CN107016401A - 一种基于数码相机图像的水稻冠层识别方法 - Google Patents
一种基于数码相机图像的水稻冠层识别方法 Download PDFInfo
- Publication number
- CN107016401A CN107016401A CN201710088959.9A CN201710088959A CN107016401A CN 107016401 A CN107016401 A CN 107016401A CN 201710088959 A CN201710088959 A CN 201710088959A CN 107016401 A CN107016401 A CN 107016401A
- Authority
- CN
- China
- Prior art keywords
- canopy
- rice
- rice canopy
- digital camera
- image
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 84
- 235000009566 rice Nutrition 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 56
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000007476 Maximum Likelihood Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 241001464837 Viridiplantae Species 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001237160 Kallima inachus Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及作物冠层图像识别领域，具体为一种基于数码相机图像的水稻冠层识别方法，包括以下步骤：(1)使用数码相机获取水稻冠层彩色图像；(2)获取所述水稻冠层彩色图像中的R、G、B三通道的色值；(3)根据所述水稻冠层彩色图像的每个像素中R、G、B色值大小来判断是否为水稻冠层。本发明识别水稻冠层方法识别率高，省略了现有常用方法需要提前选择图像样本的工作步骤，计算过程也更简单，可以明显提高工作效率。
Description
【技术领域】
本发明涉及作物冠层图像识别领域，具体为一种基于数码相机图像的水稻冠层识别方法。
【背景技术】
作物冠层图像识别，通常指的是在获取的卫星遥感影像、相机图像、扫描仪图像中，识别出绿色植物冠层部分，从而剔除掉非冠层部分(如土壤、水体、枯叶、阴影等)。作物冠层图像识别多被应用于植物覆盖度、叶面积指数的估算，进而评估作物长势、预估产量等；或者用于作物营养的快速诊断。近年来，随着数码相机的推广，利用数码相机获取冠层图像已经非常便捷，因此，研究利用数码相机进行作物冠层识别具有相当可观的应用前景。
目前采用的冠层识别方法主要有三种，一是使用Photoshop软件的“色彩选择”程序，人为手工地在图像中选择冠层区域，存在着耗时费力、人为误差不确定等缺点。二是监督学习分类方法，如支持向量机、神经网络模型、最大似然法等，此类方法需要人工选择监督学习分类的纯净图像样本，然后根据样本进行学习，确定分类依据；此类方法的缺点在于计算时间较长，而且需要事先选择图像样本，操作不够便捷。三是利用图像中的红(R)、绿(G)、蓝(B)三通道的色值，根据植物冠层的光谱反射规律，设定相应的计算公式进行区分；此类方法较常用的指标是：2g-r-b，其中r＝R/(R+G+B)，g＝G/(R+G+B)，b＝B/(R+G+B)；其分类的依据是图像中土壤与绿色植物的2g-r-b差异明显，将图像二值化处理即可区分开土壤和绿色植物；该方法的缺点是需要根据不同的图像设置二值化阈值，不同的拍摄条件下图像可比性较差，阈值的设置对分类结果影响较大，容易将底层被阴影掩盖的叶片错分为冠层叶片，同时将强光照射下的冠层叶片错分为非冠层，分类精度通常不如前两种方法。现有的冠层识别方法，存在有人为干扰因素，并且计算复杂。
【发明内容】
针对以上，本发明通过一种基于数码相机图像的水稻冠层识别方法，利用数码相机图像中的红(R)、绿(G)、蓝(B)三通道的色值，根据绿色叶片的光谱反射特征，设置4个简单的分类条件，逐步剔除掉图像中的非冠层部分，从而达到识别冠层部分的目的。相比于现有的冠层识别方法，该方法没有人为干扰，计算简单，速度快，分类阈值可随不同图像自动修正，便于不同拍摄条件下的图像相比较，分类精度高于或相当于现有的分类方法。
本发明的目的通过以下技术方案实现：
一种基于数码相机图像的水稻冠层识别方法，包括以下步骤：
(1)使用数码相机获取水稻冠层彩色图像；
(2)获取所述水稻冠层彩色图像中的R、G、B三通道的色值；
(3)根据所述水稻冠层彩色图像的每个像素中R、G、B色值大小来判断是否为水稻冠层。
进一步的，所述步骤(3)中水稻冠层判断方法为：分别判断每个像素色值中G是否大于R、G是否大于B、G是否大于0.15-0.25倍max(G)、G/B是否大于1.1-1.2；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
进一步的，所述获取水稻冠层彩色图像方法为：在晴天光线充足的情况下，设置数码相机闪光灯关闭状态，使用自动拍照模式，白平衡、曝光值均采用自动调节模式，垂直向下拍摄水稻冠层，获得水稻冠层图像。
进一步的，水稻冠层判断方法为：分别判断每个像素中G是否大于R、G是否大于B、G是否大于0.2倍max(G)、G/B是否大于1.15；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
进一步的，使用图像处理软件获取所述水稻冠层彩色图像中的R、G、B三通道的色值，所述图像处理软件为ENVI或ERDAS IMAGINE。
本发明还提供一种基于数码相机图像的水稻冠层识别系统，包括数码相机、图像处理模块和水稻冠层判断模块，
所述数码相机用于获取水稻冠层彩色图像；
所述图像处理模块用于处理获取水稻冠层彩色图像中的R、G、B三通道的色值；
所述水稻冠层判断模块用于根据所述水稻冠层彩色图像的每个像素中R、G、B色值大小来判断是否为水稻冠层。
进一步的，所述水稻冠层判断模块具体功能为根据以下四个条件判断是否为冠层：分别判断每个像素中G是否大于R、G是否大于B、G是否大于0.2倍max(G)、G/B是否大于1.15；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
本发明的有效益效果是：本发明水稻冠层识别方法通过设置4个简单的分类条件，逐步剔除掉图像中的非冠层部分，从而达到识别冠层部分的目的，其中通过G是否大于0.15-0.25倍max(G)判断排除图像阴影的影响，通过G/B是否大于1.1-1.2，把同是绿色的塑料、布料、油漆等与水稻冠层区分开。本发明方法可以有效排除人为因素干扰，计算稳定性高，冠层识别率高于现有技术。而且计算简单，速度快、提高了工作效率。
附图说明
图1是本发明基于数码相机图像的水稻冠层识别方法的流程图；
图2是本发明基于数码相机图像的水稻冠层识别系统的系统原理图；
图3是本发明对比试验相机拍摄原图；
图4是本发明对比试验目视解译结果图；
图5是本发明对比试验本专利方法分类结果图；
图6是本发明对比试验支持向量机分类结果图；
图7是本发明对比试验最大似然法分类结果图；
图8是本发明对比试验神经网络分类结果图。
【具体实施方式】
实施例1
如图1所示，一种基于数码相机图像的水稻冠层识别方法，包括以下步骤：
(1)在晴天光线充足的情况下，设置数码相机闪光灯关闭状态，使用自动拍照模式，白平衡、曝光值均采用自动调节模式，垂直向下拍摄水稻冠层，获得水稻冠层彩色图像；
(2)使用图像处理软件获取所述水稻冠层彩色图像中的R、G、B三通道的色值，所述图像处理软件为ENVI或ERDAS IMAGINE；
(3)根据所述水稻冠层彩色图像的每个像素中R、G、B色值大小来判断是否为水稻冠层。分别判断每个像素色值中G是否大于R、G是否大于B、G是否大于0.15倍max(G)、G/B是否大于1.1；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
上述R代表红色，G代表绿色，B代表蓝色，max(G)代表本图像中绿色最大色值。
实施例2
如图1所示，一种基于数码相机图像的水稻冠层识别方法，包括以下步骤：
(1)在晴天光线充足的情况下，设置数码相机闪光灯关闭状态，使用自动拍照模式，白平衡、曝光值均采用自动调节模式，垂直向下拍摄水稻冠层，获得水稻冠层彩色图像；
(2)使用图像处理软件获取所述水稻冠层彩色图像中的R、G、B三通道的色值，所述图像处理软件为ENVI或ERDAS IMAGINE；
(3)根据所述水稻冠层彩色图像的每个像素中R、G、B色值大小来判断是否为水稻冠层。分别判断每个像素色值中G是否大于R、G是否大于B、G是否大于0.25倍max(G)、G/B是否大于1.2；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
上述R代表红色，G代表绿色，B代表蓝色，max(G)代表本图像中绿色最大色值。
实施例3
如图1所示，一种基于数码相机图像的水稻冠层识别方法，包括以下步骤：
(1)在晴天光线充足的情况下，设置数码相机闪光灯关闭状态，使用自动拍照模式，白平衡、曝光值均采用自动调节模式，垂直向下拍摄水稻冠层，获得水稻冠层彩色图像；
(2)使用图像处理软件获取所述水稻冠层彩色图像中的R、G、B三通道的色值，所述图像处理软件为ENVI或ERDAS IMAGINE；
(3)根据所述水稻冠层彩色图像的每个像素中R、G、B色值大小来判断是否为水稻冠层。分别判断每个像素色值中G是否大于R、G是否大于B、G是否大于0.2倍max(G)、G/B是否大于1.15；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
上述R代表红色，G代表绿色，B代表蓝色，max(G)代表本图像中绿色最大色值。
实施例4
如图2所述一种基于数码相机图像的水稻冠层识别系统，包括数码相机、图像处理模块和水稻冠层判断模块。
所述数码相机用于获取水稻冠层彩色图像；
所述图像处理模块用于处理获取水稻冠层彩色图像中的R、G、B三通道的色值；
所述水稻冠层判断模块用于根据所述水稻冠层彩色图像的每个像素中R、G、B色值大小来判断是否为水稻冠层。所述水稻冠层判断模块具体功能为根据以下四个条件判断是否冠层：分别判断每个像素中G是否大于R、G是否大于B、G是否大于0.2倍max(G)、G/B是否大于1.15；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
实施例5
为了验证本发明方法的分类效果，将数码相机获取的图像进行人工目视解译，人工识别出图像中的冠层部分和非冠层部分，作为该方法的验证真值图像，与该方法做出的分类图像进行对比。同时，应用其他方法(支持向量机、神经网络、最大似然法)进行冠层识别，分别与人工目视解译结果图进行对比验证。
进行支持向量机、神经网络、最大似然法分类前，在图像中分为绿叶、土壤、水体、阴影4类分别选取各类别的纯净像素区，作为分类算法的学习样本。
支持向量机采用的核函数(Kernel Type)是Sigmoid函数，核参数Bias(Bias inKernel Function)为1，核参数σ值(Gamma in Kernel Function)为0.333，惩罚因子(Penalty Parameter)为100。最大似然法似然度阈值(Set Probability Threshold)选择“None”。神经网络活化函数(Activation)采用Logistic函数，训练贡献阈值(TrainingThreshold Contribution)为0.9，权重调节速度(Training Rate)为0.2，训练步幅(Training Momentum)为0.9，期望误差最小值(Training RMS Exit Criteria)为0.1，隐藏层(Number of Hidden Layers)为1，训练迭代次数(Number of Training Iterations)为1000。
各个分类方法的验证结果如表1所示。其中，准确率分为非冠层准确率，冠层准确率，以及合计准确率，分别表示的是真值图像中的非冠层像素、冠层像素及全部像素被准确识别的百分比。Kappa系数是用来评价分类图像精度的指标。Kappa系数计算结果在-1～1间，如果两幅图像差异很大，则Kappa系数小；当两个图像完全一致时，Kappa系数值为1。通常认为Kappa>＝0.75时，两者一致性好；0.4<＝Kappa<0.75时，两者一致性一般；Kappa<0.4时，两者一致性差。
表1.各分类方法验证结果
| 分类方法 | 非冠层准确率(％) | 冠层准确率(％) | 合计准确率(％) | Kappa系数 |
| 本发明实施例3 | 87.83 | 91.91 | 90.58 | 0.79 |
| 支持向量机 | 96.27 | 72.88 | 80.47 | 0.61 |
| 最大似然法 | 95.58 | 86.35 | 89.35 | 0.77 |
| 神经网络 | 98.48 | 76.26 | 83.48 | 0.66 |
验证结果显示，本发明的方法对冠层识别的准确率为91.91％，合计准确率为90.58％，Kappa系数为0.79，是各个方法中最高。说明新方法的分类结果达到并优于现有分类方法的精度。同时，新方法省略了现有方法需要提前选择图像样本的工作步骤，计算过程也更简单，明显提高了工作效率。
Claims (7)
1.一种基于数码相机图像的水稻冠层识别方法，其特征在于，包括以下步骤：
(1)使用数码相机获取水稻冠层彩色图像；
(2)获取所述水稻冠层彩色图像中的R、G、B三通道的色值；
(3)根据所述水稻冠层彩色图像的每个像素中R、G、B色值大小来判断是否为水稻冠层。
2.根据权利要求1所述基于数码相机图像的水稻冠层识别方法，其特征在于，所述步骤(3)中水稻冠层判断方法为：分别判断每个像素色值中G是否大于R、G是否大于B、G是否大于0.15-0.25倍max(G)、G/B是否大于1.1-1.2；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
3.根据权利要求1所述基于数码相机图像的水稻冠层识别方法，其特征在于，所述获取水稻冠层彩色图像方法为：在晴天光线充足的情况下，设置数码相机闪光灯关闭状态，使用自动拍照模式，白平衡、曝光值均采用自动调节模式，垂直向下拍摄水稻冠层，获得水稻冠层图像。
4.根据权利要求2所述基于数码相机图像的水稻冠层识别方法，其特征在于，水稻冠层判断方法为：分别判断每个像素中G是否大于R、G是否大于B、G是否大于0.2倍max(G)、G/B是否大于1.15；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
5.根据权利要求1所述基于数码相机图像的水稻冠层识别方法，其特征在于，使用图像处理软件获取所述水稻冠层彩色图像中的R、G、B三通道的色值，所述图像处理软件为ENVI或ERDAS IMAGINE。
6.一种基于数码相机图像的水稻冠层识别系统，其特征在于，包括数码相机、图像处理模块和水稻冠层判断模块，
所述数码相机用于获取水稻冠层彩色图像；
所述图像处理模块用于处理获取水稻冠层彩色图像中的R、G、B三通道的色值；
所述水稻冠层判断模块用于根据所述水稻冠层彩色图像的每个像素中R、G、B色值大小来判断是否为水稻冠层。
7.根据权利要求6所述基于数码相机图像的水稻冠层识别系统，其特征在于，所述水稻冠层判断模块具体功能为根据以下四个条件判断是否为冠层：分别判断每个像素中G是否大于R、G是否大于B、G是否大于0.2倍max(G)、G/B是否大于1.15；当上述四个条件同时满足时判断该处为冠层，当上述四个条件有一个或一个以上条件不满足时判断为非冠层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710088959.9A CN107016401B (zh) | 2017-02-20 | 2017-02-20 | 一种基于数码相机图像的水稻冠层识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710088959.9A CN107016401B (zh) | 2017-02-20 | 2017-02-20 | 一种基于数码相机图像的水稻冠层识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107016401A true CN107016401A (zh) | 2017-08-04 |
| CN107016401B CN107016401B (zh) | 2020-05-19 |
Family
ID=59440673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710088959.9A Active CN107016401B (zh) | 2017-02-20 | 2017-02-20 | 一种基于数码相机图像的水稻冠层识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016401B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109308464A (zh) * | 2018-09-13 | 2019-02-05 | 南京禾谱航空科技有限公司 | 一种基于数码相机图像的水稻穗子识别方法 |
| CN116523866A (zh) * | 2023-04-26 | 2023-08-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 |
-
2017
- 2017-02-20 CN CN201710088959.9A patent/CN107016401B/zh active Active
Non-Patent Citations (5)
| Title |
|---|
| WANG JUAN ET AL.: "《A Method Based on Digital Image Analysis for Estimating Crop Canopy Parameters》", 《2011 FOURTH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 * |
| 严锦程: "《作物冠层覆盖率——株高的远程自动监测技术》", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 朱晨亮: "《作物冠层叶色变化远程自动监测技术》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王远等: "《基于数码相机的水稻冠层图像分割及氮素营养诊断》", 《农业工程学报》 * |
| 魏全全: "《应用数字图像技术进行冬油菜氮素营养诊断的初步研究》", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109308464A (zh) * | 2018-09-13 | 2019-02-05 | 南京禾谱航空科技有限公司 | 一种基于数码相机图像的水稻穗子识别方法 |
| CN116523866A (zh) * | 2023-04-26 | 2023-08-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 |
| CN116523866B (zh) * | 2023-04-26 | 2023-12-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107016401B (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
| CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
| CN109961024A (zh) | 基于深度学习的小麦田间杂草检测方法 | |
| CN103971342B (zh) | 一种基于卷积神经网络的图像噪点检测方法 | |
| CN110472575B (zh) | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 | |
| CN109325495B (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
| CN109478232A (zh) | 自然环境中的杂草的识别 | |
| CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
| CN109120919B (zh) | 一种针对图像质量主观评测的自动分析系统与方法 | |
| CN111860330A (zh) | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 | |
| CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
| CN109684906A (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
| CN111652326A (zh) | 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统 | |
| CN109034269A (zh) | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 | |
| CN109284771A (zh) | 一种番茄生长模型判定方法及装置 | |
| CN109635634A (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
| CN108311411A (zh) | 一种冬虫夏草智能化分拣系统及其使用方法 | |
| CN107680114A (zh) | 一种基于计算机图像处理的草地盖度测算方法 | |
| CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
| CN109670509A (zh) | 基于卷积神经网络的冬小麦苗期长势参数估算方法及系统 | |
| CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
| CN109508756B (zh) | 一种基于多线索多模态融合深度网络的地基云分类方法 | |
| CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
| Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm |
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 |