CN109255370B - 一种基于pauc算法的农田智能喷药方法 - Google Patents
一种基于pauc算法的农田智能喷药方法 Download PDFInfo
- Publication number
- CN109255370B CN109255370B CN201810946392.9A CN201810946392A CN109255370B CN 109255370 B CN109255370 B CN 109255370B CN 201810946392 A CN201810946392 A CN 201810946392A CN 109255370 B CN109255370 B CN 109255370B
- Authority
- CN
- China
- Prior art keywords
- plant
- vector
- crop
- iteration
- weed
- 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.)
- Active
Links
- 238000005507 spraying Methods 0.000 title claims abstract description 34
- 239000000575 pesticide Substances 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 109
- 241000196324 Embryophyta Species 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000003814 drug Substances 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 208000005374 Poisoning Diseases 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000447 pesticide residue Substances 0.000 description 2
- 231100000572 poisoning Toxicity 0.000 description 2
- 230000000607 poisoning effect Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000010914 pesticide waste Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PAUC算法的农田智能喷药方法，包括：S1、将农作物图像解析为包含植物特征向量的数据集；S2、初始化第T次迭代的预测模型w、杂草特征向量集合S+、农作物特征向量集合S‑，其中，T＝1；S3、基于数据集内植物特征向量与预设的农作物信息将数据集内植物特征向量划分至S+或S‑；S4、基于数据集内植物特征向量计算得到第T次迭代的自适应梯度；S5、通过第T次迭代的自适应梯度更新w；S6、令T＝T+1，执行步骤S3，直到T＞Tmax，得到全局预测模型
S7、通过
从目标植物图像筛选出杂草，并对杂草进行农药喷洒。
Description
技术领域
本发明涉及统计学习分类技术领域，尤其涉及一种基于PAUC算法的农田智能喷药方法。
背景技术
当今社会日新月异，科学技术的不断进步使人们的生活更加便利，农业作为国民经济的基础，其智能化的推进势在必行。农业智能化不仅能够有效改善农业生态环境，而且可以显著提高农业生产经营效率。相应地，智能喷药在农业智能化的推进过程中具有重要意义。
当前，人们通常采用大容量、雨淋式、全覆盖的方法给农作物喷药。但人工喷药通常难以避免以下弊端：1、整个作业环境都弥漫农药，极易造成施药人员中毒；2、人工喷药易造成喷药不均，对杂草喷药并无针对性，药物利用率低，易造成农药浪费；3、喷药效率较低，人工喷药需耗费较大的人力及时间。而当前已经存在的自动喷药设备仍无法避免喷药不合理、操作复杂以及药物浪费的缺点。究其原因，即为无法实时的识别出杂草进行针对性的喷洒，而PAUC(partial area under curve)评估标准，能很好的度量不平衡二分类算法的整体性能，同时其原理在分类领域具有重要意义，因此在机器学习中受到广泛关注。因此，本发明提出了一种基于在线PAUC分类算法的农田智能喷药方法。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于PAUC算法的农田智能喷药方法；
本发明提出的一种基于PAUC算法的农田智能喷药方法，包括：
S1、将农作物图像解析为包含植物特征向量的数据集；
S2、初始化第T次迭代的预测模型w、杂草特征向量集合S+、农作物特征向量集合S-，其中，T＝1；
S3、基于数据集内第T株植物的特征向量与预设的农作物信息将数据集内植物特征向量划分至S+或S-；
S4、基于数据集内植物特征向量计算得到第T次迭代的自适应梯度；
S5、通过第T次迭代的自适应梯度更新w；
S6、令T＝T+1，执行步骤S3，直到T＞Tmax，得到全局预测模型
