CN110097107A - 基于卷积神经网络的苹果树干病害识别与分类方法 - Google Patents
基于卷积神经网络的苹果树干病害识别与分类方法 Download PDFInfo
- Publication number
- CN110097107A CN110097107A CN201910330282.4A CN201910330282A CN110097107A CN 110097107 A CN110097107 A CN 110097107A CN 201910330282 A CN201910330282 A CN 201910330282A CN 110097107 A CN110097107 A CN 110097107A
- Authority
- CN
- China
- Prior art keywords
- disease
- loss function
- picture
- neural networks
- convolutional neural
- 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
- G06F18/21—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于卷积神经网络的苹果树干病害识别与分类方法。将苹果树干的病害图片进行实地采集,考虑到拍摄位置,空间以及光线对图片质量的影响,对数据集进行了扩充,既能提高准确率的同时,更多的考虑到实际情况给卷积神经网络模型带来的负面影响。与人工判断病害费时费力,以及不稳定性相比,只需要借助一定的硬件模块并结合卷积神经网络模型就能准确的识别病害并做出及时的反馈和针对措施,不但节省人力和物力,还能最大化果园的经济效益。
Description
技术领域
本发明涉及果树病害防治领域,具体涉及基于卷积神经网络的苹果树干病害识别与分类方法。
背景技术
苹果树干的轮纹病和腐烂病是世界性的苹果灾害,是影响苹果质量和产量的主要威胁因素。苹果树干病害严重影响了苹果的质量和产量,给果农造成了严重的经济损失。传统的苹果树干病害识别与分类方法过于依赖于个人的经验和肉眼观察,费时费力,不适合大面积果园的病害管理。
因此提出一个基于深度学习的卷积神经网络模型实现对苹果树干病害识别的方法,它可以使用神经网络的优势提取病害部分的特征,用深度学习的方法对目标病害区域实现识别与分类,能快最快速的对苹果树干病害进行有效的治理措施。
发明内容
为了解决上述的技术问题,本发明的目的在于提供基于卷积神经网络的苹果树干病害识别与分类方法。
本发明所要解决的技术问题为:
(1)如何对树干病害图片进行识别与分类。
本发明的目的可以通过以下技术方案实现:
基于卷积神经网络的苹果树干病害识别与分类方法,包括以下步骤:
步骤一:收集的苹果树干病害图片进行预处理:通过拍摄装置实地拍摄苹果树干病害图片,并通过人工判断的方法去除病害区域阴影重叠的图片,在保持长宽比的同时,调整图像的大小,使得长宽尺寸相同,随机裁剪到224×224;
步骤二:使用翻转变换和镜像对称扩展图像数据集,对图片进行水平翻转,垂直翻转,镜像翻转和添加噪声,得到扩充后的苹果树干病害数据集图片;
步骤三:基于预训练模型微调的VGG19模型,利用Focalloss损失函数替换VGG19最后一层的Softmax损失函数,其中,前16层的卷积层对输入图像进行从低到高的图像特征自学习,其中更加深层的卷积层降低特征图的分辨率,并且提取更抽象的高层特征,最后两个的FC6和FC7的全连接层获取到复杂的综合特征信息,而损失函数层,则采用基于交叉熵损失函数的Focalloss损失函数来替换传统的Softmax损失函数;
步骤四:利用扩充后的苹果树干病害数据集图片,将输入的苹果树干病害数据集图像调整为预设值来训练改进后的VGG19模型,提取病害图像的特征,得到特征提取模型,再通过所述特征提取模型提取树干的病害特征,最后保存算法模型作为用于对实地实时拍摄图片做出预测的卷积神经网络模型;
