CN110033015A - 一种基于残差网络的植物病害检测方法 - Google Patents
一种基于残差网络的植物病害检测方法 Download PDFInfo
- Publication number
- CN110033015A CN110033015A CN201910124692.3A CN201910124692A CN110033015A CN 110033015 A CN110033015 A CN 110033015A CN 201910124692 A CN201910124692 A CN 201910124692A CN 110033015 A CN110033015 A CN 110033015A
- Authority
- CN
- China
- Prior art keywords
- residual error
- plant disease
- error network
- image
- data set
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于残差网络的植物病害检测方法,包括以下步骤:建立植物疾病检测数据集,该检测数据集采用AI Challenger的全新叶病图像数据集;对数据集的类别和数量进行统计分析,将每种类型的图像从完整的数据集中分离出来并存储在相应的类别文件夹中,然后进行图像预处理;使用随机角度旋转、随机水平镜旋转、随机垂直镜旋转和随机仿射变换方法对图像进行增强处理;设置深度卷积神经网络训练的超参数;使用PyTorch作为深度学习框架,使用残差网络作为深度学习模型:对残差网络深度学习模型进行训练,从而得到植物病害检测结果。本发明将残差网络ResNet训练深度卷积神经网络,能够准确地识别多达10种作物27种疾病,速度快、精度高,对农业生产具有重要意义。
Description
技术领域
本发明属于图像识别技术领域,尤其是一种基于残差网络ResNet的植物病害检测方法。
背景技术
植物在人类生产、生活乃至生存中起着至关重要的作用。然而,由于人类生产和生活的不断扩大,人类过度狩猎和采集行为,许多工厂的污染,以及大规模土地植被的发展,极大地改变了自然生态系统,使得植物的环境适应性降低,自我调节失调,导致植物病害。
植物病害主要是由生物因素(生物病原体)和非生物因素(不适宜的生活环境)引起的,使得植物生长异常,可导致植物在一定时期内死亡。长期患病可导致植物物种灭绝或感染其他物种灭绝。这种效应往往能直观地反映在植物的叶片和根部,使患病植物的叶片和根茎病态。有针对性地治疗和疾病植物的保护尤为重要。因此,植物病害病原鉴定具有重要意义。
多年来,植物病害的诊断主要基于植物病害工作者的经验诊断,其缺点是工作强度高,主观因素的影响以及对农业专家的依赖。近年来,使用人工神经网络和深度学习来检测植物病害成为新的趋势,经检索发现,现有人工神经网络或深度学习在植物病害检测方面的文献均是从不同侧重点进行植物病害检测,普遍存在是准确率低、识别速度慢等缺点。
发明内容
本发明的目的在于克服现有技术的不足,提出一种识别准确率高且识别速度快的基于残差网络ResNet的植物病害检测方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于残差网络ResNet的植物病害检测方法,包括以下步骤:
步骤1、建立植物疾病检测数据集,该检测数据集采用AI Challenger的全新叶病图像数据集;
步骤2、对数据集的类别和数量进行统计分析,将每种类型的图像从完整的数据集中分离出来并存储在相应的类别文件夹中,然后进行图像预处理;
步骤3、使用随机角度旋转、随机水平镜旋转、随机垂直镜旋转和随机仿射变换方法对图像进行增强处理;
步骤4、设置深度卷积神经网络训练的超参数;
步骤5、使用PyTorch作为深度学习框架,使用残差网络ResNet作为深度学习模型:
步骤6、对残差网络深度学习模型进行训练,从而得到植物病害检测结果。
所述步骤2的具体实现方法为:对数据集的类别和数量进行统计分析,将植物疾病检测数据集中的第44和第45个类别删除;使用Python代码将每种类型的图像从完整的数据集中分离出来并存储在相应的类别文件夹中;最后,将大尺寸的图片调整到合适的尺寸。
所述步骤3采用深度学习框架PyTorch的torchvision.transforms的图像增强功能实现。
所述步骤4中的超参数设置如下:训练次数为35,批大小为8,图像高度为650,图像宽度为650,组数为59,学习速率为0.0001,学习率衰减为0.0001,权重衰减为0.0001。
本发明的优点和积极效果是:
本发明使用来自AI Challenger的全新叶病图像数据集,并将残差网络ResNet训练深度卷积神经网络,其采用残差分块法使网络深度更深且精度不会降低,能够准确地识别多达10种作物和27种疾病,检测这些疾病的准确率可以达到90%的高精度,而且神经网络训练速度快,从而帮助人们快速识别病害植物,甚至识别特定的病害,对农业生产具有重要意义。
附图说明
图1是本发明训练集的分析统计直方图;
图2是本发明验证集的分析统计直方图;
图3是本发明全部数据集的分析统计直方图;
图4是本发明使用ResNet的训练过程;
图5是本发明识别准确率结果示意图。
具体实施方式
以下结合附图对本发明实例做进一步详述。
在本实施例中,植物病害检测模型全过程训练和测试使用了功能强大的PC机,并且CNN是在GPU模式下进行的。PC机的配置如下:
表1 PC机的配置
CPU | Intel Core i7-8700k 3.7GHz |
GPU | Nvidia 1080Ti 11GB |
RAM | 16GB |
OS | Windows 10 1803 |
本发明的基于残差网络的植物病害检测方法包括以下步骤:
步骤1、建立植物疾病检测数据集
目前,由于对植物叶病检测的研究不多,相关数据集也相对缺乏,如何获得一套良好的数据集起着重要作用。良好的训练集在训练阶段和训练结果的验证中都起着关键作用。
