CN109101891A - 一种融合人工智能的水稻病虫害检测系统及其检测方法 - Google Patents
一种融合人工智能的水稻病虫害检测系统及其检测方法 Download PDFInfo
- Publication number
- CN109101891A CN109101891A CN201810781996.2A CN201810781996A CN109101891A CN 109101891 A CN109101891 A CN 109101891A CN 201810781996 A CN201810781996 A CN 201810781996A CN 109101891 A CN109101891 A CN 109101891A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- model
- feature
- cloud
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明公开了一种融合人工智能的水稻病虫害检测系统及其检测方法,用嵌入式系统控制相机拍照,实现了数据的实时采集,图像处理用计算机视觉库OpenCV完成,通过将OpenCV移植到嵌入式系统,完成图像去噪、矫正、分割、膨胀、特征提取等操作,在百度云AI,用EasyDL定制化图像识别完成自定义分类模型的训练和校验,并利用不同数据集和不同模型版本实现多个分类模型的训练,单个模型分类正确率平均达到87.32%。在终端,获取分类结果并统计出现最多次数的结果作为最终结果,所有结果在水稻病虫害检测系统的软件界面显示。通过统计得到的结果更准确,使系统综合正确率达到96.2%,相较于现有的检测分类系统,正确率更高,进一步的提高了水稻病虫害检测的效率。
Description
技术领域
本发明涉及农业科技技术领域,具体是一种融合人工智能的水稻病虫害检测系统及其检测方法。
背景技术
水稻是我国主要粮食产物,原产于中国,是世界主要粮食作物之一。中国水稻播种面占全国粮食作物的1/4,而产量则占一半以上。栽培历史已有14000~18000年。为重要粮食作物;除食用颖果外,可制淀粉、酿酒、制醋,米糠可制糖、榨油、提取糠醛,供工业及医药用;稻秆为良好饲料及造纸原料和编织材料,谷芽和稻根可供药用。为满足13亿人口的粮食需求,必须保证水稻产量的稳定。而病虫害是使水稻减产的一大原因,及时发现水稻受灾情况有助于提高水稻产量。
发明内容
本发明的目的在于提供一种融合人工智能的水稻病虫害检测系统及其检测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种融合人工智能的水稻病虫害检测系统及其检测方法,包括用于进行水稻病虫害进行检测的检测系统和检测系统的检测方法,其特征在于,所述检测系统包括检测前端、检测云端和检测终端;
所述检测前端为计算机视觉系统,检测前端具体包括用于进行数据采集的图像采集设备和用于图像数据处理的嵌入式系统,图像采集设备可选为相机设备,图像采集设备与嵌入式系统之间通过无线网连接进行无线信号通信,检测云端为百度云AI平台,利用百度云AI平台的深度学习技术将图像采集设备采集到的图像进行图像分类,检测前端和检测云端之间通过嵌入式系统上的4G模块进行连接,检测终端用于显示分类结果具体包括计算机设备和打印机设备;
所述检测方法具体包括:
A、图像采集设备不间断的采集田间图像送入嵌入式系统;
B、嵌入式系统对步骤A中采集到的图像进行有无病害的识别,对有病害的图像提取病害区域轮廓,并计算该轮廓匹配的最小矩形;
C、嵌入式系统对步骤B中有病害的图片进行图像处理并上传至检测云端的百度云AI平台;
D、百度云AI平台用不同模型对步骤C上传的处理后的图像进行分类识别;
E、检测终端中的计算机设备获取步骤D中识别的结果并通过打印机设备进行显示。
进一步的:所述步骤C中的图像处理过程具体包括:
C1、去噪处理,用cvSmooth(src,dst,CV_GAUSSIAN,0,0,1,0)函数实现,减少噪 声的影响;
C2、矫正处理,用OpenCV中的cvCalibrateCamera2()函数计算相机内参数,对相 机进行标定,矫正畸变;
C3、分割处理,用混合高斯建模算法建立codebook背景模型,混合高斯建模用多个 满足高斯分布的函数线性组合建模,拟合任意类型场景的分布;设有随机变量x,混合高 斯模型用表示:其中 N(x|μk,∑k)是混合高斯模型中的第k个分量,遍历图像的每一个像素, 同当前K个模型按|Xt-μi,t-1|≤2.5σi,t-1进行比较,如果符合背 景要求,则该像素属于背景,否则属于前景;
C4、膨胀处理,用cvDilate()函数实现形态学的膨胀转换,对分割出来的部分进行 放大,突出细节;
C5、特征提取处理,具体提取颜色、形状、纹理三大类特征。
进一步的:所述步骤C5中的特征提取过程具体包括:
