CN113159060B - 一种农作物虫害检测方法及*** - Google Patents
一种农作物虫害检测方法及*** Download PDFInfo
- Publication number
- CN113159060B CN113159060B CN202110199295.XA CN202110199295A CN113159060B CN 113159060 B CN113159060 B CN 113159060B CN 202110199295 A CN202110199295 A CN 202110199295A CN 113159060 B CN113159060 B CN 113159060B
- Authority
- CN
- China
- Prior art keywords
- network
- pest
- layer
- training
- crop
- 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
Images
Classifications
-
- 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
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明提供了一种农作物虫害检测方法及***,该方法包括:S1,采集并处理待检测农作物虫害图像;S2,对待检测农作物虫害图像进行特征提取,提取到虫害的特征参数,根据虫害的特征参数获得分类特征;S3,将分类特征输入已训练好的深度学习检测模型,深度学习检测模型识别出虫害的类别;S4,判断虫害的类别是否满足预设报警类别;若是,则执行步骤S5;S5,发出警报,并输出虫害的名称和对应的防治措施。本发明可准确对农作物虫害进行识别检测,并给出相应的虫害防治措施,有效控制虫害对农作物的破坏,从而提高农产品的产量。
Description
技术领域
本发明涉及计算机视觉图像的采集和处理领域,具体而言,涉及一种农作物虫害检测方法及***。
背景技术
农作物虫害的防治原则是“预防为主,综合防治”。根据虫害发生的规律,抓住其生长发育的薄弱环节及防治的关键时刻,采取有效、切实可行的方法,在病虫害大量发生或造成危害之前予以有效的控制,使其不能大规模发生或蔓延,保护农作物免受破坏。同时加强栽培技术应用,根据病虫害发生发展的规律,因时、因地制宜,合理地协调应用生物、物理、化学等防治措施,创造不利于病虫害发生和危害的条件,使其达到经济、安全、有效地控制病虫害发生的目的,将虫害造成的危害降到最低水平。
基层农技人员由于缺乏专业的知识,遇到这些虫害往往是措手不及,目前虫害的检测主要依靠人眼观察,包括通过已有经验进行检测、查阅比对虫害图谱和咨询相关专家。对于普通常见的虫害类型,基层农技人员可直接辨别,但是有些虫害种类比较特别,在不同生长时期有不同的形状特征等情形,如果仅仅通过比对图谱、根据虫害的文字描述来判断虫害类型,则往往会造成人为的误判。面对虫害时往往不能及时对治或错误对治。
综上,行业内急需研发一种能科学、高效地检测农作物虫害的类型和防治措施的方法或者***。
发明内容
本发明旨在解决现有技术或相关技术中存在的问题。为此,本发明的一个目的在于提出了一种农作物虫害检测方法及***。
一种农作物虫害检测方法,包括:S1,采集并处理待检测农作物虫害图像;S2,对待检测农作物虫害图像进行特征提取,提取到虫害的特征参数,根据虫害的特征参数获得分类特征;S3,将分类特征输入已训练好的深度学习检测模型,深度学习检测模型识别出虫害的类别;S4,判断虫害的类别是否满足预设报警类别;若是,则执行步骤S5;S5,发出警报,并输出虫害的名称和对应的防治措施。本发明可准确对农作物虫害进行识别检测,并给出相应的虫害防治措施,有效控制虫害对农作物的破坏,从而提高农产品的产量。
优选地,处理待检测农作物虫害图像包括:将获取的待检测虫害图像转换成RGB图像数据并存储。
优选地,虫害的特征参数包括颜色、面积、线条和纹理。
优选地,深度学习检测模型的训练包括:通过网络获取有关虫害的图像并进行筛选,通过图像采集子***采集农作物虫害图像;将筛选出的虫害图像和通过图像采集子***采集的虫害图像随机混合作为数据集;将数据集划分成训练集和测试集;其中,训练集用于训练深度学习检测模型,测试集用来评估训练好的深度学习检测模型泛化能力的强弱;对经典深度学习one-stage检测网络ssd进行改进,提出RESssd网络;其中,RESssd网络为将ssd网络的主干网络vgg16换成resnet50,提取resnet50的conv4层及其之前的前置网络层;并且额外添加5个特征层;每个特征层的结构又由6部分组成,分别为卷积层、BatchNormalization层、Relu层、卷积层、BN层和Relu层;前3个额外添加的特征层中,步距为2,偏置为1,后2个额外添加的特征层,步距为1,偏置为0。使用BN结构,可以使数据更加的均衡,有利于提取特征。使用训练集对RESssd网络进行训练,总共对RESssd网络训练K个轮次,每个轮次训练完后都用测试集对深度学习检测模型的iou=0.5至iou=0.95的map进行测试,将map效果最好的模型对应的网络权值文件作为最终模型;K≥100。
