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 PDF

Info

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
Application number
CN202110199295.XA
Other languages
English (en)
Other versions
CN113159060A (zh
Inventor
彭红星
李世煖
田兴国
冼继东
吕建秋
王炳锋
陈虎
何慧君
徐慧明
谢芷华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Agricultural University
Original Assignee
South China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Agricultural University filed Critical South China Agricultural University
Priority to CN202110199295.XA priority Critical patent/CN113159060B/zh
Publication of CN113159060A publication Critical patent/CN113159060A/zh
Application granted granted Critical
Publication of CN113159060B publication Critical patent/CN113159060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种农作物虫害检测方法及***
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
Figure BDA0002947963680000072
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
Figure BDA0002947963680000071
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。
CN202110199295.XA 2021-02-23 2021-02-23 一种农作物虫害检测方法及*** Active CN113159060B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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