我们使用的植物疾病检测数据集,采用AI Challenger的全新叶病图像数据集。这个数据集中超过5万个图像被分为61个不同的类别。数据集有61个分类(按“物种-病害-程度”分),10个物种,27种病害(其中24个病害又分一般和严重两种程度),10个健康分类,47637张图片。每张图包含一片农作物的叶子,叶子占据图片主要位置。数据集随机分为训练(70%)、验证(10%)、测试A(10%)与测试B(10%)四个子数据集。其中,训练集有32739张图片,验证集有4982张图片,测试集A有4959张图片,测试集B有4957张图片。涉及的植物类型有苹果、樱桃、玉米、柑橘、桃子、葡萄、辣椒、土豆、草莓、西红柿等。
此外,为了提高训练模型的效果,提高模型的鲁棒性,获得更好的实际应用效果,增加了华中山区许多植物叶片的照片并将上述叶图像按相同比例放入AI Challenger的全新叶病图像数据集中,使原始数据集中的验证集、测试集A和测试集B超过5000张图片,训练集超过32800张图片。
表2植物疾病检测数据集中标签ID和相对应的标签名
步骤2、对数据集的类别和数量进行统计分析,将每种类型的图像从完整的数据集中分离出来并存储在相应的类别文件夹中,进行图像预处理。具体方法为:
(1)对数据集的类别和数量进行统计分析。数据分析结果如图1、图2和图3所示。我们可以清楚地看到,第44和第45类的图片明显小于其他类别。因此,为了提高模型的精度,顺利进行实验,避免这两个类别对实验精度的影响,我们决定删除第44和第45个类别。
(2)由于AI Challenger提供的数据集不会直接标记图像。培训集和验证集包含图像和相应的JSON文件。JSON文件包含每个图像名称和相应的类别ID。因此,我们将每种类型的图像从完整的数据集中分离出来,并将其存储在相应的类别文件夹中。具体实现时使用Python代码即可实现。
(3)图像预处理。由于AI Challenger提供的数据集非常完美,我们不需要进行ROI分割,而且叶片已经占据了几乎所有图像的主要位置。我们要做的就是把大尺寸的图片调整到合适的尺寸,输入CNN进行培训。
步骤3、使用随机角度旋转、随机水平镜旋转、随机垂直镜旋转和随机仿射变换对图像进行增强处理。
由于过拟合是一种在机器学习模型或深度学习模型出现的现象,当模型在训练样本中表现得太好,就会导致验证数据集和测试数据集的性能不佳。虽然模型过拟合在训练集中表现良好,但在测试集中却恰恰相反。就性能而言,这意味着方差很大,测试集的成本函数也很大。
为了防止模型过度拟合,我们需要对图像进行轻微的变形。我们主要使用随机角度旋转、随机水平镜旋转、随机垂直镜旋转和随机仿射变换。具体方法为:
深度学习框架PyTorch包括一些名为torchvision.transforms的图像增强功能,我们可以直接使用。以下是此实验中使用的一些功能:
·RandomRotation(30):将图像旋转30度。
·RandomHorizontalFlip():以给定的概率随机水平翻转给定的图像。默认概率值为0.5。
·RandomVerticalFlip():以给定的概率随机垂直翻转给定的图像。默认概率值为0.5。
·RandomAffine(45):将图像随机仿射变换45度,保持中心不变。
步骤4、设置深度卷积神经网络训练的超参数
在机器学习中,超参数是一个在学习过程开始之前就设置了值的参数。相比之下,其他参数的值是通过训练得出的。训练和测试模型所需的时间取决于其超参数的选择。除了训练集路径、验证集路径、测试集路径、输出路径、日志路径和其他通常设置的字符串参数外,其他主要超参数如表3所示:
表3超参数
Epochs(训练次数) | 35 |
Batch size(批大小) | 8 |
Image height(图像高度) | 650 |
Image width(图像宽度) | 650 |
Number of classes(组数) | 59 |
Learning rate(学习速率) | 0.0001 |
Learning rate decay(学习率衰减) | 0.0001 |
Weight decay(权重衰减) | 0.0001 |
步骤5、进行深度卷积神经网络训练,具体方法为:
1、使用PyTorch作为深度学习框架。
近年来,出现了许多优秀的深度学习框架,如TensorFlow、Keras、Caffe、PyTorch、Theano等。其中,我们选择使用PyTorch作为深度学习框架。PyTorch是Facebook人工智能研究团队发布的基于python的科学计算软件包。Facebook人工智能研究(Fair)团队于2017年1月在GitHub上打开了PyTorch的源代码。PyTorch可以看作是Torch引擎的一个python前端,它的核心提供了定义数学函数和计算其梯度的能力。PyTorch具有相当好的图形处理单元(GPU)支持,是一个快速成熟的框架。与其他深入学习框架(如TensorFlow、Caffe等)相比,PyTorch更简单、更快、更易于使用,而且性能更好。
2、使用ResNet作为深度学习模型。
我们通过对ImageNet上常用的神经网络模型及其错误率进行统计,统计结果如表4所示:
表4 ImageNet上常用的神经网络模型及其错误率统计表
Network | Top-1 error | Top-5 error |
AlexNet | 43.45 | 20.91 |
VGG-19 | 27.62 | 9.12 |
Densenet-161 | 22.35 | 6.20 |
Inception V3 | 22.55 | 6.44 |
ResNet-152 | 21.69 | 5.94 |
从表中可以看出,ResNet在所有5种网络模型中表现最佳。由于残差块,ResNet虽层数较高但仍然具有较低的复杂性。因此,只要考虑到并且处理好过拟合,增加深度就可以提高网络的精度。ResNet根据层输入,将层变为学习关于层输入的残差函数,而不是学习未参考的函数。尽管ResNet有多达152层,但是它的复杂度却很低。因此,本发明选择ResNet作为我们的主要训练模型。
