CN112613393B - 蚕病识别*** - Google Patents
蚕病识别*** Download PDFInfo
- Publication number
- CN112613393B CN112613393B CN202011509810.1A CN202011509810A CN112613393B CN 112613393 B CN112613393 B CN 112613393B CN 202011509810 A CN202011509810 A CN 202011509810A CN 112613393 B CN112613393 B CN 112613393B
- Authority
- CN
- China
- Prior art keywords
- silkworm
- pictures
- image
- disease
- picture
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种蚕病识别方法,包括以下步骤:步骤a、获取多张蚕图片,并分类标注;步骤b、构建TensorFlow框架,以多张已分类标注的蚕图片为训练集,以训练集的蚕图片的图像特征向量和对应的分类标注训练TensorFlow框架,得到蚕病识别模型;步骤c、提取待识别的蚕图片的图像特征向量,输入至蚕病识别模型,输出得到与待识别的蚕图片对应的分类标注。具有便捷获取和快速掌握蚕病信息,实现蚕病防控的智能化的有益效果。还公开了一种蚕病识别***,包括:蚕图片采集模块;图片处理模块;蚕图片识别模块;显示模块。具有便捷获取和快速掌握蚕病信息,协助蚕病防控的有益效果。
Description
技术领域
本发明涉及蚕病图片识别技术领域。更具体地说,本发明涉及一种蚕病识别***。
背景技术
桑蚕饲养作为农业的一部分,自古至今都备受关注。从汉朝《陌上桑》中的“罗敷喜蚕桑,采桑城南隅”,到唐代李商隐著名的“春蚕到死丝方尽”,可以看出蚕桑养殖在我国发源已久且有着举足轻重的位置。放眼当下,我国广西壮族自治区更是有着“世界蚕业***,中国蚕业看广西”的美誉,蚕茧和生丝产量位居世界前列。据调查,家蚕血液型脓病(家蚕核型多角体病)这一类亚急性传染病和家蚕白僵病这一类真菌寄生性蚕病对广西蚕桑产业危害较大,有必要提高针对性防控措施,加强对广大蚕农的精准帮扶。
随着科技的发展,将科技与农业精准结合,已成为我国农业发展现代化的必然趋势。为了更好地服务于广大蚕农,帮助蚕农便捷获取和快速掌握蚕病防控知识,替代传统的专家电话问诊或网上知识查询,使蚕病的诊治不再受限于时间和地点,实现蚕病防控的智能化是值得研究的。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种蚕病识别方法,通过建立大量的蚕图片与蚕病的分类标注,并通过TensorFlow框架进行智能训练,得到蚕图片与蚕病的分类标注的映射关系,后期只需要对病蚕进行拍照,并将拍摄的图片进行图像特征向量表示,然后输入到蚕病识别模型,即可快速知晓蚕是否患病,患的是何种病,该病的症状、病因、危害,以及常用的治疗方法。而不需要专门请蚕病专家到蚕农家来,进行实地访查,可以节约大量时间。
提供了一种蚕病识别***,可以帮助蚕农便捷获取和快速掌握蚕病防控知识,替代传统的专家电话问诊或网上知识查询,使蚕病的诊治不再受限于时间和地点,实现蚕病防控的智能化。
为了实现根据本发明的这些目的和其它优点,提供了一种蚕病识别方法,包括以下步骤:
步骤a、获取多张蚕图片,对蚕图片进行分类标注,分类标注包括蚕图片的蚕病名称;
步骤b、构建TensorFlow框架,以多张已分类标注的蚕图片为训练集,提取训练集中蚕图片的图像特征向量,以训练集的蚕图片的图像特征向量和对应的分类标注训练TensorFlow框架,得到蚕病识别模型;
步骤c、提取待识别的蚕图片的图像特征向量,输入至蚕病识别模型,输出得到与待识别的蚕图片对应的分类标注。
优选的是,还包括识别验证,其包括以下步骤:
步骤d、将每张蚕图片随机旋转得到多张旋转角度不同的蚕图片,并对蚕图片进行分类标注;
步骤e、构建图形变分自编码器,选取多张分类标注为同一类的蚕图片为训练集,提取训练集的蚕图片的图像特征向量,以训练集的蚕图片的图像特征向量训练图形变分自编码器,得到该分类标注的图形变分自编码器;
