CN108921814A - 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 - Google Patents
一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 Download PDFInfo
- Publication number
- CN108921814A CN108921814A CN201810467779.6A CN201810467779A CN108921814A CN 108921814 A CN108921814 A CN 108921814A CN 201810467779 A CN201810467779 A CN 201810467779A CN 108921814 A CN108921814 A CN 108921814A
- Authority
- CN
- China
- Prior art keywords
- fruit
- deep learning
- module
- citrus
- 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.)
- Pending
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Medicines Containing Plant Substances (AREA)
Abstract
一种基于深度学习的柑橘黄龙病在线快速检测系统,包括手机客户端和服务器端,服务器端包括数据传输模块、叶片与果实检测模块、黄龙病诊断模块、样本数据库;叶片与果实检测模块的模型使用样本数据库中具有实例标注的数据进行训练并得到最优模型,黄龙病诊断模块的模型使用样本数据库中具有诊断标注的数据进行训练并得到最优模型;叶片与果实检测模块将输出的检测到的单片叶片和单个果实图像传输给黄龙病诊断模块。一种基于深度学习的柑橘黄龙病在线快速检测方法,采用上述一种基于深度学习的柑橘黄龙病在线快速检测系统。本发明属于柑橘黄龙病智能识别技术领域,具有检测快速、高效、可靠等优点。
Description
技术领域
本发明属于柑橘黄龙病智能识别技术领域,特别涉及一种基于深度学习的柑橘黄龙病在线快速检测系统及方法。
背景技术
柑橘是世界上生产量最大的水果之一,也是我国南方地区种植规模最大的水果种类之一,在农业经济中占非常重要的地位。而柑橘黄龙病(HLB)对柑橘的生产是有毁灭性的,该病害使柑橘树表现症状为叶片斑驳、叶片黄化、树势衰弱、红鼻子果或者是青果不转色等,还具有蔓延速度快、危害大的特点。一旦柑橘树感染该病,轻者会严重影响其果实产量与质量,重者则造成柑橘植株的枯死,造成我国大部分地区的柑橘产量下降,柑橘寿命短,生产成本增加,严重制约着我国乃至全世界柑橘产业的发展。迄今为止,尚未找到合适有效的药物治疗方法。
为了阻止HLB的扩散,目前在柑橘生产中采用的首要方法是连根挖除,许多柑橘果园因HLB而被摧毁,HLB也被认为是柑橘的癌症,给果农及相关产业造成巨大的经济损失。而及早的发现病株并进行及时的挖除,可以大大的减少生产的损失,对提高柑橘产量和质量有重要意义。目前针对HLB的最可靠的检测方法为PCR检测技术,但该法检测过程繁琐、周期较长、检测费用高以及对检测环境和操作要求高等特点限制着该法在实际生产的应用。另外诸如嫁接诊断、血清学诊断、田间诊断、DNA探针杂交等方法,也因为诊断准确率低、耗时长、成本高、过程繁琐等原因在实际生产中难以推广。
发明内容
针对上述问题,本发明提供一种快速、高效、可靠的基于深度学习的柑橘黄龙病在线快速检测系统,它还具有操作简便、无损、费用低廉、容易受广大柑橘生产者应用的优点。
本发明的另一目的是提供一种快速、高效、可靠的基于深度学习的柑橘黄龙病在线快速检测方法。
一种基于深度学习的柑橘黄龙病在线快速检测系统,包括手机客户端和服务器端,手机客户端和服务器端通过无线网络进行连接、数据传输;手机客户端包括手机APP、微信小程序,具有图像获取和数据传输模块,采集柑橘叶片、果实图像后输送到服务器端,并接收诊断结果;服务器端包括数据传输模块、叶片与果实检测模块、黄龙病诊断模块、样本数据库;样本数据库包括健康柑橘树与患有HLB柑橘树的柑橘叶片、果实的图像,图像添加有标注,图像标注包括叶片与果实的实例标注以及叶片与果实的诊断标注;叶片与果实检测模块的模型使用样本数据库中具有实例标注的数据进行训练并得到最优模型,黄龙病诊断模块的模型使用样本数据库中具有诊断标注的数据进行训练并得到最优模型;数据传输模块将接收到的柑橘叶片、果实的图像传输给叶片与果实检测模块,叶片与果实检测模块将输出的检测到的单片叶片和单个果实图像传输给黄龙病诊断模块,黄龙病诊断模块输出诊断结果,并将诊断结果传送给手机客户端。