步骤6、对ResNet深度学习模型进行训练,从而得到植物病害检测结果。
在训练集中使用超过32800个图片训练我们的网络模型,在测试集中使用的图片数也超过5000个。
对于错误率,许多研究中通常使用Top-1和Top-5。Top-1意味着具有最高概率的预测是否与目标标签相同。Top-5错误率用于测试目标标签是否是前5个预测中的一个,即5个最高概率的预测。由于Top-5的错误率非常接近于零,因此我们使用前2个错误率。
训练过程及训练结果如图4及图5所示,可以看出,前几次迭代的准确性不高,但它正在快速增长。经过一段时间的训练后,在第35次训练迭代后,验证的总体准确度达到了91.4%。最后我们用测试集图像进行测试,预测精度高达89.0%。
从实验结果可以看出,残差网络ResNet的精度非常高。此外,ResNet的训练时间(49小时)也非常短。虽然不同的计算机之间存在差异,但ResNet在我们的实验中确实表现的快速且优秀。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (4)
1.一种基于残差网络的植物病害检测方法,其特征在于包括以下步骤:
步骤1、建立植物疾病检测数据集,该检测数据集采用AIChallenger的全新叶病图像数据集;
步骤2、对数据集的类别和数量进行统计分析,将每种类型的图像从完整的数据集中分离出来并存储在相应的类别文件夹中,然后进行图像预处理;
步骤3、使用随机角度旋转、随机水平镜旋转、随机垂直镜旋转和随机仿射变换方法对图像进行增强处理;
步骤4、设置深度卷积神经网络训练的超参数;
步骤5、使用PyTorch作为深度学习框架,使用残差网络作为深度学习模型:
步骤6、对残差网络深度学习模型进行训练,从而得到植物病害检测结果。
2.根据权利要求1所述的一种基于残差网络ResNet的植物病害检测方法,其特征在于:所述步骤2的具体实现方法为:对数据集的类别和数量进行统计分析,将植物疾病检测数据集中的第44和第45个类别删除;使用Python代码将每种类型的图像从完整的数据集中分离出来并存储在相应的类别文件夹中;最后,将大尺寸的图片调整到合适的尺寸。
3.根据权利要求1所述的一种基于残差网络ResNet的植物病害检测方法,其特征在于:所述步骤3采用深度学习框架PyTorch的torchvision.transforms的图像增强功能实现。
4.根据权利要求1所述的一种基于残差网络ResNet的植物病害检测方法,其特征在于:所述步骤4中的超参数设置如下:训练次数为35,批大小为8,图像高度为650,图像宽度为650,组数为59,学习速率为0.0001,学习率衰减为0.0001,权重衰减为0.0001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124692.3A CN110033015A (zh) | 2019-02-20 | 2019-02-20 | 一种基于残差网络的植物病害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124692.3A CN110033015A (zh) | 2019-02-20 | 2019-02-20 | 一种基于残差网络的植物病害检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110033015A true CN110033015A (zh) | 2019-07-19 |
Family
ID=67235673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910124692.3A Pending CN110033015A (zh) | 2019-02-20 | 2019-02-20 | 一种基于残差网络的植物病害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033015A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415133A (zh) * | 2019-07-30 | 2019-11-05 | 四川大学 | 一种智慧农业医生管理系统及方法 |
CN110458109A (zh) * | 2019-08-13 | 2019-11-15 | 西南林业大学 | 一种基于图像识别技术的茶叶病害识别系统及工作方法 |
CN111046793A (zh) * | 2019-12-11 | 2020-04-21 | 北京工业大学 | 基于深度卷积神经网络的番茄病害识别方法 |
CN111144233A (zh) * | 2019-12-10 | 2020-05-12 | 电子科技大学 | 基于toim损失函数的行人重识别方法 |
CN111400536A (zh) * | 2020-03-11 | 2020-07-10 | 无锡太湖学院 | 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 |
CN112115824A (zh) * | 2020-09-07 | 2020-12-22 | 北京豆牛网络科技有限公司 | 果蔬检测方法、装置、电子设备以及计算机可读介质 |
CN112231535A (zh) * | 2020-10-23 | 2021-01-15 | 山东科技大学 | 一种农业病虫害领域多模态数据集制作方法、处理装置和存储介质 |
CN112668404A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种大豆病虫害的有效鉴定方法 |
CN112749675A (zh) * | 2021-01-20 | 2021-05-04 | 云南农业大学 | 一种基于卷积神经网络的马铃薯病害识别方法 |
