CN108845075B - 基于深度学习网络的堆肥腐熟实时预测方法 - Google Patents
基于深度学习网络的堆肥腐熟实时预测方法 Download PDFInfo
- Publication number
- CN108845075B CN108845075B CN201810381202.3A CN201810381202A CN108845075B CN 108845075 B CN108845075 B CN 108845075B CN 201810381202 A CN201810381202 A CN 201810381202A CN 108845075 B CN108845075 B CN 108845075B
- Authority
- CN
- China
- Prior art keywords
- compost
- time
- layer
- image
- real
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Fertilizers (AREA)
- Processing Of Solid Wastes (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习网络的堆肥腐熟实时预测方法,以堆肥的堆体内温度、湿度、表面图像深度特征向量作为堆肥的描述特征,借助于深度学习方法高效学习能力,实现腐熟的在线实时监测。腐熟预测过程起始于堆体温度、湿度实时测量和图像采集,方法首先对图像进行预处理,由卷积神经网络(CNN)提取图像的深度特征,然后与堆体温度、湿度组合作为腐熟判断过程的输入量,送入循环神经网络(RNN)预测出当前时刻是否腐熟。本发明提出的相对完善、合理、准确的堆肥腐熟实时监测方法,为生产提供指导。
Description
技术领域
本发明涉及一种运用信息技术使用堆肥温度、湿度、图像信息通过深度学习网络实现的堆肥腐熟实时预测方法,属于农业信息学领域。
背景技术
在农业生产中,为了维持和提高土壤肥力需要向土壤施入一定量的有机质材料,在施用前利用微生物对这些材料进行一定程度的腐解处理叫腐熟。堆肥生产方式分静态方式、动态方式,本发明以直线型发酵槽堆肥方式为研究对象。发酵槽的宽度一般2.0~6.0m,深度0.3~2.0m,长度20~60m。堆肥的一次发酵时间一般在15~25d,然后再将完成一次发酵的堆肥送入二次发酵场地进行后熟发酵。在实际生产中一次发酵与二次发酵也可在同一发酵槽内完成,但是这种方式加长了发酵槽的占用时间,影响畜禽粪便的处理能力,如能实时监测到腐熟完成,将提高场地利用效率。
腐熟度定义为堆肥的发酵完成程度,直接反映堆肥质量。故而企业在生产实践中习惯采用腐熟度来表示堆肥进行程度,腐熟度的变化体现在物理、化学、生物这3个方面。化学、生物指标一般要通过复杂费时的实验测得,而物理指标监测则相对简单。常用的物理指标有:温度、气味、色度、光学特性等。但如果直接用其作为腐熟判断指标,存在诸多限制。
综合以上分析,亟需一种相对完善、合理、准确的堆肥腐熟实时监测方法,为生产提供指导。
发明内容
本发明针对背景技术中存在的问题,提出一种基于深度学习网络的堆肥腐熟实时预测方法,包括以下步骤:
S1、提取t时刻堆肥温度、湿度数据以及t时刻堆肥表面灰度图像数据;
S2、预处理,将堆肥表面灰度图像数据进行中值滤波;
S3、基于S2获得的数据,构建卷积神经网络CNN进行堆肥图像特征提取;
S4、将堆肥温度、湿度数据和堆肥图像特征,组合形成堆肥实时特征向量,堆肥实时特征向量通过最小最大法归一化进行整合;
S5、基于S4获得的数据,采用循环神经网络RNN进行预测。
优选的,S1中,通过下式提取t时刻堆肥温度、湿度数据:
Pt=[pt,1,pt,2,pt,3]
Dt=[dt,1,dt,2,dt,3]
其中,pt,1,pt,2,pt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处摄氏温度,dt,1,dt,2,dt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处湿度。
优选的,S1中,通过下式提取t时刻堆肥表面灰度图像数据:
其中,Ht是图像灰度矩阵,拍摄时摄像头正对堆肥表面拍摄,距离堆肥表面1-2米,取拍摄图像正中间区域80*80像素,n=80。
优选的,S2中,对堆肥表面灰度图像采用大小为3*3的滤波窗口进行中值滤波。
优选的,S3中,堆肥图像特征提取使用的卷积神经网络包括3个卷积层、3个子采样层、2个全连通层以及1个分类层,第二个全连通层的128维向量为图像的最终特征。
优选的,第一个卷积层中的卷积层包含16个特征映射,卷积核大小3*3;第一个池化层的提取区域大小为2*2,选用最大化方法;第二卷积层包含32个特征映射,卷积核的大小为3*3;第二个池化层的提取区域大小为2*2,选用最大化方法;第三卷积层包含64个特征映射,卷积核的大小为3*3;第三个池化层的提取区域大小为2*2,选用最大化方法;2个全连通层分别是6400和128维。
优选的,S4中,归一化函数如下:
Xn=(Xo-MIN(X))/(MAX(X)-MIN(X))
其中,Xo、Xn分别是归一化前后堆肥实时特征向量,MIN()、MAX()计算各属性维度的最小和最大值。