步骤f、按分类标注的种类,按照步骤e的方法,得到多个分类标注的图形变分自编码器;
步骤g、将待识别的蚕图片随机旋转得到多张旋转角度不同的蚕图片,提取蚕图片的图像特征向量,分别输入至与步骤c中输出的分类标注类型对应的图形变分自编码器,输出得到多个图像特征的损失值;
步骤h、与预设的损失值阈值比较,若均在损失值阈值范围内,则输出步骤c中得到的分类标注。
优选的是,还包括在对蚕图片提取特征向量前,对蚕图片进行预处理,预处理包括统一蚕图片的背景、统一蚕图片的像素、统一蚕图片的尺寸。
优选的是,步骤c中通过欧式距离比对待识别的蚕图片的图像特征向量与训练集中的蚕病图的图像特征向量,进行相似度匹配检索,将相似值按从高至低的顺序排列,选取排列位于前N个的训练集中的蚕病图片的分类标注并输出,其中,N为大于0的整数。
优选的是,损失值采用重建损失和KL散度的和计算得到。
优选的是,还包括将蚕病名称与蚕病名称对应的症状、病因、治疗方法的信息关联。
优选的是,统一蚕图片的背景的方法具体为:选取一张蚕叶图片为标准图片,计算标准图片的全部像素点的亮度值的平均值,得到第一光照强度信息,计算标准图片的全部像素点的灰阶值的平均值,得到第二光照强度信息;
根据第一光照强度信息和第二光照强度信息,确定环境光补偿数据;
根据环境光补偿数据对蚕病图片进行曝光补偿处理,得到统一背景的蚕图片。
提供一种蚕病识别***,包括:
蚕图片采集模块,其用于获取蚕图片;
图片处理模块,其用于对蚕图片进行预处理,对蚕图片提取图像特征向量;
蚕图片识别模块,其用于构建TensorFlow框架,以多张已分类标注的蚕图片为训练集,以训练集的蚕图片的图像特征向量和对应的分类标注训练TensorFlow框架,得到蚕病识别模型,用于以待识别的蚕图片的图像特征向量为输入值,输出得到与该待识别的蚕图片对应的分类标注;
显示模块,其用于显示蚕图片和分类标注。
优选的是,还包括蚕病验证模块,其包括:
处理单元,其用于将每张蚕图片随机旋转得到多张旋转角度不同的蚕图片;
提取单元,其用于选取多张分类标注为同一类的蚕图片为训练集,提取蚕图片的图像特征向量;
判别单元,其用于构建图形变分自编码器,选取多张分类标注为同一类的蚕图片为训练集,提取训练集的蚕图片的图像特征向量,以训练集的蚕图片的图像特征向量训练图形变分自编码器,得到该分类标注的图形变分自编码器;
验证单元,其用于将多张旋转角度不同的待识别的蚕图片的图像特征向量,分别输入至与所述蚕图片识别模块输出的分类标注类型对应的图形变分自编码器,输出得到多个图像特征的损失值,并且与预设的损失值阈值比较,若均在损失值阈值范围内,则输出所述蚕图片识别模块得到的分类标注。
优选的是,所述图片处理模块用于统一蚕图片的背景。
本发明至少包括以下有益效果:
第一、可以帮助蚕农便捷获取和快速掌握蚕病防控知识,替代传统的专家电话问诊或网上知识查询,使蚕病的诊治不再受限于时间和地点,实现蚕病防控的智能化,填补了业界空白。
第二、通过建立大量的蚕图片与蚕病的分类标注,并通过TensorFlow框架进行智能训练,得到蚕图片与蚕病的分类标注的映射关系,后期只需要对病蚕进行拍照,并将拍摄的图片进行图像特征向量表示,然后输入到蚕病识别模型,即可快速知晓蚕是否患病,患的是何种病,该病的症状、病因、危害,以及常用的治疗方法。而不需要专门请蚕病专家到蚕农家来,进行实地访查,可以节约大量时间。
第三、为了进一步提升蚕病识别的精准性,尤其是对一些患病率高、病死率高、或难确疹的蚕病种类,可以单独建立图形变分自编码器,从而在最终输出分类标注前,进行进一步的识别验证,避免误诊,而导致蚕农损失。
第四、通常蚕都是在室内养殖,并且是由上下间隔层层养殖的,拍摄的蚕图片经常会出现光线不足,或光线不均匀的情况。因此,采用选取一个标准图片的方式,并以标准图片的光照强度来补偿蚕图片,标准图片优选用蚕叶图片,其与蚕农拍摄的蚕图片相似度更高,从而也有利于环境光补偿数据的精准性,最终提高蚕病识别精准性。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
具体实施方式