S7、通过
从目标植物图像筛选出杂草，并对杂草进行农药喷洒。
优选地，步骤S1，具体包括：
将农作物图像解析为包含植物特征向量的数据集，记为
xi表示第i株植物的特征向量，xi∈Rd，Rd表示实数的d维空间，d表示植物信息包含的特征个数，yi表示植物的类别，且yi∈{+1,-1}，当yi＝+1时，表示第i株植物xi为杂草，当yi＝-1时，表示第i株植物xi为农作物，1≤i≤n。
优选地，步骤S2，具体包括：
定义迭代次数T＝1，最大迭代次数为Tmax，迭代过程中的排序间隔数为k，杂草特征向量集合S+、农作物特征向量集合S-，S+与S-大小为N的空集合，第T次迭代的预测模型w为一个d维的零向量wT。
优选地，步骤S3，具体包括：
S31、将第T株植物的特征向量xT与预设的农作物信息进行对比，当判定xT为杂草特征向量时，执行步骤S32；否则，执行步骤S34；
S32、当前S+集合中杂草特征向量的数目N+小于N时，将xT放入S+中，记录S+中N+＝N++1，若N+＝N，则随机将杂草特征向量集合中一株杂草特征向量删除，将xT存入集合S+中；
S33、计算杂草整体特征向量
将识别出的杂草特征向量xT与农作物整体特征向量xpos求差计算得到第T次迭代过程中植物特征向量x*＝xT-xneg，执行S4，其中，xpos为d维的零向量；
S34、当前S-集合中农作物特征向量的数目N-小于N时，将xT放入S-中，记录S-中N-＝N-+1，计算农作物整体信息特征向量
执行步骤S4，其中，xneg为d维的零向量；当前S-集合中农作物特征向量的数目N-＝N，则判断xT是否大于集合S-中的最小的农作物特征向量，仅当xT大于集合S-中的最小值时，使用xT替换S-中的最小的农作物特征向量；
S35、计算t＝Tmodk，判断t＝0是否成立，若成立，则执行步骤S36；否则，执行步骤S38；
S36、计算第T次迭代时第j个农作物信息
的决策函数值
得到第T次迭代农作物信息对应的决策函数集合
S37、对
降序排序，并取出前
个决策函数值对应的农作物向量特征，其中，β为阈值；
S38、将
个农作物特征向量代入
中计算得到农作物整体信息特征向量；
S39、将本次迭代识别出的农作物特征向量xT与杂草整体特征信息向量xpos进行求差计算，得到第T次迭代的植物特征向量x*＝xpos-xT，执行步骤S4。
优选地，步骤S4，具体包括：
S41、定义损失函数l(wT,x*)＝max{0,1-wT·x*}；
S42、对l(wT,x*)求偏导，利用随机梯度下降法得到第T次迭代的梯度gT；
S43、对前T次迭代的梯度求二范数的平方vT，得到第T次迭代的自适应步长
其中ξ1和ξ2为常数；
S44、通过结合第T次迭代的自适应步长
通过
更新第T次迭代的梯度gT，得到更新后的第T次迭代的自适应梯度
优选地，步骤S5，具体包括：通过
更新第T次迭代的预测模型wT。
本发明使用在线分类算法进行迭代处理，每次只需要接收并处理一个训练样本，以此更新分类模型，其仅需保留对构建分类模型有用的部分信息或者部分具有训练意义的样本，其他的信息全部抛弃，并在训练过程中能够实时更新分类模型，进而高效的识别出杂草进行针对性的农药喷洒，因此非常适用于农药喷洒的场景在迭代训练过程中，使用杂草与农作物信息特征向量的差值得到的新的迭代训练特征向量参与迭代，避免了单个植物信息对预测模型的干扰，从而保证了每一次的迭代过程对于预测模型的优化都有意义，利用PAUC算法能够快速实时的识别出当前的杂草，同时随着喷药过程的不断进行其对杂草的识别率将越来越高，然后对杂草进行针对性的喷药操作，避免了农药的过度使用造成的农作物药物残留；减少了喷药过程中农药弥漫的程度，降低了工作人员中毒的风险。
附图说明
图1为本发明提出的一种基于PAUC算法的农田智能喷药方法的流程示意图。
具体实施方式
参照图1，本发明提出的一种基于PAUC算法的农田智能喷药方法，包括：
步骤S1，将农作物图像解析为包含植物特征向量的数据集，具体包括：将农作物图像解析为包含植物特征向量的数据集，记为
xi表示第i株植物的特征向量，xi∈Rd，Rd表示实数的d维空间，d表示植物信息包含的特征个数，yi表示植物的类别，且yi∈{+1,-1}，当yi＝+1时，表示第i株植物xi为杂草，当yi＝-1时，表示第i株植物xi为农作物，1≤i≤n。
在具体方案中，可以通过摄像头实时拍摄农作物图像，对农作物图像进行图像处理，解析为包含植物特征向量的数据集，植物特征向量对应的植物特征信息包括颜色、叶片长度、叶片形状、有无花朵、花朵颜色等等。
步骤S2，初始化第T次迭代的预测模型w、杂草特征向量集合S+、农作物特征向量集合S-，其中，T＝1，具体包括：
定义迭代次数T＝1，最大迭代次数为Tmax，迭代过程中的排序间隔数为k，杂草特征向量集合S+、农作物特征向量集合S-，S+与S-大小为N的空集合，第T次迭代的预测模型w为一个d维的零向量wT。
在具体方案中，定义迭代过程中的排序间隔数为k，引入参数k，对不相关信息特征向量采取间隔k次迭代过程排序一次的方式，进而大幅度的节省了迭代训练时间。
步骤S3，基于数据集内第T株植物的特征向量与预设的农作物信息将数据集内植物特征向量划分至S+或S-，具体包括：