优选的,S5中,循环神经网络包括输入层、隐藏层和输出层,输入层接收堆肥状态输入向量,通过激活函数更新网络隐含层节点状态,由输出层做出预测输出堆肥是否腐熟的信息;其中隐含层的状态存储了堆肥历史时刻的信息,可以挖掘出历史与当前时刻信息之间的关系。
优选的,循环神经网络具体参数设置为:输入维数6+128=134,隐藏层神经元160,时间步长为6。
本发明的有益效果
本发明提出一种以堆肥的堆体内温度、湿度、表面图像深度特征向量作为堆肥的描述特征,借助于深度学习方法高效学习能力,实现腐熟的在线实时监测。腐熟预测过程起始于堆体温度、湿度实时测量和图像采集,方法首先对图像进行预处理,由卷积神经网络(CNN)提取图像的深度特征,然后与堆体温度、湿度组合作为腐熟判断过程的输入量,送入循环神经网络(RNN)预测出当前时刻是否腐熟。本发明提出的相对完善、合理、准确的堆肥腐熟实时监测方法,为生产提供指导。
附图说明
图1为本发明腐熟判断流程。
图2为CNN结构图。
图3为RNN模型结构。
图4为实施例中部分采集图像。
具体实施方式
下面结合实施例对本发明作进一步说明,但本发明的保护范围不限于此:
结合图1,一种基于深度学习网络的堆肥腐熟实时预测方法,包括以下步骤:
S1、提取t时刻堆肥温度、湿度数据以及t时刻堆肥表面灰度图像数据;
S2、预处理,将堆肥表面灰度图像数据进行中值滤波;
S3、基于S2获得的数据,构建卷积神经网络CNN进行堆肥图像特征提取,图2即为CNN结构图;
S4、将堆肥温度、湿度数据和堆肥图像特征,组合形成堆肥实时特征向量,堆肥实时特征向量通过最小最大法归一化进行整合;
S5、基于S4获得的数据,采用循环神经网络RNN进行预测,图3即为RNN模型结构。
优选的,S1中,通过下式提取t时刻堆肥温度、湿度数据:
Pt=[pt,1,pt,2,pt,3]
Dt=[dt,1,dt,2,dt,3]
其中,pt,1,pt,2,pt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处摄氏温度,dt,1,dt,2,dt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处湿度。
优选的,S1中,通过下式提取t时刻堆肥表面灰度图像数据:
其中,Ht是图像灰度矩阵,拍摄时摄像头正对堆肥表面拍摄,距离堆肥表面1-2米,取拍摄图像正中间区域80*80像素,n=80。
优选的,S2中,对堆肥表面灰度图像采用大小为3*3的滤波窗口进行中值滤波。
优选的,S3中,堆肥图像特征提取使用的卷积神经网络包括3个卷积层、3个子采样层、2个全连通层以及1个分类层,第二个全连通层的128维向量为图像的最终特征。
优选的,第一个卷积层中的卷积层包含16个特征映射,卷积核大小3*3;第一个池化层的提取区域大小为2*2,选用最大化方法;第二卷积层包含32个特征映射,卷积核的大小为3*3;第二个池化层的提取区域大小为2*2,选用最大化方法;第三卷积层包含64个特征映射,卷积核的大小为3*3;第三个池化层的提取区域大小为2*2,选用最大化方法;2个全连通层分别是6400和128维。
优选的,S4中,归一化函数如下:
Xn=(Xo-MIN(X))/(MAX(X)-MIN(X))
其中,Xo、Xn分别是归一化前后堆肥实时特征向量,MIN()、MAX()计算各属性维度的最小和最大值。
以某尾菜堆废厂为例,监测5道发酵槽一个生产周期,数据采集间隔设为4小时,共收集温度、湿度、图像1000条数据,部分图像数据如图4所示。其中100个测试样本和900个训练样本。
(1)温度、湿度、图像采集
安装具有网络通讯功能功能温度、湿度、图像采集装置,编制程序采集温度、湿度、图像数据保存在数据库,图像以文件方式保存。
(2)图像预处理
编制程序实现中值滤波功能处理采集到的图像。
(3)基于(2)获得的数据,构建卷积神经网络CNN进行堆肥图像特征提取络
第一次使用需要训练CNN网络参数。
CNN网络设置参数如下:
Layer1:一层卷积conv2d(输入维度=1,输出维度=16,卷积核大小=3,步长=1,采用0填充=1),BatchNorm2d(数据的维度=16)批量标准化,ReLU()激活函数,池化maxpool2d(卷积核大小=2,步长=2)。
Layer2:一层卷积conv2d(输入维度=16,输出维度=32,卷积核大小=3,步长=1,采用0填充=1),BatchNorm2d(数据的维度=32)批量标准化,ReLU()激活函数,池化maxpool2d(卷积核大小=2,步长=2)。
Layer3:一层卷积conv2d(输入维度=32,输出维度=64,卷积核大小=3,步长=1,采用0填充=1),BatchNorm2d(数据的维度=64)批量标准化,ReLU()激活函数,池化maxpool2d(卷积核大小=2,步长=2)。
全连接层:Linear(64*10*10,128),ReLu()激活函数,Linear(128,5)。
经过100次迭代网络达到较好状态,保存相应参数用于特征提取。
(4)在检测状态下,将收集到3个温度数据,3个湿度数据及图像特征提取卷积神经网络输出的128维特征组合在一起形成堆肥实时特征,并归一化处理
(5)RNN堆肥腐熟预测方法
第一次使用需要训练RNN网络参数。
循环神经网络包括三层:输入层、隐藏层和输出层,输入维数134,隐藏层神经元160,时间步长为6。
在检测状态下,该网络输出是否腐熟的信息。
CNN和RNN已是成熟的现有技术,本申请的创造性体现在利用该技术实现堆肥腐熟的预测。现有技术中,并没有文献报道将CNN和RNN应用在堆肥腐熟预测,故现有技术没有给出相应的技术启示,因此本申请具备创造性。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种基于深度学习网络的堆肥腐熟实时预测方法,其特征在于包括以下步骤:
S1、提取t时刻堆肥温度、湿度数据以及t时刻堆肥表面灰度图像数据;
S2、预处理,将堆肥表面灰度图像数据进行中值滤波;
S3、基于S2获得的数据,构建卷积神经网络CNN进行堆肥图像特征提取;
S4、将堆肥温度、湿度数据和堆肥图像特征,组合形成堆肥实时特征向量,堆肥实时特征向量通过最小最大法归一化进行整合;
S5、基于S4获得的数据,采用循环神经网络RNN进行预测。
2.根据权利要求1所述的方法,其特征在于S1中,通过下式提取t时刻堆肥温度、湿度数据:
Pt=[pt,1,pt,2,pt,3]
Dt=[dt,1,dt,2,dt,3]
其中,pt,1,pt,2,pt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处摄氏温度,dt,1,dt,2,dt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处湿度。
4.根据权利要求1所述的方法,其特征在于S2中,对堆肥表面灰度图像采用大小为3*3的滤波窗口进行中值滤波。
5.根据权利要求1所述的方法,其特征在于S3中,堆肥图像特征提取使用的卷积神经网络包括3个卷积层、3个子采样层、2个全连通层以及1个分类层,第二个全连通层的128维向量为图像的最终特征。
6.根据权利要求5所述的方法,其特征在于第一个卷积层中的卷积层包含16个特征映射,卷积核大小3*3;第一个池化层的提取区域大小为2*2,选用最大化方法;第二卷积层包含32个特征映射,卷积核的大小为3*3;第二个池化层的提取区域大小为2*2,选用最大化方法;第三卷积层包含64个特征映射,卷积核的大小为3*3;第三个池化层的提取区域大小为2*2,选用最大化方法;2个全连通层分别是6400和128维。
7.根据权利要求1所述的方法,其特征在于S4中,归一化函数如下:
Xn=(Xo-MIN(X))/(MAX(X)-MIN(X))
其中,Xo、Xn分别是归一化前后堆肥实时特征向量,MIN()、MAX()计算各属性维度的最小和最大值。
8.根据权利要求1所述的方法,其特征在于S5中,循环神经网络包括输入层、隐藏层和输出层,输入层接收堆肥状态输入向量,通过激活函数更新网络隐含层节点状态,由输出层做出预测输出堆肥是否腐熟的信息;其中隐含层的状态存储了堆肥历史时刻的信息,可以挖掘出历史与当前时刻信息之间的关系。
9.根据权利要求8所述的方法,其特征在于循环神经网络具体参数设置为:输入维数6+128=134,隐藏层神经元160,时间步长为6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810381202.3A CN108845075B (zh) | 2018-04-25 | 2018-04-25 | 基于深度学习网络的堆肥腐熟实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810381202.3A CN108845075B (zh) | 2018-04-25 | 2018-04-25 | 基于深度学习网络的堆肥腐熟实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108845075A CN108845075A (zh) | 2018-11-20 |
CN108845075B true CN108845075B (zh) | 2021-06-29 |
Family
ID=64212321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810381202.3A Expired - Fee Related CN108845075B (zh) | 2018-04-25 | 2018-04-25 | 基于深度学习网络的堆肥腐熟实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108845075B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187074B (zh) * | 2019-06-12 | 2021-07-20 | 哈尔滨工业大学 | 一种越野滑雪赛道雪质预测方法 |
CN112685964B (zh) * | 2021-03-19 | 2021-06-08 | 浙江浙能技术研究院有限公司 | 一种基于卷积神经网络的锅炉受热面管壁泄漏预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806738A (zh) * | 2010-04-27 | 2010-08-18 | 南京农业大学 | 一种快速表征堆肥腐熟度的方法 |