步骤五:通过拍摄装置采集树干图像,再通过无线装置将拍摄的树干图片传输至远程数据终端,远程数据终端使用步骤四中得到的卷积神经网络模型测试采集的图片并做出树干病害的识别和分类。
进一步的,定义的Focalloss损失函数经过如下步骤获得:
S1、Softmax损失函数可表示为:
其中,yi表示第i个样本的标签,sj表示分类得分向量s的第j个元素;
S2、Centerloss的定义公式如下:
其中yi表示第i个样本的标签,xi表示提取的特征,cyi表示第i个样本的类别;
S3、将Centerloss直接添加到Softmax损失函数,得到:
其中Ls表示Softmax损失函数,Lc表示中心损失函数,λ用于平衡两个损失函数的权重,范围在0到1之间,两种函数基于配合权重从而联合进行训练,loss的权重为λ,若λ=0,表示损失函数部分只有Softmax函数,若λ=1,表示损失函数部分只有Centerloss函数;
S4、对于二分类问题模型,公式如下:
其中p表示概率,y的值是1或-1,p的范围为0到1;
S5、用Pt代替p,得到公式:
S6、将交叉熵损失函数改写为CE(p,y)=CE(Pt)=-log(Pt);
S7、为了使定义的损失函数在交叉熵损失中增加一个调节因子(1-Pt)γ,使之具有可调性,最后得到Focalloss损失函数为:
FL(Pt)=-(1-Pt)γlog(Pt);
其中(1-Pt)γ称为调制系数,参数γ≥0。
进一步的,所述无线装置为NB-IOT无线收发器,且所述远程数据终端包括用于负责处理、运算硬件内部的所有数据的中央处理器模块,用于显示硬件系统所处的状态信息,并且能够及时显示终端识别和判断病害类别信息的液晶显示屏装置。
本发明的有益效果:本发明将苹果树干的病害图片进行实地采集,考虑到拍摄位置,空间以及光线对图片质量的影响,对数据集进行了扩充,既能提高准确率的同时,更多的考虑到实际情况给卷积神经网络模型带来的负面影响。
与人工判断病害费时费力,以及不稳定性相比,本发明只需要借助一定的硬件模块并结合卷积神经网络模型就能准确的识别病害并做出及时的反馈和针对措施,不但节省人力和物力,还能最大化果园的经济效益。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明总体框架流程图;
图2是本发明训练阶段的流程图;
图3是本发明测试阶段的流程图;
图4深度学习的VGG模型的框架图;
图5是为改进后的算法模型与其他算法的准确率趋势对比图;
图6是为改进后的算法模型对比其他两种损失函数的loss曲线和准确率的趋势图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-6所示,本实施例提供了基于卷积神经网络的苹果树干病害识别与分类方法,包括以下步骤:
步骤一:收集的苹果树干病害图片进行预处理:通过拍摄装置实地拍摄苹果树干病害图片,并通过人工判断的方法去除病害区域阴影重叠的图片,在保持长宽比的同时,调整图像的大小,使得长宽尺寸相同,随机裁剪到224×224;
步骤二:使用翻转变换和镜像对称扩展图像数据集,对图片进行水平翻转,垂直翻转,镜像翻转和添加噪声,得到扩充后的苹果树干病害数据集图片;
步骤三:基于预训练模型微调的VGG19模型,利用Focalloss损失函数替换VGG19最后一层的Softmax损失函数。其中,前16层的卷积层对输入图像进行从低到高的图像特征自学习,其中更加深层的卷积层降低特征图的分辨率,并且提取更抽象的高层特征,全连接层包含FC6和FC7,最后两个的FC6和FC7的全连接层获取到复杂的综合特征信息,而损失函数层,则采用基于交叉熵损失函数的Focalloss损失函数来替换传统的Softmax损失函数;为了验证我们定义的损失函数在数据集上获得的最好效果,我们与传统的Softmax损失函数和Centerloss损失函数进行了对比,用来验证改进后的模型的高准确率。
