CN109086826A - 基于图像深度学习的小麦干旱识别方法 - Google Patents
基于图像深度学习的小麦干旱识别方法 Download PDFInfo
- Publication number
- CN109086826A CN109086826A CN201810883530.3A CN201810883530A CN109086826A CN 109086826 A CN109086826 A CN 109086826A CN 201810883530 A CN201810883530 A CN 201810883530A CN 109086826 A CN109086826 A CN 109086826A
- Authority
- CN
- China
- Prior art keywords
- drought
- wheat
- training
- image
- classification
- 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
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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
本发明涉及小麦非生物胁迫的识别技术领域,尤其是小麦干旱识别方法。该方法识别步骤为:a)在温室大棚采用盆栽实验方法进行小麦控旱试验,干旱等级分为适宜,轻旱,中旱,重旱和特旱;b)使用单反相机连续获取不同干旱等级的小麦图像,并标上标签,将数据集随机分为训练集和测试集;c)使用在ImageNet上预训练好的深度卷积网络模型Inception_V3、Resnet_50、Resnet_152的卷积操作提取图像特征,并训练最后的分类层;d)用测试集测试已训练的深度学习网络,分别用干旱胁迫识别准确率DSI和干旱胁迫分级准确率DSC来表示干旱胁迫识别和分级精度。本发明通过获取小麦数字图像,利用深度学习方法提取小麦表型特征,是基于承灾体对干旱胁迫进行识别和分级,故及时、准确、无损,而且得到较高的准确率。
Description
技术领域
本发明涉及小麦非生物胁迫识别技术领域,尤其是小麦干旱识别方法。
背景技术
干旱胁迫是影响小麦产量的主要因素,任何生长阶段干旱均会对小麦产量造成严重影响,对小麦干旱胁迫及时准确的监测预警,提高灌溉的精确性对保障小麦的丰产稳产具有重要作用。而传统的基于土壤水分传感器的干旱监测虽能从一定程度上反应土壤水分状况,但具有误差大,覆盖范围小,大田应用困难等特点。在不同的干旱等级胁迫下小麦植株有不同的表型特征,比如叶片颜色和纹理的改变,叶面积减小、叶片卷曲,干枯死亡等,通过获取数字图像基于小麦表型特征及时,准确,无损的对小麦干旱进行识别和分级对灌溉决策和小麦干旱胁迫的自动监测具有重要意义。
计算机视觉和图像处理技术广泛的应用于植物表型的研究,传统的机器学习方法是植物表型分析最有效的方法之一,比如:人工神经网络(ANN),支持向量机(SVM),高斯过程(GP)等,然而传统的机器学习方法主要是基于图像像素值,使用线性或非线性函数手动的对二维图像特征进行分割和提取,手动提取特征费时费力并且只能提取图像部分表型特征,如颜色和纹理等,且提取的特征不一定能用于小麦干旱的识别和分级。同时在复杂的环境下,手动提取特征也容易受到背景和环境的影响,比如土壤,光线,风等,因此传统机器学习方法对作物干旱的识别和分级的准确率是有限的。
近年来,深度卷积网络结合图像特征提取和分类于一体在图像识别和分类方面取得巨大的进步。2012年深度卷积网络AlexNet在ImageNet数据集上1000分类中top-5错误率为17%,此后深度卷积神经网络在ImageNet数据集的分类准确度不断提高,2014年VGGtop-5错误率达降低到7.3%,GoogleNet top-5错误率为6.7%,2015年Inception_v3 top-5错误率降低到4.2%,到现在为止。深度卷积神经网络已经成为图像分类领域的主流方法,与传统的机器学习相比,深度学习方法在复杂和抽象的表型特征的提取方面具有很大的优势,特别地,深度学习方法使用原始图像作为输入,不需要做图像分割等预处理。随着作物表型组学的发展,研究者广泛的将深度学习方法应用于作物表型方面的研究比如图像分类,特征提取,和目标检测等。通常,训练深度卷积网络有两种方法,一是“从头训练”,二是“迁移学习”。“从头训练”是在训练网络时调整网络结构中所有的权值和参数,而深度卷积网络结构层次较深,参数庞大,因此从头训练一个深度卷积网络比较困难,而且受制于图像数据集的大小,硬件设备要求较高。“迁移学习”是将在ImageNet上预训练好的深度卷积模型迁移学习到自己的数据集上。对数据集的大小和硬件要求不高,并且在识别分类精度方面也能达到很好的效果。
发明内容
本发明要解决的技术问题是:为了解决现有的干旱监测精度低、覆盖范围小、费时费力等不足,本发明提供了一种小麦干旱识别方法,通过单反相机获取小麦图像,使用深度学习方法提取小麦表型特征对小麦不同的干旱胁迫进行及时、准确和无损的识别和分级,将预训练好的深度学习模型迁移应用到小麦干旱图像数据集上,对小麦干旱进行无损的识别和分级,该方法利用表型特征基于承灾体对干旱胁迫进行识别和分级,故及时、准确、无损,而且得到较高的准确率。
本发明解决其技术问题所采用的技术方案是:
一种小麦干旱识别方法,识别步骤为:
a)在温室大棚采用盆栽实验方法进行小麦控旱试验,干旱等级分为适宜,轻旱,中旱,重旱和特旱,采用称重法进行控旱,干旱程度的设置参照中华人民共和国农业行业标准《冬小麦灾害田间调查及分级技术规范》;
b)使用相机获取不同程度干旱等级的小麦图像,并标上标签,随机将图像数据划分为训练集和测试集,测试集不参与训练;
c)使用在ImageNet上预训练好的深度卷积神经网络Inception_V3、Resnet_50、Resnet_152的卷积操作提取图像特征,并训练最后的分类层;模型训练的学习率为0.01,批次大小为100,迭代次数5000次,每隔100次打印一次精确度,通过交叉熵曲线的变化来判断模型是否收敛;