S31、将第T株植物的特征向量xT与预设的农作物信息进行对比，当判定xT为杂草特征向量时，执行步骤S32；否则，执行步骤S34；
S32、当前S+集合中杂草特征向量的数目N+小于N时，将xT放入S+中，记录S+中N+＝N++1，若N+＝N，则随机将杂草特征向量集合中一株杂草特征向量删除，将xT存入集合S+中；
S33、计算杂草整体特征向量
将识别出的杂草特征向量xT与农作物整体特征向量xpos求差计算得到第T次迭代过程中植物特征向量x*＝xT-xneg，执行S4，其中，xpos为d维的零向量；
S34、当前S_集合中农作物特征向量的数目N_小于N时，将xT放入S_中，记录S_中N_＝N_+1，计算农作物整体信息特征向量
执行步骤S4，其中，xneg为d维的零向量；当前S_集合中农作物特征向量的数目N_＝N，则判断xT是否大于集合S_中的最小的农作物特征向量，仅当xT大于集合S-中的最小值时，使用xT替换S-中的最小的农作物特征向量；
S35、计算t＝Tmodk，判断t＝0是否成立，若成立，则执行步骤S36；否则，执行步骤S38；
S36、计算第T次迭代时第j个农作物信息
的决策函数值
得到第T次迭代农作物信息对应的决策函数集合
S37、对
降序排序，并取出前
个决策函数值对应的农作物向量特征，其中，β为阈值；
S38、将
个农作物特征向量代入
中计算得到农作物整体信息特征向量；
S39、将本次迭代识别出的农作物特征向量xT与杂草整体特征信息向量xpos进行求差计算，得到第T次迭代的植物特征向量x*＝xpos-xT，执行步骤S4。
步骤S4，基于数据集内植物特征向量计算得到第T次迭代的自适应梯度，具体包括：
S41、定义损失函数l(wT,x*)＝max{0,1-wT·x*}；
S42、对l(wT,x*)求偏导，利用随机梯度下降法得到第T次迭代的梯度gT；
S43、对前T次迭代的梯度求二范数的平方vT，得到第T次迭代的自适应步长
其中ξ1和ξ2为常数；
S44、通过结合第T次迭代的自适应步长
通过
更新第T次迭代的梯度gT，得到更新后的第T次迭代的自适应梯度
步骤S5，通过第T次迭代的自适应梯度更新w，具体包括：通过
更新第T次迭代的预测模型wT。
步骤S6，令T＝T+1，执行步骤S3，直到T＞Tmax，得到全局预测模型
在具体方案中，在线分类算法进行迭代处理，每次只需要接收并处理一个训练样本，以此更新分类模型。在这个过程中，其仅需保留对构建分类模型有用的部分信息或者部分具有训练意义的样本，其他的信息全部抛弃，并在训练过程中能够实时更新分类模型。
步骤S7，通过
从目标植物图像筛选出杂草，并对杂草进行农药喷洒。
在具体方案中，利用PAUC算法能够快速实时的识别出当前的杂草，同时随着喷药过程的不断进行其对杂草的识别率将越来越高，然后对杂草进行针对性的喷药操作，避免了农药的过度使用造成的农作物药物残留；减少了喷药过程中农药弥漫的程度，降低了工作人员中毒的风险。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于PAUC算法的农田智能喷药方法，其特征在于，包括：
S1、将农作物图像解析为包含植物特征向量的数据集；
S2、初始化第T次迭代的预测模型w、杂草特征向量集合S+、农作物特征向量集合S-，其中，T＝1；
S3、基于数据集内第T株植物的特征向量与预设的农作物信息将数据集内植物特征向量划分至S+或S-；
S4、基于数据集内植物特征向量计算得到第T次迭代的自适应梯度；
S5、通过第T次迭代的自适应梯度更新w；
S6、令T＝T+1，执行步骤S3，直到T＞Tmax，得到全局预测模型
S7、通过
从目标植物图像筛选出杂草，并对杂草进行农药喷洒；
其中，步骤S1，具体包括：
将农作物图像解析为包含植物特征向量的数据集，记为
xi表示第i株植物的特征向量，xi∈Rd，Rd表示实数的d维空间，d表示植物信息包含的特征个数，yi表示植物的类别，且yi∈{+1,-1}，当yi＝+1时，表示第i株植物xi为杂草，当yi＝-1时，表示第i株植物xi为农作物，1≤i≤n；
其中，步骤S2，具体包括：
定义迭代次数T＝1，最大迭代次数为Tmax，迭代过程中的排序间隔数为k，杂草特征向量集合S+、农作物特征向量集合S-，S+与S-大小为N的空集合，第T次迭代的预测模型w为一个d维的零向量wT；
其中，步骤S3，具体包括：
S31、将第T株植物的特征向量xT与预设的农作物信息进行对比，当判定xT为杂草特征向量时，执行步骤S32；否则，执行步骤S34；
S32、当前S+集合中杂草特征向量的数目N+小于N时，将xT放入S+中，记录S+中N+＝N++1，若N+＝N，则随机将杂草特征向量集合中一株杂草特征向量删除，将xT存入集合S+中；
S33、计算杂草整体特征向量
将识别出的杂草特征向量xT与农作物整体特征向量xpos求差计算得到第T次迭代过程中植物特征向量x*＝xT-xpos，执行S4，其中，xpos为d维的零向量；
S34、当前S-集合中农作物特征向量的数目N-小于N时，将xT放入S-中，记录S-中N-＝N-+1，计算农作物整体信息特征向量
执行步骤S4，其中，xneg为d维的零向量；当前S-集合中农作物特征向量的数目N-＝N，则判断xT是否大于集合S-中的最小的农作物特征向量，仅当xT大于集合S-中的最小值时，使用xT替换S-中的最小的农作物特征向量；
