CN106991666A - 一种适用于多尺寸图片信息的病害图像识别方法 - Google Patents

一种适用于多尺寸图片信息的病害图像识别方法 Download PDF

Info

Publication number
CN106991666A
CN106991666A CN201710102807.XA CN201710102807A CN106991666A CN 106991666 A CN106991666 A CN 106991666A CN 201710102807 A CN201710102807 A CN 201710102807A CN 106991666 A CN106991666 A CN 106991666A
Authority
CN
China
Prior art keywords
layer
neural networks
convolutional
convolutional neural
core
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
Application number
CN201710102807.XA
Other languages
English (en)
Other versions
CN106991666B (zh
Inventor
李�瑞
谢成军
余健
张洁
陈天娇
陈红波
许桃胜
宿宁
王儒敬
宋良图
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN201710102807.XA priority Critical patent/CN106991666B/zh
Publication of CN106991666A publication Critical patent/CN106991666A/zh
Application granted granted Critical
Publication of CN106991666B publication Critical patent/CN106991666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

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)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种适用于多尺寸图片信息的病害图像识别方法，与现有技术相比解决了病害图像分辨率与尺寸大小不一导致识别率低、鲁棒性差的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；构造并训练MCNN网络模型；对待测图像进行收集和预处理，利用采集设备拍摄待识别的病害图像，并对待测的病害图像进行直方图均衡化，得到测试样本；将测试样本输入经过训练后的MCNN网络模型中，进行病害图像的自动识别。本发明在识别之前无需统一图像大小，可以直接对不同分辨率、不同大小的图像进行特征提取，进行分类预测。

