CN114549962A - 一种园林植物叶病分类方法 - Google Patents
一种园林植物叶病分类方法 Download PDFInfo
- Publication number
- CN114549962A CN114549962A CN202210222500.4A CN202210222500A CN114549962A CN 114549962 A CN114549962 A CN 114549962A CN 202210222500 A CN202210222500 A CN 202210222500A CN 114549962 A CN114549962 A CN 114549962A
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- extraction unit
- leaf
- layer
- feature
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 39
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 71
- 238000011176 pooling Methods 0.000 claims abstract description 37
- 230000004913 activation Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 206010039509 Scab Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000002195 synergetic effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种园林植物叶病分类方法，包括获取园林植物叶病图像数据集；利用获得的数据集训练叶病图像分类网络；将叶片图像输入训练好叶病图像分类网络，利用叶病图像分类网络对叶片图像进行分类等步骤。其中，叶病图像分类网络包括头部卷积层、双注意力特征提取模块、尾部全局平均池化层、尾部全连接层和softmax激活层，双注意力特征提取模块包括顺次连接的第一特征提取单元、第二特征提取单元、第三特征提取单元和局部最大池化层。本发明在第一特征提取单元中设置了一级空间注意力模块和二级通道注意力模块，通过注意力机制强化叶片图像中高频信息，能够从低分辨率图像中获得更多具有辨识度的特征信息，从而提升分类准确率。
Description
技术领域
本发明属于图像处理和人工智能技术领域，具体地说，涉及一种园林植物叶病分类方法。
背景技术
现有技术中，通常利用深度学习技术自动提取植物叶病病斑的图像特征，然后根据病斑的特征对叶病进行分类，实现植物叶病的辅助诊断。在园林绿化区域，人工种植的植物比较规整，而且很多观赏性植物叶片面积都比较大，可以直接利用设置在高位的监控设备获取植物叶片图像。但是，由于摄像头到植物叶片的距离较远，获得的叶片表面病斑分辨率比较低，现有的分类网络根据低分辨率植物叶片图像对植物叶病分类准确率偏低，预测出错概率大。
发明内容
针对现有技术中上述的不足，本发明提供了一种园林植物叶病分类方法，以提高根据低分辨率植物叶片图像进行叶病分类的正确率。
为了达到上述目的，本发明采用的解决方案是：一种园林植物叶病分类方法，包括以下步骤：
S1、获取园林植物叶病图像数据集；
S2、利用步骤S1中获得的数据集训练叶病图像分类网络；
S3、获取待分类的叶片图像，获取步骤S2中训练好的叶病图像分类网络，将所述叶片图像输入所述叶病图像分类网络，利用所述叶病图像分类网络对所述叶片图像进行分类，从而完成对叶片上所携带的叶病分类；
其中，所述叶病图像分类网络包括头部卷积层、双注意力特征提取模块、尾部全局平均池化层、尾部全连接层和softmax激活层，
所述尾部全局平均池化层、所述尾部全连接层和所述softmax激活层首尾顺次连接，多个所述双注意力特征提取模块首尾顺次连接，位于后部的所述双注意力特征提取模块的输出端与所述尾部全局平均池化层的输入端连接，位于前部的所述双注意力特征提取模块的输入端与所述头部卷积层的输出端连接。
进一步地，所述双注意力特征提取模块包括顺次连接的第一特征提取单元、第二特征提取单元、第三特征提取单元和局部最大池化层，所述第一特征提取单元的数学模型为：
K1＝σ1(f31(Gn))
K2＝σ2(f32(Gn))
K3＝σ3(f33(K2))
K4＝[K1,K3]·fFSA([K1,K3])
K5＝K4·fSCA([K1,K2],K4)
其中，Gn表示输入所述第一特征提取单元的特征图，f31、f32和f33均表示卷积核大小为3*3的卷积操作，σ1、σ2和σ3均表示非线性激活函数ReLU，[·]表示对其中的特征图在通道方向上进行拼接操作，fFSA表示一级空间注意力模块，K1特征图和K3特征图拼接得到的特征图作为一级空间注意力模块的输入，fSCA表示二级通道注意力模块，K1、K2拼接后的特征图、以及K4特征图同时作为二级通道注意力模块的输入，K5特征图作为所述第一特征提取单元的输出。双注意力特征提取模块前端第二分路采用两个串联的3*3卷积取代5*5卷积，降低了模型的参数量，提升了模型的非线性效果，增强了网络数据拟合能力。
进一步地，所述一级空间注意力模块可以用如下数学公式表示：