C51、颜色特征提取,颜色特征用颜色直方图来描述,颜色直方图反映了一幅图像中不同的色彩在整幅图中所占的比例,用cvCvtColor( src, hsv, CV_BGR2HSV )函数完成图像数据从RGB到HSV的颜色空间转换,用cvCalcHist( planes, hist, 0, 0 )函数统计颜色信息得到颜色直方图;
C52、形状提取特征,形状特征由两个参数描述,Candy边缘与边缘直方图,其中,Candy边缘由cvCanny(pImg, pCannyImg, 50, 150, 3)函数得到,提取边缘后,通过cvConvert函数把图像像素数据转换为矩阵形式,计算梯度,用cvCalcHis函数统计边缘梯度信息得到边缘直方图;
C53、纹理特征提取,纹理特征由灰度特征图描述,量化统计小块区域的颜色和光强分布,将量化值赋给CvScalar结构体s,用cvSet2D(dst,i,j,s)设置像素得到灰度特征图。
进一步的:所述步骤D中,利用深度学习图像识别技术进行分类识别,具体包括:
D1、深度学习建模,利用百度云AI提供EasyDL定制化图像识别功能,以步骤C上传的病虫害图片和百度数据库收集到的病害图片中的部分图片作为数据集,对数据集的图像进行特征提取,提取的结果放在相应特征集中,用数据集和特征集分别进行训练,得到普通分类模型和特征分类模型,百度云AI支持多种模型版本,不同版本的模型对于不同类别的数据分类正确率不同,改变模型版本,得到多个正确率不同的模型;
D2、深度学习模型校验,模型训练结束后进行在线校验,用步骤D1中引用数据集后剩余的图片对每个模型手动校验,在线上传图片直接获取分类结果,校验结束后,统计每个模型分类正确的个数并记录,分别计算其正确率。
与现有技术相比,本发明的有益效果是:本发明利用嵌入式系统控制相机拍照,实现了数据的实时采集,图像处理用计算机视觉库OpenCV完成,通过将OpenCV移植到嵌入式系统,完成图像去噪、矫正、分割、膨胀、特征提取等操作,在百度云AI,用EasyDL定制化图像识别完成自定义分类模型的训练和校验,并利用不同数据集和不同模型版本实现多个分类模型的训练,单个模型分类正确率平均达到87.32%。在终端,获取分类结果并统计出现最多次数的结果作为最终结果,所有结果在水稻病虫害检测系统的软件界面显示。通过统计得到的结果更准确,使系统综合正确率达到96.2%,整个过程无需人工辅助操作,智能化程度更高,相较于现有的检测分类系统,正确率更高,进一步的提高了水稻病虫害检测的效率。
附图说明
图1为水稻病虫害检测系统的结构示意图。
图2为检测方法的流程图。
图3为步骤B中的最小矩形图的示意图。
图4为步骤C3中的分割结果图的示意图。
图5为步骤C51中的颜色直方图的示意图。
图6为步骤C52中的Candy边缘的示意图。
图7为步骤C52中的边缘直方图的示意图。
图8为步骤C53中的灰度特征图的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1本发明实施例中,一种融合人工智能的水稻病虫害检测系统及其检测方法,包括用于进行水稻病虫害进行检测的检测系统和检测系统的检测方法,所述检测系统包括检测前端、检测云端和检测终端;
所述检测前端为计算机视觉系统,检测前端具体包括用于进行数据采集的图像采集设备和用于图像数据处理的嵌入式系统,所述图像采集设备可选为相机设备,图像采集设备与嵌入式系统之间通过无线网连接进行无线信号通信,检测云端为百度云AI平台,利用百度云AI平台的深度学习技术将图像采集设备采集到的图像进行图像分类,检测前端和检测云端之间通过嵌入式系统上的4G模块进行连接,检测终端用于显示分类结果具体包括计算机设备和打印机设备;
请参阅图2,所述检测方法具体包括:
A、图像采集设备不间断的采集田间图像送入嵌入式系统;
B、嵌入式系统对步骤A中采集到的图像进行有无病害的识别,为了保证能精确地捕捉到病害出现的区域,对拍照过程进行了改进,在嵌入式系统上对拍摄的图像进行识别,对有病害的图像提取病害区域轮廓,并计算该轮廓匹配的最小矩形,请参阅图3,该矩形四边与图像外边缘平行,计算这个矩形每条边到外轮廓的距离,以此为基础调整相机角度与焦距再拍照,使病害区域位于整个图像中间,病害区域面积占整个图像的一半以上;
C、嵌入式系统对步骤B中有病害的图片进行图像处理并上传至检测云端的百度云AI平台;
D、百度云AI平台用不同模型对步骤C上传的处理后的图像进行分类识别;
E、检测终端中的计算机设备获取步骤D中识别的结果并通过打印机设备进行显示;
每隔一段时间更新数据集与特征集,将实际采集完成分类的数据加入数据库,不断优化模型,使模型分类的准确率随模型使用时间的增加而提高。
计算机视觉利用成像系统代替人眼作为输入,由计算机代替大脑完成对信息的处理与分析。计算机视觉系统包括两个部分,图像处理过程包括去噪、矫正、分割、膨胀、特征提取等,经过处理的图像数据更有利于分类。
所述步骤C中的图像处理过程具体包括:
C1、去噪处理,用cvSmooth(src,dst,CV_GAUSSIAN,0,0,1,0)函数实现,减少噪 声的影响;