进一步的,实例标注是在输入的图像中,用边框标注出图像中的单片叶片或单个果实实例,并获取实例的边框坐标;诊断标注是根据农学专家的诊断结果,对每个获取的实例进行健康或患病的标注;样本数据库包括用来预训练的训练数据库和用来验证深度学习的神经网络模型是否准确的测试数据库。
进一步的,手机客户端包括手机APP、微信小程序,用户通过手机客户端获取并发送柑橘叶片、果实的图像到服务器端,服务器端完成检测后,根据诊断结果将图像进一步分类存储于样本数据库中,丰富深度学习的样本数据量。
进一步的,健康或患病的标注包括健康、非HLB黄化、患HLB黄化、花叶、斑驳。
进一步的,黄龙病诊断模块以深度残差网络为基准模型,在深度残差网络的基础上,融合视觉注意力机制;并根据训练和测试结果,对诊断模型进行结构上的调整;深度残差网络模型使用公开的深度残差网络模型参数做初始化,使用诊断标注的数据进行训练,对模型进行微调;将训练好的模型应用到测试数据库中进行测试,直到找到最优模型。
进一步的,叶片与果实检测模块使用Faster R-CNN模型,Faster R-CNN模型使用与Faster R-CNN模型相应的公开已训练基础网络模型参数做初始化,使用具有实例标注的数据进行训练,对模型进行微调;将训练好的模型应用到测试数据库中进行测试,直到找到最优模型。
进一步的,还包括专家人工诊断模块,若黄龙病诊断模块对用户上传的图像诊断为感染黄龙病并且感染概率低于80%,则将图像上传到黄龙病专家的手机终端,由专家人工诊断模块在线诊断并在线反馈结果。
一种基于深度学习的柑橘黄龙病在线快速检测方法,采用上述一种基于深度学习的柑橘黄龙病在线快速检测系统,包括以下步骤:
(1)用户通过手机客户端采集柑橘叶片、果实的图像并上传到服务器端;
(2)服务器端将接收到的柑橘叶片、果实的图像通过已训练的黄龙病诊断模块中进行在线鉴别;
(3)服务器将上一步中的诊断结果反馈给手机客户端,用户通过手机客户端查看诊断结果。
进一步的,用户先在手机安装好手机APP或找到微信小程序,选取果园内5-10棵柑橘树,每棵树取5个以上的叶子样本或果实样本进行拍照上传。
进一步的,用户直接手动点击专家人工诊断模块进行人工咨询。
本发明的优点:本发明通过采集大量患HLB的柑橘叶片、果实图像建立样本数据库,并对HLB诊断的深度学习建模,得到能够反映柑橘果树患HLB的最优深度学习模型,通过手机客户端将数据输送到服务器端并迅速获得在线诊断结果,因此简化了诊断流程、降低了诊断成本,做到了尽早的检测和发现病害,实现对果园中柑橘果树进行快速、实时、准确、无损的诊断,可为果农施肥、生产提供参考,对果树产量有极大帮助,对推动精准农业和农业信息化有积极作用;本发明中,样本数据库包括训练数据库和测试数据库,因此能对学习模型进行预训练,以及验证深度学习的神经网络模型学习效果,进而得到最优模型;叶片与果实检测模块使用Faster R-CNN模型,并将Faster R-CNN模型使用具有实例标注的数据进行训练,直至得到最优模型,因此能得到最优的叶片与果实检测模块,提高诊断效率和准确率;黄龙病诊断模块以深度残差网络为基准模型,并融合视觉注意力机制,因此能够从卷积神经网络输出的特征中学习注意力权重,并利用注意力权重对特征进行改善,以得到更好的黄龙病诊断模块;本发明中用户通过手机客户端发送的图像,根据检测完成后的诊断结果将进一步分类存储于样本数据库中,因此能进一步丰富深度学习的样本数据量。
附图说明
图1为本发明的整体方案示意图。
图2为具有视觉注意力机制的黄龙病诊断模块的深度模型结构。
具体实施方式
下面结合附图对本发明做进一步的具体说明。
一种基于深度学习的柑橘黄龙病在线快速检测方法,该方法以柑橘叶片、果实作为研究对象,分析染病的柑橘叶片、果实的图像,确定、并提取染病的柑橘叶片、果实的图像特征,在服务器中通过深度学习建立准确的HLB诊断模型;农户通过手机客户端采集果园中柑橘叶片、果实的图像并把图像上传到服务器端,由服务器端的HLB诊断模型进行快速鉴定是否感染HLB再反馈给手机客户端,农户可以迅速得知果园的柑橘树是否感染HLB。
利用手机客户端进行HLB的在线检测,比传统方法更加节省时间,可更加便捷地发现病株,与PCR技术相比,极大地缩短了检测周期。在实际应用中,因为尽早鉴别并且挖除患病植株是目前解决HLB最好的办法,而基于深度学习的在线检测方法正是解决了这种需求。