步骤四:利用扩充后的苹果树干病害数据集图片,将输入的苹果树干病害数据集图像调整为预设值来训练改进后的VGG19模型,提取病害图像的特征,得到特征提取模型,再通过特征提取模型提取树干的病害特征,最后保存算法模型作为用于对实地实时拍摄图片做出预测的卷积神经网络模型;与其它五种卷积神经网络架构AlexNet,VGGNet,GooleNet,ResNet和SENet预测的准确率相对比,确认改进后的模型在苹果树干病害的数据集上得到最高的分类准确率。最终将改进后的模型应用为苹果树干病害分类和识别的卷积神经网络模型,并用来对病害数据集进行识别和分类;
步骤五:通过拍摄装置采集树干图像,再通过无线装置将拍摄的树干图片传输至远程数据终端,远程数据终端使用步骤四中得到的卷积神经网络模型测试采集的图片并做出树干病害的识别和分类。
定义的Focalloss损失函数经过如下步骤获得:
S1、Softmax损失函数可表示为:
其中,yi表示第i个样本的标签,sj表示分类得分向量s的第j个元素;
S2、Centerloss的定义公式如下:
其中yi表示第i个样本的标签,xi表示提取的特征,cyi表示第i个样本的类别;
S3、将Centerloss直接添加到Softmax损失函数,得到:
其中Ls表示Softmax损失函数,Lc表示中心损失函数,λ用于平衡两个损失函数的权重,范围在0到1之间,两种函数基于配合权重从而联合进行训练,loss的权重为λ,若λ=0,表示损失函数部分只有Softmax函数,若λ=1,表示损失函数部分只有Centerloss函数;
S4、对于二分类问题模型,公式如下:
其中p表示概率,y的值是1或-1,p的范围为0到1;
S5、用Pt代替p,得到公式:
S6、将交叉熵损失函数改写为CE(p,y)=CE(Pt)=-log(Pt);
S7、为了使定义的损失函数在交叉熵损失中增加一个调节因子(1-Pt)γ,使之具有可调性,最后得到Focalloss损失函数为:
FL(Pt)=-(1-Pt)γlog(Pt);
其中(1-Pt)γ称为调制系数,参数γ≥0。
无线装置为NB-IOT无线收发器,且远程数据终端包括用于负责处理、运算硬件内部的所有数据的中央处理器模块,用于显示硬件系统所处的状态信息,并且能够及时显示终端识别和判断病害类别信息的液晶显示屏装置。
AlexNet,VGGNet,GooleNet,ResNet和SENet,它们从2012年(AlexNet)到2017年(SENet)都在ImageNet大规模识别挑战赛(ILSVRC)取得了很好的分类准确率。深度学习比最先进的传统机器学习算法更好,极大地提高了图像分类和识别的能力,对于每种的训练模型,测试了不同的超参数对不同框架的影响,以便找出最佳模型的测试结果,在表1中报告了这五种CNN架构的分类准确度(百分比)。
表1
表1中,可以得到如下的信息,不同的卷积层深度对训练出来模型在测试集的分类结果是不同的。一般而言,卷积层的层数越多,也就能够从原图像中学习到更加复杂的特征。浅层网络对于图像中目标特征的学习效果并不令人满意,浅层的卷积神经网络如AlexNet在测试集上取得0.896的准确率;而深层网络GoogLeNet,VGGNet-19,ResNet-50和SE-ResNet-50在测试集上的测试准确率分别是0.92,0.925,0.916和0.915。根本原因是深层的网络所提取到的特征图带有更多的特征信息。这表示,更深层的网络能够提取到更多的特征信息和语义信息,对实验的效果有更好的性能。
