CN107067043B - 一种农作物病虫害检测方法 - Google Patents
一种农作物病虫害检测方法 Download PDFInfo
- Publication number
- CN107067043B CN107067043B CN201710379786.6A CN201710379786A CN107067043B CN 107067043 B CN107067043 B CN 107067043B CN 201710379786 A CN201710379786 A CN 201710379786A CN 107067043 B CN107067043 B CN 107067043B
- Authority
- CN
- China
- Prior art keywords
- layer
- visible light
- neural network
- convolutional neural
- crop disease
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Abstract
一种农作物病虫害检测方法,涉及一种农作物病虫害的检测方法。本发明为了解决现有的针对于农作物病虫害的智能检测准确率不高的问题和分类精度波动大的问题。本发明首先将具有明确标签的可见光农作物病虫害图像进行预处理,然后搭建十八层网络结构的卷积神经网络,用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练,得到训练好的卷积神经网络,并对具有明确标签的可见光农作物病虫害图像的特征进行提取;利用提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型;对新上传的农作物病虫害可见光图片特征提取,再用训练好的支持向量机模型对提取到的特征进行分类。本发明适用于农作物的病虫害检测。
Description
技术领域
本发明涉及一种农作物病虫害的检测方法。
背景技术
农作物病虫害的智能检测,一直是农业信息化的一项重要内容,在近些年来越来越受到专家和学者的重视。农作物病虫害图像智能识别技术则是图像处理技术与人工智能技术相结合,在农作物病虫害识别上的应用,成为替代传统人工识别的技术手段,其对农作物病虫害识别具有传统方法所不具备的快速性、准确性、实时性等特点。
目前的农作物病虫害图像智能识别技术一般是通过各种分类算法实现的,但是各种分类算法均存在各自的优点和缺点。目前的农作物病虫害图像智能识别技术针对于一种农作物的病虫害进行分类的准确率一般能够达到85%以上,但是完全依赖于具体的分类算法的自身结构特点。例如单一利用卷积神经网络进行分类是就严重依赖于卷积神经网络的结构,有的卷积神经网络的结构对应的效果(准确率)能够达到90%左右,但是有的卷积神经网络的结构对应的分类效果(准确率)甚至达不到70%。由于每种农作物都有自身的特征信息,每种农作物病虫害也有自身的特征信息,一般现有的分类算法在训练的时候仅能针对一种作物有效,一旦将不同农作物病虫害图像作为样本,则分类效果(准确率)明显下降。
发明内容
本发明为了解决现有的针对于农作物病虫害的智能检测准确率不高的问题和分类精度波动大的问题,进而提出了一种农作物病虫害检测方法。
一种农作物病虫害检测方法,包括:
步骤一:将具有明确标签的可见光农作物病虫害图像进行预处理,得到预处理后的可见光农作物病虫害图像,将预处理后的可见光农作物病虫害图像分成训练集和测试集;
搭建十八层网络结构的卷积神经网络,用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练,并用可见光农作物病虫害图像测试集对卷积神经网络进行测试,得到训练好的卷积神经网络;
利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取;对提取到的特征和训练好的卷积神经网络进行存储;
步骤二:利用从可见光农作物病虫害图像提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型;
步骤三:针对新上传的农作物病虫害可见光图片,进行预处理,然后用训练好的卷积神经网络进行特征提取,然后再用训练好的支持向量机模型对提取到的特征进行分类,从而得到农作物病虫害的分类结果。
优选地,步骤一所述的卷积神经网络的十八层网络结构如下:
第1层的层类型为卷积层,尺寸为11*11*3*64,步长4;
第2层的层类型为归一化层;
第3层的层类型为激活层;
第4层的层类型为池化层,尺寸为3*3,步长3;
第5层的层类型为卷积层,尺寸为5*5*64*256,步长3;
第6层的层类型为归一化层;
第7层的层类型为激活层;
第8层的层类型为池化层,尺寸为2*2,步长2;
第9层的层类型为卷积层,尺寸为3*3*256*256,步长2;
第10层的层类型为归一化层;
第11层的层类型为激活层;
第12层的层类型为池化层,尺寸为2*2,步长2;
第13层的层类型为全连接层,尺寸为1*1*256*1024,步长1;
第14层的层类型为激活层;
第15层的层类型为全连接层,尺寸为1*1*1024*128,步长1;
第16层的层类型为激活层;
第17层的层类型为全连接层,尺寸为1*1*128*n,步长1;
第18层的层类型为分类层;
其中,第17层的全连接层中的n表示实际的分类数。
优选地,步骤一所述利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取的过程包括以下步骤:
将具有明确标签的可见光农作物病虫害图像输入训练好的卷积神经网络,神经网络的第15层所对应的全连接层输出128维特征,所述的128维特征就是提取到的特征。
优选地,步骤二所述的支持向量机模型的参数如下:
核模型选用radial basis function核,即RBF核;
RBF核参数γ为1000;
损失系数C为0.0001。
优选地,所述卷积神经网络的所有激活层的激活函数的形式为g(x)=max(0,x),x为自变量。
优选地,步骤一所述的可见光农作物病虫害图像为JPEG格式的RGB彩色图像。
优选地,步骤一所述的预处理过程包括尺寸重定义、数据归一化。
优选地,所述的尺寸重定义的方式为重采样,重采样后图片样本的尺寸变为:224*224*3;其中,224、224分别为图片样本的宽和高,单位为像素,3表示原图片仍为彩色图像,拥有R、G、B三个通道。
优选地,所述的数据归一化包括以下步骤:
针对每幅图像样本的R、G、B三个通道,分别减去对应通道下所有像素点数值的均值。
优选地,步骤一所述的用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练的学习率在0.1-0.001的范围内选取。
本发明具有以下有益效果:
传统的分类方法需要针对实际图像样本的特点,采取不同种类的特征提取方法,智能性较差,分类精度波动较大。而本发明提出的分类方法,针对不同特征的图像样本均可以进行智能化特征提取以及分类,能实现较高的分类精度,针对1865张不同农作物病虫害图像训练样本来说,利用1865张不同农作物病虫害图像测试样本进行测试的分类精度能够达到97.48%;并且,随着图片样本数量的增加,分类精度还会有所提高。同时本发明分类精度波动很小、稳定性高。
附图说明
图1是卷积神经网络结构图;
图2是线性修正函数曲线图。
具体实施方式
具体实施方式一:
一种农作物病虫害检测方法,包括:
步骤一:将具有明确标签的可见光农作物病虫害图像进行预处理,得到预处理后的可见光农作物病虫害图像,将预处理后的可见光农作物病虫害图像分成训练集和测试集;
搭建十八层网络结构的卷积神经网络,用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练,并用可见光农作物病虫害图像测试集对卷积神经网络进行测试,得到训练好的卷积神经网络;
利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取;对提取到的特征和训练好的卷积神经网络进行存储;
分类标签由大类和小类共同组成。大类标签主要指农作物的种类,小类的标签主要指每种农作物下,是否是健康植株,或者患某种疾病。比如:对于健康小麦的可见光图片样本,其标签为:小麦_健康;对于患有普通锈病的玉米的可见光图片样本,其标签为:玉米_普通锈病。
步骤二:利用从可见光农作物病虫害图像提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型;
步骤三:针对新上传的农作物病虫害可见光图片,进行预处理,然后用训练好的卷积神经网络进行特征提取,然后再用训练好的支持向量机模型对提取到的特征进行分类,从而得到农作物病虫害的分类结果。
具体实施方式二:结合图1说明本实施方式,
本实施方式步骤一所述的卷积神经网络的十八层网络结构如下表:
表1卷积神经网络结构
其中,第17层的全连接层中的n表示实际的分类数。
其他步骤和参数与具体实施方式一相同。
具体实施方式三:
本实施方式步骤一所述利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取的过程包括以下步骤:
将具有明确标签的可见光农作物病虫害图像输入训练好的卷积神经网络,神经网络的第15层所对应的全连接层输出128维特征,所述的128维特征就是提取到的特征,也就是十八层卷积神经网络第15层输出的特征。
其他步骤和参数与具体实施方式二相同。
具体实施方式四:
本实施方式步骤二所述的支持向量机模型的参数如下:
核模型选用radial basis function核,即RBF核;
RBF核参数γ取值范围为10至1000,
损失系数C取值范围为0.0001至0.1。
其中分类效果最优时γ取值为1000,C取值为0.0001;
其他步骤和参数与具体实施方式一至三之一相同。
具体实施方式五:
本实施方式所述卷积神经网络的所有激活层的激活函数的形式为g(x)=max(0,x),x为自变量;函数图形如图2所示,其中ReLU为激活层的类型,是激活函数的一种。
其他步骤和参数与具体实施方式一至四之一相同。
具体实施方式六:
本实施方式步骤一所述的可见光农作物病虫害图像为JPEG格式的RGB彩色图像。
其他步骤和参数与具体实施方式一至五之一相同。
具体实施方式七:
本实施方式步骤一所述的预处理过程包括尺寸重定义、数据归一化。
所述的尺寸重定义的方式为重采样,重采样后图片样本的尺寸变为:224*224*3;其中,224、224分别为图片样本的宽和高,单位为像素,3表示原图片仍为彩色图像,拥有R、G、B三个通道;
所述的数据归一化包括以下步骤:
针对每幅图像样本的R、G、B三个通道,分别减去对应通道下所有像素点数值的均值,便于后续的训练。
在数据归一化后还需要进行数据格式转换,以便MATLAB下的matconvnet工具包进行处理;
格式命名为:PlantCNNDataset.其格式的具体内容如下:
其他步骤和参数与具体实施方式一至六之一相同。
具体实施方式八:
本实施方式步骤一所述的用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练的学习率在0.1-0.001的范围内选取。
学习率及训练次数视情况而定。学习率主要在0.1-0.001的范围内选取,刚开始训练时学习率选取可以较大,随着训练次数不断增加,学习率可以逐渐调小。
其他步骤和参数与具体实施方式一至七之一相同。
实施例:
支持向量机参数设置如下:
核模型:RBF核;RBF核参数γ为1000;损失系数C为0.0001。
按照本发明最具体的方案进行实验,
表2农作物病虫害检测样本
其中,类别样本数量为训练样本数量和测试样本数量的总和。
运算结果:
测试样本分类准确的样本数量为1818张,占1865的97.48%,也就是本发明测试样本总分类准确率为97.48%。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种农作物病虫害检测方法,其特征在于,包括:
步骤一:将具有明确标签的可见光农作物病虫害图像进行预处理,得到预处理后的可见光农作物病虫害图像,将预处理后的可见光农作物病虫害图像分成训练集和测试集;
搭建十八层网络结构的卷积神经网络,用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练,并用可见光农作物病虫害图像测试集对卷积神经网络进行测试,得到训练好的卷积神经网络;
所述的卷积神经网络的十八层网络结构如下:
第1层的层类型为卷积层,尺寸为11*11*3*64,步长4;
第2层的层类型为归一化层;
第3层的层类型为激活层;
第4层的层类型为池化层,尺寸为3*3,步长3;
第5层的层类型为卷积层,尺寸为5*5*64*256,步长3;
第6层的层类型为归一化层;
第7层的层类型为激活层;
第8层的层类型为池化层,尺寸为2*2,步长2;
第9层的层类型为卷积层,尺寸为3*3*256*256,步长2;
第10层的层类型为归一化层;
第11层的层类型为激活层;
第12层的层类型为池化层,尺寸为2*2,步长2;
第13层的层类型为全连接层,尺寸为1*1*256*1024,步长1;
第14层的层类型为激活层;
第15层的层类型为全连接层,尺寸为1*1*1024*128,步长1;
第16层的层类型为激活层;
第17层的层类型为全连接层,尺寸为1*1*128*n,步长1;
第18层的层类型为分类层;
其中,第17层的全连接层中的n表示实际的分类数;
利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取;对提取到的特征和训练好的卷积神经网络进行存储;
步骤二:利用从可见光农作物病虫害图像提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型;
步骤三:针对新上传的农作物病虫害可见光图片,进行预处理,然后用训练好的卷积神经网络进行特征提取,然后再用训练好的支持向量机模型对提取到的特征进行分类,从而得到农作物病虫害的分类结果。
2.根据权利要求1所述的一种农作物病虫害检测方法,其特征在于,步骤一所述利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取的过程包括以下步骤:
将具有明确标签的可见光农作物病虫害图像输入训练好的卷积神经网络,神经网络的第15层所对应的全连接层输出128维特征,所述的128维特征就是提取到的特征。
3.根据权利要求1或2所述的一种农作物病虫害检测方法,其特征在于,步骤二所述的支持向量机模型的参数如下:
核模型选用radial basis function核,即RBF核;
RBF核参数γ为1000;
损失系数C为0.0001。
4.根据权利要求3所述的一种农作物病虫害检测方法,其特征在于,所述卷积神经网络的所有激活层的激活函数的形式为g(x)=max(0,x),x为自变量。
5.根据权利要求4所述的一种农作物病虫害检测方法,其特征在于,步骤一所述的可见光农作物病虫害图像为JPEG格式的RGB彩色图像。
6.根据权利要求5所述的一种农作物病虫害检测方法,其特征在于,步骤一所述的预处理过程包括尺寸重定义、数据归一化。
7.根据权利要求6所述的一种农作物病虫害检测方法,其特征在于,步骤一所述的尺寸重定义的方式为重采样,重采样后图片样本的尺寸变为:224*224*3;其中,224、224分别为图片样本的宽和高,单位为像素,3表示原图片仍为彩色图像,拥有R、G、B三个通道。
8.根据权利要求7所述的一种农作物病虫害检测方法,其特征在于,步骤一所述的数据归一化包括以下步骤:
针对每幅图像样本的R、G、B三个通道,分别减去对应通道下所有像素点数值的均值。
9.根据权利要求8所述的一种农作物病虫害检测方法,其特征在于,步骤一所述的用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练的学习率在0.1-0.001的范围内选取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379786.6A CN107067043B (zh) | 2017-05-25 | 2017-05-25 | 一种农作物病虫害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379786.6A CN107067043B (zh) | 2017-05-25 | 2017-05-25 | 一种农作物病虫害检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107067043A CN107067043A (zh) | 2017-08-18 |
CN107067043B true CN107067043B (zh) | 2020-07-24 |
Family
ID=59609835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710379786.6A Active CN107067043B (zh) | 2017-05-25 | 2017-05-25 | 一种农作物病虫害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067043B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480729A (zh) * | 2017-09-05 | 2017-12-15 | 江苏电力信息技术有限公司 | 一种基于深度时空域特征的输电线路山火检测方法 |
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 |
CN107665355B (zh) * | 2017-09-27 | 2020-09-29 | 重庆邮电大学 | 一种基于区域卷积神经网络的农业害虫检测方法 |
CN107657633A (zh) * | 2017-09-28 | 2018-02-02 | 哈尔滨工业大学 | 一种基于bp神经网络和传感器数据采集的土地秸秆覆盖率测算方法 |
CN107926887B (zh) * | 2017-10-31 | 2019-10-11 | 四川农业大学 | 农作物病虫害精准识别与智能控制系统 |
CN108038517A (zh) * | 2018-01-02 | 2018-05-15 | 东北农业大学 | 基于改进卷积神经网络模型Cifar10的玉米叶片病害识别方法 |
CN108596017A (zh) * | 2018-03-06 | 2018-09-28 | 深圳市农博创新科技有限公司 | 一种基于图片识别果蔬病害的方法及装置 |
CN108764183A (zh) * | 2018-05-31 | 2018-11-06 | 寿光得峰生态农业有限公司 | 一种植物病害诊断方法、装置及存储介质 |
CN109002853B (zh) * | 2018-07-18 | 2021-10-01 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
CN109101029A (zh) * | 2018-09-03 | 2018-12-28 | 重庆大学 | 一种果园自动巡逻检害智能小车及其工作方法 |
CN109472771A (zh) * | 2018-09-28 | 2019-03-15 | 江苏省无线电科学研究所有限公司 | 玉米雄穗的检测方法、装置及检测设备 |
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 |
CN109945784B (zh) * | 2019-03-22 | 2020-10-09 | 安徽省农业科学院农业经济与信息研究所 | 一种基于图像Exif元数据的植保图像病虫害尺寸测算方法 |
CN111160414B (zh) * | 2019-12-12 | 2021-06-04 | 成都信息工程大学 | 一种高精度农作物病虫害图像的识别方法 |
CN111695560A (zh) * | 2020-05-12 | 2020-09-22 | 浙江省农业科学院 | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 |
CN113570574B (zh) * | 2021-07-28 | 2023-12-01 | 北京精英系统科技有限公司 | 一种场景特征检测的装置、搜索的装置及搜索的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955718A (zh) * | 2014-05-15 | 2014-07-30 | 厦门美图之家科技有限公司 | 一种图像主体对象的识别方法 |
CN104102919A (zh) * | 2014-07-14 | 2014-10-15 | 同济大学 | 一种有效防止卷积神经网络过拟合的图像分类方法 |
CN104700099A (zh) * | 2015-03-31 | 2015-06-10 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN105468596A (zh) * | 2014-08-12 | 2016-04-06 | 腾讯科技(深圳)有限公司 | 图片检索方法和装置 |
CN105512676A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种智能终端上的食物识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017031088A1 (en) * | 2015-08-15 | 2017-02-23 | Salesforce.Com, Inc | Three-dimensional (3d) convolution with 3d batch normalization |
-
2017
- 2017-05-25 CN CN201710379786.6A patent/CN107067043B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955718A (zh) * | 2014-05-15 | 2014-07-30 | 厦门美图之家科技有限公司 | 一种图像主体对象的识别方法 |
CN104102919A (zh) * | 2014-07-14 | 2014-10-15 | 同济大学 | 一种有效防止卷积神经网络过拟合的图像分类方法 |
CN105468596A (zh) * | 2014-08-12 | 2016-04-06 | 腾讯科技(深圳)有限公司 | 图片检索方法和装置 |
CN104700099A (zh) * | 2015-03-31 | 2015-06-10 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN105512676A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种智能终端上的食物识别方法 |
Non-Patent Citations (2)
Title |
---|
An Enhancement in Classifier Support Vector Machine to Improve Plant Disease Detection;Rajleen Kaur、Dr. Sandeep Singh Kang;《2015 IEEE 3rd International Conference on MOOCs, Innovation and Technology in Education (MITE)》;20151002;第135页摘要、136页图1、138页第V部分第1段 * |
深层卷积神经网络在车标分类上的应用;张素雯 等;《海南大学学报自然科学版》;20170523;1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN107067043A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067043B (zh) | 一种农作物病虫害检测方法 | |
US11048940B2 (en) | Recognition of weed in a natural environment | |
CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
Zheng et al. | Segmentation of green vegetation of crop canopy images based on mean shift and fisher linear discriminant | |
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 | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
CN114463637B (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN109190571B (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
CN116030348A (zh) | 一种基于LS-YOLOv5网络的绿豆叶斑病病斑检测方法及装置 | |
CN116543282A (zh) | 基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、系统、设备及介质 | |
Yuan et al. | Sensitivity examination of YOLOv4 regarding test image distortion and training dataset attribute for apple flower bud classification | |
Pramudhita et al. | Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture | |
CN106960188B (zh) | 天气图像分类方法及装置 | |
CN110796148A (zh) | 一种荔枝虫害监测识别系统和监测识别方法 | |
CN109472771A (zh) | 玉米雄穗的检测方法、装置及检测设备 | |
CN115294448A (zh) | 一种农作物育种小区苗数计数方法、装置及系统 | |
CN115147835A (zh) | 一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法 | |
CN116012718B (zh) | 田间害虫检测方法、系统、电子设备及计算机存储介质 | |
Yang et al. | Research and design of a machine vision-based silk cocoon quality inspection system | |
CN111160079A (zh) | 一种快速识别柑橘花期的方法 | |
CN114049254B (zh) | 低像素牛头图像重建识别方法、系统、设备及存储介质 | |
Yang et al. | Multi-Growth Period Tomato Fruit Detection Using Improved Yolov5 | |
CN114781585A (zh) | 用于害虫图像分类的VEACNet网络模型和分类方法 | |
CN117636314A (zh) | 一种缺苗识别方法、装置、设备及介质 |
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 |