一种基于深度学习的柑橘黄龙病在线快速检测系统,它包括手机客户端和服务器端,手机客户端和服务器端通过无线网络进行连接、数据传输。
手机客户端用于采集柑橘叶片、果实的图像,并将采集到的图像通过无线网络传输给服务器端,服务器端进行诊断后将诊断结果通过网络传输给手机客户端,并通过手机客户端将诊断结果进行展示。手机客户端通过对现有的手机系统设计和系统相适应的APP或者是微信小程序,具有和服务器端进行数据传输、交换,展示数据的功能,以及和用户进行交互的功能,手机客户端的功能实现和现有APP或微信小程序的功能实现方式相同,属于现有技术。
服务器端包括数据传输模块、叶片与果实检测模块、黄龙病诊断模块、样本数据库,数据传输模块在接收手机客户端发送的图片数据后,图像数据再经叶片与果实检测模块、黄龙病诊断模块检测后得到诊断结果,诊断结果通过数据传输模块发送给手机客户端,手机客户端展示诊断结果。
数据传输模块用于服务器端和手机客户端进行数据发送和接收。
叶片与果实检测模块使用Faster R-CNN模型,数据传输模块将接收到的图像输入到叶片与果实检测模块,叶片与果实检测模块输出叶片、果实的实例图像。Faster R-CNN模型使用与Faster R-CNN模型相应的公开已训练基础网络模型参数做初始化,使用具有实例标注的数据进行训练,对模型进行微调。将训练好的模型应用到测试数据库中进行测试,如准确率不佳则更改模型的结构再进行训练和预测,直到找到最优模型。
黄龙病诊断模块以深度残差网络为基准模型,在深度残差网络的基础上,融合视觉注意力机制,进而输出诊断结果。由于根据图像进行黄龙病的诊断主要依靠叶片和果实的颜色、亮度等信息,视觉注意力机制能够从卷积神经网络输出的特征中学习注意力权重,并利用注意力权重对特征进行改善。在实验中我们将融入注意力机制,学习对健康和患病图像有判别性的特征。本发明提出的具有视觉注意力机制的黄龙病诊断模块的深度模型结构图,如图2所示。另外,我们根据训练和测试结果,对诊断模型进行结构上的调整,例如融合多层注意力机制改善后的特征作为分类器学习的特征等。深度残差网络模型使用公开的深度残差网络模型参数做初始化,使用诊断标注的数据进行训练,对模型进行微调。将训练好的模型应用到测试数据库中进行测试,如准确率不佳则更改模型的结构再进行训练和预测,直到找到最优模型。
样本数据库用于训练叶片与果实检测模块、黄龙病诊断模块,并进行深度学习。首先需要进行数据采集,因此前期工作需要到田间采集大量健康柑橘树与患有HLB柑橘树的柑橘叶片、果实的图像,可采用数码相机、手机等工具采集。在采集了足够多的图像数据量后,为每一张图像添加标注。图像标注包括叶片与果实的实例标注以及叶片与果实的诊断标注。实例标注是在输入的图像中,用边框标注出每个实例(图像中的单片叶片或单个果实),获取实例的边框坐标,标注的数据用来训练叶片与果实检测模块。而诊断标注是根据农学专家的诊断结果,对每个获取的实例进行标注,例如健康实例、患病实例(进一步细分为轻微感染实例、严重感染实例等情况),诊断标注的数据用来训练黄龙病诊断模块。根据不同的病理特征、不同的识别方法做好分类,从而建立起深度学习的样本数据库。此外,通过图像的几何变换,使用以下一种或多种几何变换的组合来增加输入数据的量,如旋转,平移,尺度变换等,这样设计能够避免农户在使用过程中,拍摄照片方式不恰当导致无法识别的问题。样本数据库采集完后,将样本数据库分为训练数据库和测试数据库两部分,训练数据库主要用来预训练,测试数据库则用来验证深度学习的神经网络模型的学习效果,并且通过反复训练来修正神经网络模型。
一种基于深度学习的柑橘黄龙病在线快速检测方法,更为具体地来讲,主要包括以下步骤:
1、用户通过手机APP或者是微信小程序采集柑橘叶片、果实的图像并上传到服务器中;本实施例中,用户先在手机安装好APP或者在微信中找到对应小程序,选取果园内5-10棵柑橘树,每棵树取5个以上的叶子样本或果实样本进行拍照上传。
2、服务器将接收到的柑橘叶片、果实的图像通过已训练的HLB诊断模型中进行在线鉴别,若该果树被鉴别为患HLB的果树,则进一步反馈该果树患HLB的症状,若该果树未被鉴别为患HLB的果树,则直接确定为未感染的诊断结果;更进一步,若该果树被诊断为感染黄龙病并且诊断感染概率不低于80%,则直接确定为已经感染的诊断结果,若该果树被诊断为感染黄龙病并且诊断感染概率低于80%,则将诊断结果视为可疑结果,服务器把接收到的图像上传到HLB专家手机终端,进行人工在线检测。