优选地,发出警报包括通过邮件或短信预警提示用户。
一种农作物虫害检测***,包括:依次连接的图像采集子***、图像处理装置和前端报警显示装置;图像采集子***设置在农作物生长地;
图像采集子***,用于采集并处理农作物虫害图像;
图像处理装置,用于根据采集的农作物虫害图像进行分析并提取出特征,并根据特征对虫害进行识别;
前端报警显示装置,用于实时显示识别结果,并根据识别结果发出警报。
优选地,图像采集子***包括支柱、控制器、网络摄像头、用于诱导虫害的光源和装载诱导的虫害的载物平台;载物平台的下端设置支架,网络摄像头、光源均通过支柱固定,且光源位于载物平台的上方,网络摄像头对准载物平台,网络摄像头、控制器、图像处理装置依次连接。
优选地,图像采集子***还包括用于给光源的供电的太阳能板,太阳能板固定在支柱的顶端。
优选地,图像处理装置为服务器,服务器内置已训练好的深度学习检测模型。
本发明与现有技术相比,具有如下优点和有益效果:
本发明预选从数据集的搜集入手,数据集有2个来源:使用网络爬虫从互联网爬取虫害图像、图像采集子***采集虫害的数据图像,对整理好的数据集采用深度学习相关算法训练出一个有较高map、较强泛化能力的虫害检测模型。再以此虫害检测模型(训练深度学习检测模型)为核心开发出一套集图像采集、图像检测和预警(报警)的***。该方法能自动,实时、高效地获取虫害的类型和防治措施,对推动农业的现代化发展具有重要的实践意义。此外,本发明的优点和有益效果还包括:
1、本发明在训练深度学习检测模型的过程中,使用训练集对改进的RESssd目标检测网络进行训练,而RESssd网络,额外的添加5个预测特征层,使得每个特征图学到的特征尽可能地不一样,对小目标的检测效果非常显著,提高深度学习识别模型的鲁棒性及泛化能力。
2、本发明通过虫害图像的自动采集,将计算机视觉识别、CNN卷积神经网络模型集成到检测***,降低图像的带宽占用,优化了网络资源,能够快速地进行CNN卷积神经网络模型检测,大大提升了检测的效率。
附图说明
图1是本实施例的农作物虫害检测***的结构图。
图2是本实施例的农作物虫害检测方法的示意性流程图。
图3是本实施例的RESssd网络结构图。
具体实施方式
为了更好的理解本发明的技术方案,下面结合附图详细描述本发明提供的实施例,但本发明的实施方式不限于此。
参见图1,一种农作物虫害检测***,包括:依次连接的图像采集子***、图像处理装置和前端报警显示装置9;图像采集子***设置在农作物生长地;图像采集子***,用于采集并处理农作物虫害图像;图像处理装置,用于根据采集的农作物虫害图像进行分析并提取出特征,并根据特征对虫害进行识别;前端报警显示装置9,用于实时显示识别结果,并根据识别结果发出警报。
在本实施例,图像采集子***包括支柱1、控制器7、网络摄像头3、用于诱导虫害的光源4和装载诱导的虫害的载物平台5;载物平台5的下端设置支架6,网络摄像头3、光源4均通过支柱1固定,且光源4位于载物平台5的上方,网络摄像头3对准载物平台5,网络摄像头3、控制器7、图像处理装置依次连接。图像采集子***还包括用于给光源4的供电的太阳能板2,太阳能板2固定在支柱1的顶端。
在本实施例,图像处理装置为服务器8,服务器8内置已训练好的深度学习检测模型。前端报警显示装置9为PC。
本农作物虫害检测***可准确对虫害进行检测,并给出相应的虫害防治措施,有效控制虫害对农作物的破坏,具体流程为:
网络摄像头3采集数据,将数据保存在控制器7里,同时控制器7将数据传送至服务器后台,服务器后台将数据解码出来,并调用深度学习模型对解析出来的图像进行检测,将实时的检测结果展现在前端报警显示装置9上,并判断检测结果是否满足预设报警类别,若满足,则前端报警显示装置9将结果推送通过短信,邮件等方式推送给用户,用户可根据推送的具体内容进行精准的防治。若不满足则持续检测。
在该实施例中,通过网络摄像头3收集数据流,并将数据流解码成一帧一帧的图像,最终解析成RGB格式(RGB格式为一种对颜色进行编码的方法,统称为“颜色空间”或“色域”)的像素数据,传输并存储在服务器上,此时加载训练好的网络模型对数据进行实时监测,同时将检测的实施效果展现在前端。用户可通过手机端或pc端登录本发明的预警***网址,便可查看到实施效果。
如图2所示,一种农作物虫害检测方法,包括以下步骤:
S1.采集并处理待检测农作物虫害图像;具体为,将虫害诱导至设置在农作物生长地的图像采集子***,图像采集子***采集待检测农作物虫害图像。处理待检测农作物虫害图像包括:将获取的待检测虫害图像转换成RGB图像数据并存储。转换后获得24位R、G、B彩色空间的真彩色原始虫害生长图像。
S2,对待检测农作物虫害图像进行特征提取,提取到虫害的特征参数,根据虫害的特征参数获得分类特征;
S3,将分类特征输入已训练好的深度学习检测模型,深度学习检测模型识别出虫害的类别;深度学习检测模型的训练离不开数据集的构建,本发明的虫害数据集的构建包括以下步骤:
编写网络爬虫爬取有关虫害的图像并进行筛选。
通过图像采集子***采集农作物虫害图像,对采集的病虫害图像的分辨率进行调整,以减少存储空间和提高模型训练的速度。将爬虫之后所筛选虫害的图像和图像装置采集的图像作为数据集。用于训练深度学习网络模型。
