CN109344738A - 农作物病虫草害识别方法及装置 - Google Patents
农作物病虫草害识别方法及装置 Download PDFInfo
- Publication number
- CN109344738A CN109344738A CN201811061757.6A CN201811061757A CN109344738A CN 109344738 A CN109344738 A CN 109344738A CN 201811061757 A CN201811061757 A CN 201811061757A CN 109344738 A CN109344738 A CN 109344738A
- Authority
- CN
- China
- Prior art keywords
- crops
- crop
- pest
- picture
- diseases
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明公开了一种农作物病虫草害识别方法及装置,该方法包括:利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型,利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型,根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。本发明利用神经网络模型识别农作物病虫草害,根据农作物生理期挑选符合预定条件的农作物病虫草害,可以提高农作物病虫草害识别的准确率和识别的效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及农作物病虫草害识别方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
农作物在生长过程中,常常受到疾病、害虫等的困扰,若放任不管或者进行不合理的管理,会对农作物造成不可逆转的影响,从而影响农作物的寿命。因此,在农作物生长过程中,对农作物的病虫草害进行监测和识别就显得非常重要。
传统的农作物病虫草害的识别一般采用人工识别病虫草害的方式,即利用专业的园艺人员或者技术专家对农作物的病虫草害进行判断,此种识别方式严重依赖园艺人员或者技术专家的知识和经验,因此,存在较大的主观性和局限性,容易造成农作物病虫草害识别的不准确;另外,利用人工识别农作物的病虫草害同样也会降低识别的效率。
因此,现有农作物病虫草害的识别存在准确率低、效率低的问题。
发明内容
本发明实施例提供一种农作物病虫草害识别方法,用以提高农作物病虫草害识别的准确率和效率,该方法包括:
利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型;
利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型;
根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
本发明实施例还提供一种农作物病虫草害识别装置,用以提高农作物病虫草害识别的准确率和效率,该装置包括:
第一识别模块,用于利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型;
第二识别模块,用于利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型;
识别结果确定模块,用于根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
本发明实施例中,利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型,利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型,根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。本发明实施例利用神经网络模型识别农作物病虫草害,根据农作物生理期挑选符合预定条件的农作物病虫草害,可以提高农作物病虫草害识别的准确率和识别的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例提供的农作物病虫草害识别方法的流程图;
图2为本发明实施例提供的训练农作物第一识别模型的流程图;
图3为本发明实施例提供的训练农作物第一识别模型的另一流程图;
图4为本发明实施例提供的训练农作物第二识别模型的流程图;
图5为本发明实施例提供的训练农作物第二识别模型的另一流程图;
图6为本发明实施例提供的农作物病虫草害识别装置的功能模块图;
图7为本发明实施例提供的农作物病虫草害识别装置的另一功能模块图;
图8为本发明实施例提供的农作物病虫草害识别装置的再一功能模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
图1示出了本发明实施例提供的农作物病虫草害识别方法的实现流程,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
如图1所示,农作物病虫草害识别方法,其包括:
步骤101,利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型;
步骤102,利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型;
步骤103,根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
在本发明实施例中,可以通过移动终端,例如智能手机、平板电脑等采集受到病虫草害影响的农作物区域的农作物图片,或者也可以通过图像获取装置,例如照相机或者摄像机等采集受到病虫草害影响的农作物图片,又或者可以从互联网中搜集、获取受到病虫草害影响的农作物图片。为了提高农作物病虫草害的识别效率,可以提前搜集受到病虫草害影响的农作物区域的农作物图片形成数据集,并从所述数据集中获取所述农作物图片,以对农作物区域的农作物病虫草害进行识别。
为了进一步的提高农作物病虫草害的识别准确率和识别效率,所述农作物图片的分辨率大于或者等于预设分辨率。其中,所述预设分辨率为预先设置的分辨率,例如可以设置预设分辨率为350PPI(英文全称:Pixels Per Inch,表示每英寸所拥有的像素数目),也可以设置所述分别率为其他分辨率,例如426PPI。
另外,农作物第一识别模型和农作物第二识别模型为预先训练好的模型,农作物第一识别模型和农作物第二识别模型的具体训练过程,请参见下述实施例(图2至图5所示实施例)的描述,此处不再赘述。其中,农作物第一识别模型和农作物第二识别模型均为神经网络模型,神经网络(Neural Networks,简称NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络模型是以神经元的数学模型为基础来描述的,由网络拓扑节点和学习规则来表示。利用神经网络模型识别农作物的种类和生理期,以及农作物病虫草害,可以提高农作物病虫草害识别的准确率和效率。
在进一步的实施例中,所述神经网络模型包括卷积神经网络模型和残差网络模型。
卷积神经网络模型为深度前馈神经网络,其利用卷积核扫描农作物图片,提取出农作物图片中待识别的特征,进而对农作物待识别的特征进行识别。另外,在对农作物图片进行识别的过程中,可以直接将原始农作物图片输入卷积神经网络模型,而无需对农作物图片进行预处理。卷积神经网络模型相比于其他的识别模型,具备更高的识别准确率以及识别效率。
残差网络模型相比于卷积神经网络模型多了恒等映射层,可以避免随着网络深度(网络中叠层的数量)的增加,卷积神经网络造成的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足:恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后,残差网络模型对输出的变化更加明显,因此可以大大提高农作物生理期识别的识别准确率和识别效率,进而提高农作物病虫草害的识别准确率和识别效率。
所述农作物生理期为农作物的生长阶段,主要包括植株幼苗期、植株生长期以及植株成熟期等。农作物在不同的生理期会受到不同类型的病虫草害的影响。因此,识别农作物的生理期有利于提高农作物病虫草害的识别。另外,在利用农作物第一识别模型识别农作物生理期的同时,还利用农作物第一识别模型识别农作物的种类,即通过农作物第一识别模型识别出农作物的种类和生理期。在利用农作物第一识别模型识别农作物的种类和生理期后,进一步的利用农作物第二识别模型识别农作物图片中农作物病虫草害,利用神经网络模型识别农作物病虫草害,可以大大提高农作物病虫草害的识别准确率和识别效率。
农作物在不同的生理期会受到不同病虫草害的影响。例如,在茄果类、瓜类以及芹菜等的植株幼苗期较容易发生立枯病和猝倒病,以及土蚕、蝼蛄、白地蚕以及金针虫等虫害;在茄果类、瓜类以及芹菜等的植株生长期较容易发生霜霉病、黑星病等,以及小菜蛾、菜青虫等虫害;在茄果类、瓜类以及芹菜等的植株成熟期较容易发生瓜果枯萎病、早疫病和果实灰霉病等,以及大青叶蝉、食心虫类等虫害。
所述预定条件为预先设定的条件,例如可以将所述预定条件设置为符合农作物生理期的条件。根据农作物的生理期,可以将不符合生理期条件的病虫草害剔除出去,从而将剔除后剩余的病虫草害确定为农作物病虫草害的识别结果。举例而言,假设通过农作物第一识别模型识别出农作物的生理期为生长期,通过农作物第二识别模型识别出农作物的病虫草害包括A、B、C以及D四种病虫草害,又根据农作物所属的生理期(生长期),确定病虫草害C为不可能在农作物的生长期发生的病虫草害,则根据农作物的生理期将病虫草害C剔除,确定病虫草害A、病虫草害B、以及病虫草害D为农作物的病虫草害。
在本发明实施例中,利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型,利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型,根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。本发明实施例利用神经网络模型识别农作物病虫草害,根据农作物生理期挑选符合预定条件的农作物病虫草害,可以提高农作物病虫草害识别的准确率和识别的效率。
在进一步的实施例中,为了进一步的提高农作物病虫草害的识别准确率和识别效率,所述农作物病虫草害识别方法还包括:
根据气象信息从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
所述气象信息为受到病虫草害影响的农作物区域的气象信息,包括以下一种或者多种:温度、湿度、降雨量以及光照等,其中光照主要包括光照强度、光照周期等。另外,农作物还容易受到气流(即风)的影响。气象信息与农作物受到的病虫草害息息相关,农作物在不同的气象信息条件下,会受到不同病虫草害的影响。例如,麦芽是危害麦类农作物的同翅目蚜虫科的统称,主要有麦长管蚜、黍蚜、玉米蚜和麦二叉蚜等4种。麦蚜一般以温度15℃~25℃、相对湿度在75%以下为适宜的温、湿度组合范围,在上述的温湿度气象信息条件下,麦类农作物就较容易发生麦芽的病虫草害。再例如,玉米螟属鳞翅目、螟蛾科,其喜高温高湿,在温度大于25℃,相对湿度超过60%时,非常利用玉米螟的形成和发生。另外,玉米螟也会受到暴雨导致的较大降雨量的严重影响。再例如,在15℃~25℃的温度范围内,苹果腐烂病很容易在苹果植株上发生。另外,光照也会影响农作物病虫草害,例如喜阴病虫草害和喜阳病虫草害会对光照具备不同的反应,光照强度、光照周期也会对农作物的病虫草害产生较大的影响。
在本发明实施例中,还可以将所述预定条件设置为符合气象信息的条件。根据气象信息,可以将不符合气象信息的病虫草害剔除出去,从而将剔除后剩余的病虫草害确定为农作物病虫草害的识别结果。举例而言,假设通过农作物第一识别模型识别出农作物的生理期为生长期,通过农作物第二识别模型识别出农作物的病虫草害包括A、B、C以及D四种病虫草害,又根据温湿度以及光照等气象条件,确定病虫草害C和病虫草害D为当前气象条件下不可能发生的病虫草害,则根据气象条件将病虫草害C和病虫草害D剔除,确定病虫草害A和病虫草害B为农作物的病虫草害。
在进一步的实施例中,为了进一步的提高农作物病虫草害的识别准确率和识别效率,所述农作物病虫草害识别方法还包括:
