CN109583318A - 药用植物识别方法、装置和计算机设备 - Google Patents
药用植物识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109583318A CN109583318A CN201811310959.XA CN201811310959A CN109583318A CN 109583318 A CN109583318 A CN 109583318A CN 201811310959 A CN201811310959 A CN 201811310959A CN 109583318 A CN109583318 A CN 109583318A
- Authority
- CN
- China
- Prior art keywords
- medicinal plant
- identified
- recognition result
- plant
- mentioned
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims description 21
- 239000003814 drug Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004321 preservation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000686 essence Substances 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请提出了一种药用植物识别方法、装置和计算机设备，其中，上述药用植物识别方法包括：对待识别的药用植物进行拍摄，获取包括所述待识别的药用植物的至少一个植物元素的至少两张图像，所述至少一个植物元素包括所述待识别的药用植物的叶片形态；将所述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像；利用深度神经网络模型对分割获得的子图像进行识别，获得每张子图像的识别结果；计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果；显示所述待识别的药用植物的识别结果。本申请可以实现提高药用植物的识别精度与准确率，提高药用植物的识别效率。
Description
【技术领域】
本申请涉及图像识别技术领域，尤其涉及一种药用植物识别方法、装置和计算机设备。
【背景技术】
现有相关技术中，中医以其悠久的历史而深受人们信任，其中必不可少的则是大量的药用植物。中国是药用植物资源最丰富的国家之一，对药用植物的发现、使用和栽培，有着悠久的历史。药用植物，是指医学上用于防病，治病的植物，其植株的全部或一部分供药用或作为制药工业的原料。药用植物种类繁多，其药用部分各不相同，有些需要全部入药，有些则需提炼后入药。
然而，许多药用植物外表相似，但药效却大相径庭。因此在筛选时，需要大量的人工干预，耗费人力，并且由于相似度过高，分类及筛选的准确率也并不理想。并且现有的药用植物的识别方式过于依赖个人的判断经验，效率非常低。
【发明内容】
本申请实施例提供了一种药用植物识别方法、装置和计算机设备，以实现提高药用植物的识别精度与准确率，提高药用植物的识别效率。
第一方面，本申请实施例提供了一种药用植物识别方法，包括：对待识别的药用植物进行拍摄，获取包括所述待识别的药用植物的至少一个植物元素的至少两张图像，所述至少一个植物元素包括所述待识别的药用植物的叶片形态；将所述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像；利用深度神经网络模型对分割获得的子图像进行识别，获得每张子图像的识别结果；计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果；显示所述待识别的药用植物的识别结果。
其中在一种可能的实现方式中，所述对待识别的药用植物进行拍摄包括：在设定的不同距离处对待识别的药用植物进行拍摄。
其中在一种可能的实现方式中，所述计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果之后，还包括：当所述识别结果为所述待识别的药用植物不是药用植物时，将所述至少两张图像进行二次识别，获得所述待识别的药用植物的二次识别结果；保存所述二次识别结果。
其中在一种可能的实现方式中，所述计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果之后，还包括：当所述识别结果为所述待识别的药用植物是药用植物时，保存所述待识别的药用植物的识别结果。
其中在一种可能的实现方式中，所述识别结果包括所述药用植物的名称和种类；所述方法还包括：在对指定区域的待识别的药用植物识别完毕之后，根据所述药用植物的名称和种类对保存的识别结果进行分类；根据分类后的识别结果确定所述指定区域中药用植物的种类纯净度。