对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是,下述实施方案中所述实验方法,如无特殊说明,均为常规方法,所述试剂和材料,如无特殊说明,均可从商业途径获得。
本发明提供一种蚕病识别方法,包括以下步骤:
步骤a、获取多张蚕图片,对蚕图片进行分类标注,分类标注包括蚕图片对应的蚕病名称;蚕图片的数量和种类越多,越有利于本发明识别方法的准确性。分类标注包括对图片中蚕是否患病,患病的种类,即名称,每种蚕病对应的症状、病因、危害,以及常用的治疗方法。通过采用人工标注的方式,进行标注,虽然前期构建***的时候,工作量大,但***构建完成后,就可以快速、便捷、精准地识别蚕图片中蚕是否患病,患何种病了。
步骤b、构建TensorFlow框架,以多张已分类标注的蚕图片为训练集,提取训练集中蚕图片的图像特征向量,以训练集的蚕图片的图像特征向量和对应的分类标注训练TensorFlow框架,得到蚕病识别模型;通过1024维特征向量对训练集中每张蚕图片进行表示并保存,建立训练集中每张蚕图片的图像特征向量与分类标注的映射关系,即训练TensorFlow框架,得到蚕病识别模型;
步骤c、提取待识别的蚕图片的图像特征向量,输入至蚕病识别模型,输出得到与待识别的蚕图片对应的分类标注。将待识别蚕病图像用1024维特征向量进行表示,输入至蚕病识别模型,通过欧式距离与保存的所有训练集蚕病图像特征向量进行比对,选取相似值最高的一幅或多幅蚕图片,及对应的分类标注输出,进行展示。
在上述技术方案中,通过建立大量的蚕图片与蚕病的分类标注,并通过TensorFlow框架进行智能训练,得到蚕图片与蚕病的分类标注的映射关系,后期只需要对病蚕进行拍照,并将拍摄的图片进行图像特征向量表示,然后输入到蚕病识别模型,即可快速知晓蚕是否患病,患的是何种病,该病的症状、病因、危害,以及常用的治疗方法。而不需要专门请蚕病专家到蚕农家来,进行实地访查,可以节约大量时间。
在另一种技术方案中,还包括识别验证,其包括以下步骤:
步骤d、将每张蚕图片随机旋转得到多张旋转角度不同的蚕图片,并对蚕图片进行分类标注;对同一蚕图片进行多角度旋转,可以提升识别模型的精准性。
步骤e、构建图形变分自编码器,选取多张分类标注为同一类的蚕图片为训练集,提取训练集的蚕图片的图像特征向量,以训练集的蚕图片的图像特征向量训练图形变分自编码器,得到该分类标注的图形变分自编码器;变分自编码器是一种无监督式学习深度生成模型。在变分自编码器中,构建了基于深度神经网络的推断网络和生成网络。其中,推断网络用于原始数据的变分推断,生成隐变量的变分概率分布;生成网络则根据生成的隐变量变分概率分布,还原生成原始数据的近似概率分布。这样可以将每一类分类标注进行智能聚类,提高聚类精准性。
步骤f、按分类标注的种类,按照步骤e的方法,得到多个分类标注的图形变分自编码器;
步骤g、将待识别的蚕图片随机旋转得到多张旋转角度不同的蚕图片,提取蚕图片的图像特征向量,分别输入至与步骤c中输出的分类标注类型对应的图形变分自编码器,输出得到多个图像特征的损失值;
步骤h、与预设的损失值阈值比较,若均在损失值阈值范围内,则输出步骤c中得到的分类标注。对步骤c中输出的分类标注进行验证,若在损失值阈值范围内,则说明分类标注可靠,进行输出和展示,若不在损失值阈值范围内,则说明分类结果有待商榷,比如说此类蚕病较难确诊。
在上述技术方案中,为了进一步提升蚕病识别的精准性,尤其是对一些患病率高、病死率高、或难确疹的蚕病种类,可以单独建立图形变分自编码器,从而在最终输出分类标注前,进行进一步的识别验证,避免误诊,而导致蚕农损失。
在另一种技术方案中,还包括在对蚕图片提取特征向量前,对蚕图片进行预处理,预处理包括统一蚕图片的背景、统一蚕图片的像素、统一蚕图片的尺寸。可以减少背景、像素不一致、噪声的影响,从而提高特征向量表示的精准性。
在另一种技术方案中,步骤c中通过欧式距离比对待识别的蚕图片的图像特征向量与训练集中的蚕病图的图像特征向量,进行相似度匹配检索,将相似值按从高至低的顺序排列,选取排列位于前N个的训练集中的蚕病图片的分类标注并输出,其中,N为大于0的整数。当输出大于1的整数的分类标注结果时,可以为用户提供更多参考,有助于辅助于人为的判断。比如蚕农可以根据多个输出结果,结合自己养殖过程中的具体情况,进行选择。