C2、矫正处理,相机拍照时由于角度,透镜的不同,会产生不同的畸变,影响拍摄效 果,用OpenCV中的cvCalibrateCamera2()函数计算相机内参数,对相机进行标定,矫 正畸变;
C3、分割处理,水稻正常叶片颜色与病斑、害虫颜色有很大区别,利用这一特性,用 混合高斯建模算法建立codebook背景模型,混合高斯建模用多个满足高斯分布的函数线 性组合建模,拟合任意类型场景的分布;设有随机变量x,混合高斯模型用表示:其中 N(x|μk,∑k)是混合高斯模型中的第k个分量,遍历图像的每一个像素, 同当前K个模型按|Xt-μi,t-1|≤2.5σi,t-1进行比较,如果符合背 景要求,则该像素属于背景,否则属于前景;
C4、膨胀处理,用cvDilate()函数实现形态学的膨胀转换,对分割出来的部分进行 放大,突出细节;
C5、特征提取处理,具体提取颜色、形状、纹理三大类特征;
所述步骤C5中的特征提取过程具体包括:
C51、颜色特征提取,颜色特征用颜色直方图来描述,颜色直方图反映了一幅图像中 不同的色彩在整幅图中所占的比例,用cvCvtColor(src,hsv,CV_BGR2HSV)函数完成图 像数据从RGB到HSV的颜色空间转换,用cvCalcHist(planes,hist,0,0)函数统计颜 色信息得到颜色直方图;
C52、形状提取特征,形状特征由两个参数描述,Candy边缘与边缘直方图,其中,Candy边缘由cvCanny(pImg,pCannyImg,50,150,3)函数得到,提取边缘后,通过cvConvert 函数把图像像素数据转换为矩阵形式,计算梯度,用cvCalcHis函数统计边缘梯度信息得 到边缘直方图;
C53、纹理特征提取,纹理特征由灰度特征图描述,纹理信息的提取用LBP方法实现, 量化统计小块区域的颜色和光强分布,将量化值赋给CvScalar结构体s,用 cvSet2D(dst,i,j,s)设置像素得到灰度特征图;
所述步骤D中,具体利用深度学习图像识别技术进行分类识别,具体包括:
D1、深度学习建模,起源于人工神经网络的深度学习,通过特定方式将低层特征组合成更抽象的高层特征来对数据进一步分析。它包含许多隐层,相比于一般的神经网络具有更多层次,准确率更高。深度学习分类模型的构建借助了百度云AI。百度云AI提供EasyDL定制化图像识别功能,从模型训练到上线全程可视化,可以添加自定义数据集供训练使用。相比于阿里AI平台,百度AI平台更开放,更便于开发者使用,腾讯AI平台也向用户开 放,但是不能提供定制化图像识别功能。利用百度云AI提供EasyDL定制化图像识别功能, 以步骤C上传的病虫害图片和百度数据库收集到的病害图片中的部分图片作为数据集,对 数据集的图像进行特征提取,提取的结果放在相应特征集中,用数据集和特征集分别进行 训练,得到普通分类模型和特征分类模型,百度云AI支持多种模型版本,不同版本的模 型对于不同类别的数据分类正确率不同,改变模型版本,得到多个正确率不同的模型;
D2、深度学习模型校验,模型训练结束后进行在线校验,用步骤D1中引用数据集后 剩余的图片对每个模型手动校验,在线上传图片直接获取分类结果。
以在水稻田里和百度数据库收集到的1964张病害图片中的1440张作为数据集,对
数据集的图像进行特征提取,提取的结果放在相应特征集中,用数据集和特征集分别进行
训练,得到普通分类模型和特征分类模型。模型训练结束后进行在线校验,用剩余的524张
图片对每个模型手动校验,在线上传图片直接获取分类结果,校验结束后,统计每个模型分
类正确的个数并记录,分别计算其正确率,得到的结果如下表所示。
版本 | 正确数 | 正确率 | 版本 | 正确数 | 正确率 |
颜色V1 | 469 | 89.45% | 普通V1 | 432 | 82.47% |
颜色V2 | 449 | 85.68% | 普通V2 | 451 | 86.15% |
颜色V3 | 478 | 91.25% | 普通V3 | 469 | 89.5% |
形状V4 | 490 | 93.41% | 普通V4 | 463 | 88.27% |
形状V5 | 502 | 95.8% | 普通V5 | 473 | 90.18% |
形状V6 | 459 | 87.65% | 普通V6 | 480 | 91.56% |
形状V7 | 442 | 84.35% | 普通V7 | 443 | 84.58% |
纹理V8 | 434 | 82.74% | 普通V8 | 464 | 88.59% |
纹理V9 | 485 | 92.47% | 普通V9 | 422 | 80.58% |
纹理V10 | 470 | 89.65% | 普通V10 | 448 | 85.45% |
由上表可以看出,单个模型平均正确率达到87.32%,依然有分类错误的情况出现。引入随机森林算法的思想,把每一个模型当成一个决策树,统计所有模型的分类结果,将出现最多的结果作为最终结果,进而提高分类的正确性。