KFSA＝δs(fs([MePl(M),MaPl(M)]))
其中，M表示输入所述一级空间注意力模块的特征图，MePl()表示对特征图在通道方向上做全局平均池化操作，MaPl()表示对特征图在通道方向上做全局最大池化操作，[·]表示对其中的特征图在通道方向上进行拼接操作，fs表示卷积核大小为1*1的卷积操作，δs表示sigmoid激活函数，KFSA表示所述一级空间注意力模块的输出。
进一步地，所述二级通道注意力模块可以用如下数学模型表示：
KS1＝δC1(fC12(σC1(fC11(pMEAN(K4)))))
KS2＝δC2(fC22(σC2(fC21(pMAX(K4)))))
KS3＝δC3(fC32(σC3(fC31(pVAR([K1,K2])))))
KSCA＝KS1+KS2-KS3
其中，K1与K2拼接后的特征图、K4特征图同时作为所述二级通道注意力模块的输入，[·]表示对其中的特征图在通道方向上进行拼接操作，pMEAN表示对特征图在空间方向上做全局平均池化操作，pMAX表示对特征图在空间方向上做全局最大池化操作，pVAR表示对特征图在空间方向上做全局方差池化操作，fC11、fC12、fC21、fC22、fC31和fC32均表示全连接操作，σC1、σC2和σC3均表示非线性激活函数ReLU，δC1、δC2、和δC3均为sigmoid激活函数，KSCA作为所述二级通道注意力模块的输出。
进一步地，所述第二特征提取单元和所述第三特征提取单元均包括顺次连接的两个特征提取组件，所述特征提取组件包括顺次连接的后部3*3卷积层(其卷积核大小为3*3)、BN(Batch Normalization)层和后部ReLU激活层。
进一步地，所述双注意力特征提取模块中还设有第一残差连接和第二残差连接，所述第一特征提取单元输出的特征图通过所述第一残差连接与所述第二特征提取单元输出的特征图通过相加融合后，再输入所述第三特征提取单元；所述第一特征提取单元输出的特征图通过所述第二残差连接与所述第三特征提取单元输出的特征图通过相加融合后，再输入所述局部最大池化层。
本发明的有益效果是：
(1)第一特征提取单元中采用了两个分路提取特征，第一分路的卷积核大小为3*3，第二分路为两个串联的3*3卷积操作，等效于卷积核大小为5*5的卷积操作，与单一的串联特征提取结构相比，第一特征提取单元能够从不同视野角度充分地挖掘提取低分辨率图像中的特征，有利于提高对低分辨率图像的分类正确率；
(2)第一特征提取单元中设置了一级空间注意力模块和二级通道注意力模块，通过注意力机制强化叶片图像中纹理、轮廓等高频信息，与传统分类网络相比，本发明的叶病图像分类网络能够从低分辨率图像中获得更多具有辨识度的特征信息，从而提升分类准确率；
(3)实验过程中，研究人员创造性地发现，将位于第一特征提取单元前端的两个3*3卷积层输出的特征图引入二级通道注意力模块中，能够对二级通道注意力模块生成的通道调制图进行调节，使二级通道注意力模块的调制效果与一级空间注意力模块的调制效果实现协同作用，提升两个注意力模块对有用信息的强化效果，提升网络分类效果；
(4)研究人员根据自身工作经验，设计了一级空间注意力模块和二级通道注意力模块的内部结构，测试结果表明，当一级空间注意力模块和二级通道注意力模块均采用了全局最大池化和全局平均池化来生成调制图时，对引入二级通道注意力模块的特征图采用全局方差池化的方式生成调制图，并且将新的调制图与其他调制图作差，最终达到的效果最好。
附图说明
图1为本发明的叶病图像分类网络结构示意图；
图2为本发明的双注意力特征提取模块内部结构示意图；
图3为本发明的一级空间注意力模块内部结构示意图；
图4为本发明的二级通道注意力模块内部结构示意图；
图5为对比实验中修改后的双注意力特征提取模块内部结构示意图；
图6为对比实验中修改后的二级通道注意力模块内部结构示意图；
附图中：
1-叶片图像，2-头部卷积层，3-双注意力特征提取模块，31第一特征提取单元，32-第二特征提取单元，33-第三特征提取单元，331-后部3*3卷积层，332-BN层，333-后部ReLU激活层，34-局部最大池化层，35-一级空间注意力模块，36-二级通道注意力模块，37-第一残差连接，38-第二残差连接，4-尾部全局平均池化层，5-尾部全连接层，6-softmax激活层。
具体实施方式
以下结合附图对本发明作进一步描述：
实施例1：
按照图1所示的结构搭建叶病图像分类网络，该分类网络中，所有卷积操作的步长均为1，卷积前后特征图的长宽尺寸不变。头部卷积层2的卷积核大小为3*3，头部卷积层2接收输入该分类网络的叶片图像1作为输入，然后输出通道数量为64的浅层特征图。
双注意力特征提取模块3设置为4个，双注意力特征提取模块3的内部结构如图2所示。对于第一特征提取单元31内部，三个3*3卷积层卷积前后特征图通道数量不变。对于一级空间注意力模块35内部，特征图经过通道方向上做全局平均池化操作和全局最大池化操作后，得到两个通道数量为1的特征图，拼接后利用1*1卷积层将通道数量降为1，经过sigmoid函数激活得到空间调制图，该空间调制图通过矩阵乘法对K1、K3拼接后的特征图进行调制。
对于二级通道注意力模块36内部，输入的特征图经过空间方向上的全局池化后，得到长度与输入二级通道注意力模块36特征图通道数量相同的向量。在二级通道注意力模块36中包含了三个分支，每个分支均包含两个全连接操作。每个分支中，第一个全连接操作的输入结点数等于全局池化后得到的向量长度，第一个全连接操作的输出结点数为其输入结点数的四分之一，第二个全连接操作的输入结点数与第一个全连接操作的输出结点数相等，第二个全连接操作的输出结点数与第一个全连接操作的输入结点数相等。最后得到的通道调制图对K4特征图进行调制。