CN112949796A (zh) * | 2021-03-23 | 2021-06-11 | 青岛农业大学 | 一种基于深度学习的混合式病虫害识别装置及方法 |
CN113405667A (zh) * | 2021-05-20 | 2021-09-17 | 湖南大学 | 基于深度学习的红外热人体姿态识别方法 |
CN112115824B (zh) * | 2020-09-07 | 2024-06-11 | 北京豆牛网络科技有限公司 | 果蔬检测方法、装置、电子设备以及计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648191A (zh) * | 2018-05-17 | 2018-10-12 | 吉林大学 | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 |
CN108921814A (zh) * | 2018-05-16 | 2018-11-30 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 |
CN109086826A (zh) * | 2018-08-06 | 2018-12-25 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
-
2019
- 2019-02-20 CN CN201910124692.3A patent/CN110033015A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921814A (zh) * | 2018-05-16 | 2018-11-30 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 |
CN108648191A (zh) * | 2018-05-17 | 2018-10-12 | 吉林大学 | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 |
CN109086826A (zh) * | 2018-08-06 | 2018-12-25 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
Non-Patent Citations (3)
Title |
---|
杨国亮等: "基于参数指数非线性残差神经网络的脐橙病变叶片识别", 《浙江农业学报》 * |
杨欧等: "《基于物联网平台的智能服务机器人设计》", 31 January 2018 * |
赵广辉: "《Python语言及其应用》", 31 January 2019 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415133A (zh) * | 2019-07-30 | 2019-11-05 | 四川大学 | 一种智慧农业医生管理系统及方法 |
CN110458109A (zh) * | 2019-08-13 | 2019-11-15 | 西南林业大学 | 一种基于图像识别技术的茶叶病害识别系统及工作方法 |
CN111144233B (zh) * | 2019-12-10 | 2022-06-14 | 电子科技大学 | 基于toim损失函数的行人重识别方法 |
CN111144233A (zh) * | 2019-12-10 | 2020-05-12 | 电子科技大学 | 基于toim损失函数的行人重识别方法 |
CN111046793A (zh) * | 2019-12-11 | 2020-04-21 | 北京工业大学 | 基于深度卷积神经网络的番茄病害识别方法 |
CN111046793B (zh) * | 2019-12-11 | 2023-05-02 | 北京工业大学 | 基于深度卷积神经网络的番茄病害识别方法 |
CN111400536A (zh) * | 2020-03-11 | 2020-07-10 | 无锡太湖学院 | 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 |
CN111400536B (zh) * | 2020-03-11 | 2023-09-22 | 无锡太湖学院 | 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 |
CN112115824A (zh) * | 2020-09-07 | 2020-12-22 | 北京豆牛网络科技有限公司 | 果蔬检测方法、装置、电子设备以及计算机可读介质 |
CN112115824B (zh) * | 2020-09-07 | 2024-06-11 | 北京豆牛网络科技有限公司 | 果蔬检测方法、装置、电子设备以及计算机可读介质 |
CN112231535B (zh) * | 2020-10-23 | 2022-11-15 | 山东科技大学 | 一种农业病虫害领域多模态数据集制作方法、处理装置和存储介质 |
CN112231535A (zh) * | 2020-10-23 | 2021-01-15 | 山东科技大学 | 一种农业病虫害领域多模态数据集制作方法、处理装置和存储介质 |
CN112668404A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种大豆病虫害的有效鉴定方法 |
CN112749675A (zh) * | 2021-01-20 | 2021-05-04 | 云南农业大学 | 一种基于卷积神经网络的马铃薯病害识别方法 |
CN112949796A (zh) * | 2021-03-23 | 2021-06-11 | 青岛农业大学 | 一种基于深度学习的混合式病虫害识别装置及方法 |