而在实际应用中,在检测终端,获取分类结果并统计出现最多次数的结果作为最终结果,所有结果在水稻病虫害检测系统的软件界面显示。通过统计得到的结果更准确,系统综合正确率达到96.2%,相较于现有的检测分类系统,正确率更高,进一步的提高了水稻病虫害检测的效率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种融合人工智能的水稻病虫害检测系统及其检测方法,包括用于进行水稻病虫害进行检测的检测系统和检测系统的检测方法,其特征在于,所述检测系统包括检测前端、检测云端和检测终端;
所述检测前端为计算机视觉系统,检测前端具体包括用于进行数据采集的图像采集设备和用于图像数据处理的嵌入式系统,图像采集设备可选为相机设备,图像采集设备与嵌入式系统之间通过无线网连接进行无线信号通信,检测云端为百度云AI平台,利用百度云AI平台的深度学习技术将图像采集设备采集到的图像进行图像分类,检测前端和检测云端之间通过嵌入式系统上的4G模块进行连接,检测终端用于显示分类结果具体包括计算机设备和打印机设备;
所述检测方法具体包括:
A、图像采集设备不间断的采集田间图像送入嵌入式系统;
B、嵌入式系统对步骤A中采集到的图像进行有无病害的识别,对有病害的图像提取病害区域轮廓,并计算该轮廓匹配的最小矩形;
C、嵌入式系统对步骤B中有病害的图片进行图像处理并上传至检测云端的百度云AI平台;
D、百度云AI平台用不同模型对步骤C上传的处理后的图像进行分类识别;
E、检测终端中的计算机设备获取步骤D中识别的结果并通过打印机设备进行显示。
2.根据权利要求1所述的融合人工智能的水稻病虫害检测系统及其检测方法,其特征在于,所述步骤C中的图像处理过程具体包括:
C1、去噪处理,用cvSmooth(src, dst,CV_GAUSSIAN,0, 0, 1, 0)函数实现,减少噪声的影响;
C2、矫正处理,用OpenCV中的cvCalibrateCamera2()函数计算相机内参数,对相机进行标定,矫正畸变;
C3、分割处理,用混合高斯建模算法建立codebook背景模型,混合高斯建模用多个满足高斯分布的函数线性组合建模,拟合任意类型场景的分布;设有随机变量,混合高斯模型用 表示:其中是混合高斯模型中的第个分量,遍历图像的每一个像素,同当前K个模型按进行比较,如果符合背景要求,则该像素属于背景,否则属于前景;
C4、膨胀处理,用cvDilate()函数实现形态学的膨胀转换,对分割出来的部分进行放大,突出细节;
C5、特征提取处理,具体提取颜色、形状、纹理三大类特征。
3.根据权利要求2所述的融合人工智能的水稻病虫害检测系统及其检测方法,其特征在于,所述步骤C5中的特征提取过程具体包括:
C51、颜色特征提取,颜色特征用颜色直方图来描述,颜色直方图反映了一幅图像中不同的色彩在整幅图中所占的比例,用cvCvtColor( src, hsv, CV_BGR2HSV )函数完成图像数据从RGB到HSV的颜色空间转换,用cvCalcHist( planes, hist, 0, 0 )函数统计颜色信息得到颜色直方图;
C52、形状提取特征,形状特征由两个参数描述,Candy边缘与边缘直方图,其中,Candy边缘由cvCanny(pImg, pCannyImg, 50, 150, 3)函数得到,提取边缘后,通过cvConvert函数把图像像素数据转换为矩阵形式,计算梯度,用cvCalcHis函数统计边缘梯度信息得到边缘直方图;
C53、纹理特征提取,纹理特征由灰度特征图描述,量化统计小块区域的颜色和光强分布,将量化值赋给CvScalar结构体s,用cvSet2D(dst,i,j,s)设置像素得到灰度特征图。
4.根据权利要求1所述的融合人工智能的水稻病虫害检测系统及其检测方法,其特征在于,所述步骤D中,利用深度学习图像识别技术进行分类识别,具体包括:
D1、深度学习建模,利用百度云AI提供EasyDL定制化图像识别功能,以步骤C上传的病虫害图片和百度数据库收集到的病害图片中的部分图片作为数据集,对数据集的图像进行特征提取,提取的结果放在相应特征集中,用数据集和特征集分别进行训练,得到普通分类模型和特征分类模型,百度云AI支持多种模型版本,不同版本的模型对于不同类别的数据分类正确率不同,改变模型版本,得到多个正确率不同的模型;
D2、深度学习模型校验,模型训练结束后进行在线校验,用步骤D1中引用数据集后剩余的图片对每个模型手动校验,在线上传图片直接获取分类结果,校验结束后,统计每个模型分类正确的个数并记录,分别计算其正确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810781996.2A CN109101891A (zh) | 2018-07-17 | 2018-07-17 | 一种融合人工智能的水稻病虫害检测系统及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810781996.2A CN109101891A (zh) | 2018-07-17 | 2018-07-17 | 一种融合人工智能的水稻病虫害检测系统及其检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109101891A true CN109101891A (zh) | 2018-12-28 |