3、服务器将上一步中的诊断结果反馈给手机客户端,用户通过手机客户端查看诊断结果,用户通过诊断结果采取后续措施和行动。
特别地,用户通过手机发送的图像,可以进一步的,作为HLB的深度学习的训练数据库。若用户需要更加可靠的检测结果,也可以手动地咨询HLB专家。
黄龙病也即HLB。本发明中利用服务器端对用户传输的柑橘叶片、果实图像进行快速检测、诊断,因此将服务器端用于进行检测的叶片与果实检测模块、黄龙病诊断模块、样本数据库统称为HLB诊断模型,也即服务器端利用HLB诊断模型实现对柑橘叶片、果实的快速检测、诊断。
本发明通过采集大量患HLB的柑橘叶片、果实图像进行深度学习建模,得到能够反映柑橘果树患HLB的最优深度学习模型,通过手机APP或者微信小程序将数据输送到服务器并迅速获得在线诊断结果,做到了尽早的检测和发现病害,实现对果园中柑橘果树进行快速、实时、准确、无损的诊断。简化诊断的繁琐流程和降低诊断成本,降低生产成本,可为果农施肥、生产提供参考,对果树产量有极大帮助,对推动精准农业和农业信息化有积极作用。
上述实施例为发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的柑橘黄龙病在线快速检测系统,其特征在于:包括手机客户端和服务器端,手机客户端和服务器端通过无线网络进行连接、数据传输;服务器端包括数据传输模块、叶片与果实检测模块、黄龙病诊断模块、样本数据库;样本数据库包括健康柑橘树与患有HLB柑橘树的柑橘叶片、果实的图像,图像添加有标注,图像标注包括叶片与果实的实例标注以及叶片与果实的诊断标注;叶片与果实检测模块的模型使用样本数据库中具有实例标注的数据进行训练并得到最优模型,黄龙病诊断模块的模型使用样本数据库中具有诊断标注的数据进行训练并得到最优模型;数据传输模块将接收到的柑橘叶片、果实的图像传输给叶片与果实检测模块,叶片与果实检测模块将输出的检测到的单片叶片和单个果实图像传输给黄龙病诊断模块,黄龙病诊断模块输出诊断结果,并将诊断结果传送给手机客户端。
2.根据权利要求1所述一种基于深度学习的柑橘黄龙病在线快速检测系统,其特征在于:实例标注是在输入的图像中,用边框标注出图像中的单片叶片或单个果实实例,并获取实例的边框坐标;诊断标注是根据农学专家的诊断结果,对每个获取的实例进行健康或患病的标注;样本数据库包括用来预训练的训练数据库和用来验证深度学习的神经网络模型学习效果的测试数据库。
3.根据权利要求2所述一种基于深度学习的柑橘黄龙病在线快速检测系统,其特征在于:手机客户端包括手机APP、微信小程序,用户通过手机客户端获取并发送柑橘叶片、果实的图像到服务器端,服务器端完成检测后根据诊断结果将图像进一步分类存储于样本数据库中,丰富深度学习的样本数据量。
4.根据权利要求2所述一种基于深度学习的柑橘黄龙病在线快速检测系统,其特征在于:健康或患病的标注包括健康、非HLB黄化、患HLB黄化、花叶、斑驳。
5.根据权利要求2所述一种基于深度学习的柑橘黄龙病在线快速检测系统,其特征在于:黄龙病诊断模块以深度残差网络为基准模型,在深度残差网络的基础上,融合视觉注意力机制;并根据训练和测试结果,对诊断模型进行结构上的调整;深度残差网络模型使用公开的深度残差网络模型参数做初始化,使用诊断标注的数据进行训练,对模型进行微调;将训练好的模型应用到测试数据库中进行测试,直到找到最优模型。
6.根据权利要求2所述一种基于深度学习的柑橘黄龙病在线快速检测系统,其特征在于:叶片与果实检测模块使用Faster R-CNN模型,Faster R-CNN模型使用与Faster R-CNN模型相应的公开已训练基础网络模型参数做初始化,使用具有实例标注的数据进行训练,对模型进行微调;将训练好的模型应用到测试数据库中进行测试,直到找到最优模型。
7.根据权利要求1所述一种基于深度学习的柑橘黄龙病在线快速检测系统,其特征在于:还包括专家人工诊断模块,若黄龙病诊断模块对用户上传的图像诊断为感染黄龙病并且感染概率低于80%,则将图像上传到黄龙病专家的手机终端,由专家人工诊断模块在线诊断并在线反馈结果。
8.一种基于深度学习的柑橘黄龙病在线快速检测方法,采用权利要求1-7任一所述一种基于深度学习的柑橘黄龙病在线快速检测系统,其特征在于:包括以下步骤:
(1)用户通过手机客户端采集柑橘叶片、果实的图像并上传到服务器端;
(2)服务器端将接收到的柑橘叶片、果实的图像通过已训练的黄龙病诊断模块中进行在线鉴别;
(3)服务器将上一步中的诊断结果反馈给手机客户端,用户通过手机客户端查看诊断结果。