虫害数据集构建完成后,将虫害数据集划分成训练集和测试集,比例为8:2(做了四组实验,训练集和测试集划分比例分别为9:1、8:2、7.5:2.5、7:3其中8:2效果最好)。
如图3所示,所述基于经典one-stage深度学习目标检测网络ssd提出RESssd网络结构,具体思想及步骤包括:
将ssd网络的主干网络vgg16抽取出来,用resnet50替代,同时将resnet50的Conv4及其之前的层抽取出来,其余结构舍弃,在这之后额外添加5个预测特征层。
每个预测特征层中添加了BN层,BN层实际上就是对每层的输出,即每下一层的输入,做一个标准化。使得神经网络的损失函数空间更加平滑,增加了***的鲁棒性。
图3中的resnet50的Conv4层为第一层预测特征层(FeatureMap1),对于Conv4层之前的层固定,更改Conv4层的第一个残差块block1,将原本的block1的步距全部设置为1,(原renet50的Conv4层的第一个残差块block1的第二个卷积核3x3、256的步距s=2,捷径卷积的1x1、256的步距s=2),设置为s=1的目的是为了得到与Conv3一样的输出尺寸。在浅层的特征网络尽可能的保留图片尺寸减半趋势,为后面深层的特征网络留下丰富可提取的信息。
额外添加的5个特征层的输出分别对应FeatureMap2到FeatureMap6。前两个预测特征层为浅层,保留的信息多一些,检测相对较小的目标,随之网络抽象程度的加深,越往后面的网络特征层预测相对的大目标。
本发明的深度学习识别模型采用PyTorch深度学习框架,硬件设备的配置为:CPU采用CoreTM i5-8400 [email protected]×6,内存为16GB,GPU选用GeForce GTX 1080Ti显存11G,NVIDIA驱动版本为535.21,CUDA版本选用9.0.176,CUDNN 7.0.5神经网络加速库,操作***为Linux Ubuntu18.04 LTS,使用500G机械硬盘存储。
每次传入的图像大小为300x300x3通道的RGB彩色图;动量因子设为0.9;衰减系数设为0.0005;学习率初始设为0.003;训练500个批次即停止训练,训练策略为每50个批次学习率下降10倍,以获得更小损失。本发明提出的RESssd网络和基础网络ssd的识别准确率如表1所示:
表1
表1表明:经改进后的算法,获得比经典ssd网络更好的效果,RESssd比ssd高出了4.4个百分点。RESssd网络结构图如图2所示:
S4,判断虫害的类别是否满足预设报警类别;若是,则执行步骤S5;
S5,发出警报,并输出虫害的名称和对应的防治措施。
通过本发明的实施例,有效检测识别并及时的提醒相关人员进行虫害防治,避免由于虫害导致的农作物减产、农产品质量下降、经济损失等问题。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种农作物虫害检测方法,其特征在于,包括:
S1,采集并处理待检测农作物虫害图像,处理待检测农作物虫害图像包括:将获取的待检测虫害图像转换成RGB图像数据并存储;
S2,对待检测农作物虫害图像进行特征提取,提取到虫害的特征参数,根据虫害的特征参数获得分类特征;
S3,将分类特征输入已训练好的深度学习检测模型,深度学习检测模型识别出虫害的类别;
深度学习检测模型的训练包括:
通过网络获取有关虫害的图像并进行筛选,通过图像采集子***采集农作物虫害图像;将筛选出的虫害图像和通过图像采集子***采集的虫害图像随机混合作为数据集;
将数据集划分成训练集和测试集;
对经典深度学习one-stage检测网络ssd进行改进,提出RESssd网络;其中,RESssd网络为将ssd网络的主干网络vgg16换成resnet50,提取resnet50的conv4层及其之前的前置网络层;并且额外添加5个特征层;每个特征层的结构分别为卷积层、Batch Normalization层、Relu层、卷积层、BN层和Relu层;前3个额外添加的特征层中,步距为2,偏置为1,后2个额外添加的特征层,步距为1,偏置为0;
使用训练集对RESssd网络进行训练,总共对RESssd网络训练K个轮次,每个轮次训练完后都用测试集对深度学习检测模型的iou=0.5至iou=0.95的map进行测试,将map效果最好的模型对应的网络权值文件作为最终模型;K≥100;
使用训练集对RESssd网络进行训练,包括:每次传入的图像大小为300x300x3通道的RGB彩色图,衰减系数设为0.0005,学习率初始设为0.003;
S4,判断虫害的类别是否满足预设报警类别;若是,则执行步骤S5;
S5,发出警报,并输出虫害的名称和对应的防治措施。
2.根据权利要求1所述的一种农作物虫害检测方法,其特征在于,虫害的特征参数包括颜色、面积、线条和纹理。
3.根据权利要求1所述的一种农作物虫害检测方法,其特征在于,发出警报包括通过邮件或短信预警提示用户。
4.一种农作物虫害检测***,其特征在于,包括:依次连接的图像采集子***、图像处理装置和前端报警显示装置;图像采集子***设置在农作物生长地;
图像采集子***,用于采集并处理农作物虫害图像;
