CN103279760B - 一种植物检疫幼虫实时分类方法 - Google Patents
一种植物检疫幼虫实时分类方法 Download PDFInfo
- Publication number
- CN103279760B CN103279760B CN201310120806.XA CN201310120806A CN103279760B CN 103279760 B CN103279760 B CN 103279760B CN 201310120806 A CN201310120806 A CN 201310120806A CN 103279760 B CN103279760 B CN 103279760B
- Authority
- CN
- China
- Prior art keywords
- larva
- image
- zernike
- pseudo
- plant quarantine
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种植物检疫幼虫实时分类方法,包括,建立SVM分类器;获取各种植物检疫幼虫的图像并分别提取特征以构成幼虫特征数据库,利用该幼虫特征数据库对所述SVM分类器进行训练;获取待检测幼虫的图像,预处理后提取幼虫图像特征输入训练后的SVM分类器中进行匹配识别,得到分类鉴定结果,其中,预处理后采用幼虫弯曲姿态矫正方法对弯曲姿态的幼虫进行姿态矫正,再采用伪Zernike算法提取幼虫图像的伪Zernike不变矩特征。本发明植物检疫幼虫实时分类方法可以快速、准确、实时的鉴定和记录幼虫种类,及时发现植物检疫幼虫,且对环境没有污染,识别率高。
Description
技术领域
本发明涉及植物检疫幼虫分类鉴定领域,尤其涉及一种植物检疫幼虫实时分类方法。
背景技术
随着全球经济一体化步伐的加快,国内外贸易往来越来越频繁,外来生物入侵已成为当前全球性的环境问题。这些有害性外来生物绝大多数属于昆虫幼虫,潜伏性极强,它们往往通过出入境人员、货物、运输工具和引进的种子、果木等传播和蔓延。因此,及时发现、掌握和识别危险性、检疫性幼虫的信息具有非常重要的现实意义。
目前,外来为害态-幼虫种类的分类研究主要依靠形态特征和分子生物学手段来解决。但是目前这两种方法出现了诸多的弊端。例如,根据幼虫形态特征的方法主要利用体视显微镜和光学生物显微镜,只能在实验室进行鉴定工作,在实际发生地现场进行鉴定非常非常困难,不能满足快速而准确鉴定种类需求。利用分子生物学方法虽然较短的时间内给出结果,但对仪器设备要求高,另外所需药品及试剂价格昂贵并且有剧毒性致癌物质,给长期从事此工作的人员身体健康带来巨大影响。因此,在基层单位无法满足分子生物学方法的要求。
因而,目前迫切地需要快速准确鉴定和记录生物种类,且对环境无污染的检测方法。
随着微电子设计及工艺技术、嵌入式技术的快速发展,数字图像处理、机器视觉等技术都有了革命性的进展。因此,将这些技术应用于植物检疫幼虫的识别鉴定,将大大提高植物检疫幼虫识别的准确率和识别效率。
公开号为102239793A的中国专利文献公开了一种水稻害虫实时分类方法及系统,该方法包括样本训练和样本检测,所述的样本训练包括:收集各种水稻害虫的训练样本若干,获取它们的图像;对图像进行灰度转换;采用压缩感知算法抽取图像的特征值;所述的样本检测包括:获取测试样本的图像,对测试样本的图像进行处理,得到测试样本的图像的特征值,利用最邻近算法,确定测试样本的类型。在上述专利中,对图像特征值的提取采取了压缩感知算法,但是对害虫的识别率仍有待提高。
发明内容
本发明提供了一种植物检疫幼虫实时分类方法,可快速准确鉴定和记录幼虫种类,对幼虫尤其是老熟幼虫的识别率高,能够及时发现植物检疫幼虫。
一种植物检疫幼虫实时分类方法,包括,
(1)建立SVM分类器;
(2)获取各种植物检疫幼虫的图像并分别提取特征以构成幼虫特征数据库,利用该幼虫特征数据库对所述SVM分类器进行训练;
(3)获取待检测幼虫的图像,预处理后提取幼虫图像特征输入训练后的SVM分类器中进行匹配识别,得到分类鉴定结果,其中,
预处理后采用幼虫弯曲姿态矫正方法对弯曲姿态的幼虫进行姿态矫正,再采用伪Zernike算法提取幼虫图像的伪Zernike不变矩特征,伪Zernike不变矩的计算公式为:
其中,n为阶数,l为重复次数,r为原点到(x,y)点长度的矢量,θ为矢量r与x轴的夹角,Anl为伪Zernike不变矩,Vnl(rcosθ,rsinθ)为极坐标系下的正交多项式,f(rcosθ,rsinθ)为极坐标系下的图像函数。
步骤(3)中,所述预处理为灰度处理。