d)用测试集测试已训练的深度学习网络,得到模型分类的混淆矩阵,分别用干旱胁迫识别准确率DSI和干旱胁迫分级准确率DSC来表示干旱胁迫识别和分级精度,计算公式为:
Total为总的测试样本数,TC分类正确的适宜对照样本数,TD为分类正确的干旱胁迫样本数,Ttrue分类正确的所有样本数。
具体地,所述训练集和测试集的分配比例为8:2。
具体地,所述照相机为单反相机EOS700D,拍摄照片以JPG格式自动存储SD卡中,照相机上安装品色282信号接收器,在6:00am-18:00pm间每隔5min自动获取小麦图像。
具体地,该方法在Google开源框架TensorFlow上进行。
本发明的有益效果是:本发明提供了一种小麦干旱识别方法,利用小麦表型特征对小麦干旱进行识别和分级,通过将预训练好的深度学习模型迁移应用到小麦干旱数据集上,对小麦干旱进行识别和分级,该方法是利用表型特征基于承灾体对干旱胁迫进行识别和分级,故及时、准确、无损,而且得到较高的准确率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的流程图;
图2为本发明中小麦干旱识别和分级精度最高的深度学习网络结构图;
具体实施方式
现在结合附图对本发明作进一步详细的说明。
图1为本发明的流程图,图2为本发明中小麦干旱识别和分级精度最高的深度学习网络结构图。
该方法中使用的单反相机为EOS700D,有效像素1800万,CMOS感应器,镜头实际焦距f=18-135mm,拍摄照片以JPG格式自动存储SD卡中。在获取图像时用三脚架固定相机,每台相机安装品色282信号接收器用于自动获取小麦图像,相机距地面1.5m,控旱期间每天从6:00am-18:00pm,每隔5min获取小麦图像。为保证数据的多样性,防止背景单一性对模型精度的影响,试验中每天调整相机的拍摄角度。图像获取时间分别为2018年4月15-5月2日。试验期间共获取图像44003张,其中适宜8641张,轻旱8713张,中旱8870张,重旱8383张,特旱9396张。
Inception_V3是GoogleNet的一个变种,在Inception模块中应用了“网中网”结构的是GoogleNet网络模型的关键,Inception模块使用并列的1×1,3×3,和5×5卷积核和最大池化层,因此在同一层中能捕获不同种类的图像特征,在3×3,5×5以及最大池化层之前的1×1卷积操作是用来降维以减少计算量,最后一个过滤器将所有的卷积操作进行合并,Inception_v3是在GoogleNet的基础行将传统的7×7的卷积核分解成3个3×3的卷积核;5×5的卷积核被两个3×3所替代,而3×3又被分解成一个1×3和3×1的卷积核,在增加准确度的同时降低模型计算量。
如附图2所示,ResNet是何凯明团队开发的残差网络(Residual Networks),在2016年ImageNet的分类、识别、定位以及COCO的检测和分割上均斩获了第一名的成绩,Resnet解决的关键问题是模型层数加深以后模型的“退化问题”,通过在层与层之间添加一个Residual的结构:即增加一个identity mapping(恒等映射),将原始所需要学的函数H(x)转换成F(x)+x,这两种函数表达的效果相同,但是优化的难度却并不相同,假设F(x)的优化会比H(x)简单的多。这一想法也是源于图像处理中的残差向量编码,通过一个Reformulation,将一个问题分解成多个尺度直接的残差问题,能够很好的起到优化训练的效果。ResNet_50为有50层卷积层的残差网络,ResNet_152是有152层的残差网络。
该方法中使用对比Inception_v3,Resnet50,Resnet152从头训练和迁移学习对小麦干旱识别和分级的效果,保持模型卷积层参数不变,训练模型最后一个分类层,最后一层输出节点的个数与我们数据的种类相等,整个模型训练和测试的进度可以从Tensorboard(TensorFlow的可视化工具)上去观察。预训练好的模型和代码可以在TensorFlow GitHub上下载。
如附图2所示,通过盆栽试验方法获取小麦抽穗-开花阶段不同干旱胁迫程度的(适宜,轻旱,中旱,重旱,特旱)数字图像,提出使用深度学习方法对小麦干旱进行识别和分级。首先将不同干旱等级的小麦图像放入不同的文件夹,并标上标签,然后经过Inception_v3、Resnet_50和Resnet_152的卷积操作生成特征向量,这个过程是图像特征提取的过程,然后用特征向量训练最后一个分类层。我们把所有的数据分成训练和测试集,随机按80-20分配,即80%用于训练,20%用于测试,即35003用于训练,9000张用于测试。用于测试的图像不参与训练。模型试验的学习率为0.01,批次大小为100,迭代次数5000次。每隔100步打印一次精确度。我们通过交叉熵曲线的变化来判断模型是否收敛,
分别用两个准确度来表示干旱胁迫识别和分级准确率,一是干旱胁迫识别准确率(Drought stress identification DSI)二是干旱胁迫分级准确率(Drought stressclassification DSC)计算公式如下:
Total为总的测试样本数,TC分类正确的适宜对照样本数,TD为分类正确的干旱胁迫样本数,Ttrue分类正确的所有样本数。
所有的试验都在Google开源框架TensorFlow上进行。模型运行环境为:CPU:i7-8700k内存:32G;GPU:NVIDIA GeForce GTX 1080Ti 11G,开发框架和环境:tensorflow-gpu1.8,Anoconda 3.5,Python3.6。