Family
ID=64846474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810781996.2A Pending CN109101891A (zh) | 2018-07-17 | 2018-07-17 | 一种融合人工智能的水稻病虫害检测系统及其检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101891A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109953763A (zh) * | 2019-02-28 | 2019-07-02 | 扬州大学 | 一种基于深度学习的车载驾驶行为检测预警系统及方法 |
CN110276775A (zh) * | 2019-07-08 | 2019-09-24 | 浙江理工大学 | 一种基于机器视觉的番茄穴盘苗嫁接切削参数识别方法 |
CN110427922A (zh) * | 2019-09-03 | 2019-11-08 | 陈�峰 | 一种基于机器视觉和卷积神经网络病虫害识别系统和方法 |
CN110796148A (zh) * | 2019-10-12 | 2020-02-14 | 广西大学 | 一种荔枝虫害监测识别系统和监测识别方法 |
CN112750123A (zh) * | 2021-01-22 | 2021-05-04 | 武汉工程大学 | 一种水稻病虫害监测方法及系统 |
CN113591791A (zh) * | 2021-08-16 | 2021-11-02 | 郑州大学 | 基于自学习人工智能的肺癌自动化识别系统 |
CN114170137A (zh) * | 2021-11-05 | 2022-03-11 | 成都理工大学 | 一种辣椒病害识别方法、识别系统、计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289583A (zh) * | 2011-08-11 | 2011-12-21 | 韩宝平 | 一种基于pda的果树病虫害诊断识别系统 |
CN202906981U (zh) * | 2012-10-26 | 2013-04-24 | 杭州职业技术学院 | 水稻病虫害远程在线诊断系统 |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN103778630A (zh) * | 2014-01-16 | 2014-05-07 | 中华人民共和国海南出入境检验检疫局 | 基于android的田间病害程度图像识别方法 |
CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
US20180060649A1 (en) * | 2016-08-30 | 2018-03-01 | Irida Labs S.A. | Fast, embedded, hybrid video face recognition system |
-
2018
- 2018-07-17 CN CN201810781996.2A patent/CN109101891A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289583A (zh) * | 2011-08-11 | 2011-12-21 | 韩宝平 | 一种基于pda的果树病虫害诊断识别系统 |
CN202906981U (zh) * | 2012-10-26 | 2013-04-24 | 杭州职业技术学院 | 水稻病虫害远程在线诊断系统 |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN103778630A (zh) * | 2014-01-16 | 2014-05-07 | 中华人民共和国海南出入境检验检疫局 | 基于android的田间病害程度图像识别方法 |
CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
US20180060649A1 (en) * | 2016-08-30 | 2018-03-01 | Irida Labs S.A. | Fast, embedded, hybrid video face recognition system |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109953763A (zh) * | 2019-02-28 | 2019-07-02 | 扬州大学 | 一种基于深度学习的车载驾驶行为检测预警系统及方法 |