第二特征提取单元32和第三特征提取单元33均包括两个顺次连接的特征提取组件，特征提取组件包括顺次连接的后部3*3卷积层331、BN层332和后部ReLU激活层333，特征图经过特征提取组件前后，特征图的长宽和通道数量均保持不变。对于局部最大池化层34，其池化窗口大小为2*2，步长为2，特征图经过局部最大池化层34后，特征图的长宽尺寸变为原来的一半，通道数量不变。为了提高模型训练过程中loss下降速度，避免特征消失，在双注意力特征提取模块3的内部还设置了第一残差连接37和第二残差连接38。尾部全局平均池化层4对特征图的各个图层进行全局平均池化操作，特征图经过尾部全局平均池化层4后，输出得到长度为1024的特征向量。对于尾部全连接层5，其输入结点数为1024，输出结点数与需要分类的类别总数相同，softmax激活层6激活后输出分类结果。
实施前，先制作训练集和测试集，训练集和测试集中均包括大量健康的园林植物叶片图像1和带叶病的园林植物叶片图像1，这些图像从监控设备的影像中直接截图获得，图像均为低分辨率。每个图像均通过人类专家标注了叶病信息，图像根据叶病信息被分成不同的类别。在这些带叶病的植物叶片图像中，叶病的种类一共为15种，每一种叶病在训练集和测试集中均至少有10张不同的图像。训练集用于训练叶病图像分类网络，训练所用的损失函数为交叉熵，batch-size设置为16，测试集用于测试网络分类的准确率。
在完全相同的条件下，分别利用本发明所提供的叶病图像分类网络、VGG16和resnet101进行对比实验，测试结果显示，本发明的分类正确率为98.32％，VGG16分类正确率为89.74％，resnet101分类的正确率为93.81％。由此可以看出，与现有的分类网络相比，对于输入为低分辨率叶片图像时，本发明所提供的叶病图像分类网络具有明显更高的准确率。
实施例2：
本实施例中进行了另一对比实验，在实施例1中提供的叶病图像分类网络基础上，去掉第一特征提取单元31前端的两个3*3卷积层输出的特征图引入二级通道注意力模块36这一部分，修改后的双注意力特征提取模块3内部结构如图5所示。对应地，去掉二级通道注意力模块中36的第三分支，修改后的二级通道注意力模块36内部结构如图6所示。在其他条件与实施例1完全相同的情况下，对修改后的网络进行训练和测试，测试结果显示，修改后的网络分类正确率94.73％，明显低于实施例1中的叶病图像分类网络。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (6)
1.一种园林植物叶病分类方法，其特征是：包括以下步骤：
S1、获取园林植物叶病图像数据集；
S2、利用步骤S1中获得的数据集训练叶病图像分类网络；
S3、获取待分类的叶片图像，获取步骤S2中训练好的叶病图像分类网络，将所述叶片图像输入所述叶病图像分类网络，利用所述叶病图像分类网络对所述叶片图像进行分类；
其中，所述叶病图像分类网络包括头部卷积层、双注意力特征提取模块、尾部全局平均池化层、尾部全连接层和softmax激活层，
所述尾部全局平均池化层、所述尾部全连接层和所述softmax激活层首尾顺次连接，多个所述双注意力特征提取模块首尾顺次连接，位于后部的所述双注意力特征提取模块的输出端与所述尾部全局平均池化层的输入端连接，位于前部的所述双注意力特征提取模块的输入端与所述头部卷积层的输出端连接。
2.根据权利要求1所述的园林植物叶病分类方法，其特征是：所述双注意力特征提取模块包括顺次连接的第一特征提取单元、第二特征提取单元、第三特征提取单元和局部最大池化层，所述第一特征提取单元的数学模型为：
K1＝σ1(f31(Gn))
K2＝σ2(f32(Gn))
K3＝σ3(f33(K2))
K4＝[K1,K3]·fFSA([K1,K3])
K5＝K4·fSCA([K1,K2],K4)
其中，Gn表示输入所述第一特征提取单元的特征图，f31、f32和f33均表示卷积核大小为3*3的卷积操作，σ1、σ2和σ3均表示非线性激活函数ReLU，[·]表示对其中的特征图在通道方向上进行拼接操作，fFSA表示一级空间注意力模块，fSCA表示二级通道注意力模块，K5特征图作为所述第一特征提取单元的输出。
3.根据权利要求2所述的园林植物叶病分类方法，其特征是：所述一级空间注意力模块可以用如下数学公式表示：
KFSA＝δs(fs([MePl(M),MaPl(M)]))
其中，M表示输入所述一级空间注意力模块的特征图，MePl()表示对特征图在通道方向上做全局平均池化操作，MaPl()表示对特征图在通道方向上做全局最大池化操作，[·]表示对其中的特征图在通道方向上进行拼接操作，fs表示卷积核大小为1*1的卷积操作，δs表示sigmoid激活函数，KFSA表示所述一级空间注意力模块的输出。
4.根据权利要求2所述的园林植物叶病分类方法，其特征是：所述二级通道注意力模块可以用如下数学模型表示：
KS1＝δC1(fC12(σC1(fC11(pMEAN(K4)))))
KS2＝δC2(fC22(σC2(fC21(pMAX(K4)))))
KS3＝δC3(fC32(σC3(fC31(pVAR([K1,K2])))))