9.根据权利要求8所述一种基于深度学习的柑橘黄龙病在线快速检测方法,其特征在于:用户先在手机安装好手机APP或找到微信小程序,选取果园内5-10棵柑橘树,每棵树取5个以上的叶子样本或果实样本进行拍照上传。
10.根据权利要求8所述一种基于深度学习的柑橘黄龙病在线快速检测方法,其特征在于:用户直接手动点击专家人工诊断模块进行人工咨询。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810467779.6A CN108921814A (zh) | 2018-05-16 | 2018-05-16 | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810467779.6A CN108921814A (zh) | 2018-05-16 | 2018-05-16 | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921814A true CN108921814A (zh) | 2018-11-30 |
Family
ID=64402689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810467779.6A Pending CN108921814A (zh) | 2018-05-16 | 2018-05-16 | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921814A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636791A (zh) * | 2018-12-13 | 2019-04-16 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病检测方法、装置及系统 |
CN109883990A (zh) * | 2019-02-28 | 2019-06-14 | 吉林大学 | 一种药用真菌近红外光谱分析方法 |
CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
CN110033015A (zh) * | 2019-02-20 | 2019-07-19 | 天津科技大学 | 一种基于残差网络的植物病害检测方法 |
CN110245720A (zh) * | 2019-06-22 | 2019-09-17 | 中南林业科技大学 | 一种基于深度学习的柑橘病虫害智能诊断方法及系统 |
CN111899234A (zh) * | 2020-07-21 | 2020-11-06 | 仲恺农业工程学院 | 一种基于大数据挖掘的柑橘病虫害疫情智能推送系统 |
CN112001370A (zh) * | 2020-09-29 | 2020-11-27 | 中国农业科学院农业信息研究所 | 一种农作物病虫害识别方法及系统 |
CN112101265A (zh) * | 2020-09-22 | 2020-12-18 | 四川大学 | 一种鲁棒的作物病害诊断系统 |
CN112966550A (zh) * | 2021-01-28 | 2021-06-15 | 广东技术师范大学 | 基于植株识别模型的黄龙病防治方法、装置和计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008551A (zh) * | 2014-06-10 | 2014-08-27 | 华南农业大学 | 一种基于可见光图像的柑橘黄龙病检测方法 |
CN104008285A (zh) * | 2014-05-21 | 2014-08-27 | 华南农业大学 | 基于mini-pam采集参数的柑橘黄龙病诊断方法 |
CN106599925A (zh) * | 2016-12-19 | 2017-04-26 | 广东技术师范学院 | 一种基于深度学习的植物叶片识别系统与方法 |
CN106897268A (zh) * | 2017-02-28 | 2017-06-27 | 科大讯飞股份有限公司 | 文本语义理解方法、装置和系统 |
CN107808116A (zh) * | 2017-09-28 | 2018-03-16 | 中国科学院合肥物质科学研究院 | 一种基于深度多层特征融合学习的小麦麦蜘蛛检测方法 |
CN107886077A (zh) * | 2017-11-17 | 2018-04-06 | 苏州健雄职业技术学院 | 一种基于微信公众号的农作物虫害识别方法及其系统 |