Description

一种适用于多尺寸图片信息的病害图像识别方法
技术领域
本发明涉及图像识别技术领域，具体来说是一种适用于多尺寸图片信息的病害图像识别方法。
背景技术
在我国病害识别工作多依靠植保专家和农技人员来鉴定，由于植保人员稀缺，不能有效及时的发现病害的发生。而在当今模式识别领域，基于无监督的深度学习理论及其改进方法成为众多学者研究的热点，该算法在人脸识别、物体识别领域被广泛应用，并取得了较好的效果。然而，应用在病害图像自动识别方法及系统则出现识别率不高、鲁棒性较差，这也是由于病害样本所在环境复杂、所识别的图片分辨率与尺寸大小不一造成的。因此，现有的深度学习网络在训练时都需要将图片统一尺寸，但这又造成了图片信息的损失，也无疑降低了病害图像的识别率。
因此，如何解决分辨率与尺寸大小不一的问题，从而实现病害识别已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中病害图像分辨率与尺寸大小不一导致识别率低、鲁棒性差的缺陷，提供一种适用于多尺寸图片信息的病害图像识别方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种适用于多尺寸图片信息的病害图像识别方法，包括以下步骤：
对训练图像进行收集和预处理，收集若干幅图像作为训练图像，对所有训练图像进行直方图均衡化，得到若干个训练样本；
构造并训练MCNN网络模型，通过AlexNet的改进分别构造出三个卷积神经网络，每个卷积神经网络均包括6个卷积层，对每个卷积神经网络的每层卷积层核大小与最后一层的权连接进行改进，得到训练后的MCNN网络模型；
对待测图像进行收集和预处理，利用采集设备拍摄待识别的病害图像，并对待测的病害图像进行直方图均衡化，得到测试样本；
将测试样本输入经过训练后的MCNN网络模型中，进行病害图像的自动识别。
所述的构造并训练MCNN网络模型包括以下步骤：
构造MCNN网络模型，以通过AlexNet的改进分别构造出三个卷积神经网络，每个卷积神经网络均包括6个卷积层，对每个卷积神经网络分别进行参数设置；
分别对三个卷积神经网络进行每层的训练，并对每层的训练样本特征向量进行融合，得到病害的训练模型。
所述的构造MCNN网络模型包括以下步骤：
对AlexNet进行改进构造出卷积神经网络A；
设定卷积神经网络A应对中等尺度下的图像处理，设置卷积神经网络A的卷积层核大小如下：将第一层卷积层的核大小设置为11*11、将第二层卷积层的核大小设置为5*5、将第三层卷积层的核大小设置为3*3、将第四层卷积层的核大小设置为3*3、将第五层卷积层的核大小设置为3*3、将第六层卷积层的核大小设置为1*1；
对AlexNet进行改进构造出卷积神经网络B；
设定卷积神经网络B应对大尺度下的图像处理，设置卷积神经网络B的卷积层核大小如下：将第一层卷积层的核大小设置为13*13、将第二层卷积层的核大小设置为7*7、将第三层卷积层的核大小设置为7*7、将第四层卷积层的核大小设置为5*5、将第五层卷积层的核大小设置为5*5、将第六层卷积层的核大小设置为1*1；
对AlexNet进行改进构造出卷积神经网络C；
设定卷积神经网络C应对小尺度下的图像处理，设置卷积神经网络C的卷积层核大小如下：将第一层卷积层的核大小设置为5*5、将第二层卷积层的核大小设置为5*5、将第三层卷积层的核大小设置为3*3、将第四层卷积层的核大小设置为3*3、将第五层卷积层的核大小设置为3*3、将第六层卷积层的核大小设置为1*1。
所述的分别对三个卷积神经网络进行每层的训练包括以下步骤：
使用反向传播算法与梯度下降法更新卷积神经网络A，其具体步骤如下：
计算第ni层中每一个输出单元i的残差，即病害特征在经过激活函数hW,b(x)拟合之后，输出的特征与其输入前特征相比的特征损失其计算公式如下：
其中，J(W,b；x,y)表示病害样本(x,y)在整体输出之后的特征损失，hW,b(x)为表示网络的激活值，为ni层第i输入单元总的加权和，为第ni层神经元激活函数，为第ni个神经元的输出；
利用l+1层的残差计算l层的残差，其计算公式如下：
其中第l层的权值，第l+1的残差；
求病害特征损失函数最小值，损失函数分别对W和b偏导，计算J(W,b；x,y)的偏导数，计算方法如下：
求解最优的参数W和b，采用梯度下降法对参数W和b进行迭代更新，其具体步骤如下：
将卷积神经网络A中所有层利用正态分布将参数W和b初始化为接近0的小数；
对于i＝1到m，使用反向传播算法计算和利用和计算出和
更新权重参数：
利用上述的迭代步骤，通过不断的重复，优化权重参数，求出损失函数J(W,b)的最小值，求解出最优的卷积神经网络A；
使用反向传播算法与梯度下降法更新卷积神经网络B；
使用反向传播算法与梯度下降法更新卷积神经网络C；
将训练样本分别输入卷积神经网络A、卷积神经网络B和卷积神经网络C，卷积神经网络A输出特征向量A，卷积神经网络B输出特征向量B，卷积神经网络C输出特征向量C；
将特征向量A、特征向量B和特征向量C进行融合求平均处理，得到最终特征向量N，将最终特征向量N作为MCNN网络模型的特征向量，得到病害训练后的MCNN网络模型。
有益效果
本发明的一种适用于多尺寸图片信息的病害图像识别方法，与现有技术相比在识别之前无需统一图像大小，可以直接对不同分辨率、不同大小的图像进行特征提取，进行分类预测。本发明的方法未造成图像信息损失，提高了病害识别的准确率，增强了病害识别算法的鲁棒性，达到了实际应用水平。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种适用于多尺寸图片信息的病害图像识别方法，包括以下步骤：
