CN110070071A - 一种基于图像识别的生姜茎叶病虫害识别方法及系统 - Google Patents

一种基于图像识别的生姜茎叶病虫害识别方法及系统 Download PDF

Info

Publication number
CN110070071A
CN110070071A CN201910364181.9A CN201910364181A CN110070071A CN 110070071 A CN110070071 A CN 110070071A CN 201910364181 A CN201910364181 A CN 201910364181A CN 110070071 A CN110070071 A CN 110070071A
Authority
CN
China
Prior art keywords
leaf
stem
ginger
pest
image
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.)
Granted
Application number
CN201910364181.9A
Other languages
English (en)
Other versions
CN110070071B (zh
Inventor
姜玉松
任芳新
黄孟军
廖钦洪
李哲馨
吴林
兰建彬
刘奕清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Arts and Sciences
Original Assignee
Chongqing University of Arts and Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Arts and Sciences filed Critical Chongqing University of Arts and Sciences
Priority to CN201910364181.9A priority Critical patent/CN110070071B/zh
Publication of CN110070071A publication Critical patent/CN110070071A/zh
Application granted granted Critical
Publication of CN110070071B publication Critical patent/CN110070071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于图像识别的生姜茎叶病虫害识别方法，包括生姜茎叶病虫害识别深度神经网络训练方法和生姜茎叶病虫害深度神经网络识别方法；以及基于图像识别的生姜茎叶病虫害识别系统，其特征在于：该系统由茎叶识别模块、图像归一化模块、模型预测模块组成，分别完成对图像中生姜茎、叶的识别，以及对茎叶区域的归一化处理和使用训练完成模型进行病虫害分类判决；通过图像自动识别，快速、准确完成对生姜种植过程中的病虫害的发生进行分类和判决；系统的输入为图像，在生产过程中，生姜种植者获取生姜图像成本较低、快捷，利于生姜种植者的操作及病虫害的快速确认和分类，使得生姜种植者对种植生姜的病虫害情况快速、充分了解，及时合理采取应对措施。