试验结果表明:深度学习方法对小麦的识别具有很好的效果。使用深度学习对小麦干旱胁迫的识别是可行的,用深度学习方法不用做图像背景分割,因此非常节时,而且得到较高的准确率。小麦抽穗-开花阶段三个模型小麦干旱胁迫识别准确率均达到99%以上,其中Resnet_50识别准确率最高为99.37%,其次为Resnet_152,三个模型的识别准确率差异不大;小麦干旱胁迫分级的准确率均在94%以上,Resnet_50分级准确率最高为97.02%。较Inception_v3高2.15个百分点,其次为Resnet_152。Resnet_50的识别和分级准确率均高于其他两个模型。由表5和表6Resnet_50的分类混淆矩阵和精度表得出,在小麦抽穗-开花阶段小麦CK和ED的分类准确率较高,均在98%以上,分别为98.37%和98.65%。MD、LD、SD分类准确率差异不大,在95%-96%之间。MD的分类准确度最低为95.33%。
表1.不同模型的识别和分级精确度(%)
表2.Resnet_50混淆矩阵
表3.Resnet_50分类精度(%)
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1.一种小麦干旱识别方法,其特征在于,识别步骤为:
a)在温室大棚采用盆栽实验方法进行小麦控旱试验,干旱等级分为适宜,轻旱,中旱,重旱和特旱,采用称重法进行控旱,干旱程度的设置参照中华人民共和国农业行业标准《冬小麦灾害田间调查及分级技术规范》;
b)使用相机获取不同程度干旱等级的小麦图像,并标上标签,随机将图像数据划分为训练集和测试集,测试集不参与训练;
c)使用在ImageNet上预训练好的深度卷积神经网络Inception_V3、Resnet_50、Resnet_152的卷积操作提取图像特征,并训练最后的分类层;模型训练的学习率为0.01,批次大小为100,迭代次数5000次,每隔100次打印一次精确度,通过交叉熵曲线的变化来判断模型是否收敛;
d) 用测试集测试已训练的深度学习网络,得到模型分类的混淆矩阵,分别用干旱胁迫识别准确率DSI和干旱胁迫分级准确率DSC来表示干旱胁迫识别和分级精度,计算公式为:
、,
Total为总的测试样本数,T C 分类正确的适宜对照样本数,T D 为分类正确的干旱胁迫样本数,Ttrue 分类正确的所有样本数。
2.根据权利要求1所述的小麦干旱识别方法,其特征在于:所述训练集和测试集的分配比例为8:2。
3.根据权利要求1所述的小麦干旱识别方法,其特征在于:所述照相机为单反相机EOS700D,拍摄照片以JPG格式自动存储SD卡中,照相机上安装有品色282信号接收器,在6:00am-18:00pm间每隔5min自动获取小麦图像。
4.根据权利要求1所述的小麦干旱识别方法,其特征在于:所有试验在Google开源框架TensorFlow上进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810883530.3A CN109086826B (zh) | 2018-08-06 | 2018-08-06 | 基于图像深度学习的小麦干旱识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810883530.3A CN109086826B (zh) | 2018-08-06 | 2018-08-06 | 基于图像深度学习的小麦干旱识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086826A true CN109086826A (zh) | 2018-12-25 |
CN109086826B CN109086826B (zh) | 2021-05-07 |
Family
ID=64833905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810883530.3A Active CN109086826B (zh) | 2018-08-06 | 2018-08-06 | 基于图像深度学习的小麦干旱识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086826B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711382A (zh) * | 2019-01-07 | 2019-05-03 | 哈尔滨理工大学 | 一种基于深度学习的可视化定位方法 |
CN109828623A (zh) * | 2018-12-28 | 2019-05-31 | 北京农业信息技术研究中心 | 温室作物情景感知的生产管理方法及装置 |
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 |
CN110188657A (zh) * | 2019-05-27 | 2019-08-30 | 中国农业科学院农业资源与农业区划研究所 | 基于卷曲叶片检测的玉米干旱识别方法 |
CN110298388A (zh) * | 2019-06-10 | 2019-10-01 | 天津大学 | 基于改进vgg19网络的玉米5种旱情识别方法 |
CN110781921A (zh) * | 2019-09-25 | 2020-02-11 | 浙江农林大学 | 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置 |
CN111428990A (zh) * | 2020-03-20 | 2020-07-17 | 浙江大学城市学院 | 一种基于深度神经网络的水培花卉开花期花卉等级评估方法 |
CN111798408A (zh) * | 2020-05-18 | 2020-10-20 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种内窥镜干扰图像检测与分级系统及方法 |
CN112183292A (zh) * | 2020-09-18 | 2021-01-05 | 华中农业大学 | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 |
CN112488230A (zh) * | 2020-12-07 | 2021-03-12 | 中国农业大学 | 基于机器学习的作物水分胁迫程度判定方法和装置 |
CN112718548A (zh) * | 2020-12-10 | 2021-04-30 | 青岛农业大学 | 一种深度学习通用型农产品智能分选机 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103238493A (zh) * | 2013-05-20 | 2013-08-14 | 江苏省农业科学院 | 桃不同砧木类型对持续干旱的响应及其抗旱性评价方法 |
CN105550501A (zh) * | 2015-12-09 | 2016-05-04 | 中国水利水电科学研究院 | 一种流域/区域干旱演变驱动机制的识别方法 |
CN106845497A (zh) * | 2017-01-12 | 2017-06-13 | 天津大学 | 基于多特征融合的玉米前期图像旱情识别方法 |
US20170166916A1 (en) * | 2014-12-17 | 2017-06-15 | Syngenta Participations Ag | Genetic Markers Associated with Drought Tolerance in Maize |
CN107330887A (zh) * | 2017-07-11 | 2017-11-07 | 重庆邮电大学 | 一种基于深度学习的农作物病虫害防治方案推荐系统 |
CN107392892A (zh) * | 2017-06-30 | 2017-11-24 | 天津大学 | 基于图像的玉米生育前期干旱胁迫自动识别方法 |
-
2018
- 2018-08-06 CN CN201810883530.3A patent/CN109086826B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103238493A (zh) * | 2013-05-20 | 2013-08-14 | 江苏省农业科学院 | 桃不同砧木类型对持续干旱的响应及其抗旱性评价方法 |
US20170166916A1 (en) * | 2014-12-17 | 2017-06-15 | Syngenta Participations Ag | Genetic Markers Associated with Drought Tolerance in Maize |
CN105550501A (zh) * | 2015-12-09 | 2016-05-04 | 中国水利水电科学研究院 | 一种流域/区域干旱演变驱动机制的识别方法 |
CN106845497A (zh) * | 2017-01-12 | 2017-06-13 | 天津大学 | 基于多特征融合的玉米前期图像旱情识别方法 |
CN107392892A (zh) * | 2017-06-30 | 2017-11-24 | 天津大学 | 基于图像的玉米生育前期干旱胁迫自动识别方法 |
CN107330887A (zh) * | 2017-07-11 | 2017-11-07 | 重庆邮电大学 | 一种基于深度学习的农作物病虫害防治方案推荐系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828623A (zh) * | 2018-12-28 | 2019-05-31 | 北京农业信息技术研究中心 | 温室作物情景感知的生产管理方法及装置 |
CN109711382A (zh) * | 2019-01-07 | 2019-05-03 | 哈尔滨理工大学 | 一种基于深度学习的可视化定位方法 |
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 |
CN110188657A (zh) * | 2019-05-27 | 2019-08-30 | 中国农业科学院农业资源与农业区划研究所 | 基于卷曲叶片检测的玉米干旱识别方法 |
CN110298388A (zh) * | 2019-06-10 | 2019-10-01 | 天津大学 | 基于改进vgg19网络的玉米5种旱情识别方法 |
CN110781921A (zh) * | 2019-09-25 | 2020-02-11 | 浙江农林大学 | 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置 |
CN111428990A (zh) * | 2020-03-20 | 2020-07-17 | 浙江大学城市学院 | 一种基于深度神经网络的水培花卉开花期花卉等级评估方法 |
CN111798408A (zh) * | 2020-05-18 | 2020-10-20 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种内窥镜干扰图像检测与分级系统及方法 |
CN112183292A (zh) * | 2020-09-18 | 2021-01-05 | 华中农业大学 | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 |
CN112488230A (zh) * | 2020-12-07 | 2021-03-12 | 中国农业大学 | 基于机器学习的作物水分胁迫程度判定方法和装置 |
CN112718548A (zh) * | 2020-12-10 | 2021-04-30 | 青岛农业大学 | 一种深度学习通用型农产品智能分选机 |
Also Published As
Publication number | Publication date |
---|---|
CN109086826B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086826A (zh) | 基于图像深度学习的小麦干旱识别方法 | |