KSCA＝KS1+KS2-KS3
其中，K1与K2拼接后的特征图、K4特征图同时作为所述二级通道注意力模块的输入，[·]表示对其中的特征图在通道方向上进行拼接操作，pMEAN表示对特征图在空间方向上做全局平均池化操作，pMAX表示对特征图在空间方向上做全局最大池化操作，pVAR表示对特征图在空间方向上做全局方差池化操作，fC11、fC12、fC21、fC22、fC31和fC32均表示全连接操作，σC1、σC2和σC3均表示非线性激活函数ReLU，δC1、δC2、和δC3均为sigmoid激活函数，KSCA作为所述二级通道注意力模块的输出。
5.根据权利要求2所述的园林植物叶病分类方法，其特征是：所述第二特征提取单元和所述第三特征提取单元均包括顺次连接的两个特征提取组件，所述特征提取组件包括顺次连接的后部3*3卷积层、BN层和后部ReLU激活层。
6.根据权利要求2所述的园林植物叶病分类方法，其特征是：所述双注意力特征提取模块中还设有第一残差连接和第二残差连接，所述第一特征提取单元输出的特征图通过所述第一残差连接与所述第二特征提取单元输出的特征图融合后，再输入所述第三特征提取单元；所述第一特征提取单元输出的特征图通过所述第二残差连接与所述第三特征提取单元输出的特征图融合后，再输入所述局部最大池化层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210222500.4A CN114549962B (zh) | 2022-03-07 | 2022-03-07 | 一种园林植物叶病分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210222500.4A CN114549962B (zh) | 2022-03-07 | 2022-03-07 | 一种园林植物叶病分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114549962A true CN114549962A (zh) | 2022-05-27 |
| CN114549962B CN114549962B (zh) | 2024-06-21 |
Family
ID=81664506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210222500.4A Active CN114549962B (zh) | 2022-03-07 | 2022-03-07 | 一种园林植物叶病分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114549962B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116912636A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 目标识别方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153908A1 (zh) * | 2018-02-11 | 2019-08-15 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和*** |
| CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
| CN111667489A (zh) * | 2020-04-30 | 2020-09-15 | 华东师范大学 | 基于双分支注意力深度学习的癌症高光谱图像分割方法及*** |
| AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
| CN113822805A (zh) * | 2021-10-13 | 2021-12-21 | 柚皮(重庆)科技有限公司 | 图像超分辨率重建方法、中药植物叶病诊断方法及设备 |
| CN114022872A (zh) * | 2021-09-24 | 2022-02-08 | 中国海洋大学 | 基于动态神经网络的多种类农作物叶病识别方法 |
| CN114037986A (zh) * | 2021-11-04 | 2022-02-11 | 李显德 | 一种用于智慧城市的车牌识别方法及装置 |
-
2022
- 2022-03-07 CN CN202210222500.4A patent/CN114549962B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153908A1 (zh) * | 2018-02-11 | 2019-08-15 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和*** |
| CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
| CN111667489A (zh) * | 2020-04-30 | 2020-09-15 | 华东师范大学 | 基于双分支注意力深度学习的癌症高光谱图像分割方法及*** |
| AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