对弯曲姿态的幼虫进行姿态矫正的方法包括:提取幼虫图像的幼虫骨架,确定幼虫的弯曲区域,对弯曲区域的幼虫骨架进行圆拟合后对幼虫的弯曲区域进行矫正,填充矫正后虫体区域内的空白点。
提取幼虫图像的幼虫骨架后,根据幼虫骨架的变化趋势将幼虫骨架分为弯曲部分和非弯曲部分,将非弯曲部分的幼虫骨架进行直线拟合即可确定得到幼虫的弯曲区域。
对幼虫的弯曲区域进行矫正时可以采用扇形变换。
提取幼虫图像特征即提取幼虫图像的伪Zernike不变矩特征,提取过程包括:
(a)寻找幼虫图像所在区域的最小外接矩形,设定阶数,进行重复次数的计算,得到不变矩系数的个数;
(b)将幼虫图像的重心平移至原点,对该幼虫图像缩放后放入单位圆中;
(c)将幼虫图像的所有像素转换至以单位圆圆心为原点的极坐标系中,计算每一个像素离开单位圆圆心的径向距离,统计所有像素的径向距离,得到该条件下的不变矩系数,并进行组合得到一个系数序列即为该幼虫图像的伪Zernike不变矩。
显然的,若幼虫姿态笔直,则不需要进行姿态矫正,直接进行幼虫图像特征的提取。
构建幼虫特征数据库时,采用上述的方法提取各植物检疫幼虫图像的特征。
优选的,待检测幼虫为老熟幼虫。
与现有技术相比,本发明的有益效果为:
本发明植物检疫幼虫实时分类方法可以快速、准确、实时的鉴定和记录幼虫种类,及时发现植物检疫幼虫,且对环境没有污染。
本发明中提取的幼虫图像的伪Zernike不变矩具有良好的旋转不变性特征,冗余性小,抗噪能力强;通过将幼虫弯曲姿态矫正方法和伪Zernike算法相结合,用于现场幼虫的检测识别中可大大提高对幼虫尤其是老熟幼虫的识别率,对老熟幼虫的识别率可达88%。
附图说明
图1为植物检疫幼虫实时分类系统的硬件框图;
图2为植物检疫幼虫实时分类系统的原理结构图;
图3为植物检疫幼虫实时分类系统的硬件原理框图;
图4为植物检疫幼虫实时分类系统的软件结构框图;
图5为实施例中具体分类的幼虫图像。
具体实施方式
下面结合具体实施方式进一步阐释本发明。
如图1所示,一种植物检疫幼虫实时分类系统,包括:图像采集模块,键盘,FPGA嵌入式处理和控制系统,显示屏,存储模块,无线通信模块和打印机。其中,图像采集模块,负责采集幼虫的图像。一般,图像采集模块包括显微均匀照明单元、变焦显微单元和图像采集单元。
显微均匀照明单元为脉冲宽度调制(PWM)控制的自动调光LED显微照明系统,该系统的反射器采用自由曲面反射器,可为幼虫图像的采集提供均匀照明条件。变焦显微单元用来对幼虫进行光学成像,放大倍率范围一般为0.7x~4.5x,低倍区用来寻找待检测幼虫,高倍区用来采集幼虫的图像。在显微均匀照明单元和变焦显微单元的参与下,图像采集单元可现场采集幼虫的图像,图像采集单元的图像传感器采用CMOS图像传感器芯片,具体可以是Micron公司推出的200万像素片上系统(SOC)图像传感器MT9D111芯片。
键盘主要是输入图像采集、处理分析的相关命令。
FPGA嵌入式处理和控制系统为一块内嵌了PowerPC硬核处理器和MicroBlaze软核处理器的FPGA芯片,用来进行图像处理分析和控制各种外设模块如图像采集模块、键盘、显示屏、存储模块、无线通信模块和打印机。
显示屏,可以显示采集到的幼虫图像,相关操作的提示信息,以及帮助信息等。显示屏可以为LCD显示屏。
存储模块包括DDR SDRAM存储器、FLASH存储器和SD卡。其中,DDR SDRAM存储器用于幼虫图像信息缓存;FLASH存储器用于存储系统文件以及幼虫图像特征的缓存信息;SD卡用于存储采集的幼虫图像信息以及幼虫特征数据库文件。
无线通信模块,可把幼虫图像的处理分析数据、结果远程传送到实验室或技术中心上位机做鉴定。
打印机,可现场对幼虫图像的处理分析数据、结果等打印出来。
植物检疫幼虫实时分类鉴定的方法包括:
(1)待检测幼虫的图像采集
打开仪器的电源,在显微均匀照明单元提供的均匀照明条件下,变焦显微单元对待检测幼虫进行光学成像,图像采集单元采集到高分辨率和清晰度的幼虫图像;
(2)幼虫图像信息的缓存
采集到的幼虫图像在进行预处理之前先缓存到DDR SDRAM存储器中;
(3)幼虫图像的预处理
FPGA芯片的PowerPC硬核处理器读取缓存到DDR SDRAM存储器中的图像数据对幼虫图像进行灰度处理。
(4)幼虫图像特征的提取
FPGA芯片的MicroBlaze软核处理器对经过预处理后的幼虫图像进行幼虫图像特征的提取,将获取的幼虫图像特征的信息存储到FLASH存储器中;
其中,预处理后先采用幼虫弯曲姿态矫正方法对弯曲姿态的幼虫进行姿态矫正,再采用伪Zernike算法提取完成姿态矫正的幼虫图像的伪Zernike不变矩特征,若幼虫姿态本身是笔直的,则可不进行姿态矫正,直接进行幼虫图像特征提取。
对弯曲姿态的幼虫进行姿态矫正时,先提取幼虫图像的幼虫骨架,,根据幼虫骨架的变化趋势将幼虫骨架分为弯曲部分和非弯曲部分,将非弯曲部分的幼虫骨架进行直线拟合即可确定得到幼虫的弯曲区域对弯曲区域的幼虫骨架进行圆拟合后采用扇形变换对幼虫的弯曲区域进行矫正,填充矫正后虫体区域内的空白点,即完成姿态矫正。
伪Zernike不变矩的计算公式为:
其中,n为阶数,l为重复次数,r为原点到(x,y)点长度的矢量,θ为矢量r与x轴的夹角,Anl为伪Zernike不变矩,Vnl(rcosθ,rsinθ)为极坐标系下的正交多项式,f(rcosθ,rsinθ)为极坐标系下的图像函数。
伪Zernike不变矩特征的提取过程为:
(a)寻找幼虫图像所在区域的最小外接矩形,设定阶数(n为25,用户可根据情况进行设定),进行重复次数(l)的计算,得到不变矩系数的个数;
(b)将幼虫图像的重心平移至原点,对该幼虫图像缩放后放入单位圆中;
(c)将幼虫图像的所有像素转换至以单位圆圆心为原点的极坐标系中,计算每一个像素离开单位圆圆心的径向距离,统计所有像素的径向距离,得到该条件下的不变矩系数,并进行组合得到一个系数序列即为该幼虫图像的伪Zernike不变矩。
(5)幼虫图像的匹配识别
在进行幼虫图像的匹配识别前,需进行SVM分类器的训练,首先建立SVM分类器;收集各种植物检疫幼虫组成训练样本集,获取训练样本集中各训练样本图像;采用步骤(3)~(4)的方法对训练样本图像进行预处理,提取训练样本图像特征,所有训练样本图像特征构成幼虫特征数据库;从幼虫特征数据库中读取训练样本对应的训练样本图像特征的信息训练SVM分类器。
将待检测的幼虫的幼虫图像特征的信息输入训练好的SVM分类器(存储在SD卡中)中进行匹配识别,FPGA嵌入式处理和控制系统对待检测幼虫做出分类鉴定结果,并由打印机打印出匹配识别结果;如果SVM分类器中没有被检测幼虫对象,仪器自动发出警报,同时把检测幼虫数据通过远程无线通信的方式送到实验室或技术中心做鉴定。
上述步骤(1)~(5)中的由键盘负责输入图像采集、图像处理分析等的相关命令。
下面举一个实例进一步加以阐述,其中涉及主要技术前面已详细叙述。假设现在有一个幼虫样本,以幼虫1为例,具体步骤如下:
(1)幼虫图像的采集
将仪器的电源打开,把幼虫1放在待观察平台上,在显微均匀照明单元提供的均匀照明条件下,调节变焦显微单元的放大倍率,待LCD显示屏成像较为清晰时,按下键盘中的键1(可任意设定)进行幼虫图像的采集。
(2)幼虫图像信息的缓存
LCD显示器上观察到的幼虫图像在进行预处理之前先缓存到DDRSDRAM存储器中。
(3)幼虫图像的预处理
按下键盘中的键2可以对当前LCD显示屏上清晰的幼虫图像进行灰度处理,完毕后,LCD显示屏上显示处理后的幼虫图像。
(4)幼虫图像特征的提取
幼虫图像预处理完毕后,按下键盘中的键3,FPGA芯片的MicroBlaze软核处理器对幼虫图像进行伪Zernike不变矩特征提取,获取的幼虫图像特征的信息存储到FLASH存储器中,此时LCD显示屏上会显示幼虫1的伪Zernike不变矩特征数据信息。
(5)幼虫图像的匹配识别
待LCD显示屏上显示幼虫1的一些幼虫图像特征的信息时,此时按下键盘中的键4,MicroBlaze软核处理器将获取的幼虫1的幼虫图像特征的信息与SD卡存储器中存放的SVM分类器中的信息进行匹配识别。
匹配识别时,如果找到与之匹配者,LCD显示屏上显示找到的幼虫1的种类信息、寄主和分布地区等信息,此时按下键盘中的键5,可以由打印机打印出匹配识别结果;如果SVM分类器中找不到匹配者,LCD上会显示提示信息没有找到匹配者,同时仪器会自动发出警报信息,同时把检测到的幼虫数据通过远程无线通信的方式送到实验室或技术中心做鉴定。
图2为植物检疫幼虫实时分类系统的原理结构图,该系统在显微均匀照明单元和变焦显微单元参与下,通过图像采集单元进行幼虫图像采集,FPGA嵌入式处理和控制系统对幼虫图像处理鉴定。处理鉴定过程主要分为幼虫图像训练层和幼虫图像分析识别层两部分。
幼虫图像训练层是指从幼虫样本库(包含各种植物检疫幼虫图像)中提取出训练样本(植物检疫幼虫)图像特征,将提取到的训练样本图像特征的信息存储到幼虫特征数据库中,然后从幼虫特征数据库中读出训练样本对应的训练样本图像特征的信息训练SVM分类器;幼虫图像分析识别层是指提取待检测的幼虫的图像特征信息,输入至训练好的SVM分类器中进行匹配识别,最后得到幼虫的匹配识别的分析结果。幼虫图像分析识别层是指提取待检测幼虫的幼虫图像特征的信息,输入至训练好的SVM分类器中进行匹配识别,最后得到待检测幼虫的分类鉴定结果。
最后,分类鉴定结果可通过LCD显示屏显示,然后被存储、打印、无线传输等。