在另一种技术方案中,损失值采用重建损失和KL散度的和计算得到。为确保图形变分自编码器的泛化能力,采用重建损失和KL散度(Kullback-Leibler divergence)之和计算上述变分自编码器的损失值,并以此为基础训练和优化变分自编码器。
在另一种技术方案中,还包括将蚕病名称与蚕病名称对应的症状、病因、治疗方法的信息关联。从而可以提供更多的蚕病信息,帮助蚕农处理病蚕。
在另一种技术方案中,统一蚕图片的背景的方法具体为:选取一张蚕叶图片为标准图片,计算标准图片的全部像素点的亮度值的平均值,得到第一光照强度信息,计算标准图片的全部像素点的灰阶值的平均值,得到第二光照强度信息;
根据第一光照强度信息和第二光照强度信息,确定环境光补偿数据;
根据环境光补偿数据对蚕病图片进行曝光补偿处理,得到统一背景的蚕图片。
在上述技术方案中,通常蚕都是在室内养殖,并且是由上下间隔层层养殖的,拍摄的蚕图片经常会出现光线不足,或光线不均匀的情况。因此,采用选取一个标准图片的方式,并以标准图片的光照强度来补偿蚕图片,标准图片优选用蚕叶图片,其与蚕农拍摄的蚕图片相似度更高,从而也有利于环境光补偿数据的精准性,最终提高蚕病识别精准性。
提供一种蚕病识别***,包括:
蚕图片采集模块,其用于获取蚕图片;
图片处理模块,其用于对蚕图片进行预处理,对蚕图片提取图像特征向量;
蚕图片识别模块,其用于构建TensorFlow框架,以多张已分类标注的蚕图片为训练集,以训练集的蚕图片的图像特征向量和对应的分类标注训练TensorFlow框架,得到蚕病识别模型,用于以待识别的蚕图片的图像特征向量为输入值,输出得到与该待识别的蚕图片对应的分类标注;
显示模块,其用于显示蚕图片和分类标注。
在上述技术方案中,通过建立大量的蚕图片与蚕病的分类标注,并通过TensorFlow框架进行智能训练,得到蚕图片与蚕病的分类标注的映射关系,后期只需要对病蚕进行拍照,并将拍摄的图片进行图像特征向量表示,然后输入到蚕病识别模型,即可快速知晓蚕是否患病,患的是何种病,该病的症状、病因、危害,以及常用的治疗方法。而不需要专门请蚕病专家到蚕农家来,进行实地访查,可以节约大量时间。
在另一种技术方案中,还包括蚕病验证模块,其包括:
处理单元,其用于将每张蚕图片随机旋转得到多张旋转角度不同的蚕图片;
提取单元,其用于选取多张分类标注为同一类的蚕图片为训练集,提取蚕图片的图像特征向量;
判别单元,其用于构建图形变分自编码器,选取多张分类标注为同一类的蚕图片为训练集,提取训练集的蚕图片的图像特征向量,以训练集的蚕图片的图像特征向量训练图形变分自编码器,得到该分类标注的图形变分自编码器;
验证单元,其用于将多张旋转角度不同的待识别的蚕图片的图像特征向量,分别输入至与所述蚕图片识别模块输出的分类标注类型对应的图形变分自编码器,输出得到多个图像特征的损失值,并且与预设的损失值阈值比较,若均在损失值阈值范围内,则输出所述蚕图片识别模块得到的分类标注。
在上述技术方案中,为了进一步提升蚕病识别的精准性,尤其是对一些患病率高、病死率高、或难确疹的蚕病种类,可以单独建立图形变分自编码器,从而在最终输出分类标注前,进行进一步的识别验证,避免误诊,而导致蚕农损失。所述图片处理模块用于统一蚕图片的背景。
在上述技术方案中,通常蚕都是在室内养殖,并且是由上下间隔层层养殖的,拍摄的蚕图片经常会出现光线不足,或光线不均匀的情况。因此,采用选取一个标准图片的方式,并以标准图片的光照强度来补偿蚕图片,标准图片优选用蚕叶图片,其与蚕农拍摄的蚕图片相似度更高,从而也有利于环境光补偿数据的精准性,最终提高蚕病识别精准性。
<实施例1>
蚕病识别***的总体架构分为两个部分:客户端、服务器端。
客户端的蚕病图像采集***,采集到蚕病图像,通过无线网络将蚕病图像上传到服务器端,与服务器端实现远程通信。客户端的蚕病图像采集,可以通过现场拍照或选取手机相册图片两种方式实现,为用户提供了良好的交互界面;服务器端则通过将待识别蚕病图像用1024维特征向量进行表示,输入至蚕病识别模型,通过欧式距离与保存的所有训练集蚕病图像特征向量进行比对,选取相似值最高的一幅或多幅蚕图片,及对应的分类标注输出,然后推送蚕病图像识别结果到客户端。通过这样的层次化、模块化设计,确保整个***高效协同工作。