S35、计算t＝Tmodk，判断t＝0是否成立，若成立，则执行步骤S36；否则，执行步骤S38；
S36、计算第T次迭代时第j个农作物信息
的决策函数值
得到第T次迭代农作物信息对应的决策函数集合
S37、对
降序排序，并取出前
个决策函数值对应的农作物向量特征，其中，β为阈值；
S38、将
个农作物特征向量代入
中计算得到农作物整体信息特征向量；
S39、将本次迭代识别出的农作物特征向量xT与杂草整体特征信息向量xpos进行求差计算，得到第T次迭代的植物特征向量x*＝xpos-xT，执行步骤S4；
其中，步骤S4，具体包括：
S41、定义损失函数l(wT,x*)＝max{0,1-wT·x*}；
S42、对l(wT,x*)求偏导，利用随机梯度下降法得到第T次迭代的梯度gT；
S43、对前T次迭代的梯度求二范数的平方vT，得到第T次迭代的自适应步长
其中ξ1和ξ2为常数；
S44、通过结合第T次迭代的自适应步长
通过
更新第T次迭代的梯度gT，得到更新后的第T次迭代的自适应梯度
其中，步骤S5，具体包括：通过
更新第T次迭代的预测模型wT。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810946392.9A CN109255370B (zh) | 2018-08-20 | 2018-08-20 | 一种基于pauc算法的农田智能喷药方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810946392.9A CN109255370B (zh) | 2018-08-20 | 2018-08-20 | 一种基于pauc算法的农田智能喷药方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109255370A CN109255370A (zh) | 2019-01-22 |
| CN109255370B true CN109255370B (zh) | 2021-07-27 |
Family
ID=65049420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810946392.9A Active CN109255370B (zh) | 2018-08-20 | 2018-08-20 | 一种基于pauc算法的农田智能喷药方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109255370B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110178605B (zh) * | 2019-06-28 | 2021-03-30 | 重庆文理学院 | 一种针对猕猴桃叶片病害的精准农药自动喷洒系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1945601A (zh) * | 2005-10-08 | 2007-04-11 | 中国农业机械化科学研究院 | 一种自动识别田间杂草的方法与喷药装置 |
| CN107103071A (zh) * | 2017-04-21 | 2017-08-29 | 安徽大学 | 一种基于直接优化pauc算法的新闻信息分类方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010016053A1 (en) * | 1997-10-10 | 2001-08-23 | Monte A. Dickson | Multi-spectral imaging sensor |
| CA3008170A1 (en) * | 2015-12-30 | 2017-07-06 | Adamas Pharmaceuticals, Inc. | Methods and compositions for the treatment of seizure-related disorders |
-
2018
- 2018-08-20 CN CN201810946392.9A patent/CN109255370B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1945601A (zh) * | 2005-10-08 | 2007-04-11 | 中国农业机械化科学研究院 | 一种自动识别田间杂草的方法与喷药装置 |
| CN107103071A (zh) * | 2017-04-21 | 2017-08-29 | 安徽大学 | 一种基于直接优化pauc算法的新闻信息分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109255370A (zh) | 2019-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arya et al. | Deep learning: As the new frontier in high-throughput plant phenotyping | |
| Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
| CN111369540B (zh) | 基于掩码卷积神经网络的植物叶片病害识别方法 | |
| Horng | Multilevel minimum cross entropy threshold selection based on the honey bee mating optimization | |
| Horng | A multilevel image thresholding using the honey bee mating optimization | |
| Rathore et al. | Automatic rice plant disease recognition and identification using convolutional neural network | |
| Adem et al. | A sugar beet leaf disease classification method based on image processing and deep learning | |
| Wang et al. | Diseases detection of occlusion and overlapping tomato leaves based on deep learning | |
| SS et al. | A hybrid intelligent system for automated pomegranate disease detection and grading | |
| CN112232387B (zh) | 基于lselm-rfe的粮食作物病害症状的有效特征识别方法 | |
| CN115115830A (zh) | 一种基于改进Transformer的家畜图像实例分割方法 | |
| Lauguico et al. | Machine vision-based prediction of lettuce phytomorphological descriptors using deep learning networks | |
| CN109255370B (zh) | 一种基于pauc算法的农田智能喷药方法 | |
| Tamvakis et al. | Semantic image segmentation with deep learning for vine leaf phenotyping | |
| Menezes et al. | Pseudo-label semi-supervised learning for soybean monitoring | |
| CN109002853A (zh) | 农作物种类与病虫害类型的联合识别方法及装置 | |
| Toskova et al. | DCNN against Wheat Weeds | |
| Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
| Lu et al. | Joint crop and tassel segmentation in the wild | |
| Li et al. | Weed identification based on shape features and ant colony optimization algorithm | |
| Gunes et al. | Classification of hazelnuts with CNN based deep learning system | |
| Wang et al. | Strawberry ripeness classification method in facility environment based on red color ratio of fruit rind | |
| Yuan et al. | PestDSS: An Integrated Decision Support System for Sustainable Pest Management in Agriculture | |
| Ajayi et al. | Drone-Based Crop Type Identification with Convolutional Neural Networks: AN Evaluation of the Performance of Resnet Architectures | |
| Vijay et al. | DV-PSO-Net: A novel deep mutual learning model with Heuristic search using Particle Swarm optimization for Mango leaf disease detection |
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 |