CN102165865A (zh) * | 2010-12-30 | 2011-08-31 | 华南农业大学 | 一种利用本土蔬菜种子测定城市污泥有机肥腐熟度的方法 |
CN103773900B (zh) * | 2013-12-30 | 2016-01-20 | 镇江市高等专科学校 | 基于神经网络及粒子群算法的固态发酵控制方法 |
CN106018375A (zh) * | 2016-08-09 | 2016-10-12 | 东北农业大学 | 一种基于lm神经网络的堆肥腐熟度分级评价方法 |
CN106778912A (zh) * | 2017-01-13 | 2017-05-31 | 湖南理工学院 | 一种用于糕点的全自动烘烤装置及方法 |
CN107121407A (zh) * | 2017-06-02 | 2017-09-01 | 中国计量大学 | 基于pso‑ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法 |
CN107515204A (zh) * | 2017-10-19 | 2017-12-26 | 西华大学 | 利用nir对郫县豆瓣甜瓣子发酵成熟度的检测方法 |
CN107590799A (zh) * | 2017-08-25 | 2018-01-16 | 山东师范大学 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170134411A1 (en) * | 2015-11-09 | 2017-05-11 | Gewei Ye | Methods and Automated Systems to Effectively Resist (PAMD) Cyber Attacks |
-
2018
- 2018-04-25 CN CN201810381202.3A patent/CN108845075B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806738A (zh) * | 2010-04-27 | 2010-08-18 | 南京农业大学 | 一种快速表征堆肥腐熟度的方法 |
CN102165865A (zh) * | 2010-12-30 | 2011-08-31 | 华南农业大学 | 一种利用本土蔬菜种子测定城市污泥有机肥腐熟度的方法 |
CN103773900B (zh) * | 2013-12-30 | 2016-01-20 | 镇江市高等专科学校 | 基于神经网络及粒子群算法的固态发酵控制方法 |
CN106018375A (zh) * | 2016-08-09 | 2016-10-12 | 东北农业大学 | 一种基于lm神经网络的堆肥腐熟度分级评价方法 |
CN106778912A (zh) * | 2017-01-13 | 2017-05-31 | 湖南理工学院 | 一种用于糕点的全自动烘烤装置及方法 |
CN107121407A (zh) * | 2017-06-02 | 2017-09-01 | 中国计量大学 | 基于pso‑ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法 |
CN107590799A (zh) * | 2017-08-25 | 2018-01-16 | 山东师范大学 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
CN107515204A (zh) * | 2017-10-19 | 2017-12-26 | 西华大学 | 利用nir对郫县豆瓣甜瓣子发酵成熟度的检测方法 |
Non-Patent Citations (8)
Title |
---|
Composting of animal manures and chemical criteria for compost maturity assessment;Bernal, M. P. et al.;《BIORESOURCE TECHNOLOGY》;20091130;第100卷(第22期);第5444-5453页 * |
Plant species classification using deep convolutional neural network;Mads Dyrmann et al.;《Biosystems Engineering》;20161130;第151卷;第72-80页 * |
Ripeness estimation of grape berries and seeds by image analysis;Rodriguez-Pulido, Francisco J. et al.;《COMPUTERS AND ELECTRONICS IN AGRICULTURE》;20120331;第82卷;第128-133页 * |
农业物联网技术研究进展与发展趋势分析;李道亮 等;《农业机械学报》;20180131;第49卷(第1期);第1-20页 * |
基于图像处理-HSI颜色空间的木醋液对牛粪堆肥过程 H 分量模型探究;李治宇 等;《江苏农业科学》;20160131;第44卷(第1期);参见摘要 * |