手机客户端的工作流程:可以在手机客户端建立对应的App,用户进入App软件***,现场拍照病蚕(或选取手机相册中的病蚕图片),通过无线网络上传即时拍照(或库内选取)的蚕病图像至服务器端,保存拍照的即时蚕病图像至本地相册,在手机屏幕上显示服务器端推送的蚕病识别图文结果等。
服务器端的工作流程:后端服务器在接收到手机客户端传来的待识别蚕病图像请求后,通过调用服务器中蚕病识别模型,提取待识别蚕病图像的特征,计算待识别蚕病图像的特征向量值,与库中每张蚕病图像的特征向量值进行比对,通过索引,得到相似度最高的三幅蚕病图像,并关联相应的蚕病特征文字描述,推送蚕病图文结果至手机客户端,结束一次用户访问请求。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节。
Claims (8)
1.蚕病识别方法,其特征在于,包括以下步骤:
步骤a、获取多张蚕图片,对蚕图片进行分类标注,分类标注包括蚕图片的蚕病名称;
步骤b、构建TensorFlow框架,以多张已分类标注的蚕图片为训练集,提取训练集中蚕图片的图像特征向量,以训练集的蚕图片的图像特征向量和对应的分类标注训练TensorFlow框架,得到蚕病识别模型;
步骤c、提取待识别的蚕图片的图像特征向量,输入至蚕病识别模型,输出得到与待识别的蚕图片对应的分类标注;
还包括识别验证,其包括以下步骤:
步骤d、将每张蚕图片随机旋转得到多张旋转角度不同的蚕图片,并对蚕图片进行分类标注;
步骤e、构建图形变分自编码器,选取多张分类标注为同一类的蚕图片为训练集,提取训练集的蚕图片的图像特征向量,以训练集的蚕图片的图像特征向量训练图形变分自编码器,得到该分类标注的图形变分自编码器;
步骤f、按分类标注的种类,按照步骤e的方法,得到多个分类标注的图形变分自编码器;
步骤g、将待识别的蚕图片随机旋转得到多张旋转角度不同的蚕图片,提取蚕图片的图像特征向量,分别输入至与步骤c中输出的分类标注类型对应的图形变分自编码器,输出得到多个图像特征的损失值;
步骤h、与预设的损失值阈值比较,若均在损失值阈值范围内,则输出步骤c中得到的分类标注。
2.如权利要求1所述的蚕病识别方法,其特征在于,还包括在对蚕图片提取特征向量前,对蚕图片进行预处理,预处理包括统一蚕图片的背景、统一蚕图片的像素、统一蚕图片的尺寸。
3.如权利要求1所述的蚕病识别方法,其特征在于,步骤c中通过欧式距离比对待识别的蚕图片的图像特征向量与训练集中的蚕病图的图像特征向量,进行相似度匹配检索,将相似值按从高至低的顺序排列,选取排列位于前N个的训练集中的蚕病图片的分类标注并输出,其中,N为大于0的整数。
4.如权利要求1所述的蚕病识别方法,其特征在于,损失值采用重建损失和KL散度的和计算得到。
5.如权利要求1所述的蚕病识别方法,其特征在于,还包括将蚕病名称与蚕病名称对应的症状、病因、治疗方法的信息关联。
6.如权利要求2所述的蚕病识别方法,其特征在于,统一蚕图片的背景的方法具体为:选取一张蚕叶图片为标准图片,计算标准图片的全部像素点的亮度值的平均值,得到第一光照强度信息,计算标准图片的全部像素点的灰阶值的平均值,得到第二光照强度信息;
根据第一光照强度信息和第二光照强度信息,确定环境光补偿数据;
根据环境光补偿数据对蚕病图片进行曝光补偿处理,得到统一背景的蚕图片。
7.蚕病识别***,其特征在于,包括:
蚕图片采集模块,其用于获取蚕图片;
图片处理模块,其用于对蚕图片进行预处理,对蚕图片提取图像特征向量;
蚕图片识别模块,其用于构建TensorFlow框架,以多张已分类标注的蚕图片为训练集,以训练集的蚕图片的图像特征向量和对应的分类标注训练TensorFlow框架,得到蚕病识别模型,用于以待识别的蚕图片的图像特征向量为输入值,输出得到与该待识别的蚕图片对应的分类标注;
显示模块,其用于显示蚕图片和分类标注;
还包括蚕病验证模块,其包括:
处理单元,其用于将每张蚕图片随机旋转得到多张旋转角度不同的蚕图片;
提取单元,其用于选取多张分类标注为同一类的蚕图片为训练集,提取蚕图片的图像特征向量;
判别单元,其用于构建图形变分自编码器,选取多张分类标注为同一类的蚕图片为训练集,提取训练集的蚕图片的图像特征向量,以训练集的蚕图片的图像特征向量训练图形变分自编码器,得到该分类标注的图形变分自编码器;