Description

一种基于图像识别的生姜茎叶病虫害识别方法及系统
技术领域
本发明涉及图像识别技术领域，具体涉及一种基于图像识别的生姜茎叶病虫害识别方法 及系统。
背景技术
日常生活中，生姜需求大，我国的生姜种植面积广，产量和产值高；在生姜种植过程中， 生姜病虫害危害极大，然而在当前绿色生活、健康生活的环境下，如何合理使用药物确保生 姜产量，问题在于无法快速及时了解生姜种植过程中病虫害种类，做到对症下药，减少药物 滥用。
发明内容
本发明的目的在于提供一种基于图像识别的生姜茎叶病虫害识别方法，通过图像识别的 方法，完成生姜种植过程中的病虫害的准确分类和识别。
本发明的另一目的在于提供一种基于图像识别的生姜茎叶病虫害识别系统，完成生姜种 植过程中的病虫害的快速、准确识别。
本发明目的按如下技术方案实现：
一种基于图像识别的生姜茎叶病虫害识别方法，包括一种生姜茎叶病虫害识别深度神经 网络训练方法和一种生姜茎叶病虫害深度神经网络识别方法；
上述一种生姜茎叶病虫害识别深度神经网络训练方法，该方法包括：
识别训练集中图像中的生姜茎和叶区域；
对所述茎和叶的区域进行截取，并做归一化处理，得到茎归一化图像、叶归一化图像；
将茎归一化图像和叶归一化图像分别输入到茎病虫害分类深度神经网络和叶病虫害分 类深度神经网络进行训练，得到茎病虫害分类深度神经网络模型和叶病虫害分类深度神经网 络模型；
其中，所述茎病虫害分类深度神经网络和叶病虫害分类深度神经网络均采用MobileNet 结构，所述MobileNet结构输入层为卷积层，输出层为全链接层；所述茎病虫害分类深度神 经网络和叶病虫害分类深度神经网络的损失函数均采用triplet函数；所述triple函数连接全 连接层输出；
最后，将茎病虫害分类深度神经网络和叶病虫害分类深度神经网络的全链接层输出特征 拼接之后再输入全链接层和softmax损失函数；
所述将茎病虫害分类深度神经网络和叶病虫害分类深度神经网络的全链接层输出特征 拼接如下：
式中，为茎病虫害分类深度神经网络输出特征，为叶病虫害分类深度神经网络输出特征；为拼接后特征；
两个triplet损失函数和softmax损失函数融合为总损失函数：
其中，La为总损失函数，L1为茎病虫害分类深度神经网络的triplet损失函数，L2为叶 病虫害分类深度神经网络的triplet损失函数，L3为softmax损失函数；λ1，λ2，λ3为对应的 权重值，分别为0.1，0.1，0.8；
上述一种生姜茎叶病虫害深度神经网络识别方法，该方法包括：
识别训练集中图像中的生姜茎和叶区域；
对所述茎和叶的区域进行截取，并做归一化处理，得到茎归一化图像、叶归一化图像；
将茎归一化图像和叶归一化图像分别输入到训练后的茎病虫害分类深度神经网络模型 和叶病虫害分类深度神经网络模型，得到识别茎叶病虫害的特征信息；
将茎病虫害的特征信息与叶病虫害的特征信息拼接再输入全链接层，对输出全链接层特 征进行判决分类，识别出茎叶病虫害结果。
优选的，识别训练集中图像中的生姜茎和叶区域，采用线下训练完成的生姜茎识别模型 和生姜叶识别模型；
所述生姜茎识别模型用于图像中生姜茎的识别，输出为生姜茎的匹配矩形框；
所述生姜叶识别模型用于图像中生姜叶的识别，输出为生姜叶的匹配矩形框。
优选的，对所述茎和叶的区域进行截取，并做归一化处理，得到茎归一化图像和叶归一 化图像，包括：
将茎和叶的区域采用矩形框进行截取；
将截取的矩形框采用三样条差值方法resize到固定长宽尺度上得到茎归一化图像和叶 归一化图像；