基于概率神经网络的污泥堆肥腐熟度的综合判别;黄游 等;《生态环境》;20060131;第15卷(第1期);第54-57页 * |
有机固体废弃物堆肥的腐熟度参数及指标;李艳霞 等;《环境科学》;19990331(第2期);第98-103页 * |
水溶性有机物荧光指标 LM神经网络法评价堆肥腐熟度研究;王洪敏 等;《化学工程师》;20170228(第2期);参见摘要、第1.4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108845075A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xue et al. | A fast and easy method for predicting agricultural waste compost maturity by image-based deep learning | |
CN109614973A (zh) | 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质 | |
CN110321956B (zh) | 一种基于人工智能的牧草病虫害治理方法及装置 | |
CN113516201B (zh) | 一种基于深度神经网络的肉兔料盒中余料量的估算方法 | |
CN111881851A (zh) | 一种基于uav和卷积神经网络的园林苗木智能检测与计数方法 | |
CN112464766A (zh) | 一种农田地头自动识别方法及系统 | |
CN108845075B (zh) | 基于深度学习网络的堆肥腐熟实时预测方法 | |
Silver et al. | In vino veritas: Estimating vineyard grape yield from images using deep learning | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
Hariri et al. | Tipburn disorder detection in strawberry leaves using convolutional neural networks and particle swarm optimization | |
Lavanya et al. | Deep Learning For Identification Of Plantnutrient Deficiencies | |
Guo et al. | Automatic and accurate calculation of rice seed setting rate based on image segmentation and deep learning | |
Rethik et al. | Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer | |
CN118038428A (zh) | 基于通道和空间协同注意的小目标害虫检测方法和系统 | |
CN117636314A (zh) | 一种缺苗识别方法、装置、设备及介质 | |
CN110751061B (zh) | 基于sar网络的sar图像识别方法、装置、设备和存储介质 | |
Alshahrani et al. | Chaotic Jaya optimization algorithm with computer vision-based soil type classification for smart farming | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN113627480B (zh) | 一种基于强化学习的极化sar影像分类方法 | |
CN108596987B (zh) | 基于图像深度特征序列的堆肥腐熟判断方法 | |
Folland et al. | Accuracy of biovolume formulas for CMEIAS computer-assisted microscopy and body size analysis of morphologically diverse microbial populations and communities | |
Hakkenberg et al. | Community/continuum in biogeography | |
PALETI et al. | SUGAR CANE LEAF DISEASE CLASSIFICATION AND IDENTIFICATION USING DEEP MACHINE LEARNING ALGORITHMS | |
Ramasamy et al. | Classification of Nutrient Deficiencies in Plants Using Recurrent Neural Network |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210629 |