-
2018
- 2018-05-16 CN CN201810467779.6A patent/CN108921814A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008285A (zh) * | 2014-05-21 | 2014-08-27 | 华南农业大学 | 基于mini-pam采集参数的柑橘黄龙病诊断方法 |
CN104008551A (zh) * | 2014-06-10 | 2014-08-27 | 华南农业大学 | 一种基于可见光图像的柑橘黄龙病检测方法 |
CN106599925A (zh) * | 2016-12-19 | 2017-04-26 | 广东技术师范学院 | 一种基于深度学习的植物叶片识别系统与方法 |
CN106897268A (zh) * | 2017-02-28 | 2017-06-27 | 科大讯飞股份有限公司 | 文本语义理解方法、装置和系统 |
CN107808116A (zh) * | 2017-09-28 | 2018-03-16 | 中国科学院合肥物质科学研究院 | 一种基于深度多层特征融合学习的小麦麦蜘蛛检测方法 |
CN107886077A (zh) * | 2017-11-17 | 2018-04-06 | 苏州健雄职业技术学院 | 一种基于微信公众号的农作物虫害识别方法及其系统 |
Non-Patent Citations (4)
Title |
---|
FEI WANG等: "Residual Attention Network for Image Classification", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
卢占军等: "基于知识规则的赣南脐橙病虫害诊断系统的设计与实现", 《中国南方果树》 * |
杨东方等: "《数学模型在生态学的应用及研究》", 31 December 2013 * |
邓小玲等: "基于主成分分析和BP神经网络的柑橘黄龙病诊断技术", 《光子学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636791A (zh) * | 2018-12-13 | 2019-04-16 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病检测方法、装置及系统 |
CN110033015A (zh) * | 2019-02-20 | 2019-07-19 | 天津科技大学 | 一种基于残差网络的植物病害检测方法 |
CN109883990A (zh) * | 2019-02-28 | 2019-06-14 | 吉林大学 | 一种药用真菌近红外光谱分析方法 |
CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
CN110245720A (zh) * | 2019-06-22 | 2019-09-17 | 中南林业科技大学 | 一种基于深度学习的柑橘病虫害智能诊断方法及系统 |
CN110245720B (zh) * | 2019-06-22 | 2023-05-26 | 中南林业科技大学 | 一种基于深度学习的柑橘病虫害智能诊断方法及系统 |
CN111899234A (zh) * | 2020-07-21 | 2020-11-06 | 仲恺农业工程学院 | 一种基于大数据挖掘的柑橘病虫害疫情智能推送系统 |
CN112101265A (zh) * | 2020-09-22 | 2020-12-18 | 四川大学 | 一种鲁棒的作物病害诊断系统 |
CN112101265B (zh) * | 2020-09-22 | 2023-04-25 | 四川大学 | 一种鲁棒的作物病害诊断系统 |
CN112001370A (zh) * | 2020-09-29 | 2020-11-27 | 中国农业科学院农业信息研究所 | 一种农作物病虫害识别方法及系统 |
CN112966550A (zh) * | 2021-01-28 | 2021-06-15 | 广东技术师范大学 | 基于植株识别模型的黄龙病防治方法、装置和计算机设备 |
CN112966550B (zh) * | 2021-01-28 | 2022-03-11 | 广东技术师范大学 | 基于植株识别模型的黄龙病防治方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921814A (zh) | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 | |