Naik et al. | A real-time phenotyping framework using machine learning for plant stress severity rating in soybean | |
Wäldchen et al. | Automated plant species identification—Trends and future directions | |
Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
CN105488536B (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
Khan et al. | Deep learning for apple diseases: classification and identification | |
Niazian et al. | Image processing and artificial neural network-based models to measure and predict physical properties of embryogenic callus and number of somatic embryos in ajowan (Trachyspermum ammi (L.) Sprague) | |
CN110222792A (zh) | 一种基于孪生网络的标签缺陷检测算法 | |
De Luna et al. | Identification of philippine herbal medicine plant leaf using artificial neural network | |
CN111540006B (zh) | 基于深度迁移学习的植物气孔智能检测与识别方法及系统 | |
Chen et al. | Diagnosing of rice nitrogen stress based on static scanning technology and image information extraction | |
Beamish et al. | Phenology and vegetation change measurements from true colour digital photography in high Arctic tundra | |
CN106778896B (zh) | 一种基于自编码特征学习的冬虫夏草检测方法 | |
Liang et al. | StomataScorer: a portable and high‐throughput leaf stomata trait scorer combined with deep learning and an improved CV model | |
Lisu et al. | Rapid diagnosis of nitrogen nutrition status in rice based on static scanning and extraction of leaf and sheath characteristics | |
CN106991449A (zh) | 一种生活场景重构辅助识别蓝莓品种的方法 | |
Vukadinovic et al. | Watershed and supervised classification based fully automated method for separate leaf segmentation | |
He et al. | Recognition of soybean pods and yield prediction based on improved deep learning model | |
Cheng et al. | Maize seedling and weed detection based on MobileNetv3-YOLOv4 | |
Popkov et al. | Machine learning for expert‐level image‐based identification of very similar species in the hyperdiverse plant bug family Miridae (Hemiptera: Heteroptera) | |
Naeem et al. | Early gender identification of date palm using machine learning | |
Zhihong et al. | Smartphone-based visual measurement and portable instrumentation for crop seed phenotyping | |
Tuesta-Monteza et al. | CoLeaf-DB: Peruvian coffee leaf images dataset for coffee leaf nutritional deficiencies detection and classification | |
Zhao et al. | A dataset of pomegranate growth stages for machine learning-based monitoring and analysis | |
Valente et al. | Fast classification of large germinated fields via high-resolution UAV imagery |
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 |