根据气象信息和农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
在本发明实施例中,还可以将所述预定条件设置为符合气象信息和农作物生理期的条件。根据气象信息和农作物的生理期,可以将不符合气象信息和生理期条件的病虫草害剔除出去,从而将剔除后剩余的病虫草害确定为农作物病虫草害的识别结果。举例而言,假设通过农作物第一识别模型识别出农作物的生理期为生长期,通过农作物第二识别模型识别出农作物的病虫草害包括A、B、C以及D四种病虫草害,又根据温湿度以及光照等气象条件,确定病虫草害C为当前气象条件下不可能发生的病虫草害,另外,又确定病虫草害D为不可能在农作物的生长期发生的病虫草害,则根据气象条件和农作物的生理期将病虫草害C和D剔除,确定病虫草害A和病虫草害B为农作物的病虫草害。
在进一步的实施例中,为了提高农作物病虫草害识别的准确率,所述农作物病虫草害识别方法还包括:
根据农作物病虫草害识别结果中病虫草害的概率值,从大到小对病虫草害进行排序;
将排在前面的预设个数的病虫草害确定为农作物的病虫草害;或
将概率值大于或者等于预设概率值的病虫草害确定为农作物的病虫草害。
在本发明实施例中,利用农作物第二识别模型对农作物图片进行识别,可以得到识别的病虫草害的概率值。病虫草害的概率值表示农作物图片中的农作物受到该种病虫草害侵袭的可能性大小和程度。农作物病虫草害识别结果中的病虫草害可能包含一个病虫草害,也可能包含多个病虫草害。在农作物病虫草害识别结果中的病虫草害包含多个病虫草害的情况下,按照病虫草害概率值的大小,从大到小对农作物病虫草害识别结果中的病虫草害进行排序,并将排在前面的预设个数的病虫草害确定为农作物图片中农作物的病虫草害。或者将概率值大于或者等于预设概率值的病虫草害确定为农作物图片中农作物的病虫草害。
其中,所述预设个数为预先设定的个数,且预设个数小于或者等于农作物病虫草害识别结果中的病虫草害的总个数。例如,可以将所述预设个数预先设定为1个或者2个,本领域技术人员可以理解的是,还可以将所述预设个数设定为其他个数,例如可以将所述预设个数设定3个,本发明对此不做特别的限制。所述预设概率值为预先设定的概率值,例如,可以将所述预设概率值预先设定70%,或者可以将所述预设概率值预先设定为95%,本领域技术人员可以理解的是,还可以将所述预设概率值预先设定为其他概率值,例如,可以将所述预设概率值预先设定为98%等,本发明实施例对此并不做特别的限制。
举例而言,假设利用农作物第二识别模型识别出的农作物病虫草害识别结果包含五种病虫草害,分别为病虫草害A、病虫草害B、病虫草害C、病虫草害D以及病虫草害E,且得到的五种病虫草害的概率值依次为85%、70%、95%、50%以及98%。则按照五种病虫草害概率值的大小,即98%>95%>85%>70%>50%,对五种病虫草害进行排序,最终排序结果为病虫草害E、病虫草害C、病虫草害A、病虫草害B以及病虫草害D。假设预先设定的预设个数为2,则将排在前面的2个病虫草害所确定为农作物图片中农作物的病虫草害,即将病虫草害E和病虫草害C确定为农作物图片中农作物的病虫草害。假设预先设定的预设概率值为80%,则将概率值大于或者等于80%的病虫草害确定为农作物图片中农作物的病虫草害,即将病虫草害E、病虫草害C以及病虫草害A确定为农作物图片中农作物的病虫草害。
在进一步的实施例中,为了提高农作物病虫草害识别的准确率,所述农作物病虫草害识别方法还包括:对所述农作物图片进行预处理,所述预处理可以包括旋转、裁剪等处理,当然,本领域技术人员可以理解的是,预处理过程可以根据实际需要设置,例如还可以包括光照补偿等处理,本发明对此不作限定,相关的变化例均应落入本发明的保护范围。举例而言,当农作物图片中病虫草害区域的中心不在农作物图片的中心线上时,可以对农作物图片进行旋转,以使病虫草害区域的中心处在农作物图片的中心线上;当病虫草害区域占据农作物图片的比例较小时,可以对农作物图片进行裁剪,将包含病虫草害的区域裁剪出来以便于识别;在农作物图片的光照不甚理想的情况下,可以对农作物图片进行光照补偿。因此,对农作物图片进行旋转、裁剪以及光照补偿的预处理,可以进一步的提高农作物病虫草害的识别准确率。
在进一步的实施例中,为了进一步的提高农作物病虫草害识别结果的准确率,分别利用本发明上述实施例所述农作物病虫草害识别方法,对同一农作物不同部位的图片进行病虫草害的识别,所述方法还包括:
根据同一农作物不同部位图片的病虫草害识别结果,确定该同一农作物的病虫草害。
利用本发明上述实施例所述农作物病虫草害识别方法,分别对同一农作物不同部位图片的病虫草害进行识别,将识别结果所共同包含的病虫草害确定为同一农作物的病虫草害的识别结果。举例而言,假设同一农作物不同部位的图片分别包括植株茎部的农作物图片和植株叶部的农作物图片,利用本发明上述实施例所述农作物病虫草害识别方法,分别对植株茎部的农作物图片和植株叶部的农作物图片进行识别,对于植株茎部的农作物图片,识别出农作物包含病虫草害A、B以及C,而对于植株叶部的农作物图片,识别出农作物包含病虫草害A和C,则将病虫草害A和C确定为同一农作物的病虫草害的识别结果。
图2示出了本发明实施例提供的训练农作物第一识别模型的实现流程,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
在进一步的实施例中,为了进一步提高农作物病虫草害识别的准确率和效率,如图2所示,训练农作物第一识别模型,包括:
步骤201,获取预设数量的标注有农作物种类和生理期类别的农作物图片样本;
步骤202,从农作物图片样本中确定第一比例的图片作为训练集;
步骤203,利用训练集训练农作物第一识别模型;
步骤204,在准确率大于或者等于第一预设准确率时训练结束,得到训练后的农作物第一识别模型。
在本发明实施例中,可以通过移动终端、照相机或者摄像机等对受到病虫草害影响的农作物区域的农作物进行图像采集,或者通过互联网进行搜集、获取海量的农作物图片,形成农作物图片样本。预设数量为预先设置的农作物图片的数量,例如预先设置为10万张。另外,农作物图片样本中的农作物图片均标注有农作物的种类和农作物不同的生理期类别,例如不同的农作物种类和农作物的植株幼苗期、植株生长期以及成熟期等不同的生理期类别。
本发明实施例对训练集的第一比例不做特别的限制。例如,可以从农作物图片样本中确定70%的图片为训练集;也可以从农作物图片样本中确定60%的图片为训练集。本领域技术人员可以理解的是,还可以从农作物图片样本中确定50%的图片为训练集等。本发明实施例对训练集的图片数量也不做特别的限制。例如,假设农作物图片样本数量为10万张,可以从10万张农作物图片中确定7万张农作物图片为训练集,或者可以从10万张农作物图片中确定6万张农作物图片为训练集,本领域技术人员可以理解的是,可以从10万张农作物图片中确定5万张农作物图片为训练集等。之后利用获取的训练集训练农作物第一识别模型。
第一预设准确率为预先设置的准确率,可以根据实际需求设置。例如,在对农作物第一识别模型的准确率要求不高的情况下,可以将第一预设准确率设置为95%;在对农作物第一识别模型的准确率要求较高的情况下,可以将第一预设准确率设置为99%。也可以将第一预设准确率设置为其他的数值,此处不做特别的限制。在准确率大于或者等于第一预设准确率时训练结束,得到训练后的农作物第一识别模型。训练后的农作物第一识别模型,能够较好的实现对农作物种类和生理期的识别。
图3示出了本发明实施例提供的训练农作物第一识别模型的另一实现流程,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
在进一步的实施例中,为了进一步提高农作物病虫草害识别的准确率和效率,如图3所示,在上述图2的基础上,训练农作物第一识别模型,还包括:
步骤301,从农作物图片样本中确定第二比例的图片作为测试集;
步骤302,利用测试集对经过训练的农作物第一识别模型的准确率进行验证;
步骤303,在准确率小于第一预设准确率时,增加农作物图片样本的数量或调整训练集和测试集的比例重新训练。
本发明实施例对测试集的第二比例不做特别的限制。例如,可以从农作物图片样本中确定30%的图片为测试集;也可以从农作物图片样本中确定40%的图片为测试集。本领域技术人员可以理解的是,还可以从农作物图片样本中确定50%的图片为测试集等。本发明实施例对测试集的图片数量也不做特别的限制。例如,假设农作物图片样本数量为10万张,可以从10万张农作物图片中确定3万张农作物图片为测试集,或者可以从10万张农作物图片中确定4万张农作物图片为测试集,本领域技术人员可以理解的是,可以从10万张农作物图片中确定5万张农作物图片为测试集等。
在进一步的实施例中,训练集和测试集包括相同的农作物图片,或者包括不同的农作物图片,或者包括部分相同的农作物图片。训练集和测试集包括相同的农作物图片,即训练集和测试集为相同的集合,训练集即为测试集,测试集即为训练集。训练集和测试集包括不同的农作物图片时,在一实施例中,训练集和测试集的集合正好构成农作物图片样本。假设农作物图片样本为10万张,在训练集和测试集的集合构成农作物图片样本的情况下,假设训练集为7万张,则测试集为3万张;假设训练集为6万张,则测试集为4万张,亦或者训练集为5万张,则测试集为5万张。
在确定测试集后,利用测试集对经过训练的农作物第一识别模型的准确率进行验证,以判断训练的农作物第一识别模型是否合格。在准确率小于第一预设准确率的情况下,说明训练后的农作物第一识别模型不能够满足对于准确率的要求。因此,需要增加农作物图片样本的数量或调整训练集和测试集的比例,重新训练农作物第一识别模型,直到农作物第一识别模型的准确率满足要求。
在本发明实施例中,利用训练集训练农作物第一识别模型,在准确率大于或者等于第一预设准确率时训练结束,得到训练后的农作物第一识别模型;利用测试集对经过训练的农作物第一识别模型的准确率进行验证,在准确率小于第一预设准确率时,增加农作物图片样本的数量或调整训练集和测试集的比例重新训练。因此,可以提高农作物病虫草害的识别准确率。
图4示出了本发明实施例提供的训练农作物第二识别模型的实现流程,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
在进一步的实施例中,为了进一步提高农作物病虫草害识别的准确率和效率,如图4所示,训练农作物第二识别模型,包括:
步骤401,获取预设数量的标注有农作物病虫草害的农作物图片样本;
步骤402,从农作物图片样本中确定第一比例的图片作为训练集;
步骤403,利用训练集训练农作物第二识别模型;
步骤404,在准确率大于或者等于第二预设准确率时训练结束,得到训练后的农作物第二识别模型。
本发明实施例中,预设数量为预先设置的农作物图片的数量,农作物图片样本中的农作物图片均标注有农作物病虫草害,例如不同的农作物病虫草害类别。本发明实施例对训练集的第一比例不做特别的限制。例如,可以从农作物图片样本中确定70%的图片为训练集。本发明实施例对训练集的图片数量也不做特别的限制。例如,假设农作物图片样本数量为10万张,可以从10万张农作物图片中确定7万张农作物图片为训练集。之后利用获取的训练集训练农作物第二识别模型。
第二预设准确率为预先设置的准确率,可以根据实际需求设置。例如,在对农作物第二识别模型的准确率要求不高的情况下,可以将第二预设准确率设置为95%;在对农作物第二识别模型的准确率要求较高的情况下,可以将第二预设准确率设置为99%。也可以将第二预设准确率设置为其他的数值,此处不做特别的限制。在准确率大于或者等于第二预设准确率时训练结束,得到训练后的农作物第二识别模型。训练后的农作物第二识别模型,能够较好的实现对农作物病虫草害的识别。
图5出了本发明实施例提供的训练农作物第二识别模型的另一实现流程,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
在进一步的实施例中,为了进一步提高农作物病虫草害识别的准确率和效率,如图5所示,在上述图4的基础上,训练农作物第二识别模型,还包括:
步骤501,从农作物图片样本中确定第二比例的图片作为测试集;
步骤502,利用测试集对经过训练的农作物第二识别模型的准确率进行验证;
步骤503,在准确率小于第二预设准确率时,增加农作物图片样本的数量,或者调整训练集和测试集比例重新训练。
本发明实施例对测试集的比例不做特别的限制。例如,可以从农作物图片样本中确定30%的图片为测试集;也可以从农作物图片样本中确定40%的图片为测试集。本领域技术人员可以理解的是,还可以从农作物图片样本中确定50%的图片为测试集等。本发明实施例对测试集的图片数量也不做特别的限制。例如,假设农作物图片样本数量为10万张,可以从10万张农作物图片中确定3万张农作物图片为测试集,或者可以从10万张农作物图片中确定4万张农作物图片为测试集,本领域技术人员可以理解的是,可以从10万张农作物图片中确定5万张农作物图片为测试集等。
在进一步的实施例中,训练集和测试集包括相同的农作物图片,或者包括不同的农作物图片,或者包括部分相同的农作物图片。训练集和测试集包括相同的农作物图片,即训练集和测试集为相同的集合,训练集即为测试集,测试集即为训练集。训练集和测试集包括不同的农作物图片时,在一实施例中,训练集和测试集的集合正好构成农作物图片样本。假设农作物图片样本为10万张,在训练集和测试集的集合构成农作物图片样本的情况下,假设训练集为7万张,则测试集为3万张;假设训练集为6万张,则测试集为4万张,亦或者训练集为5万张,则测试集为5万张。
在确定测试集后,利用测试集对经过训练的农作物第二识别模型的准确率进行验证,以判断训练的农作物第二识别模型是否合格。在准确率小于第二预设准确率的情况下,说明训练后的农作物第二识别模型不能够满足对于准确率的要求。因此,需要增加农作物图片样本的数量或调整训练集和测试集的比例,重新训练农作物第二识别模型,直到农作物第二识别模型的准确率满足要求。
在本发明实施例中,利用训练集训练农作物第二识别模型,在准确率大于或者等于第二预设准确率时训练结束,得到训练后的农作物第二识别模型;利用测试集对经过训练的农作物第二识别模型的准确率进行验证,在准确率小于第二预设准确率时,增加农作物图片样本的数量,或者调整训练集和测试集比例重新训练。因此,可以提高农作物病虫草害的识别准确率。
本发明实施例中还提供了一种农作物病虫草害识别装置,如下面的实施例所述。由于这些装置解决问题的原理与农作物病虫草害识别方法相似,因此这些装置的实施可以参见方法的实施,重复之处不再赘述。
图6示出了本发明实施例提供的农作物病虫草害识别装置的功能模块,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
参考图6,所述农作物病虫草害识别装置所包含的各个模块用于执行图1对应实施例中的各个步骤,具体请参阅图1以及图1对应实施例中的相关描述,此处不再赘述。本发明实施例中,所述农作物病虫草害识别装置包括第一识别模块601、第二识别模块602以及识别结果确定模块603。
所述第一识别模块601,用于利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型。
所述第二识别模块602,用于利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型。
所述识别结果确定模块603,用于根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
在本发明实施例中,第一识别模块601利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型,第二识别模块602利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型,识别结果确定模块603根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。本发明实施例利用神经网络模型识别农作物病虫草害,根据农作物生理期挑选符合预定条件的农作物病虫草害,可以提高农作物病虫草害识别的准确率和识别的效率。
在进一步的实施例中,所述神经网络模型包括卷积神经网络模型和残差网络模型。
在进一步的实施例中,所述识别结果确定模块603,还用于根据气象信息从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。或者
所述识别结果确定模块603,还用于根据气象信息和农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
在进一步的实施例中,所述农作物病虫草害识别装置还包括预处理模块。
所述预处理模块,用于对所述农作物图片进行预处理,所述预处理包括旋转、裁剪、光照补偿。
图7示出了本发明实施例提供的农作物病虫草害识别装置的另一功能模块,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在进一步的实施例中,参考图7,所述农作物病虫草害识别装置所包含的各个模块用于执行图2对应实施例中的各个步骤,具体请参阅图2以及图2对应实施例中的相关描述,此处不再赘述。本发明实施例中,在图6所示模块的基础上,所述农作物病虫草害识别装置还包括第一样本获取模块701、第一训练集确定模块702、第一训练模块703以及第一识别模型确定模块704。
所述第一样本获取模块701,用于获取预设数量的标注有农作物种类和生理期类别的农作物图片样本。
所述第一训练集确定模块702,用于从农作物图片样本中确定第一比例的图片作为训练集。
所述第一训练模块703,用于利用训练集训练农作物第一识别模型。
所述第一识别模型确定模块704,用于在准确率大于或者等于第一预设准确率时训练结束,得到训练后的农作物第一识别模型。
图8示出了本发明实施例提供的农作物病虫草害识别装置的再一功能模块,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在进一步的实施例中,参考图8,所述农作物病虫草害识别装置所包含的各个模块用于执行图3对应实施例中的各个步骤,具体请参阅图3以及图3对应实施例中的相关描述,此处不再赘述。本发明实施例中,在上述图7所示模块的基础上,所述农作物病虫草害识别装置还包括第一测试集确定模块801、第一验证模块802以及第一调整模块803。
所述第一测试集确定模块801,用于从农作物图片样本中确定第二比例的图片作为测试集。
所述第一验证模块802,用于利用测试集对经过训练的农作物第一识别模型的准确率进行验证。
所述第一调整模块803,用于在准确率小于第一预设准确率时,增加农作物图片样本的数量或调整训练集和测试集的比例重新训练。
在本发明实施例中,第一训练模块703利用训练集训练农作物第一识别模型,第一识别模型确定模块704在准确率大于或者等于第一预设准确率时训练结束,得到训练后的农作物第一识别模型;第一验证模块802利用测试集对经过训练的农作物第一识别模型的准确率进行验证,第一调整模块803在准确率小于第一预设准确率时,增加农作物图片样本的数量或调整训练集和测试集的比例重新训练。因此,可以提高农作物病虫草害的识别准确率。
在进一步的实施例中,所述农作物病虫草害识别装置还包括第二样本获取模块、第二训练集确定模块、第二训练模块以及第二识别模型确定模块。本发明实施例所包含的各个模块用于执行图4对应实施例中的各个步骤,具体请参阅图4以及图4对应实施例中的相关描述,此处不再赘述。
所述第二样本获取模块,用于获取预设数量的标注有农作物病虫草害的农作物图片样本。
所述第二训练集确定模块,用于从农作物图片样本中确定第一比例的图片作为训练集。
所述第二训练模块,用于利用训练集训练农作物第二识别模型。
所述第二识别模型确定模块,用于在准确率大于或者等于第二预设准确率时训练结束,得到训练后的农作物第二识别模型。
在进一步的实施例中,所述农作物病虫草害识别装置还包括第二测试集确定模块、第二验证模块以及第二调整模块。本发明实施例所包含的各个模块用于执行图5对应实施例中的各个步骤,具体请参阅图5以及图5对应实施例中的相关描述,此处不再赘述。
所述第二测试集确定模块,用于从农作物图片样本中确定第二比例的图片作为测试集。
所述第二验证模块,用于利用测试集对经过训练的农作物第二识别模型的准确率进行验证。
所述第二调整模块,用于在准确率小于第二预设准确率时,增加农作物图片样本的数量,或者调整训练集和测试集比例重新训练。
在本发明实施例中,第二训练模块利用训练集训练农作物第二识别模型,第二识别模型确定模块在准确率大于或者等于第二预设准确率时训练结束,得到训练后的农作物第二识别模型;第二验证模块利用测试集对经过训练的农作物第二识别模型的准确率进行验证,第二调整模块在准确率小于第二预设准确率时,增加农作物图片样本的数量,或者调整训练集和测试集比例重新训练。因此,可以提高农作物病虫草害的识别准确率。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述农作物病虫草害识别方法。所述计算机设备可以是移动终端,例如智能手机、智能平板电脑以及掌上电脑PDA(英文全称:Personal Digital Assistant))等手持式终端。移动终端还可以包括摄像头,便于农业技术人员利用移动终端的摄像头获取受到病虫草害影响的农作物植株的图像,进而利用移动终端中农作物病虫草害的识别装置,对农作物的病虫草害进行识别,增加了病虫草害识别的便携性和效率。另外,移动终端还可以包括用于显示识别结果的显示屏等,以便于及时查看识别结果。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述农作物病虫草害识别方法的计算机程序。
综上所述,本发明实施例利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型,利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型,根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。本发明实施例利用神经网络模型识别农作物病虫草害,根据农作物生理期挑选符合预定条件的农作物病虫草害,可以提高农作物病虫草害识别的准确率和识别的效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种农作物病虫草害识别方法,其特征在于,包括:
利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型;
利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型;
根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
2.如权利要求1所述的方法,其特征在于,所述神经网络模型包括卷积神经网络模型或残差网络模型。
3.如权利要求1所述的方法,其特征在于,还包括:
根据气象信息从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果;或者
根据气象信息和农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
4.如权利要求1所述的方法,其特征在于,还包括:
根据农作物病虫草害识别结果中病虫草害的概率值,从大到小对病虫草害进行排序;
将排在前面的预设个数的病虫草害确定为农作物的病虫草害;或
将概率值大于或者等于预设概率值的病虫草害确定为农作物的病虫草害。
5.如权利要求1所述的方法,其特征在于,对同一农作物不同部位的图片,分别执行权利要求1所述方法;
根据同一农作物不同部位图片的病虫草害识别结果,确定该同一农作物的病虫草害。
6.如权利要求1所述的方法,其特征在于,训练农作物第一识别模型的过程包括:
获取预设数量的标注有农作物种类和生理期类别的农作物图片样本;
从农作物图片样本中确定第一比例的图片作为训练集;
利用训练集训练农作物第一识别模型;
在准确率大于或者等于第一预设准确率时训练结束,得到训练后的农作物第一识别模型。
7.如权利要求6所述的方法,其特征在于,还包括:
从农作物图片样本中确定第二比例的图片作为测试集;
利用测试集对经过训练的农作物第一识别模型的准确率进行验证;
在准确率小于第一预设准确率时,增加农作物图片样本的数量或调整训练集和测试集的比例重新训练。
8.如权利要求7所述的方法,其特征在于,训练集和测试集包括相同的农作物图片,或者包括不同的农作物图片,或者包括部分相同的农作物图片。
9.如权利要求1所述的方法,其特征在于,训练农作物第二识别模型的过程包括:
获取预设数量的标注有农作物病虫草害的农作物图片样本;
从农作物图片样本中确定第一比例的图片作为训练集;
利用训练集训练农作物第二识别模型;
在准确率大于或者等于第二预设准确率时训练结束,得到训练后的农作物第二识别模型。
10.如权利要求9所述的方法,其特征在于,还包括:
从农作物图片样本中确定第二比例的图片作为测试集;
利用测试集对经过训练的农作物第二识别模型的准确率进行验证;
在准确率小于第二预设准确率时,增加农作物图片样本的数量,或者调整训练集和测试集比例重新训练。
11.如权利要求1所述的方法,其特征在于,还包括:
对所述农作物图片进行预处理,所述预处理包括旋转、裁剪、光照补偿。
12.一种农作物病虫草害识别装置,其特征在于,包括:
第一识别模块,用于利用预先训练好的农作物第一识别模型识别农作物图片中农作物种类和农作物生理期,所述农作物第一识别模型为神经网络模型;
第二识别模块,用于利用预先训练好的农作物第二识别模型识别农作物图片中农作物病虫草害,所述农作物第二识别模型为神经网络模型;
识别结果确定模块,用于根据农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
13.如权利要求12所述的装置,其特征在于,所述识别结果确定模块,还用于根据气象信息从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果;或者
所述识别结果确定模块,还用于根据气象信息和农作物生理期,从识别出的农作物病虫草害中选择符合预定条件的农作物病虫草害,确定为农作物病虫草害识别结果。
14.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11任一所述方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至11任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061757.6A CN109344738A (zh) | 2018-09-12 | 2018-09-12 | 农作物病虫草害识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061757.6A CN109344738A (zh) | 2018-09-12 | 2018-09-12 | 农作物病虫草害识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109344738A true CN109344738A (zh) | 2019-02-15 |
Family
ID=65304781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811061757.6A Pending CN109344738A (zh) | 2018-09-12 | 2018-09-12 | 农作物病虫草害识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344738A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458106A (zh) * | 2019-08-13 | 2019-11-15 | 深圳市睿海智电子科技有限公司 | 一种番茄生长状态的智能分析方法及智能分析装置 |
CN110472557A (zh) * | 2019-08-13 | 2019-11-19 | 深圳市睿海智电子科技有限公司 | 一种番茄生长监控的方法及装置 |
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN111340070A (zh) * | 2020-02-11 | 2020-06-26 | 杭州睿琪软件有限公司 | 植物病虫害诊断方法和系统 |
CN111553804A (zh) * | 2020-04-27 | 2020-08-18 | 无锡雪浪数制科技有限公司 | 一种农作物生长周期识别方法 |
CN112579882A (zh) * | 2020-10-28 | 2021-03-30 | 深圳市农产品质量安全检验检测中心(深圳市动物疫病预防控制中心) | 农产品种类识别方法 |
CN112966758A (zh) * | 2021-03-12 | 2021-06-15 | 中化现代农业有限公司 | 一种农作物病虫草害识别方法、装置、系统及存储介质 |
CN113705419A (zh) * | 2021-08-24 | 2021-11-26 | 上海劲牛信息技术有限公司 | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218748A (zh) * | 2013-03-15 | 2013-07-24 | 北京市农林科学院 | 一种蔬菜病害诊断方法和便携系统 |
CN105320970A (zh) * | 2015-11-25 | 2016-02-10 | 内蒙古科技大学 | 一种马铃薯病害诊断装置、诊断系统及诊断方法 |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
CN107301605A (zh) * | 2017-06-29 | 2017-10-27 | 深圳前海弘稼科技有限公司 | 作物虫害的控制方法及装置 |
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 |
CN107563389A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 一种基于深度学习的农作物病害识别方法 |
CN107808375A (zh) * | 2017-09-28 | 2018-03-16 | 中国科学院合肥物质科学研究院 | 融合多种上下文深度学习模型的水稻病害图像检测方法 |
US20180253600A1 (en) * | 2017-03-02 | 2018-09-06 | Basecamp Networks, LLC | Automated diagnosis and treatment of crop infestations |
-
2018
- 2018-09-12 CN CN201811061757.6A patent/CN109344738A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218748A (zh) * | 2013-03-15 | 2013-07-24 | 北京市农林科学院 | 一种蔬菜病害诊断方法和便携系统 |
CN105320970A (zh) * | 2015-11-25 | 2016-02-10 | 内蒙古科技大学 | 一种马铃薯病害诊断装置、诊断系统及诊断方法 |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