CN110276775A (zh) * | 2019-07-08 | 2019-09-24 | 浙江理工大学 | 一种基于机器视觉的番茄穴盘苗嫁接切削参数识别方法 |
CN110427922A (zh) * | 2019-09-03 | 2019-11-08 | 陈�峰 | 一种基于机器视觉和卷积神经网络病虫害识别系统和方法 |
CN110796148A (zh) * | 2019-10-12 | 2020-02-14 | 广西大学 | 一种荔枝虫害监测识别系统和监测识别方法 |
CN112750123A (zh) * | 2021-01-22 | 2021-05-04 | 武汉工程大学 | 一种水稻病虫害监测方法及系统 |
CN113591791A (zh) * | 2021-08-16 | 2021-11-02 | 郑州大学 | 基于自学习人工智能的肺癌自动化识别系统 |
CN114170137A (zh) * | 2021-11-05 | 2022-03-11 | 成都理工大学 | 一种辣椒病害识别方法、识别系统、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101891A (zh) | 一种融合人工智能的水稻病虫害检测系统及其检测方法 | |
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
Arivazhagan et al. | Mango leaf diseases identification using convolutional neural network | |
CN106778902B (zh) | 基于深度卷积神经网络的奶牛个体识别方法 | |
CN110046631B (zh) | 用于自动推断时空图像的变化的系统和方法 | |
CN107437092B (zh) | 基于三维卷积神经网络的视网膜oct图像的分类方法 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
CN107330892A (zh) | 一种基于随机森林法的向日葵病害识别方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN110956212A (zh) | 一种基于视觉特征融合的打叶质量检测方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
Pinto et al. | Crop disease classification using texture analysis | |
Behera et al. | Automatic classification of mango using statistical feature and SVM | |
Zhou et al. | Research on cucumber downy mildew detection system based on SVM classification algorithm | |
Bukhari et al. | Assessing the impact of segmentation on wheat stripe rust disease classification using computer vision and deep learning | |
Kumar et al. | Automatic leaf disease detection and classification using hybrid features and supervised classifier | |
CN109166127B (zh) | 一种可穿戴式植物表型感知系统 | |
CN113077452B (zh) | 基于dnn网络和斑点检测算法的苹果树病虫害检测方法 | |
Lee et al. | Intelligent classification methods of grain kernels using computer vision analysis | |
Patil | Pomegranate fruit diseases detection using image processing techniques: a review | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
Ji et al. | Apple color automatic grading method based on machine vision |
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 |
Application publication date: 20181228 |
|
WD01 | Invention patent application deemed withdrawn after publication |