优选的，所述茎归一化图像尺度为：宽50，高200；所述叶归一化图像尺度为宽200，高50。
优选的，所述茎归一化图像和叶归一化图像分别输入茎病虫害分类深度神经网络和叶病 虫害分类深度神经网络进行训练，得到茎病虫害分类深度神经网络模型和叶病虫害分类深度 神经网络模型，包括：
将归一化后的茎归一化图像和叶归一化图像输入到茎病虫害分类深度神经网络和叶病 虫害分类深度神经网络的第一层卷积层完成卷积运算；
将得到的卷积运算结果输入到所述网络的下一级卷积层计算，至第N层卷积层完成卷 积运算，再链接全链接层；
将全链接层输出特征与归一化后的茎归一化图像和叶归一化图像的标签输入损失函数， 计算损失值，根据损失值反向传播更新网络参数；
根据所述训练结果确定所述茎病虫害分类深度神经网络模型和叶病虫害分类深度神经 网络模型；
所述茎归一化图像和叶归一化图像的标签为生姜茎叶病虫害分类，为非负整数，0表示 茎叶无病虫害。
根据上述方法，本发明提供了一种基于图像识别的生姜茎叶病虫害识别系统，该系统包 括：茎叶识别模块、图像归一化模块、模型预测模块；其中，
所述茎叶识别模块用于获取图像中生姜茎和叶区域；
所述图像归一化模块，用于对所述图像中生姜茎和叶区域进行归一化处理，得到茎归一 化图像和叶归一化图像；
所述模型预测模块，将茎归一化图像和叶归一化图像分别输入训练后的茎病虫害分类深 度神经网络模型和叶病虫害分类深度神经网络模型，得到识别茎叶病虫害的特征信息；将茎 病虫害的特征信息与叶病虫害的特征信息拼接再输入全链接层，对输出全链接层特征进行判 决分类，识别出茎叶病虫害结果。
本发明具有如下有益效果：
本发明提供了一种基于图像识别的生姜茎叶病虫害识别方法及系统，通过图像自动识别， 快速、准确完成对生姜种植过程中的病虫害的发生进行分类和判决；该系统的输入为图像， 在生产过程中，生姜种植者获取生姜图像成本较低、快捷，利于生姜种植者的操作及病虫害 的快速确认和分类，使得生姜种植者对种植生姜的病虫害情况快速、充分了解，及时合理采 取应对措施。
附图说明
图1：基于图像识别的生姜茎、叶病虫害分类深度神经网络模型训练流程。
图2：基于图像识别的生姜茎叶病虫害分类深度神经网络拼接特征训练流程。
图3、基于图像识别的生姜茎叶病虫害识别系统模块结构示意图。
具体实施方式
下面通过实施例对本发明进行具体的描述，有必要在此指出的是以下实施例只用于对本 发明进行进一步说明，不能理解为对本发明保护范围的限制，该领域的技术人员可以根据上 述本发明内容对本发明作出一些非本质的改进和调整。
实施例1
一种基于图像识别的生姜茎叶病虫害识别方法，包括一种生姜茎叶病虫害识别深度神经 网络训练方法和一种生姜茎叶病虫害深度神经网络识别方法；
其中一种生姜茎叶病虫害识别深度神经网络训练方法，首先如图1所示，完成茎、叶病 虫害深度神经网络模型的训练，具体为：
识别带有标签的图像中茎、叶区域：采用线下训练的生姜茎识别模型和生姜叶识别模型 识别训练集中图像中的生姜茎和叶区域；
其中标签为生姜茎叶病虫害分类，为非负整数，0表示茎叶无病虫害；
图像归一化处理：对所述茎和叶的区域进行截取，并做归一化处理，将截取的矩形框采 用三样条差值方法resize到固定长宽尺度上得到茎归一化图像和叶归一化图像，得到茎归一 化图像、叶归一化图像；其中茎归一化图像尺度为：宽50，高200；所述叶归一化图像尺度 为宽200，高50；
茎、叶病虫害模型训练：将茎归一化图像和叶归一化图像分别输入到茎病虫害分类深度 神经网络和叶病虫害分类深度神经网络进行训练，得到茎病虫害分类深度神经网络模型和叶 病虫害分类深度神经网络模型；
其中，所述茎病虫害分类深度神经网络和叶病虫害分类深度神经网络均采用MobileNet 结构，所述MobileNet结构输入层为卷积层，输出层为全链接层；所述茎病虫害分类深度神 经网络和叶病虫害分类深度神经网络的损失函数均采用triplet函数；所述triple函数连接全 连接层输出。
然后，如图2所示，将茎、叶病虫害分类深度神经网络的输出特征进行拼接融合训练， 具体为：
识别图像中茎、叶区域：采用线下训练的生姜茎识别模型和生姜叶识别模型识别训练集 中图像中的生姜茎和叶区域；
图像归一化处理：对所述茎和叶的区域进行截取，并做归一化处理，将截取的矩形框采 用三样条差值方法resize到固定长宽尺度上得到茎归一化图像和叶归一化图像，得到茎归一 化图像、叶归一化图像；其中茎归一化图像尺度为：宽50，高200；所述叶归一化图像尺度 为宽200，高50；
茎、叶病虫害模型：将茎归一化图像和叶归一化图像分别输入到茎病虫害分类深度神经 网络模型和叶病虫害分类深度神经网络模型；得到茎病虫害分类深度神经网络输出特征 叶病虫害分类深度神经网络输出特征
拼接特征：将茎病虫害分类深度神经网络输出特征叶病虫害分类深 度神经网络输出特征进行拼接，得到拼接后特征如下：
拼接特征损失函数计算：将拼接特征输入全链接层中，使用softmax损失函数计算拼 接特征损失函数；
总损失函数计算：将两个triplet损失函数和softmax损失函数融合为总损失函数：
其中，La为总损失函数，L1为茎病虫害分类深度神经网络的triplet损失函数，L2为叶 病虫害分类深度神经网络的triplet损失函数，L3为softmax损失函数；λ1，λ2，λ3为对应的 权重值，分别为0.1，0.1，0.8。
最终，根据所述训练结果确定所述茎病虫害分类深度神经网络模型和叶病虫害分类深度 神经网络模型。
其中一种生姜茎叶病虫害深度神经网络识别方法，具体为：
识别图像中茎、叶区域：采用线下训练的生姜茎识别模型和生姜叶识别模型识别训练集 中图像中的生姜茎和叶区域；
图像归一化处理：对所述茎和叶的区域进行截取，并做归一化处理，将截取的矩形框采 用三样条差值方法resize到固定长宽尺度上得到茎归一化图像和叶归一化图像，得到茎归一 化图像、叶归一化图像；其中茎归一化图像尺度为：宽50，高200；所述叶归一化图像尺度 为宽200，高50；
茎、叶病虫害模型：
茎、叶病虫害模型训练：将茎归一化图像和叶归一化图像分别输入到茎病虫害分类深度 神经网络模型和叶病虫害分类深度神经网络模型；得到茎病虫害分类深度神经网络输出特征 叶病虫害分类深度神经网络输出特征
拼接特征：将茎病虫害分类深度神经网络输出特征叶病虫害分类深 度神经网络输出特征进行拼接，得到拼接后特征如下：
将拼接后特征输入全链接层，根据全链接层输出特征进行生姜病虫害分类判决。
实施例2
一种基于图像识别的生姜茎叶病虫害识别系统，如图3所示，由茎叶识别模块、图像归 一化模块、模型预测模块组成；三个模块依次顺序连接；
其中茎叶识别模块，用于获取图像中生姜茎和叶区域；
图像归一化模块，用于对所述图像中生姜茎和叶区域进行归一化处理，得到茎归一化图 像和叶归一化图像；
模型预测模块，将茎归一化图像和叶归一化图像分别输入训练后的茎病虫害分类深度神 经网络模型和叶病虫害分类深度神经网络模型，得到识别茎叶病虫害的特征信息；将茎病虫 害的特征信息与叶病虫害的特征信息拼接再输入全链接层，对输出全链接层特征进行判决分 类，识别出茎叶病虫害结果。

Claims (6)

1.一种基于图像识别的生姜茎叶病虫害识别方法，包括一种生姜茎叶病虫害识别深度神经网络训练方法和一种生姜茎叶病虫害深度神经网络识别方法；
所述一种生姜茎叶病虫害识别深度神经网络训练方法，该方法包括：
识别训练集中图像中的生姜茎和叶区域；
对所述茎和叶的区域进行截取，并做归一化处理，得到茎归一化图像、叶归一化图像；
将茎归一化图像和叶归一化图像分别输入到茎病虫害分类深度神经网络和叶病虫害分类深度神经网络进行训练，得到茎病虫害分类深度神经网络模型和叶病虫害分类深度神经网络模型；
其中，所述茎病虫害分类深度神经网络和叶病虫害分类深度神经网络均采用MobileNet结构，所述MobileNet结构输入层为卷积层，输出层为全链接层；所述茎病虫害分类深度神经网络和叶病虫害分类深度神经网络的损失函数均采用triplet函数；所述triple函数连接全连接层输出；
最后，将茎病虫害分类深度神经网络和叶病虫害分类深度神经网络的全链接层输出特征拼接之后再输入全链接层和softmax损失函数；
所述将茎病虫害分类深度神经网络和叶病虫害分类深度神经网络的全链接层输出特征拼接如下：
式中，为茎病虫害分类深度神经网络输出特征，为叶病虫害分类深度神经网络输出特征；为拼接后特征；
两个triplet损失函数和softmax损失函数融合为总损失函数：
其中，La为总损失函数，L1为茎病虫害分类深度神经网络的triplet损失函数，L2为叶病虫害分类深度神经网络的triplet损失函数，L3为softmax损失函数；λ1，λ2，λ3为对应的权重值，分别可以为0.1，0.1，0.8；
所述生姜茎叶病虫害深度生姜网络识别方法，该方法包括：
识别训练集中图像中的生姜茎和叶区域；
对所述茎和叶的区域进行截取，并做归一化处理，得到茎归一化图像、叶归一化图像；
将茎归一化图像和叶归一化图像分别输入到训练后的茎病虫害分类深度神经网络模型和叶病虫害分类深度神经网络模型，得到识别茎叶病虫害的特征信息；
将茎病虫害的特征信息与叶病虫害的特征信息拼接再输入全链接层，对输出全链接层特征进行判决分类，识别出茎叶病虫害结果。
2.如权利要求1所述的一种基于图像识别的生姜茎叶病虫害识别方法，其特征在于：识别训练集中图像中的生姜茎和叶区域，采用线下训练完成的生姜茎识别模型和生姜叶识别模型；
所述生姜茎识别模型用于图像中生姜茎的识别，输出为生姜茎的匹配矩形框；
所述生姜叶识别模型用于图像中生姜叶的识别，输出为生姜叶的匹配矩形框。
3.如权利要求2所述的一种基于图像识别的生姜茎叶病虫害识别方法，其特征在于：对所述茎和叶的区域进行截取，并做归一化处理，得到茎归一化图像和叶归一化图像，包括：
将茎和叶的区域采用矩形框进行截取；
将截取的矩形框采用三样条差值方法resize到固定长宽尺度上得到茎归一化图像和叶归一化图像。
4.如权利要求2所述的一种基于图像识别的生姜茎叶病虫害识别方法，其特征在于：对所述茎和叶的区域进行截取，并做归一化处理，得到茎归一化图像和叶归一化图像，所述茎归一化图像尺度为：宽50，高200；所述叶归一化图像尺度为宽200，高50。
5.如权利要求4所述的一种基于图像识别的生姜茎叶病虫害识别方法，其特征在于：所述茎归一化图像和叶归一化图像分别输入茎病虫害分类深度神经网络和叶病虫害分类深度神经网络进行训练，得到茎病虫害分类深度神经网络模型和叶病虫害分类深度神经网络模型，包括：
将归一化后的茎归一化图像和叶归一化图像输入到茎病虫害分类深度神经网络和叶病虫害分类深度神经网络的第一层卷积层完成卷积运算；
将得到的卷积运算结果输入到所述网络的下一级卷积层计算，至第N层卷积层完成卷积运算，再链接全链接层；
将全链接层输出特征与归一化后的茎归一化图像和叶归一化图像的标签输入损失函数，计算损失值，根据损失值反向传播更新网络参数；
根据所述训练结果确定所述茎病虫害分类深度神经网络模型和叶病虫害分类深度神经网络模型；
所述茎归一化图像和叶归一化图像的标签为生姜茎叶病虫害分类，为非负整数，0表示茎叶无病虫害。
6.如权利要求1-5任一项所述基于图像识别的生姜茎叶病虫害识别方法采用的系统，其特征在于：该系统由茎叶识别模块、图像归一化模块、模型预测模块组成；
所述茎叶识别模块用于获取图像中生姜茎和叶区域；
所述图像归一化模块，用于对所述图像中生姜茎和叶区域进行归一化处理，得到茎归一化图像和叶归一化图像；
所述模型预测模块，将茎归一化图像和叶归一化图像分别输入训练后的茎病虫害分类深度神经网络模型和叶病虫害分类深度神经网络模型，得到识别茎叶病虫害的特征信息；将茎病虫害的特征信息与叶病虫害的特征信息拼接再输入全链接层，对输出全链接层特征进行判决分类，识别出茎叶病虫害结果。
CN201910364181.9A 2019-04-30 2019-04-30 一种基于图像识别的生姜茎叶病虫害识别方法及系统 Active CN110070071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910364181.9A CN110070071B (zh) 2019-04-30 2019-04-30 一种基于图像识别的生姜茎叶病虫害识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910364181.9A CN110070071B (zh) 2019-04-30 2019-04-30 一种基于图像识别的生姜茎叶病虫害识别方法及系统

Publications (2)

Publication Number Publication Date
CN110070071A true CN110070071A (zh) 2019-07-30
CN110070071B CN110070071B (zh) 2021-03-16

Family

ID=67370136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910364181.9A Active CN110070071B (zh) 2019-04-30 2019-04-30 一种基于图像识别的生姜茎叶病虫害识别方法及系统

Country Status (1)

Country Link
CN (1) CN110070071B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569858A (zh) * 2019-08-27 2019-12-13 厦门中软海晟信息技术有限公司 一种基于深度学习算法的烟叶病虫害识别方法
CN111814591A (zh) * 2020-03-31 2020-10-23 同济大学 基于生成式对抗网络模型和ios平台的植物叶片识别系统
CN111986149A (zh) * 2020-07-16 2020-11-24 江西斯源科技有限公司 一种基于卷积神经网络的植物病虫害检测方法
CN112699805A (zh) * 2020-12-31 2021-04-23 上海市崇明区蔬菜科学技术推广站 蔬菜病虫害防治智能识别系统
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971556A (zh) * 2017-05-16 2017-07-21 中山大学 基于双网络结构的卡口车辆重识别方法
CN107886077A (zh) * 2017-11-17 2018-04-06 苏州健雄职业技术学院 一种基于微信公众号的农作物虫害识别方法及其系统
CN108229413A (zh) * 2018-01-16 2018-06-29 宁夏智启连山科技有限公司 病虫害类型识别方法及装置
CN108922560A (zh) * 2018-05-02 2018-11-30 杭州电子科技大学 一种基于混合深度神经网络模型的城市噪声识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971556A (zh) * 2017-05-16 2017-07-21 中山大学 基于双网络结构的卡口车辆重识别方法
CN107886077A (zh) * 2017-11-17 2018-04-06 苏州健雄职业技术学院 一种基于微信公众号的农作物虫害识别方法及其系统
CN108229413A (zh) * 2018-01-16 2018-06-29 宁夏智启连山科技有限公司 病虫害类型识别方法及装置
CN108922560A (zh) * 2018-05-02 2018-11-30 杭州电子科技大学 一种基于混合深度神经网络模型的城市噪声识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569858A (zh) * 2019-08-27 2019-12-13 厦门中软海晟信息技术有限公司 一种基于深度学习算法的烟叶病虫害识别方法
CN111814591A (zh) * 2020-03-31 2020-10-23 同济大学 基于生成式对抗网络模型和ios平台的植物叶片识别系统
CN111986149A (zh) * 2020-07-16 2020-11-24 江西斯源科技有限公司 一种基于卷积神经网络的植物病虫害检测方法
CN112699805A (zh) * 2020-12-31 2021-04-23 上海市崇明区蔬菜科学技术推广站 蔬菜病虫害防治智能识别系统
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

Also Published As

Publication number Publication date
CN110070071B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN110070071A (zh) 一种基于图像识别的生姜茎叶病虫害识别方法及系统
CN108133436A (zh) 自动判案方法及系统
CN106845528A (zh) 一种基于K‑means与深度学习的图像分类算法
CN106997475B (zh) 一种基于并行卷积神经网络的害虫图像识别方法
CN108648191A (zh) 基于贝叶斯宽度残差神经网络的害虫图像识别方法
CN109190643A (zh) 基于卷积神经网络中药识别方法及电子设备
CN106650796A (zh) 一种基于人工智能的细胞荧光图像分类方法和系统
CN111127423B (zh) 一种基于cnn-bp神经网络算法水稻病虫害识别方法
CN111339930A (zh) 一种联合口罩属性损失函数的人脸识别方法
CN110705655A (zh) 一种基于光谱和机器视觉耦合的烟叶分类方法
CN110479636A (zh) 基于神经网络自动分拣烟叶的方法及装置
CN107463937A (zh) 一种基于迁移学习的番茄病虫害自动检测方法
Tarik et al. Potato disease detection using machine learning
CN112801942A (zh) 一种基于注意力机制的柑橘黄龙病图像识别方法
CN113657294A (zh) 一种基于计算机视觉的作物病虫害检测方法及系统
CN116153495A (zh) 一种食管癌患者免疫治疗预后生存预测方法
CN110222592A (zh) 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法
Mahbub et al. Detect bangladeshi mango leaf diseases using lightweight convolutional neural network
CN110059568A (zh) 基于深层卷积神经网络的多类白细胞自动识别方法
Naeem et al. Deep Learning Models for Cotton Leaf Disease Detection with VGG-16
Sakhamuri et al. RETRACTED: An Overview on Prediction of Plant Leaves Disease using Image Processing Techniques
Aufar et al. Robusta coffee leaf diseases detection based on MobileNetV2 model
Prasher et al. Analysis of DenseNet201 with SGD optimizer for diagnosis of multiple rice leaf diseases
Dubey et al. Reliable detection of blast disease in rice plant using optimized artificial neural network
Seelwal et al. Automatic Detection of Rice Diseases using Deep Convolutional Neural Networks with SGD and ADAM

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