US20180253600A1 (en) * | 2017-03-02 | 2018-09-06 | Basecamp Networks, LLC | Automated diagnosis and treatment of crop infestations |
CN107301605A (zh) * | 2017-06-29 | 2017-10-27 | 深圳前海弘稼科技有限公司 | 作物虫害的控制方法及装置 |
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 |
CN107563389A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 一种基于深度学习的农作物病害识别方法 |
CN107808375A (zh) * | 2017-09-28 | 2018-03-16 | 中国科学院合肥物质科学研究院 | 融合多种上下文深度学习模型的水稻病害图像检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458106A (zh) * | 2019-08-13 | 2019-11-15 | 深圳市睿海智电子科技有限公司 | 一种番茄生长状态的智能分析方法及智能分析装置 |
CN110472557A (zh) * | 2019-08-13 | 2019-11-19 | 深圳市睿海智电子科技有限公司 | 一种番茄生长监控的方法及装置 |
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN111340070A (zh) * | 2020-02-11 | 2020-06-26 | 杭州睿琪软件有限公司 | 植物病虫害诊断方法和系统 |
CN111340070B (zh) * | 2020-02-11 | 2024-03-26 | 杭州睿琪软件有限公司 | 植物病虫害诊断方法和系统 |
CN111553804A (zh) * | 2020-04-27 | 2020-08-18 | 无锡雪浪数制科技有限公司 | 一种农作物生长周期识别方法 |
CN112579882A (zh) * | 2020-10-28 | 2021-03-30 | 深圳市农产品质量安全检验检测中心(深圳市动物疫病预防控制中心) | 农产品种类识别方法 |
CN112966758A (zh) * | 2021-03-12 | 2021-06-15 | 中化现代农业有限公司 | 一种农作物病虫草害识别方法、装置、系统及存储介质 |
CN112966758B (zh) * | 2021-03-12 | 2022-04-15 | 中化现代农业有限公司 | 一种农作物病虫草害识别方法、装置、系统及存储介质 |
CN113705419A (zh) * | 2021-08-24 | 2021-11-26 | 上海劲牛信息技术有限公司 | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
US20190147249A1 (en) | Recognition of weed in a natural environment | |
EP3244343A1 (en) | Recognition of weed in a natural environment | |
CN111553240B (zh) | 一种玉米病害病情分级方法、系统和计算机设备 | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN107067043A (zh) | 一种农作物病虫害检测方法 | |
CN110321956B (zh) | 一种基于人工智能的牧草病虫害治理方法及装置 | |
CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
CN111652247A (zh) | 一种基于深度卷积神经网络的双翅目昆虫识别方法 | |
CN109492665A (zh) | 水稻生育期的检测方法、装置及电子设备 | |
Shi et al. | Amur tiger stripes: Individual identification based on deep convolutional neural network | |
CN109670509A (zh) | 基于卷积神经网络的冬小麦苗期长势参数估算方法及系统 | |
CN112286263A (zh) | 一种农作物的调控方法、装置、系统及通信设备 | |
CN110321774A (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
CN114596468A (zh) | 病虫害识别及模型训练方法、装置、电子设备及存储介质 | |
CN112989969A (zh) | 一种作物病虫害识别方法及装置 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
Manoharan et al. | Identification of Mango Leaf Disease Using Deep Learning | |
CN111832448A (zh) | 一种用于葡萄果园的病害识别方法及系统 | |
Mahbub et al. | Detect bangladeshi mango leaf diseases using lightweight convolutional neural network | |
Sehree et al. | Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery | |
CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
CN110705698A (zh) | 尺度自适应感知的目标计数深度网络设计方法 |
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: 20190215 |