第二方面，本申请实施例提供一种药用植物识别装置，包括：获取模块，用于对待识别的药用植物进行拍摄，获取包括所述待识别的药用植物的至少一个植物元素的至少两张图像，所述至少一个植物元素包括所述待识别的药用植物的叶片形态；分割模块，用于将所述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像；识别模块，用于利用深度神经网络模型对所述分割模块分割获得的子图像进行识别，获得每张子图像的识别结果；计算模块，用于计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果；显示模块，用于显示所述识别模块获得的所述待识别的药用植物的识别结果。
其中在一种可能的实现方式中，所述获取模块，具体用于在设定的不同距离处对待识别的药用植物进行拍摄。
其中在一种可能的实现方式中，所述装置还包括：保存模块；所述识别模块，还用于在所述计算模块计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果之后，当所述识别结果为所述待识别的药用植物不是药用植物时，将所述至少两张图像进行二次识别，获得所述待识别的药用植物的二次识别结果；所述保存模块，用于保存所述二次识别结果。
其中在一种可能的实现方式中，所述装置还包括：保存模块；所述保存模块，用于在计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果之后，当所述识别结果为所述待识别的药用植物是药用植物时，保存所述待识别的药用植物的识别结果。
其中在一种可能的实现方式中，所述识别结果包括所述药用植物的名称和种类；所述装置还包括：分类模块，用于在对指定区域的待识别的药用植物识别完毕之后，根据所述药用植物的名称和种类对保存的识别结果进行分类；确定模块，用于根据所述分类模块分类后的识别结果确定所述指定区域中药用植物的种类纯净度。
第三方面，本申请实施例提供一种计算机设备，包括摄像装置、存储器、处理器及存储在所述存储器上并可在所述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，实现如上所述的方法。
第四方面，本申请实施例提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
以上技术方案中，对待识别的药用植物进行拍摄之后，获取包括上述待识别的药用植物的至少一个植物元素的至少两张图像，上述至少一个植物元素包括待识别的药用植物的叶片形态，然后将上述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像，利用深度神经网络模型对分割获得的子图像进行识别，获得每张子图像的识别结果，计算分割获得的子图像的识别结果的平均值，根据所述平均值确定上述待识别的药用植物的识别结果，最后显示上述待识别的药用植物的识别结果，本申请中，需要拍摄待识别的药用植物的至少两张图像，并且主要通过待识别的药用植物的叶片形态进行区分，大大提高了药用植物的识别精度与准确率，另外，对药用植物的识别大大减少了人工参与，提高了药用植物的识别效率。
【附图说明】
为了更清楚地说明本申请实施例的技术方案，下面将对实施例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申请的一些实施例，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它的附图。
图1为本申请药用植物识别方法一个实施例的流程图；
图1(a)为本申请药用植物识别方法中yolov3模型边界框预测一个实施例的示意图；
图2为本申请药用植物识别方法中所使用的FPN的结构示意图；
图3为本申请药用植物识别方法另一个实施例的流程图；
图4为本申请药用植物识别方法再一个实施例的流程图；
图5为本申请药用植物识别方法再一个实施例的流程图；
图6为本申请药用植物识别方法再一个实施例的流程图；
图7为本申请药用植物识别方法中DPN模型的网络结构的示意图；
图8为本申请药用植物识别装置一个实施例的结构示意图；
图9为本申请药用植物识别装置另一个实施例的结构示意图；
图10为本申请计算机设备一个实施例的结构示意图。
【具体实施方式】
为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
图1为本申请药用植物识别方法一个实施例的流程图，如图1所示，上述药用植物识别方法可以包括：
步骤101，对待识别的药用植物进行拍摄，获取包括上述待识别的药用植物的至少一个植物元素的至少两张图像，上述至少一个植物元素包括上述待识别的药用植物的叶片形态。
其中，植物元素可以包括植物的叶子、花朵、果实和/或树干等能够展示植物外形的特征。本实施例中，对待识别的药用植物进行拍摄之后，获取上述待识别的药用植物的至少两张图像，并且上述至少两张图像中要包括上述待识别的药用植物的叶片形态。由于本实施例希望在早期形态时对药用植物进行识别，因此主要通过药用植物的叶片形态进行区分，可以提高药用植物的识别精度与准确率。