第一步，对训练图像进行收集和预处理。收集若干幅图像作为训练图像，对所有训练图像进行直方图均衡化，得到若干个训练样本。
第二步，构造并训练MCNN网络模型。通过AlexNet的改进分别构造出三个卷积神经网络，每个卷积神经网络均包括6个卷积层，对每个卷积神经网络的每层卷积层核大小与最后一层的权连接进行改进，得到训练后的MCNN网络模型。其具体步骤如下：
(1)构造MCNN网络模型，以通过AlexNet的改进分别构造出三个卷积神经网络，三个卷积神经网络在实际应用中用于不同分辨率、不同大小的图像的直接处理。每个卷积神经网络均包括6个卷积层，对每个卷积神经网络分别进行参数设置。
A、使用常规方法对AlexNet进行改进构造出卷积神经网络A。
B、根据大量实验结果设定卷积神经网络A，(其设定是经过大量实验得出的结论，为经验获取，这样设置效果最好)应对中等尺度下的图像处理。设置卷积神经网络A的卷积层核大小如下：将第一层卷积层的核大小设置为11*11、将第二层卷积层的核大小设置为5*5、将第三层卷积层的核大小设置为3*3、将第四层卷积层的核大小设置为3*3、将第五层卷积层的核大小设置为3*3、将第六层卷积层(全连接层)的核大小设置为1*1。
C、同理，对AlexNet进行改进构造出卷积神经网络B。
D、设定卷积神经网络B应对大尺度下的图像处理。设置卷积神经网络B的卷积层核大小如下：将第一层卷积层的核大小设置为13*13、将第二层卷积层的核大小设置为7*7、将第三层卷积层的核大小设置为7*7、将第四层卷积层的核大小设置为5*5、将第五层卷积层的核大小设置为5*5、将第六层卷积层的核大小设置为1*1。
E、同理，对AlexNet进行改进构造出卷积神经网络C。
F、设定卷积神经网络C应对小尺度下的图像处理。设置卷积神经网络C的卷积层核大小如下：将第一层卷积层的核大小设置为5*5、将第二层卷积层的核大小设置为5*5、将第三层卷积层的核大小设置为3*3、将第四层卷积层的核大小设置为3*3、将第五层卷积层的核大小设置为3*3、将第六层卷积层的核大小设置为1*1。
(2)分别对三个卷积神经网络进行每层的训练，并对每层的训练样本特征向量进行融合，得到病害的训练模型。
由于卷积神经网络训练主要是获取最优的权值参数，然而病害特征很复杂，一般训练方式很难获取最优的权值参数。因为反向传播算法可以得到卷积神经网络层与层之间输出的关系，所以可以采用反向传播法计算特征在每层之间的残差。但是反向传播算法只能计算出层与层之间的特征残差损失，并不能获取最优的也就是最小的损失值。而梯度下降法可以迭代计算出最小的损失值，所以为了学习最优的权值参数，提高网络学习效率，本发明采用反向传播算法与梯度下降法来优化网络参数。其具体步骤如下：
首先，使用反向传播算法与梯度下降法更新卷积神经网络A。在训练的时候，输出层在经过隐含层拟合后总是与输入层输入的病害特征相比存在损失，为了让病害特征损失更小，使用反向传播算法更新卷积神经网络A。反向传播算法为传统算法，基于病害图像识别，对其参数配合上病害图像识别中的相应特征，其具体步骤如下：
A、计算第ni层(输出层)中每一个输出单元i的残差，即病害特征在经过激活函数hW,b(x)拟合之后，输出的特征与其输入前特征相比的特征损失其计算公式如下：
其中，J(W,b；x,y)表示病害样本(x,y)在整体输出之后的特征损失，hW,b(x)为表示网络的激活值，为ni层第i输入单元总的加权和，为第ni层神经元激活函数，为第ni个神经元的输出。
B、利用l+1层的残差计算l层的残差，其计算公式如下：
其中第l层的权值，第l+1的残差。
C、求病害特征损失函数最小值，损失函数分别对W和b(b为偏置项)偏导，计算J(W,b；x,y)的偏导数，计算方法如下：
D、求解最优的参数W和b，采用梯度下降法对参数W和b进行迭代更新，其具体步骤如下：
将卷积神经网络A中所有层利用正态分布将参数W和b初始化为接近0的小数；
对于i＝1到m，使用反向传播算法计算和利用和计算出和
更新权重参数：
利用上述的迭代步骤，通过不断的重复，优化权重参数，求出损失函数J(W,b)的最小值，求解出最优的卷积神经网络A。
其次，同样使用反向传播算法与梯度下降法更新卷积神经网络B。
再次，同理，使用反向传播算法与梯度下降法更新卷积神经网络C。
最后，再将训练样本分别输入卷积神经网络A、卷积神经网络B和卷积神经网络C，卷积神经网络A输出特征向量A，卷积神经网络B输出特征向量B，卷积神经网络C输出特征向量C。将特征向量A、特征向量B和特征向量C进行融合求平均处理，得到最终特征向量N，将最终特征向量N作为MCNN网络模型的特征向量，得到病害训练后的MCNN网络模型。
第三步，对待测图像进行收集和预处理。利用采集设备拍摄待识别的病害图像，并对待测的病害图像进行直方图均衡化，得到测试样本。
第四步，将测试样本输入经过训练后的MCNN网络模型中，进行病害图像的自动识别。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种适用于多尺寸图片信息的病害图像识别方法，其特征在于，包括以下步骤：
11)对训练图像进行收集和预处理，收集若干幅图像作为训练图像，对所有训练图像进行直方图均衡化，得到若干个训练样本；
12)构造并训练MCNN网络模型，通过AlexNet的改进分别构造出三个卷积神经网络，每个卷积神经网络均包括6个卷积层，对每个卷积神经网络的每层卷积层核大小与最后一层的权连接进行改进，得到训练后的MCNN网络模型；
13)对待测图像进行收集和预处理，利用采集设备拍摄待识别的病害图像，并对待测的病害图像进行直方图均衡化，得到测试样本；
14)将测试样本输入经过训练后的MCNN网络模型中，进行病害图像的自动识别。
2.根据权利要求1所述的一种适用于多尺寸图片信息的病害图像识别方法，其特征在于，所述的构造并训练MCNN网络模型包括以下步骤：
21)构造MCNN网络模型，以通过AlexNet的改进分别构造出三个卷积神经网络，每个卷积神经网络均包括6个卷积层，对每个卷积神经网络分别进行参数设置；
22)分别对三个卷积神经网络进行每层的训练，并对每层的训练样本特征向量进行融合，得到病害的训练模型。
3.根据权利要求2所述的一种适用于多尺寸图片信息的病害图像识别方法，其特征在于，所述的构造MCNN网络模型包括以下步骤：
31)对AlexNet进行改进构造出卷积神经网络A；
32)设定卷积神经网络A应对中等尺度下的图像处理，设置卷积神经网络A的卷积层核大小如下：将第一层卷积层的核大小设置为11*11、将第二层卷积层的核大小设置为5*5、将第三层卷积层的核大小设置为3*3、将第四层卷积层的核大小设置为3*3、将第五层卷积层的核大小设置为3*3、将第六层卷积层的核大小设置为1*1；
33)对AlexNet进行改进构造出卷积神经网络B；
34)设定卷积神经网络B应对大尺度下的图像处理，设置卷积神经网络B的卷积层核大小如下：将第一层卷积层的核大小设置为13*13、将第二层卷积层的核大小设置为7*7、将第三层卷积层的核大小设置为7*7、将第四层卷积层的核大小设置为5*5、将第五层卷积层的核大小设置为5*5、将第六层卷积层的核大小设置为1*1；
35)对AlexNet进行改进构造出卷积神经网络C；
36)设定卷积神经网络C应对小尺度下的图像处理，设置卷积神经网络C的卷积层核大小如下：将第一层卷积层的核大小设置为5*5、将第二层卷积层的核大小设置为5*5、将第三层卷积层的核大小设置为3*3、将第四层卷积层的核大小设置为3*3、将第五层卷积层的核大小设置为3*3、将第六层卷积层的核大小设置为1*1。
4.根据权利要求2所述的一种适用于多尺寸图片信息的病害图像识别方法，其特征在于，所述的分别对三个卷积神经网络进行每层的训练包括以下步骤：
41)使用反向传播算法与梯度下降法更新卷积神经网络A，其具体步骤如下：
411)计算第ni层中每一个输出单元i的残差，即病害特征在经过激活函数hW,b(x)拟合之后，输出的特征与其输入前特征相比的特征损失其计算公式如下：
σ i ( n i ) = ∂ ∂ z i n i J ( W , b ; x , y ) = ∂ ∂ z i n i 1 2 | | h W , b ( x ) - y | | 2 = - ( y i - a i ( n i ) ) . f ′ ( z i ( n i ) )
其中，J(W,b；x,y)表示病害样本(x,y)在整体输出之后的特征损失，hW,b(x)为表示网络的激活值，为ni层第i输入单元总的加权和，为第ni层神经元激活函数，为第ni个神经元的输出；
412)利用l+1层的残差计算l层的残差，其计算公式如下：
σ i ( n l ) = ( Σ j = 1 s l + 1 W j i l δ i ( l + 1 ) ) f ′ ( z i n l )
其中第l层的权值，第l+1的残差；
413)求病害特征损失函数最小值，损失函数分别对W和b偏导，计算J(W,b；x,y)的偏导数，计算方法如下：
▿ W ( l ) J ( W , b ; x , y ) = ∂ ∂ W i , j ( l ) J ( W , b ; x , y ) = a j ( l ) δ i ( l + 1 )
▿ b ( l ) J ( W , b ; x , y ) = ∂ ∂ b i ( l ) J ( W , b ; x , y ) = δ i ( l + 1 ) ;
414)求解最优的参数W和b，采用梯度下降法对参数W和b进行迭代更新，其具体步骤如下：
将卷积神经网络A中所有层利用正态分布将参数W和b初始化为接近0的小数；
对于i＝1到m，使用反向传播算法计算和利用和计算出和
更新权重参数：
W ( l ) = W ( l ) - α [ ( 1 m ) ΔW ( l ) ] + λW ( l )
b ( l ) = b ( l ) - α [ ( 1 m ) Δb ( l ) ]
利用上述的迭代步骤，通过不断的重复，优化权重参数，求出损失函数J(W,b)的最小值，求解出最优的卷积神经网络A；
42)使用反向传播算法与梯度下降法更新卷积神经网络B；
43)使用反向传播算法与梯度下降法更新卷积神经网络C；
44)将训练样本分别输入卷积神经网络A、卷积神经网络B和卷积神经网络C，卷积神经网络A输出特征向量A，卷积神经网络B输出特征向量B，卷积神经网络C输出特征向量C；
45)将特征向量A、特征向量B和特征向量C进行融合求平均处理，得到最终特征向量N，将最终特征向量N作为MCNN网络模型的特征向量，得到病害训练后的MCNN网络模型。
CN201710102807.XA 2017-02-24 2017-02-24 一种适用于多尺寸图片信息的病害图像识别方法 Active CN106991666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710102807.XA CN106991666B (zh) 2017-02-24 2017-02-24 一种适用于多尺寸图片信息的病害图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710102807.XA CN106991666B (zh) 2017-02-24 2017-02-24 一种适用于多尺寸图片信息的病害图像识别方法