| CN114022872A (zh) * | 2021-09-24 | 2022-02-08 | 中国海洋大学 | 基于动态神经网络的多种类农作物叶病识别方法 |
| CN113822805A (zh) * | 2021-10-13 | 2021-12-21 | 柚皮(重庆)科技有限公司 | 图像超分辨率重建方法、中药植物叶病诊断方法及设备 |
| CN114037986A (zh) * | 2021-11-04 | 2022-02-11 | 李显德 | 一种用于智慧城市的车牌识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| XU TANG: "Attention Consistent Network for Remote Sensing Scene Classification", 《ATTENTION CONSISTENT NETWORK FOR REMOTE SENSING SCENE CLASSIFICATION》, 14 January 2021 (2021-01-14) * |
| 张建华;孔繁涛;吴建寨;翟治芬;韩书庆;曹姗姗;: "基于改进VGG卷积神经网络的棉花病害识别模型", 中国农业大学学报, no. 11, 15 November 2018 (2018-11-15) * |
| 李晓振: "基于深度学习的玉米病害识别研究", 《硕士电子期刊》, 15 June 2021 (2021-06-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116912636A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 目标识别方法及装置 |
| CN116912636B (zh) * | 2023-09-12 | 2023-12-12 | 深圳须弥云图空间科技有限公司 | 目标识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114549962B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020682B (zh) | 一种基于小样本学习的注意力机制关系对比网络模型方法 | |
| US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
| CN106778682B (zh) | 一种卷积神经网络模型的训练方法及其设备 | |
| CN108764072B (zh) | 一种基于多尺度融合的血细胞亚型图像分类方法 | |
| CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
| CN112926641B (zh) | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 | |
| CN111881714A (zh) | 一种无监督跨域行人再识别方法 | |
| CN111882040A (zh) | 基于通道数量搜索的卷积神经网络压缩方法 | |
| CN113705641B (zh) | 基于富上下文网络的高光谱图像分类方法 | |
| CN109284741A (zh) | 一种基于深度哈希网络的大规模遥感影像检索方法和*** | |
| CN110781912A (zh) | 一种基于通道扩张倒置卷积神经网络的图像分类方法 | |
| CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
| CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
| CN113344077A (zh) | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 | |
| CN114549962B (zh) | 一种园林植物叶病分类方法 | |
| CN113361589A (zh) | 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法 | |
| CN113076873A (zh) | 一种基于多阶段训练的农作物病害长尾图像识别方法 | |
| CN116580279A (zh) | 基于混合自注意力机制的番茄病害检测方法及*** | |
| CN116433980A (zh) | 脉冲神经网络结构的图像分类方法、装置、设备及介质 | |
| CN114511849B (zh) | 一种基于图注意力网络的葡萄疏果识别方法 | |
| CN115987730A (zh) | 基于树状感知融合卷积网络的信号调制识别方法 | |
| CN115578325A (zh) | 一种基于通道注意配准网络的图像异常检测方法 | |
| CN116091828A (zh) | 一种染色体图像可解释分析方法、装置、设备及存储介质 | |
| CN112613405B (zh) | 任意视角动作识别方法 | |
| CN115331045A (zh) | 基于神经网络自适应膨胀剪枝的视觉对象分类方法 |
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 |