步骤102，将上述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像。
其中，上述预定数量可以在具体实现时根据系统性能和/或实现需求等自行设定，本实施例对上述预定数量的大小不作限定，举例来说，上述预定数量可以为5。这样，上述预定方式可以为将每张图像按照左上、左下、右上、右下和中间这5部分进行分割。
步骤103，利用深度神经网络模型对分割获得的子图像进行识别，获得每张子图像的识别结果。
步骤104，计算分割获得的子图像的识别结果的平均值，根据上述平均值确定上述待识别的药用植物的识别结果。
举例来说，假设分割获得的子图像的识别结果的平均值为：“苍术-90％”，表示上述至少两张图像中所显示的植物为“苍术”的可能性为90％，这时，就可以根据上述平均值确定上述待识别的药用植物的识别结果为“苍术”。
本实施例中，将图像按照预定方式分割为预定数量的子图像，再分别进行识别，最后计算分割获得的子图像的识别结果的平均值，根据上述平均值确定上述待识别的药用植物的识别结果。这样的处理方式令图片被压缩为512*512尺寸时，不会丢失过多细节，提高了图片质量，可以提升识别准确率。
进一步地，在利用深度神经网络模型对分割获得的子图像进行识别之前，还可以先对上述深度神经网络模型进行训练，具体的，可以收集大量包括药用植物的至少一个植物元素的至少两张图像，上述至少一个植物元素包括上述药用植物的叶片形态，然后，对收集的每张图像进行标注，标注的信息可以包括每张图像所对应的药用植物的名称和种类；接下来，可以将收集的每张图像输入待训练的深度神经网络模型，按照预定方式分割为预定数量的子图像，对分割获得的子图像进行识别，获得每张子图像的识别结果；然后计算分割获得的子图像的识别结果的平均值，以上述平均值作为上述每张图像所显示的药用植物的识别结果，获得上述待训练的深度神经网络模型输出的上述每张图像所显示的药用植物的识别结果，将上述待训练的深度神经网络模型输出的识别结果与每张图像的标注信息进行对比，当上述待训练的深度神经网络模型输出的识别结果与每张图像的标注信息的误差在预定范围内时，结束待训练的深度神经网络模型的训练过程，获得训练好的深度神经网络模型。之后，就可以利用训练好的深度神经网络模型对待识别的药用植物进行识别。
其中，上述预定范围可以在具体实现时根据系统性能和/或实现需求等自行设定，本实施例对上述预定范围不作限定。
本实施例中，上述深度神经网络模型可以为yolov3模型，当然也可以为其他的深度神经网络模型，本实施例对所采用的深度神经网络模型的具体形式不作限定，本实施例以yolov3模型为例进行说明。
首先，yolov3对每个边界框预测四个坐标值(tx，ty，tw，th)，如图1(a)所示，图1(a)为本申请药用植物识别方法中yolov3模型边界框预测一个实施例的示意图，对于预测的网格(一幅图划分成S×S个网格cell)，可以对每个边界框的四个坐标值按式(1)的方式进行预测：
bx＝σ(tx)+cx
by＝σ(ty)+cy
bw＝pwetw
bh＝pheth (1)
式(1)中，bx，by分别为边界框的中心点的横坐标和纵坐标；bw为边界框的宽，bh为上述边界框的高；tx，ty，tw，th为预测的值，具体地，tx，ty分别为边界框的中心点的横坐标和纵坐标的预测值，tw为边界框的宽的预测值，th为上述边界框的高的预测值；其中，上述边界框为图1(a)中的实线方框；
cx，cy分别为图像左上角的横坐标偏移量和纵坐标偏移量，即为上述边界框的中心点所在的网格距离左上角第一个网格的网格数；
pw、ph分别为锚定框(anchor)的宽和高，其中，锚定框为图1(a)中的虚线方框；
σ(·)函数为逻辑回归(logistic)函数，用于将坐标归一化到0-1之间。
在训练这几个坐标值的时候采用了平方和距离误差损失，因为这种方式的误差可以很快的计算出来。
yolov3模型对每个边界框通过逻辑回归预测一个物体的得分，如果预测的这个边框与真实的边框值大部分重合且比其他所有预测的要好，那么这个值就为1。如果overlap没有达到一个阈值(yolov3中这里设定的阈值是0.5)，那么这个预测的边界框将会被忽略，也就是会显示成没有损失值。
在采用yolov3模型对上述至少两张图像进行识别之后，可以使用简单的逻辑回归进行分类，本实施例采用的二值交叉熵损失，特征金字塔网络(Feature PyramidNetworks；以下简称：FPN)的结构可以如图2所示，图2为本申请药用植物识别方法中所使用的FPN的结构示意图。
本实施例中，yolov3模型的特征提取模型使用了很多3*3和1*1的卷积层，也在后边增加了一些便捷连接结构，有53个卷积层，上述yolov3模型的特征提取模型的结构如表1所示。
表1
本实施例所使用的yolov3模型中，3*3卷积层为一个扩张率为2的3*3空洞卷积核，其感受野与5*5的普通卷积核相同，其优势在于可以增大感受野，但相比普通增大感受野的池化方法，丢失信息更少。
步骤105，显示上述待识别的药用植物的识别结果。
本实施例中，在利用深度神经网络模型对上述至少两张图像进行识别，获得上述待识别的药用植物的识别结果之后，可以显示上述待识别的药用植物的识别结果，举例来说，可以将上述识别结果显示在应用(Application；以下简称：App)的界面中。