图像处理装置,用于根据采集的农作物虫害图像进行分析并提取出特征,并根据特征对虫害进行识别;处理待检测农作物虫害图像包括:将获取的待检测虫害图像转换成RGB图像数据并存储;
图像处理装置为服务器,服务器内置已训练好的深度学习检测模型;
深度学习检测模型的训练包括:
通过网络获取有关虫害的图像并进行筛选,通过图像采集子***采集农作物虫害图像;将筛选出的虫害图像和通过图像采集子***采集的虫害图像随机混合作为数据集;
将数据集划分成训练集和测试集;
对经典深度学习one-stage检测网络ssd进行改进,提出RESssd网络;其中,RESssd网络为将ssd网络的主干网络vgg16换成resnet50,提取resnet50的conv4层及其之前的前置网络层;并且额外添加5个特征层;每个特征层的结构分别为卷积层、Batch Normalization层、Relu层、卷积层、BN层和Relu层;前3个额外添加的特征层中,步距为2,偏置为1,后2个额外添加的特征层,步距为1,偏置为0;
使用训练集对RESssd网络进行训练,总共对RESssd网络训练K个轮次,每个轮次训练完后都用测试集对深度学习检测模型的iou=0.5至iou=0.95的map进行测试,将map效果最好的模型对应的网络权值文件作为最终模型;K≥100;
使用训练集对RESssd网络进行训练,包括:每次传入的图像大小为300x300x3通道的RGB彩色图,衰减系数设为0.0005,学习率初始设为0.003;
前端报警显示装置,用于实时显示识别结果,并根据识别结果发出警报。
5.根据权利要求4所述的一种农作物虫害检测***,其特征在于,图像采集子***包括支柱、控制器、网络摄像头、用于诱导虫害的光源和装载诱导的虫害的载物平台;载物平台的下端设置支架,网络摄像头、光源均通过支柱固定,且光源位于载物平台的上方,网络摄像头对准载物平台,网络摄像头、控制器、图像处理装置依次连接。
6.根据权利要求5所述的一种农作物虫害检测***,其特征在于,图像采集子***还包括用于给光源供电的太阳能板,太阳能板固定在支柱的顶端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199295.XA CN113159060B (zh) | 2021-02-23 | 2021-02-23 | 一种农作物虫害检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199295.XA CN113159060B (zh) | 2021-02-23 | 2021-02-23 | 一种农作物虫害检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159060A CN113159060A (zh) | 2021-07-23 |
CN113159060B true CN113159060B (zh) | 2023-04-28 |
Family
ID=76883247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110199295.XA Active CN113159060B (zh) | 2021-02-23 | 2021-02-23 | 一种农作物虫害检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159060B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919239A (zh) * | 2019-03-15 | 2019-06-21 | 尹显东 | 一种基于深度学习的农作物病虫害智能检测方法 |
CN111914951A (zh) * | 2020-08-21 | 2020-11-10 | 安徽省农业科学院农业经济与信息研究所 | 一种基于图像实时识别的农作物害虫智能诊断***及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472252B (zh) * | 2018-12-28 | 2024-06-11 | 华南农业大学 | 一种田间作物虫害自动识别及作业管理*** |
CN111783685A (zh) * | 2020-05-08 | 2020-10-16 | 西安建筑科技大学 | 一种基于单阶段网络模型的目标检测改进算法 |
CN111611889B (zh) * | 2020-05-12 | 2023-04-18 | 安徽大学 | 基于改进卷积神经网络的农田微型虫害识别装置 |
-
2021
- 2021-02-23 CN CN202110199295.XA patent/CN113159060B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919239A (zh) * | 2019-03-15 | 2019-06-21 | 尹显东 | 一种基于深度学习的农作物病虫害智能检测方法 |