Publications (2)

Publication Number Publication Date
CN106991666A true CN106991666A (zh) 2017-07-28
CN106991666B CN106991666B (zh) 2019-06-07

Family

ID=59412533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710102807.XA Active CN106991666B (zh) 2017-02-24 2017-02-24 一种适用于多尺寸图片信息的病害图像识别方法

Country Status (1)

Country Link
CN (1) CN106991666B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563389A (zh) * 2017-09-11 2018-01-09 合肥工业大学 一种基于深度学习的农作物病害识别方法
CN108021894A (zh) * 2017-12-07 2018-05-11 中国科学院合肥物质科学研究院 一种基于深度策略学习的小麦病害检测方法
CN108256408A (zh) * 2017-10-25 2018-07-06 四川大学 一种基于深度学习的干细胞追踪方法
CN108334941A (zh) * 2018-03-06 2018-07-27 陕西师范大学 一种基于生成式对抗网络的桥梁裂缝图像生成模型
CN108363961A (zh) * 2018-01-24 2018-08-03 东南大学 基于卷积神经网络间迁移学习的桥梁支座病害识别方法
CN108875767A (zh) * 2017-12-07 2018-11-23 北京旷视科技有限公司 图像识别的方法、装置、系统及计算机存储介质
CN108960310A (zh) * 2018-06-25 2018-12-07 北京普惠三农科技有限公司 一种基于人工智能的农业病虫害识别方法
CN109086782A (zh) * 2018-08-21 2018-12-25 广东工业大学 特征描述子生成方法、装置、设备及计算机可读存储介质
CN109165623A (zh) * 2018-09-07 2019-01-08 北京麦飞科技有限公司 基于深度学习的水稻病斑检测方法及系统
CN110222741A (zh) * 2019-05-23 2019-09-10 上海联影智能医疗科技有限公司 医学图像的预测方法、模型、装置、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069400A (zh) * 2015-07-16 2015-11-18 北京工业大学 基于栈式稀疏自编码的人脸图像性别识别系统
CN105868689A (zh) * 2016-02-16 2016-08-17 杭州景联文科技有限公司 一种基于级联卷积神经网络的人脸遮挡检测方法
CN105979244A (zh) * 2016-05-31 2016-09-28 十二维度（北京）科技有限公司 一种基于深度学习的2d图像转3d图像的方法及系统
CN106157307A (zh) * 2016-06-27 2016-11-23 浙江工商大学 一种基于多尺度cnn和连续crf的单目图像深度估计方法
CN106372648A (zh) * 2016-10-20 2017-02-01 中国海洋大学 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069400A (zh) * 2015-07-16 2015-11-18 北京工业大学 基于栈式稀疏自编码的人脸图像性别识别系统
CN105868689A (zh) * 2016-02-16 2016-08-17 杭州景联文科技有限公司 一种基于级联卷积神经网络的人脸遮挡检测方法
CN105979244A (zh) * 2016-05-31 2016-09-28 十二维度（北京）科技有限公司 一种基于深度学习的2d图像转3d图像的方法及系统
CN106157307A (zh) * 2016-06-27 2016-11-23 浙江工商大学 一种基于多尺度cnn和连续crf的单目图像深度估计方法
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN106372648A (zh) * 2016-10-20 2017-02-01 中国海洋大学 基于多特征融合卷积神经网络的浮游生物图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YU-HSIN CHEN 等: "Eyeriss: An energy-efficient reconfigurable accelerator for deep convolutional neural networks", 《2016 IEEE INTERNATIONAL SOLID-STATE CIRCUITS CONFERENCE (ISSCC)》 *
谢成军 等: "基于稀疏编码金字塔模型的农田害虫图像识别", 《农业工程学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563389A (zh) * 2017-09-11 2018-01-09 合肥工业大学 一种基于深度学习的农作物病害识别方法
CN108256408A (zh) * 2017-10-25 2018-07-06 四川大学 一种基于深度学习的干细胞追踪方法
CN108021894B (zh) * 2017-12-07 2020-06-05 中国科学院合肥物质科学研究院 一种基于深度策略学习的小麦病害检测方法
CN108021894A (zh) * 2017-12-07 2018-05-11 中国科学院合肥物质科学研究院 一种基于深度策略学习的小麦病害检测方法
CN108875767A (zh) * 2017-12-07 2018-11-23 北京旷视科技有限公司 图像识别的方法、装置、系统及计算机存储介质
CN108363961A (zh) * 2018-01-24 2018-08-03 东南大学 基于卷积神经网络间迁移学习的桥梁支座病害识别方法
CN108334941A (zh) * 2018-03-06 2018-07-27 陕西师范大学 一种基于生成式对抗网络的桥梁裂缝图像生成模型
CN108334941B (zh) * 2018-03-06 2022-09-09 陕西师范大学 一种基于生成式对抗网络的桥梁裂缝图像生成模型
CN108960310A (zh) * 2018-06-25 2018-12-07 北京普惠三农科技有限公司 一种基于人工智能的农业病虫害识别方法
CN109086782A (zh) * 2018-08-21 2018-12-25 广东工业大学 特征描述子生成方法、装置、设备及计算机可读存储介质
CN109165623A (zh) * 2018-09-07 2019-01-08 北京麦飞科技有限公司 基于深度学习的水稻病斑检测方法及系统
CN109165623B (zh) * 2018-09-07 2020-08-04 北京麦飞科技有限公司 基于深度学习的水稻病斑检测方法及系统
CN110222741A (zh) * 2019-05-23 2019-09-10 上海联影智能医疗科技有限公司 医学图像的预测方法、模型、装置、设备和存储介质