上述药用植物识别方法中，对待识别的药用植物进行拍摄之后，获取包括上述待识别的药用植物的至少一个植物元素的至少两张图像，上述至少一个植物元素包括待识别的药用植物的叶片形态，然后将上述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像，利用深度神经网络模型对分割获得的子图像进行识别，获得每张子图像的识别结果，计算分割获得的子图像的识别结果的平均值，以上述平均值作为上述待识别的药用植物的识别结果，最后显示上述待识别的药用植物的识别结果，本申请中，需要拍摄待识别的药用植物的至少两张图像，并且主要通过待识别的药用植物的叶片形态进行区分，大大提高了药用植物的识别精度与准确率，另外，对药用植物的识别大大减少了人工参与，提高了药用植物的识别效率。
图3为本申请药用植物识别方法另一个实施例的流程图，如图3所示，本申请图1所示实施例中，步骤101可以包括：
步骤301，在设定的不同距离处对待识别的药用植物进行拍摄，获取包括上述待识别的药用植物的至少一个植物元素的至少两张图像，上述至少一个植物元素包括上述待识别的药用植物的叶片形态。
其中，上述设定的不同距离处可以包括以下之一或组合：
与待识别的药用植物的距离大于第一阈值；
与待识别的药用植物的距离大于第二阈值，并且小于或等于第一阈值；
与待识别的药用植物的距离小于或等于第二阈值。
第一阈值大于第二阈值，上述第一阈值和第二阈值的大小可以在具体实现时，根据系统性能和/或实现需求等自行设定，本实施例对上述第一阈值和第二阈值的大小不作限定。
也就是说，本实施例中，在对待识别的药用植物进行拍摄时，先调整画面至光线充足，植物纹理清晰。经后台分析后界面上会出现虚线框框住已被识别到的植株，用户可以通过提示调整画面至清晰捕捉目标植株图像。并且在拍摄时，需要在设定的不同距离处进行拍摄，以获取待识别的药用植物的至少两张图像，从而提高药用植物的识别精度与准确率，
图4为本申请药用植物识别方法再一个实施例的流程图，如图4所示，本申请图1所示实施例中，步骤104之后，还可以包括：
步骤401，当上述识别结果为上述待识别的药用植物不是药用植物时，将上述至少两张图像进行二次识别，获得上述待识别的药用植物的二次识别结果。
步骤402，保存上述二次识别结果。
也就是说，当识别结果为待识别的药用植物不是药用植物时，可以将上述至少两张图像提交至人工审核处，进行二次识别，获得上述待识别的药用植物的二次识别结果，本实施例加入二次识别，进一步提升了药用植物的识别准确率，减少了可能发生的损失。本实施例中，在保存上述二次识别结果时，可以按照识别日期对上述二次识别结果进行存档。
图5为本申请药用植物识别方法再一个实施例的流程图，如图5所示，本申请图1所示实施例中，步骤104之后，还可以包括：
步骤501，当上述识别结果为上述待识别的药用植物是药用植物时，保存上述待识别的药用植物的识别结果。
具体地，在保存上述待识别的药用植物的识别结果时，可以按照识别日期对上述二次识别结果进行存档。
图6为本申请药用植物识别方法再一个实施例的流程图，本申请图1所示实施例中，上述识别结果可以包括上述药用植物的名称和种类；
如图6所示，上述药用植物识别方法还可以包括：
步骤601，在对指定区域的待识别的药用植物识别完毕之后，根据上述药用植物的名称和种类对保存的识别结果进行分类。
步骤602，根据分类后的识别结果确定上述指定区域中药用植物的种类纯净度。
本实施例中，在对指定区域的待识别的药用植物识别完毕之后，可以根据上述药用植物的名称和种类对保存的识别结果进行分类，举例来说，可以从识别结果中筛选出名称为“苍术”的药用植物的数量，计算筛选出的名称为“苍术”的药用植物的数量与识别的药用植物的总数的比值，上述比值即为上述指定区域中“苍术”这种药用植物的种类纯净度，从而便于对药用植物的种植区域和植株进行管理。
在具体实现时，本实施例采用对于图像分类效果显著的双路径网络(Dual PathNetwork；以下简称：DPN)模型作为分类模型：
图7为本申请药用植物识别方法中DPN模型的网络结构的示意图。如图7所示，DPN模型最开始是一个7*7的卷积层和最大池化(max pooling)层，然后是4个阶段(stage)，每个stage包含几个子阶段(sub-stage)，再接着是一个全局平均池化(global averagepooling)层和全连接层，最后是软件最大(softmax)层。
图8为本申请药用植物识别装置一个实施例的结构示意图，本实施例中的药用植物识别装置可以实现本申请实施例提供的药用植物识别方法。如图8所示，上述药用植物识别装置可以包括：获取模块81、分割模块82、识别模块83、计算模块84和显示模块85；
其中，获取模块81，用于对待识别的药用植物进行拍摄，获取包括上述待识别的药用植物的至少一个植物元素的至少两张图像，上述至少一个植物元素包括上述待识别的药用植物的叶片形态；其中，植物元素可以包括植物的叶子、花朵、果实和/或树干等能够展示植物外形的特征。本实施例中，对待识别的药用植物进行拍摄之后，获取模块81获取上述待识别的药用植物的至少两张图像，并且上述至少两张图像中要包括上述待识别的药用植物的叶片形态。由于本实施例希望在早期形态时对药用植物进行识别，因此主要通过药用植物的叶片形态进行区分，可以提高药用植物的识别精度与准确率。