CN109636791A (zh) | 一种基于深度学习的柑橘黄龙病检测方法、装置及系统 | |
Parvathi et al. | Detection of maturity stages of coconuts in complex background using Faster R-CNN model | |
CN107346434A (zh) | 一种基于多特征及支持向量机的植物病虫害检测方法 | |
CN107342962A (zh) | 基于卷积神经网络的深度学习智能星座图分析方法 | |
CN104008551B (zh) | 一种基于可见光图像的柑橘黄龙病检测方法 | |
CN108764329A (zh) | 一种肺癌病理图像数据集的构建方法 | |
CN107767935A (zh) | 基于人工智能的医学影像分类处理系统及方法 | |
CN110046631A (zh) | 用于自动推断时空图像的变化的系统和方法 | |
CN106022380A (zh) | 基于深度学习的个体身份识别方法 | |
CN115812634B (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
CN110731773A (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
CN109190571A (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 | |
CN110598516A (zh) | 基于随机森林的多方位分层采集组合稻田杂草识别方法 | |
Echalar et al. | PaLife: a mobile application for palay (Rice) health condition classification utilizing image processing and pigment analysis towards sustainability of palay production | |
Kumar et al. | Mobile application using DCDM and cloud-based automatic plant disease detection | |
Nalwanga et al. | Design of an embedded machine learning based system for an environmental-friendly crop prediction using a sustainable soil fertility management | |
CN116612386A (zh) | 基于分级检测双任务模型的辣椒病虫害识别方法及系统 | |
Sunmola et al. | Design of Shallow Neural Network Based Plant Disease Detection System | |
Shaikh et al. | Classification of affected fruits using machine learning | |
CN112164041B (zh) | 基于多尺度深度神经网络的黄龙病自动诊疗系统及方法 | |
CN108052967A (zh) | 基于迁移学习的白血细胞多分类识别方法 | |
Tipones et al. | Nutrient Management with Automated Leaf Color Level Assessment and Ambient Light Neutralizer using SVM Classifier | |
CN206236111U (zh) | 一种基于语音交互的叶片图像植物自动识别装置 | |
Chauhan et al. | Comparative Analysis of various Deep learning techniques for Plant leaf disease detection: A practical approach |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |