余关系,并剔除冗余的图像轮廓特征;
步骤4中GRA算法筛选图像轮廓特征的过程表示为:
求出所有图像轮廓特征的灰色关联度并组成上三角矩阵A:
式中,εij表示第i个轮廓特征和第j个轮廓特征的灰色绝对关联度,设置阈值0.8,当灰色绝对关联度大于0.8时,判定该两个特征是冗余特征,并剔除其中一个冗余特征,最终组成筛选过后的轮廓特征样本D;
步骤5,训练回声状态网络:将步骤4获得的样本特征数据化分为训练样本和测试样本,将训练样本的特征作为输入,训练样本的标签作为输出,训练回声状态网络;
步骤5中训练回声状态网络的过程表示为:
将步骤4获得的轮廓特征样本D和样本标签Ei组成训练样本u(i)={D(i),E(i)};
步骤5.1初始化网络,将训练样本特征D(i)通过输入连接权值矩阵Win进入储备池,E(i)经过反馈连接权值Wback进入储备池,并根据下式的顺序采集***状态和输出状态:
x(i+1)=f(WinD(i+1)+Wx(i)+WbackE(i)) (9)
E(i+1)=fout(WoutD(i+1),x(i+1),E(i)) (10)
其中,x(i)是初始值为0的***参数,f()为储备池节点的激励函数,fout()为储备池输出单元的激励函数,W表示储备池内部神经元的连接权值矩阵,Wout表示输出值矩阵;
步骤5.2计算输出值矩阵Wout:
其中,K是输入层的神经元个数,N是储备池神经元的个数,L是输出层神经元个数,表示正则化因子,||||表示欧式距离;
步骤6,微调网络:对预训练的回声状态网络进行微调,以提高模型的精确性;
步骤7,害虫预警:将训练获得的回声状态网络模型嵌入硬件***中,并将模型识别的结果发送给农户,有针对性的灭除害虫。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011378398.4A CN112364826B (zh) | 2020-12-01 | 2020-12-01 | 一种基于航拍图像的害虫识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011378398.4A CN112364826B (zh) | 2020-12-01 | 2020-12-01 | 一种基于航拍图像的害虫识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364826A CN112364826A (zh) | 2021-02-12 |
CN112364826B true CN112364826B (zh) | 2023-08-01 |
Family
ID=74535670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011378398.4A Active CN112364826B (zh) | 2020-12-01 | 2020-12-01 | 一种基于航拍图像的害虫识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364826B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968771A (zh) * | 2012-12-03 | 2013-03-13 | 北方民族大学 | 基于Contourlet域多状态HMT模型的含噪图像增强方法 |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN108901033A (zh) * | 2018-06-20 | 2018-11-27 | 南京邮电大学 | 基于回声状态网络的基站流量预测方法 |
CN109325500A (zh) * | 2018-08-02 | 2019-02-12 | 佛山科学技术学院 | 一种基于面积加权的三维模型特征提取方法及装置 |
CN111126332A (zh) * | 2019-12-31 | 2020-05-08 | 桂林电子科技大学 | 基于轮廓特征的跳频信号分类方法 |
CN111860306A (zh) * | 2020-07-19 | 2020-10-30 | 陕西师范大学 | 基于宽度深度回声状态网络的脑电信号去噪方法 |
-
2020
- 2020-12-01 CN CN202011378398.4A patent/CN112364826B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968771A (zh) * | 2012-12-03 | 2013-03-13 | 北方民族大学 | 基于Contourlet域多状态HMT模型的含噪图像增强方法 |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN108901033A (zh) * | 2018-06-20 | 2018-11-27 | 南京邮电大学 | 基于回声状态网络的基站流量预测方法 |
CN109325500A (zh) * | 2018-08-02 | 2019-02-12 | 佛山科学技术学院 | 一种基于面积加权的三维模型特征提取方法及装置 |
CN111126332A (zh) * | 2019-12-31 | 2020-05-08 | 桂林电子科技大学 | 基于轮廓特征的跳频信号分类方法 |
CN111860306A (zh) * | 2020-07-19 | 2020-10-30 | 陕西师范大学 | 基于宽度深度回声状态网络的脑电信号去噪方法 |
Non-Patent Citations (9)
Title |
---|
Analyzing Invariance of Frequency Domain based Features from Videos with Repeating Motion;Ayyildiz K 等;《International Conference on Computer Vision Theory and Applications (VISAPP)》;659-666 * |
P. A. Kountouriotis 等.Multi-step forecasting using echo state networks.《 EUROCON 2005 - The International Conference on "Computer as a Tool"》.2006,第2卷1574-1577. * |
Robust vehicle tracking based on Scale Invariant Feature Transform;Qiu Tu 等;《2008 International Conference on Information and Automation》;86-90 * |
Translation, rotation and scale invariant pattern recognition using spectral analysis and hybrid genetic-neural-fuzzy networks;Lee Sang-Kyung 等;《Computers & Industrial Engineering》;第30卷(第3期);511-522 * |
Translation, rotation, and scale-invariant object recognition;Torres-Mendez L A 等;《IEEE Transactions on Systems》;第30卷(第1期);125-130 * |
回声状态网络的研究进展;罗熊 等;《北京科技大学学报》;第34卷(第02期);217-222 * |
基于局部轮廓和随机森林的人体行为识别;蔡加欣 等;《光学学报》;第34卷(第10期);212-221 * |
基于特征优选和图像相似度的人体动作识别算法;郭志涛 等;《科学技术与工程》;第19卷(第18期);228-233 * |
基于相似日和回声状态网络的光伏发电功率预测;安鹏跃 等;《智慧电力》;第48卷(第08期);38-43 * |
Also Published As
Publication number | Publication date |
---|---|
CN112364826A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdullahi et al. | Convolution neural network in precision agriculture for plant image recognition and classification | |
CN107665355B (zh) | 一种基于区域卷积神经网络的农业害虫检测方法 | |
CN110926430B (zh) | 一种空地一体化红树林监测***及控制方法 | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及*** | |
CN111976389B (zh) | 轮胎磨损程度辨识方法及装置 | |
Roldán-Serrato et al. | Automatic pest detection on bean and potato crops by applying neural classifiers | |
CN108537102A (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
Suma et al. | CNN based leaf disease identification and remedy recommendation system | |
CN113312999B (zh) | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 | |
Liang et al. | Low-cost weed identification system using drones | |
Bukhari et al. | Assessing the impact of segmentation on wheat stripe rust disease classification using computer vision and deep learning | |
CN117496356A (zh) | 农业人工智能作物检测方法及*** | |
Ozguven | Deep learning algorithms for automatic detection and classification of mildew disease in cucumber | |
Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
Choudhary et al. | Automatic classification of cowpea leaves using deep convolutional neural network | |
CN112364826B (zh) | 一种基于航拍图像的害虫识别方法 | |
Ouf | A review on the relevant applications of machine learning in agriculture | |
Deng et al. | Identification of Banana Leaf Disease Based on KVA and GR-ARNet1 | |
Rony et al. | BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification | |
CN108776968B (zh) | 基于深度森林的sar图像变化检测方法 | |
Indukuri et al. | Paddy Disease Classifier using Deep learning Techniques | |
Maragathavalli et al. | A Review Of Plant Disease Detection Methods Using Image Processing Approaches | |
Khan et al. | A deep learning-based detection system of multi-class crops and orchards using a UAV | |
Panchami et al. | Rice Leaf Disease Detection and Diagnosis Using Convolution Neural Network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |