CN107463937A - 一种基于迁移学习的番茄病虫害自动检测方法 - Google Patents
一种基于迁移学习的番茄病虫害自动检测方法 Download PDFInfo
- Publication number
- CN107463937A CN107463937A CN201710491884.9A CN201710491884A CN107463937A CN 107463937 A CN107463937 A CN 107463937A CN 201710491884 A CN201710491884 A CN 201710491884A CN 107463937 A CN107463937 A CN 107463937A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mfrac
- disease damage
- leaf table
- 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.)
- Pending
Links
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明公开了一种基于迁移学习的番茄病虫害自动检测方法,属于图像技术领域。本发明收集番茄病虫害叶表图片训练样本,对各个番茄病虫害叶表图片训练样本的图片进行数据增强,再将数据增强后的图片分类输入到深度学习网络中;对番茄病虫害叶表图片训练样本进行学习,设定学习次数上限和识别精度阈值,在进行监督学习时根据输入样本的刺激下不断地改变卷积神经网络各层之间的连接权重,当学习次数已达到学习次数上限或识别精度达到识别精度阈值时,则输出当前卷积神经网络各层之间的连接权重模型作为番茄病虫害叶表图片识别分类器。
Description
技术领域
本发明涉及一种基于迁移学习的番茄病虫害自动检测方法,属于图像技术领域。
背景技术
番茄病虫害检测有别于其它异物检测,不同番茄病虫害叶表图片具有一定的差异性,但是它们的相似性会更大一些,这使得对番茄病虫害叶表特征提取变得很困难,很难找到一种合适的特征来进行检测训练。而卷积神经网络可以很好的解决这个问题,对于二维输入的番茄病虫害叶表图片,它不需要人为特定的预先选取特征,而是直接对原始图像特征进行训练学习,在训练中自主学习新的特征,并且不断更新特征学习。
选用卷积神经网络模型检测番茄病虫害,是因为它可以根据人的视觉特性,对番茄病虫害图像逐级提取不同的特征,在卷积时通过的不同特征图的组合可以大大提高特征的表达能力。而且卷积神经网络具有局部连接和权值共享的特性,它们可以减少模型的参数数量,降低番茄病虫害检测模型的复杂度。
最终训练得到的模型是一个端到端的模型,即输入一张番茄病虫害的叶表图片,输出便是番茄病虫害种类的标签,所以卷积神经网络很适合用来检测番茄病虫害叶表图片。构建的卷积神经网络模型检测番茄病虫害时出现了过拟合现象。
发明内容
为了克服上述的不足,本发明提出了一种基于迁移学习的番茄病虫害自动检测方法。
本发明采取的技术方案如下:
一种基于迁移学习的番茄病虫害自动检测方法,包括如下步骤:
步骤1:收集番茄病虫害叶表图片训练样本,对各个番茄病虫害叶表图片训练样本的图片进行数据增强,再将数据增强后的图片分类输入到深度学习网络中;
步骤2:对番茄病虫害叶表图片训练样本进行学习,设定学习次数上限和识别精度阈值,在进行监督学习时根据输入样本的刺激下不断地改变卷积神经网络各层之间的连接权重,当学习次数已达到学习次数上限或识别精度达到识别精度阈值时,则输出当前卷积神经网络各层之间的连接权重模型作为番茄病虫害叶表图片识别分类器;
步骤3:利用训练好的连接权重模型提取所有训练样本的番茄病虫害叶表图片特征并附上相应标签,再进入svm学习将低维输入空间线性不可分的训练样本的番茄病虫害叶表图片特征转化为高维特征空间使其线性可分,从而将训练样本的番茄病虫害叶表图片特征分入相应的类别;
步骤4,番茄病虫害叶表图片识别,读取待识别的番茄病虫害叶表图片图片,对番茄病虫害叶表图片图片进行数据增强,再利用番茄病虫害叶表图片识别分类器对数据增强后的番茄病虫害叶表图片图片进行番茄病虫害叶表图片特征识别提取,再利用svm对识别提取的番茄病虫害叶表图片特征进行分类,最终输出番茄病虫害叶表图片识别结果。
步骤2中监督学习的具体步骤如下:
步骤2.1:给各分层之间的连接权值分别赋一个区间(-1,1)内的随机数,设定识别精度函数E以及学习次数上限M,设输入层与隐含层的连接权重为Wih,隐含层与输出层的连接权重为Who;
步骤2.2:设定番茄病虫害叶表图片训练样本Xi的个数为k,隐含层各神经元的阈值为bih,节点未加激活函数时的输出Xj为:
步骤2.3:设定神经元本身输出的激活函数则输入激活函数Hi为:
步骤2.4:由于隐含层对应有k个激活函数,于是有便有k个隐含层输出Hi,输出层各神经元的阈值为bho,则节点未加激活函数时的输出Hj为:
输出激活函数Yj为:
步骤2.5:设定输入样本对应的期望输出为Dj,则误差函数E为:
步骤2.6:获取连接权重的改变量为:
其中,l为学习率,
步骤2.7:对连接权重进行更新:
Wih N+1=Wih N+ΔWih,
Who N+1=Who N+ΔWho。
本发明有益效果:本发明解决了构建的卷积神经网络模型检测番茄病虫害时出现了过拟合现象。
具体实施方式
下面结合具体实施例说明本发明的技术方案。
一种基于迁移学习的番茄病虫害自动检测方法,包括如下步骤:
步骤1:收集番茄病虫害叶表图片训练样本,对各个番茄病虫害叶表图片训练样本的图片进行数据增强,再将数据增强后的图片分类输入到深度学习网络中;
步骤2:对番茄病虫害叶表图片训练样本进行学习,设定学习次数上限和识别精度阈值,在进行监督学习时根据输入样本的刺激下不断地改变卷积神经网络各层之间的连接权重,当学习次数已达到学习次数上限或识别精度达到识别精度阈值时,则输出当前卷积神经网络各层之间的连接权重模型作为番茄病虫害叶表图片识别分类器;
步骤2的具体步骤包括如下:
步骤2.1:给各分层之间的连接权值分别赋一个区间(-1,1)内的随机数,设定识别精度函数E以及学习次数上限M,设输入层与隐含层的连接权重为Wih,隐含层与输出层的连接权重为Who;
步骤2.2:设定番茄病虫害叶表图片训练样本Xi的个数为k,隐含层各神经元的阈值为bih,节点未加激活函数时的输出Xj为:
步骤2.3:设定神经元本身输出的激活函数则输入激活函数Hi为:
步骤2.4:由于隐含层对应有k个激活函数,于是有便有k个隐含层输出Hi,输出层各神经元的阈值为bho,则节点未加激活函数时的输出Hj为:
输出激活函数Yj为:
步骤2.5:设定输入样本对应的期望输出为Dj,则误差函数E为:
步骤2.6:获取连接权重的改变量为:
其中,l为学习率,
步骤2.7:对连接权重进行更新:
Wih N+1=Wih N+ΔWih,
Who N+1=Who N+ΔWho。
步骤3:利用训练好的连接权重模型提取所有训练样本的番茄病虫害叶表图片特征并附上相应标签,再进入svm学习将低维输入空间线性不可分的训练样本的番茄病虫害叶表图片特征转化为高维特征空间使其线性可分,从而将训练样本的番茄病虫害叶表图片特征分入相应的类别;
步骤4:番茄病虫害叶表图片识别,读取待识别的番茄病虫害叶表图片图片,对番茄病虫害叶表图片图片进行数据增强,再利用番茄病虫害叶表图片识别分类器对数据增强后的番茄病虫害叶表图片图片进行番茄病虫害叶表图片特征识别提取,再利用svm对识别提取的番茄病虫害叶表图片特征进行分类,最终输出番茄病虫害叶表图片识别结果。
Claims (2)
1.一种基于迁移学习的番茄病虫害自动检测方法,其特征在于:包括如下步骤:
步骤1:收集番茄病虫害叶表图片训练样本,对各个番茄病虫害叶表图片训练样本的图片进行数据增强,再将数据增强后的图片分类输入到深度学习网络中;
步骤2:对番茄病虫害叶表图片训练样本进行学习,设定学习次数上限和识别精度阈值,在进行监督学习时根据输入样本的刺激下不断地改变卷积神经网络各层之间的连接权重,当学习次数已达到学习次数上限或识别精度达到识别精度阈值时,则输出当前卷积神经网络各层之间的连接权重模型作为番茄病虫害叶表图片识别分类器;
步骤3:利用训练好的连接权重模型提取所有训练样本的番茄病虫害叶表图片特征并附上相应标签,再进入svm学习将低维输入空间线性不可分的训练样本的番茄病虫害叶表图片特征转化为高维特征空间使其线性可分,从而将训练样本的番茄病虫害叶表图片特征分入相应的类别;
步骤4:番茄病虫害叶表图片识别,读取待识别的番茄病虫害叶表图片图片,对番茄病虫害叶表图片图片进行数据增强,再利用番茄病虫害叶表图片识别分类器对数据增强后的番茄病虫害叶表图片图片进行番茄病虫害叶表图片特征识别提取,再利用svm对识别提取的番茄病虫害叶表图片特征进行分类,最终输出番茄病虫害叶表图片识别结果。
2.根据权利要求1所述的基于深度学习的番茄病虫害叶表图片识别方法,其特征在于:步骤2中监督学习的具体步骤为:
步骤2.1:给各分层之间的连接权值分别赋一个区间(-1,1)内的随机数,设定识别精度函数E以及学习次数上限M,设输入层与隐含层的连接权重为Wih,隐含层与输出层的连接权重为Who;
步骤2.2:设定番茄病虫害叶表图片训练样本Xi的个数为k,隐含层各神经元的阈值为bih,节点未加激活函数时的输出Xj为:
<mrow>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</munderover>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
步骤2.3:设定神经元本身输出的激活函数则输入激活函数Hi为:
<mrow>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
步骤2.4:由于隐含层对应有k个激活函数,于是有便有k个隐含层输出Hi,输出层各神经元的阈值为bho,则节点未加激活函数时的输出Hj为:
<mrow>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</munderover>
<msub>
<mi>W</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
</mrow>
</msub>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
输出激活函数Yj为:
<mrow>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
步骤2.5:设定输入样本对应的期望输出为Dj,则误差函数E为:
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>k</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
步骤2.6:获取连接权重的改变量为:
<mrow>
<msub>
<mi>&Delta;W</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>l</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&Delta;W</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>l</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,l为学习率,
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
</mrow>
</msub>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
</mrow>
步骤2.7:对连接权重进行更新:
Wih N+1=Wih N+ΔWih,
Who N+1=Who N+ΔWho。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710491884.9A CN107463937A (zh) | 2017-06-20 | 2017-06-20 | 一种基于迁移学习的番茄病虫害自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710491884.9A CN107463937A (zh) | 2017-06-20 | 2017-06-20 | 一种基于迁移学习的番茄病虫害自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107463937A true CN107463937A (zh) | 2017-12-12 |
Family
ID=60544003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710491884.9A Pending CN107463937A (zh) | 2017-06-20 | 2017-06-20 | 一种基于迁移学习的番茄病虫害自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463937A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564393A (zh) * | 2018-03-14 | 2018-09-21 | 深圳市和讯华谷信息技术有限公司 | 潜在客户评分方法、装置和系统 |
CN108596254A (zh) * | 2018-04-25 | 2018-09-28 | 福州大学 | 耦合叶片多表征的刚竹毒蛾危害检测方法 |
CN109490814A (zh) * | 2018-09-07 | 2019-03-19 | 广西电网有限责任公司电力科学研究院 | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 |
CN110210355A (zh) * | 2019-05-24 | 2019-09-06 | 华南农业大学 | 稻田杂草种类识别方法及系统、目标位置检测方法及系统 |
CN110378435A (zh) * | 2019-07-25 | 2019-10-25 | 安徽工业大学 | 一种基于卷积神经网络的苹果叶片病害识别的方法 |
CN110659659A (zh) * | 2018-07-19 | 2020-01-07 | 清华珠三角研究院 | 一种智能识别和预警害虫的方法及系统 |
CN110766082A (zh) * | 2019-10-25 | 2020-02-07 | 成都大学 | 一种基于迁移学习的植物叶片病虫害程度分类方法 |
CN111931568A (zh) * | 2020-06-30 | 2020-11-13 | 青岛科技大学 | 一种基于增强式学习的人体跌倒检测方法及系统 |
CN112992356A (zh) * | 2021-03-30 | 2021-06-18 | 太原理工大学 | 一种基于卷积层特征重排和svm的心力衰竭预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512640A (zh) * | 2015-12-30 | 2016-04-20 | 重庆邮电大学 | 一种基于视频序列的人流量统计方法 |
CN105825511A (zh) * | 2016-03-18 | 2016-08-03 | 南京邮电大学 | 一种基于深度学习的图片背景清晰度检测方法 |
CN106599863A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于迁移学习技术的深度人脸识别方法 |
-
2017
- 2017-06-20 CN CN201710491884.9A patent/CN107463937A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512640A (zh) * | 2015-12-30 | 2016-04-20 | 重庆邮电大学 | 一种基于视频序列的人流量统计方法 |
CN105825511A (zh) * | 2016-03-18 | 2016-08-03 | 南京邮电大学 | 一种基于深度学习的图片背景清晰度检测方法 |
CN106599863A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于迁移学习技术的深度人脸识别方法 |
Non-Patent Citations (3)
Title |
---|
G. WIMMER 等: "CNN Transfer Learning for the Automated Diagnosis of Celiac Disease", 《2016 SIXTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS (IPTA)》 * |
柴阿丽 等: "基于计算机视觉技术的番茄叶部病害识别", 《园艺学报》 * |
田景文 等: "《人工神经网络算法研究及应用》", 31 July 2006, 北京理工大学出版社 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564393A (zh) * | 2018-03-14 | 2018-09-21 | 深圳市和讯华谷信息技术有限公司 | 潜在客户评分方法、装置和系统 |
CN108596254A (zh) * | 2018-04-25 | 2018-09-28 | 福州大学 | 耦合叶片多表征的刚竹毒蛾危害检测方法 |
CN110659659A (zh) * | 2018-07-19 | 2020-01-07 | 清华珠三角研究院 | 一种智能识别和预警害虫的方法及系统 |
CN109490814B (zh) * | 2018-09-07 | 2021-02-26 | 广西电网有限责任公司电力科学研究院 | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 |
CN109490814A (zh) * | 2018-09-07 | 2019-03-19 | 广西电网有限责任公司电力科学研究院 | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 |
CN110210355A (zh) * | 2019-05-24 | 2019-09-06 | 华南农业大学 | 稻田杂草种类识别方法及系统、目标位置检测方法及系统 |
CN110210355B (zh) * | 2019-05-24 | 2021-11-26 | 华南农业大学 | 稻田杂草种类识别方法及系统、目标位置检测方法及系统 |
CN110378435A (zh) * | 2019-07-25 | 2019-10-25 | 安徽工业大学 | 一种基于卷积神经网络的苹果叶片病害识别的方法 |
CN110766082A (zh) * | 2019-10-25 | 2020-02-07 | 成都大学 | 一种基于迁移学习的植物叶片病虫害程度分类方法 |
CN110766082B (zh) * | 2019-10-25 | 2022-04-01 | 成都大学 | 一种基于迁移学习的植物叶片病虫害程度分类方法 |
CN111931568A (zh) * | 2020-06-30 | 2020-11-13 | 青岛科技大学 | 一种基于增强式学习的人体跌倒检测方法及系统 |
CN112992356A (zh) * | 2021-03-30 | 2021-06-18 | 太原理工大学 | 一种基于卷积层特征重排和svm的心力衰竭预测方法及装置 |
CN112992356B (zh) * | 2021-03-30 | 2022-04-26 | 太原理工大学 | 基于卷积层特征重排和svm的心力衰竭预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463937A (zh) | 一种基于迁移学习的番茄病虫害自动检测方法 | |
CN104281853B (zh) | 一种基于3d卷积神经网络的行为识别方法 | |
CN105160400B (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
CN105608446B (zh) | 一种视频流异常事件的检测方法及装置 | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN108229338A (zh) | 一种基于深度卷积特征的视频行为识别方法 | |
CN106485251A (zh) | 基于深度学习的鸡蛋胚胎分类 | |
CN106845528A (zh) | 一种基于K‑means与深度学习的图像分类算法 | |
CN109800736A (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN108615010A (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN106651830A (zh) | 一种基于并行卷积神经网络的图像质量测试方法 | |
CN109492765A (zh) | 一种基于迁移模型的图像增量学习方法 | |
CN108021947A (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
CN107943967A (zh) | 基于多角度卷积神经网络与循环神经网络的文本分类算法 | |
CN106897738A (zh) | 一种基于半监督学习的行人检测方法 | |
CN107679462A (zh) | 一种基于小波的深度多特征融合分类方法 | |
CN107480649A (zh) | 一种基于全卷积神经网络的指纹汗孔提取方法 | |
CN106845401A (zh) | 一种基于多空间卷积神经网络的害虫图像识别方法 | |
CN104217214A (zh) | 基于可配置卷积神经网络的rgb-d人物行为识别方法 | |
CN107316294A (zh) | 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法 | |
CN109344759A (zh) | 一种基于角度损失神经网络的亲属识别方法 | |
CN107563389A (zh) | 一种基于深度学习的农作物病害识别方法 | |
CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171212 |