分割模块82，用于将上述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像；其中，上述预定数量可以在具体实现时根据系统性能和/或实现需求等自行设定，本实施例对上述预定数量的大小不作限定，举例来说，上述预定数量可以为5。这样，上述预定方式可以为将每张图像按照左上、左下、右上、右下和中间这5部分进行分割。
识别模块83，用于利用深度神经网络模型对分割模块82分割获得的子图像进行识别，获得每张子图像的识别结果。
计算模块84，用于计算分割获得的子图像的识别结果的平均值，根据上述平均值确定上述待识别的药用植物的识别结果。
举例来说，假设分割获得的子图像的识别结果的平均值为：“苍术-90％”，表示上述至少两张图像中所显示的植物为“苍术”的可能性为90％，这时，就可以根据上述平均值确定上述待识别的药用植物的识别结果为“苍术”。
本实施例中，分割模块82将图像按照预定方式分割为预定数量的子图像，识别模块83再分别进行识别，最后计算模块84计算分割获得的子图像的识别结果的平均值，根据上述平均值确定上述待识别的药用植物的识别结果。这样的处理方式令图片被压缩为512*512尺寸时，不会丢失过多细节，提高了图片质量，可以提升识别准确率。
本实施例中，上述深度神经网络模型可以为yolov3模型，当然也可以为其他的深度神经网络模型，本实施例对所采用的深度神经网络模型的具体形式不作限定，本实施例以yolov3模型为例进行说明。
显示模块85，用于显示识别模块83获得的上述待识别的药用植物的识别结果。
本实施例中，在利用深度神经网络模型对上述至少两张图像进行识别，获得上述待识别的药用植物的识别结果之后，显示模块85可以显示上述待识别的药用植物的识别结果，举例来说，可以将上述识别结果显示在App的界面中。
上述药用植物识别装置中，获取模块81对待识别的药用植物进行拍摄之后，获取包括上述待识别的药用植物的至少一个植物元素的至少两张图像，上述至少一个植物元素包括待识别的药用植物的叶片形态，然后分割模块82将上述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像，识别模块83利用深度神经网络模型对分割获得的子图像进行识别，获得每张子图像的识别结果，计算模块84计算分割获得的子图像的识别结果的平均值，以上述平均值作为上述待识别的药用植物的识别结果，最后显示模块85显示上述待识别的药用植物的识别结果，本申请中，需要拍摄待识别的药用植物的至少两张图像，并且主要通过待识别的药用植物的叶片形态进行区分，大大提高了药用植物的识别精度与准确率，另外，对药用植物的识别大大减少了人工参与，提高了药用植物的识别效率。
图9为本申请药用植物识别装置另一个实施例的结构示意图，与图8所示的药用植物识别装置相比，不同之处在于，图9所示的药用植物识别装置中，获取模块81，具体用于在设定的不同距离处对待识别的药用植物进行拍摄。
其中，上述设定的不同距离处可以包括以下之一或组合：
与待识别的药用植物的距离大于第一阈值；
与待识别的药用植物的距离大于第二阈值，并且小于或等于第一阈值；
与待识别的药用植物的距离小于或等于第二阈值。
第一阈值大于第二阈值，上述第一阈值和第二阈值的大小可以在具体实现时，根据系统性能和/或实现需求等自行设定，本实施例对上述第一阈值和第二阈值的大小不作限定。
也就是说，本实施例中，在获取模块81对待识别的药用植物进行拍摄时，先调整画面至光线充足，植物纹理清晰。经后台分析后界面上会出现虚线框框住已被识别到的植株，用户可以通过提示调整画面至清晰捕捉目标植株图像。并且在拍摄时，需要在设定的不同距离处进行拍摄，以获取待识别的药用植物的至少两张图像，从而提高药用植物的识别精度与准确率，
进一步地，上述药用植物识别装置还可以包括：保存模块86；
识别模块83，还用于在计算模块84计算分割获得的子图像的识别结果的平均值，以所述平均值作为所述待识别的药用植物的识别结果之后，当上述识别结果为上述待识别的药用植物不是药用植物时，将至少两张图像进行二次识别，获得上述待识别的药用植物的二次识别结果；
保存模块86，用于保存上述二次识别结果。
也就是说，当识别结果为待识别的药用植物不是药用植物时，识别模块83可以将上述至少两张图像提交至人工审核处，进行二次识别，获得上述待识别的药用植物的二次识别结果，本实施例加入二次识别，进一步提升了药用植物的识别准确率，减少了可能发生的损失。本实施例中，保存模块86在保存上述二次识别结果时，可以按照识别日期对上述二次识别结果进行存档。
本实施例中，保存模块86，用于在计算分割获得的子图像的识别结果的平均值，以所述平均值作为所述待识别的药用植物的识别结果之后，当上述识别结果为上述待识别的药用植物是药用植物时，保存上述待识别的药用植物的识别结果。
本实施例中，上述识别结果包括上述药用植物的名称和种类；
进一步地，上述药用植物识别装置还可以包括：分类模块87和确定模块88；
分类模块87，用于在对指定区域的待识别的药用植物识别完毕之后，根据上述药用植物的名称和种类对保存的识别结果进行分类；
确定模块88，用于根据分类模块87分类后的识别结果确定上述指定区域中药用植物的种类纯净度。
本实施例中，在对指定区域的待识别的药用植物识别完毕之后，分类模块87可以根据上述药用植物的名称和种类对保存的识别结果进行分类，举例来说，分类模块87可以从识别结果中筛选出名称为“苍术”的药用植物的数量，确定模块88计算筛选出的名称为“苍术”的药用植物的数量与识别的药用植物的总数的比值，上述比值即为上述指定区域中“苍术”这种药用植物的种类纯净度，从而便于对药用植物的种植区域和植株进行管理。
在具体实现时，分类模块87可以采用对于图像分类效果显著的DPN模型作为分类模型。
图10为本申请计算机设备一个实施例的结构示意图，上述计算机设备可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时，可以实现本申请实施例提供的药用植物识别方法。
其中，上述计算机设备可以为服务器，例如：云服务器等；或者，上述计算机设备可以为电子设备，例如：智能手机、智能手表或平板电脑等智能设备，本实施例对上述计算机设备的具体形态不作限定。
图10示出了适于用来实现本申请实施方式的示例性计算机设备12的框图。图10显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：摄像装置25、一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc ReadOnly Memory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24和摄像装置25等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。
其中，摄像装置25，用于对待识别的药用植物进行拍摄，获取包括上述待识别的药用植物的至少一个植物元素的至少两张图像，上述至少一个植物元素包括上述待识别的药用植物的叶片形态。
其中，植物元素可以包括植物的叶子、花朵、果实和/或树干等能够展示植物外形的特征。本实施例中，摄像装置25对待识别的药用植物进行拍摄之后，获取上述待识别的药用植物的至少两张图像，并且上述至少两张图像中要包括上述待识别的药用植物的叶片形态。由于本实施例希望在早期形态时对药用植物进行识别，因此主要通过药用植物的叶片形态进行区分，可以提高药用植物的识别精度与准确率。
在具体实现时，上述摄像装置25可以为摄像头或者红外照相机等具有拍摄功能的装置，本实施例对此不作限定。
并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图10所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图10中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例提供的药用植物识别方法。
本申请实施例还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时可以实现本申请实施例提供的药用植物识别方法。
上述非临时性计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory；以下简称：ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory；以下简称：EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network；以下简称：LAN)或广域网(Wide Area Network；以下简称：WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是，本申请实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer；以下简称：PC)、个人数字助理(Personal Digital Assistant；以下简称：PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
Claims (10)
1.一种药用植物识别方法，其特征在于，包括：
对待识别的药用植物进行拍摄，获取包括所述待识别的药用植物的至少一个植物元素的至少两张图像，所述至少一个植物元素包括所述待识别的药用植物的叶片形态；
将所述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像；
利用深度神经网络模型对分割获得的子图像进行识别，获得每张子图像的识别结果；
计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果；
显示所述待识别的药用植物的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述对待识别的药用植物进行拍摄包括：
在设定的不同距离处对待识别的药用植物进行拍摄。
3.根据权利要求1所述的方法，其特征在于，所述计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果之后，还包括：
当所述识别结果为所述待识别的药用植物不是药用植物时，将所述至少两张图像进行二次识别，获得所述待识别的药用植物的二次识别结果；
保存所述二次识别结果。
4.根据权利要求1所述的方法，其特征在于，所述计算分割获得的子图像的识别结果的平均值，以所述平均值作为所述待识别的药用植物的识别结果之后，还包括：
当所述识别结果为所述待识别的药用植物是药用植物时，保存所述待识别的药用植物的识别结果。
5.根据权利要求3或4所述的方法，其特征在于，所述识别结果包括所述药用植物的名称和种类；
所述方法还包括：
在对指定区域的待识别的药用植物识别完毕之后，根据所述药用植物的名称和种类对保存的识别结果进行分类；
根据分类后的识别结果确定所述指定区域中药用植物的种类纯净度。
6.一种药用植物识别装置，其特征在于，包括：
获取模块，用于对待识别的药用植物进行拍摄，获取包括所述待识别的药用植物的至少一个植物元素的至少两张图像，所述至少一个植物元素包括所述待识别的药用植物的叶片形态；
分割模块，用于将所述至少两张图像中的每张图像按照预定方式分割为预定数量的子图像；
识别模块，用于利用深度神经网络模型对所述分割模块分割获得的子图像进行识别，获得每张子图像的识别结果；
计算模块，用于计算分割获得的子图像的识别结果的平均值，以所述平均值作为所述待识别的药用植物的识别结果；
显示模块，用于显示所述识别模块获得的所述待识别的药用植物的识别结果。
7.根据权利要求6所述的装置，其特征在于，
所述获取模块，具体用于在设定的不同距离处对待识别的药用植物进行拍摄。
8.根据权利要求6所述的装置，其特征在于，还包括：保存模块；
所述识别模块，还用于在所述计算模块计算分割获得的子图像的识别结果的平均值，根据所述平均值确定所述待识别的药用植物的识别结果之后，当所述识别结果为所述待识别的药用植物不是药用植物时，将所述至少两张图像进行二次识别，获得所述待识别的药用植物的二次识别结果；
所述保存模块，用于保存所述二次识别结果。
9.一种计算机设备，其特征在于，包括摄像装置、存储器、处理器及存储在所述存储器上并可在所述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，实现如权利要求1-5中任一所述的方法。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811310959.XA CN109583318A (zh) | 2018-11-06 | 2018-11-06 | 药用植物识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811310959.XA CN109583318A (zh) | 2018-11-06 | 2018-11-06 | 药用植物识别方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109583318A true CN109583318A (zh) | 2019-04-05 |
Family
ID=65921464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811310959.XA Pending CN109583318A (zh) | 2018-11-06 | 2018-11-06 | 药用植物识别方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583318A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
| CN110245559A (zh) * | 2019-05-09 | 2019-09-17 | 平安科技（深圳）有限公司 | 实时物体识别方法、装置以及计算机设备 |
| CN112906437A (zh) * | 2019-12-04 | 2021-06-04 | 中国农业科学院农业资源与农业区划研究所 | 一种燕麦植株识别的方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017215669A1 (zh) * | 2016-06-17 | 2017-12-21 | 北京市商汤科技开发有限公司 | 物体识别方法和装置、数据处理装置和计算设备 |
| CN108154169A (zh) * | 2017-12-11 | 2018-06-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
| CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
-
2018
- 2018-11-06 CN CN201811310959.XA patent/CN109583318A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017215669A1 (zh) * | 2016-06-17 | 2017-12-21 | 北京市商汤科技开发有限公司 | 物体识别方法和装置、数据处理装置和计算设备 |
| CN108154169A (zh) * | 2017-12-11 | 2018-06-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
| CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
| CN110245559A (zh) * | 2019-05-09 | 2019-09-17 | 平安科技（深圳）有限公司 | 实时物体识别方法、装置以及计算机设备 |
| CN112906437A (zh) * | 2019-12-04 | 2021-06-04 | 中国农业科学院农业资源与农业区划研究所 | 一种燕麦植株识别的方法及装置 |
| CN112906437B (zh) * | 2019-12-04 | 2023-12-26 | 中国农业科学院农业资源与农业区划研究所 | 一种燕麦植株识别的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108234870B (zh) | 图像处理方法、装置、终端及存储介质 | |
| CN110473141B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| WO2021004402A1 (zh) | 图像识别方法及装置、存储介质和处理器 | |
| CN109902546A (zh) | 人脸识别方法、装置及计算机可读介质 | |
| CN109543549B (zh) | 用于多人姿态估计的图像数据处理方法及装置、移动端设备、服务器 | |
| CN103927387B (zh) | 图像检索系统及其相关方法和装置 | |
| CN104679818B (zh) | 一种视频关键帧提取方法及系统 | |
| EP4099220A1 (en) | Processing apparatus, method and storage medium | |
| WO2021051545A1 (zh) | 基于行为识别模型的摔倒动作判定方法、装置、计算机设备及存储介质 | |
| WO2020125498A1 (zh) | 心脏磁共振图像分割方法、装置、终端设备及存储介质 | |
| CN108805047A (zh) | 一种活体检测方法、装置、电子设备和计算机可读介质 | |
| CN109376596A (zh) | 人脸匹配方法、装置、设备及存储介质 | |
| CN108198130B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN111950723A (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
| CN109583318A (zh) | 药用植物识别方法、装置和计算机设备 | |
| WO2021169126A1 (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN107909016A (zh) | 一种卷积神经网络生成方法及车系识别方法 | |
| CN111400536B (zh) | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 | |
| CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
| WO2021047587A1 (zh) | 手势识别方法、电子设备、计算机可读存储介质和芯片 | |
| CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
| CN109034025A (zh) | 一种基于zynq的人脸关键点检测系统 | |
| CN111080746A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN111079507A (zh) | 一种行为识别方法及装置、计算机装置及可读存储介质 | |
| CN114463815A (zh) | 一种基于人脸关键点的面部表情捕捉方法 |
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 |
Application publication date: 20190405 |
|
| RJ01 | Rejection of invention patent application after publication |