图3为植物检疫幼虫实时分类系统的硬件原理框图。在FPGA嵌入式处理和控制系统的设计过程中,根据系统架构的要求,在FPGA芯片内使硬核PowerPC和可嵌入FPGA内的软核MicroBlaze协同处理,选用了处理器本机总线PLB接口、MPMC控制器、DMA控制器、FLASH控制器、SD卡控制器、微型打印机控制器、UART控制器、键盘控制器、定时器、CMOS驱动IP、图像预处理IP核和Ethernet MAC接口等,将他们通过PLB总线与MicroBlaze软核整合在一块,定制了一个嵌入式的SOPC系统。
图4为植物检疫幼虫实时分类系统的软件结构框图。EDK开发环境包括嵌入式软件工具(Platform Studio)以及嵌入式IBM PowerPC硬核处理器和Xilinx MicroBlaze软核处理器进行Xilinx平台FPGA设计时所需的IP。所有的软件开发任务均可以在EDK开发环境下完成。对于幼虫图像预处理后的后期处理,MicroBlaze软核处理器主要是针对幼虫图像的特征提取和匹配识别进行处理,设计中采用了自定义指令的方式以提高系统速度。
如果无特殊说明,在对训练样本图像或者待检测幼虫的图像进行特征提取时,均将幼虫弯曲姿态矫正方法和伪Zernike算法相结合,提取得到的特征为伪Zernike不变矩特征。
对如图5所示老熟幼虫的图像经过特征提取后提取到的伪Zernike不变矩平均值与幼虫特征数据库中棉大卷夜螟、苹果蠹蛾、美国白蛾、马铃薯甲虫、甜菜夜蛾和斜纹夜蛾幼虫的伪Zernike不变矩平均值分别为0.395549、0.082563、0.194625、0.258733、0.523367、0.383245和0.451691,可以判断该幼虫为甜菜夜蛾,与实际情况相符合。另外,通过对不同龄态的幼虫检测后发现本发明的方法对老熟幼虫的识别率高,对50份老熟幼虫的样本进行分类鉴定后,统计识别率为88%。
Claims (2)
1.一种植物检疫幼虫实时分类方法,包括,
(1)建立SVM分类器;
(2)获取各种植物检疫幼虫的图像并分别提取特征以构成幼虫特征数据库,利用该幼虫特征数据库对所述SVM分类器进行训练;
(3)获取待检测幼虫的图像,灰度处理后提取幼虫图像特征输入训练后的SVM分类器中进行匹配识别,得到分类鉴定结果,其中,
灰度处理后采用幼虫弯曲姿态矫正方法对弯曲姿态的幼虫进行姿态矫正,再采用伪Zernike算法提取幼虫图像的伪Zernike不变矩特征,伪Zernike不变矩的计算公式为:
其中,n为阶数,l为重复次数,r为原点到(x,y)点长度的矢量,θ为矢量r与x轴的夹角,Anl为伪Zernike不变矩,Vnl(rcosθ,rsinθ)为极坐标系下的正交多项式,f(rcosθ,rsinθ)为极坐标系下的图像函数;
对弯曲姿态的幼虫进行姿态矫正的方法包括:提取幼虫图像的幼虫骨架,根据幼虫骨架的变化趋势将幼虫骨架分为弯曲部分和非弯曲部分,将非弯曲部分的幼虫骨架进行直线拟合,确定幼虫的弯曲区域,对弯曲区域的幼虫骨架进行圆拟合后,采用扇形变换对幼虫的弯曲区域进行矫正,填充矫正后虫体区域内的空白点;
幼虫图像的伪Zernike不变矩特征的提取过程包括:
(a)寻找幼虫图像所在区域的最小外接矩形,设定阶数,进行重复次数的计算,得到不变矩系数的个数;
(b)将幼虫图像的重心平移至原点,对该幼虫图像缩放后放入单位圆中;
(c)将幼虫图像的所有像素转换至以单位圆圆心为原点的极坐标系中,计算每一个像素离开单位圆圆心的径向距离,统计所有像素的径向距离,得到不变矩系数,并进行组合得到一个系数序列即为该幼虫图像的伪Zernike不变矩特征。
2.如权利要求1所述的植物检疫幼虫实时分类方法,其特征在于,待检测幼虫为老熟幼虫。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310120806.XA CN103279760B (zh) | 2013-04-09 | 2013-04-09 | 一种植物检疫幼虫实时分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310120806.XA CN103279760B (zh) | 2013-04-09 | 2013-04-09 | 一种植物检疫幼虫实时分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103279760A CN103279760A (zh) | 2013-09-04 |
CN103279760B true CN103279760B (zh) | 2016-10-05 |
Family