CN113405667A (zh) * | 2021-05-20 | 2021-09-17 | 湖南大学 | 基于深度学习的红外热人体姿态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033015A (zh) | 一种基于残差网络的植物病害检测方法 | |
Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
Xie et al. | A deep-learning-based real-time detector for grape leaf diseases using improved convolutional neural networks | |
Song et al. | Kiwifruit detection in field images using Faster R-CNN with VGG16 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
Mehta et al. | Exploring the Potential of Convolutional Neural Networks in Automatic Diagnosis of Dragon Fruit Diseases from Plant Photographs | |
Singh et al. | Potato plant leaves disease detection and classification using machine learning methodologies | |
Junos et al. | An optimized YOLO‐based object detection model for crop harvesting system | |
Chen et al. | Citrus fruits maturity detection in natural environments based on convolutional neural networks and visual saliency map | |
Yu et al. | A recognition method of soybean leaf diseases based on an improved deep learning model | |
Suo et al. | Casm-amfmnet: A network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases | |
Singh et al. | Comparison of RSNET model with existing models for potato leaf disease detection | |
Brar et al. | A smart approach to coconut leaf spot disease classification using computer vision and deep learning technique | |
Das | Leaf Disease Classification in Bell Pepper Plant using VGGNet | |
Dhanasekaran et al. | Intelligent System to Analyse Plant Diseases using Machine Learning Techniques | |
Rokhman et al. | Systematic review of the early detection and classification of plant diseases using deep learning | |
Singh et al. | Leaf Disease Detection Using Deep Neural Network | |
Roy et al. | Disease Detection in Paddy Crop using Machine Learning Techniques | |
Pho et al. | Segmentation-driven hierarchical retinanet for detecting protozoa in micrograph | |
CN114937172A (zh) | 一种基于改进yolov3的葡萄病害识别方法及系统 | |
Kundur et al. | Ensemble Efficient Net and ResNet model for Crop Disease Identification | |
Huang et al. | An efficient convolutional neural network-based diagnosis system for citrus fruit diseases | |
Dong et al. | Measurement method of plant phenotypic parameters based on image deep learning | |
Dahiya et al. | An Effective Detection of Litchi Disease using Deep Learning | |
Kundur et al. | Pest Detection and Recognition: An approach using Deep Learning Techniques |
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: 20190719 |
|
WD01 | Invention patent application deemed withdrawn after publication |