验证单元,其用于将多张旋转角度不同的待识别的蚕图片的图像特征向量,分别输入至与所述蚕图片识别模块输出的分类标注类型对应的图形变分自编码器,输出得到多个图像特征的损失值,并且与预设的损失值阈值比较,若均在损失值阈值范围内,则输出所述蚕图片识别模块得到的分类标注。
8.如权利要求7所述的蚕病识别***,其特征在于,所述图片处理模块用于统一蚕图片的背景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011509810.1A CN112613393B (zh) | 2020-12-18 | 2020-12-18 | 蚕病识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011509810.1A CN112613393B (zh) | 2020-12-18 | 2020-12-18 | 蚕病识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613393A CN112613393A (zh) | 2021-04-06 |
CN112613393B true CN112613393B (zh) | 2022-08-12 |
Family
ID=75240729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011509810.1A Active CN112613393B (zh) | 2020-12-18 | 2020-12-18 | 蚕病识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613393B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409440A (zh) * | 2018-11-09 | 2019-03-01 | 中国计量大学 | 一种基于颜色特征和支持向量机的蚕茧分类方法 |
CN110321830A (zh) * | 2019-06-28 | 2019-10-11 | 北京邮电大学 | 一种基于神经网络的中文字符串图片ocr识别方法 |
CN111126325A (zh) * | 2019-12-30 | 2020-05-08 | 哈尔滨工程大学 | 一种基于视频的智能人员安防识别统计方法 |
CN111199233A (zh) * | 2019-12-30 | 2020-05-26 | 四川大学 | 一种改进的深度学习色情图像识别方法 |
CN111950415A (zh) * | 2020-07-31 | 2020-11-17 | 北京捷通华声科技股份有限公司 | 一种图像检测方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3029606A3 (en) * | 2014-11-14 | 2016-09-14 | Thomson Licensing | Method and apparatus for image classification with joint feature adaptation and classifier learning |
-
2020
- 2020-12-18 CN CN202011509810.1A patent/CN112613393B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409440A (zh) * | 2018-11-09 | 2019-03-01 | 中国计量大学 | 一种基于颜色特征和支持向量机的蚕茧分类方法 |
CN110321830A (zh) * | 2019-06-28 | 2019-10-11 | 北京邮电大学 | 一种基于神经网络的中文字符串图片ocr识别方法 |
CN111126325A (zh) * | 2019-12-30 | 2020-05-08 | 哈尔滨工程大学 | 一种基于视频的智能人员安防识别统计方法 |