ID=49062275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310120806.XA Expired - Fee Related CN103279760B (zh) | 2013-04-09 | 2013-04-09 | 一种植物检疫幼虫实时分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103279760B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018132814A1 (en) * | 2017-01-16 | 2018-07-19 | Iron Ox, Inc. | Method for automatically redistributing plants throughout an agricultural facility |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978727B (zh) * | 2014-04-04 | 2018-03-16 | 北京大学深圳研究生院 | 生物体存活个数检测方法及装置 |
CN107292314A (zh) * | 2016-03-30 | 2017-10-24 | 浙江工商大学 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
WO2018119407A1 (en) | 2016-12-22 | 2018-06-28 | Iron Ox, Inc. | System and method for automating transfer of plants within an agricultural facility |
US10813295B2 (en) | 2017-04-17 | 2020-10-27 | Iron Ox, Inc. | Method for monitoring growth of plants and generating a plant grow schedule |
CN108805101A (zh) * | 2018-06-28 | 2018-11-13 | 陈静飞 | 一种基于深度学习的寄生虫虫卵的识别方法 |
US10936870B2 (en) | 2018-07-05 | 2021-03-02 | Iron Ox, Inc. | Method for selectively deploying sensors within an agricultural facility |
CN110096970A (zh) * | 2019-04-12 | 2019-08-06 | 苏州市职业大学 | 基于wv3卫星影像的松林变色立木单株标识方法 |
-
2013
- 2013-04-09 CN CN201310120806.XA patent/CN103279760B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
《基于不变矩和SVM分类的三维目标识别方法》;王睿等;《计算机仿真》;20110131;第28卷(第1期);第242-245页 * |
《基于区域伪Zernike矩的商标图像检索》;陈平等;《计算机仿真》;20100830;第27卷(第8期);第270-273页 * |
《弯曲姿态蛾类幼虫的自动识别方法研究》;范伟军等;《昆虫学报》;20120630(第6期);第727-735页 * |
《改进后的Zernike矩在文物图像检索中的应用》;白雪飞;《计算机应用与软件》;20070331;第24卷(第3期);第135-136页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018132814A1 (en) * | 2017-01-16 | 2018-07-19 | Iron Ox, Inc. | Method for automatically redistributing plants throughout an agricultural facility |
Also Published As
Publication number | Publication date |
---|---|
CN103279760A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279760B (zh) | 一种植物检疫幼虫实时分类方法 | |