CN111914951A (zh) * | 2020-08-21 | 2020-11-10 | 安徽省农业科学院农业经济与信息研究所 | 一种基于图像实时识别的农作物害虫智能诊断***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113159060A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180004872A1 (en) | Method for automatic behavioral phenotyping | |
CN109964235A (zh) | 用于对昆虫进行视觉分类的预测模型 | |
Menda et al. | Visual perception in the brain of a jumping spider | |
Dakos | Identifying best-indicator species for abrupt transitions in multispecies communities | |
CN105393252A (zh) | 生理数据采集和分析 | |
Couret et al. | Delimiting cryptic morphological variation among human malaria vector species using convolutional neural networks | |
CN111048214A (zh) | 外来畜禽疫病传播态势的预警方法及装置 | |
Zhu et al. | Knowledge graph and deep learning based pest detection and identification system for fruit quality | |
Martinez et al. | A machine learning model for the diagnosis of coffee diseases | |
Li et al. | Burn injury diagnostic imaging device's accuracy improved by outlier detection and removal | |
CN112507770B (zh) | 一种水稻病虫害识别方法和*** | |
Guo et al. | Pigeon cleaning behavior detection algorithm based on light-weight network | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测*** | |
Dandekar et al. | Weed plant detection from agricultural field images using yolov3 algorithm | |
Doan | An efficient system for real-time mobile smart device-based insect detection | |
Math et al. | Deep learning and computer vision for leaf miner infestation severity detection on muskmelon (Cucumis melo) leaves | |
CN113159060B (zh) | 一种农作物虫害检测方法及*** | |
US11069197B2 (en) | Method and system of drawing random numbers via sensors for gaming applications | |
Kalfas et al. | Towards in-field insect monitoring based on wingbeat signals: The importance of practice oriented validation strategies | |
CN113256567B (zh) | 香蕉叶面积指数检测方法及*** | |
CN115359412A (zh) | 一种盐酸中和实验评分方法、装置、设备及可读存储介质 | |
Santo et al. | Potato skin defect detection and classification through image processing | |
Hall et al. | Automated, non-invasive Varroa mite detection by vibrational measurements of gait combined with machine learning | |
Petrellis | A Windows Phone Application for Plant Disease Diagnosis. | |
Aleynikov et al. | Automated diseases detection of plant diseases in space greenhouses |
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 |