Also Published As

Publication number Publication date
CN106991666B (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
CN106991666A (zh) 一种适用于多尺寸图片信息的病害图像识别方法
CN109800736A (zh) 一种基于遥感影像和深度学习的道路提取方法
CN104978580B (zh) 一种用于无人机巡检输电线路的绝缘子识别方法
CN110335270A (zh) 基于层级区域特征融合学习的输电线路缺陷检测方法
CN110163187A (zh) 基于f-rcnn的远距离交通标志检测识别方法
CN107392901A (zh) 一种用于输电线路部件智能自动识别的方法
CN109886444A (zh) 一种交通短时客流预测方法、装置、设备和存储介质
CN108229267A (zh) 对象属性检测、神经网络训练、区域检测方法和装置
CN107529651A (zh) 一种基于深度学习的城市交通客流预测方法和设备
CN105550678A (zh) 基于全局显著边缘区域的人体动作特征提取方法
CN107818302A (zh) 基于卷积神经网络的非刚性多尺度物体检测方法
CN110516539A (zh) 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备
CN109241871A (zh) 一种基于视频数据的公共区域人流跟踪方法
CN110134774A (zh) 一种基于注意力决策的图像视觉问答模型、方法和系统
CN107967474A (zh) 一种基于卷积神经网络的海面目标显著性检测方法
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN105046277A (zh) 特征显著性在图像质量评价中的鲁棒机理研究方法
CN108648197A (zh) 一种基于图像背景掩膜的目标候选区域提取方法
CN114842208B (zh) 一种基于深度学习的电网危害鸟种目标检测方法
CN107909206A (zh) 一种基于深层结构循环神经网络的pm2.5预测方法
CN106203625A (zh) 一种基于多重预训练的深层神经网络训练方法
CN106022273A (zh) 基于动态样本选择策略的bp神经网络手写体识别系统
CN109190507A (zh) 一种基于轨道交通列车的客流拥挤度计算方法及装置
CN108021947A (zh) 一种基于视觉的分层极限学习机目标识别方法
CN109376589A (zh) 基于卷积核筛选ssd网络的rov形变目标与小目标识别方法

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
GR01 Patent grant