Singh et al. | Transforming sensor data to the image domain for deep learning—An application to footstep detection | |
Wulder et al. | Comparison of airborne and satellite high spatial resolution data for the identification of individual trees with local maxima filtering | |
Dorigo et al. | Mapping invasive Fallopia japonica by combined spectral, spatial, and temporal analysis of digital orthophotos | |
CN105938564A (zh) | 基于主成分分析和神经网络的水稻病害识别方法及系统 | |
De Los Reyes et al. | Detection of Aedes Aegypti mosquito by digital image processing techniques and support vector machine | |
CN107808375B (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN106910187B (zh) | 一种用于桥梁裂缝检测定位的图像数据集人工扩增方法 | |
CN106548182A (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN103323455A (zh) | 基于反射、透视和显微图像的烟叶分级方法 | |
CN103390164A (zh) | 基于深度图像的对象检测方法及其实现装置 | |
Mukherjee et al. | Damaged paddy leaf detection using image processing | |
CN110472524A (zh) | 基于深度学习的发票信息管理方法、系统和可读介质 | |
CN105718954B (zh) | 一种基于视触觉融合的目标属性和类别的识别方法 | |
CN105825046B (zh) | 一种医疗数据的收集及处理方法及装置 | |
CN103914707A (zh) | 基于支持向量机的绿色通道产品辅助判别方法 | |
Quan et al. | Two-stream dense feature fusion network based on RGB-D data for the real-time prediction of weed aboveground fresh weight in a field environment | |
Dash et al. | Combining airborne laser scanning and aerial imagery enhances echo classification for invasive conifer detection | |
CN113706512B (zh) | 一种基于深度学习和深度相机的生猪体重测量方法 | |
CN103824083B (zh) | 基于叶片完备局部二值特征的Web在线物种识别方法 | |
Li et al. | Disease recognition of maize leaf based on KNN and feature extraction | |
Kaya et al. | An automatic identification method for the comparison of plant and honey pollen based on GLCM texture features and artificial neural network | |
Kuswidiyanto et al. | Airborne hyperspectral imaging for early diagnosis of kimchi cabbage downy mildew using 3D-ResNet and leaf segmentation | |
CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161005 Termination date: 20170409 |
|
CF01 | Termination of patent right due to non-payment of annual fee |