CN111199233A (zh) * | 2019-12-30 | 2020-05-26 | 四川大学 | 一种改进的深度学习色情图像识别方法 |
CN111950415A (zh) * | 2020-07-31 | 2020-11-17 | 北京捷通华声科技股份有限公司 | 一种图像检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112613393A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及*** | |
Kan | Machine learning applications in cell image analysis | |
CN110210542B (zh) | 图片文字识别模型训练方法、装置及文字识别*** | |
JP2022551683A (ja) | 人工知能(ai)モデルを使用した非侵襲的遺伝子検査を行う方法及びシステム | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
CN114359727A (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及*** | |
CN113378706B (zh) | 一种辅助儿童观察植物和学习生物多样性的绘画*** | |
CN116012721B (zh) | 一种基于深度学习的水稻叶片病斑检测方法 | |
CN111967527A (zh) | 一种基于人工智能牡丹品种识别方法及识别*** | |
CN112149690A (zh) | 一种基于生物图像特征识别的溯源方法和溯源*** | |
Zhang et al. | Deep learning based rapid diagnosis system for identifying tomato nutrition disorders | |
CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN112613393B (zh) | 蚕病识别*** | |
CN112598013A (zh) | 基于神经网络的计算机视觉处理方法 | |
CN112446421A (zh) | 一种基于机器视觉的蚕茧计数与识别方法 | |
US20230297646A1 (en) | System and methods for classifying magnetic resonance imaging (mri) image characteristics | |
CN114550210B (zh) | 基于模态自适应混合和不变性卷积分解的行人重识别方法 | |
CN107563327B (zh) | 一种基于自步反馈的行人重识别方法及*** | |
CN111401519B (zh) | 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法 | |
CN113011506A (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
Rangappa et al. | Automatic counting and classification of silkworm eggs using deep learning | |
Rao et al. | leaf disease detection using machine learning techniques” | |
CN112016515A (zh) | 一种档案柜空位检测方法及装置 | |
CN115309941B (zh) | 一种基于ai的智能标签检索方法及*** | |
Anggoro et al. | Classification of Solo Batik patterns using deep learning convolutional neural networks algorithm |
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 |