不同定义的损失函数对不同卷积神经网络模型的影响。传统的卷积神经网络的最后的loss层一般为Softmax的损失函数,通过Softmax函数,可以使得预测类别的概率的范围在[0,1]之间。在回归和分类问题中,通常是待求参数,通过寻找,使得最大的作为最佳衡量分类性能好坏的参数。图5中结果显示,相对于Softmax这种传统的损失函数,定义的Focalloss损失函数在VGG19卷积神经网络上可以将我们数据集的分类准确率提高到94.5%,相比于经典的卷积神经网络像GoogLeNet,ResNet-50,和SE-ResNet-50准确率提高了将近2%。在VGG19模型下,与Softmax损失函数相比,使用Centerloss损失函数的准确率提高了1.3%,使用Focalloss损失函数的准确率提高2%。
图6则展示了基于VGG19网络结构的不同loss函数在测试集上表现的趋势。从图6可观察到,Softmax损失函数在我们数据集上抖动的比较剧烈,收敛性能较差,以至于到最后迭代快完成时仍很难看出收敛的趋势,Centerloss损失函数相较于Softmax损失函数,收敛性能比较平滑,但是在整个数据集上的迭代仍会出现小幅度的抖动。FocalLoss会让整个Loss的曲线十分平滑,下降很稳定。在以往正负样本不平衡的情况下,一定是避免不了困难样本的挖掘,这些难分类样本的不稳定会使Loss抖动比较剧烈。而FocalLoss相当于是增加调制系数后的交叉熵损失函数,这个机制让Loss的下降更稳定,导致分类的准确率相对于Softmax损失函数模型有接近2%的提升。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (3)
1.基于卷积神经网络的苹果树干病害识别与分类方法,其特征在于,包括以下步骤:
步骤一:收集的苹果树干病害图片进行预处理:通过拍摄装置实地拍摄苹果树干病害图片,并通过人工判断的方法去除病害区域阴影重叠的图片,在保持长宽比的同时,调整图像的大小,使得长宽尺寸相同,随机裁剪到224×224;
步骤二:使用翻转变换和镜像对称扩展图像数据集,对图片进行水平翻转,垂直翻转,镜像翻转和添加噪声,得到扩充后的苹果树干病害数据集图片;
步骤三:基于预训练模型微调的VGG19模型,利用Focalloss损失函数替换VGG19最后一层的Softmax损失函数,其中,前16层的卷积层对输入图像进行从低到高的图像特征自学习,其中更加深层的卷积层降低特征图的分辨率,并且提取更抽象的高层特征,最后两个的FC6和FC7的全连接层获取到复杂的综合特征信息,而损失函数层,则采用基于交叉熵损失函数的Focalloss损失函数来替换传统的Softmax损失函数;
步骤四:利用扩充后的苹果树干病害数据集图片,将输入的苹果树干病害数据集图像调整为预设值来训练改进后的VGG19模型,提取病害图像的特征,得到特征提取模型,再通过所述特征提取模型提取树干的病害特征,最后保存算法模型作为用于对实地实时拍摄图片做出预测的卷积神经网络模型;
步骤五:通过拍摄装置采集树干图像,再通过无线装置将拍摄的树干图片传输至远程数据终端,远程数据终端使用步骤四中得到的卷积神经网络模型测试采集的图片并做出树干病害的识别和分类。
2.根据权利要求1所述的基于卷积神经网络的苹果树干病害识别与分类方法,其特征在于,定义的Focalloss损失函数经过如下步骤获得:
S1、Softmax损失函数可表示为:
其中,yi表示第i个样本的标签,sj表示分类得分向量s的第j个元素;
S2、Centerloss的定义公式如下:
其中yi表示第i个样本的标签,xi表示提取的特征,cyi表示第i个样本的类别;
S3、将Centerloss直接添加到Softmax损失函数,得到:
其中Ls表示Softmax损失函数,Lc表示中心损失函数,λ用于平衡两个损失函数的权重,范围在0到1之间,两种函数基于配合权重从而联合进行训练,loss的权重为λ,若λ=0,表示损失函数部分只有Softmax函数,若λ=1,表示损失函数部分只有Centerloss函数;
S4、对于二分类问题模型,公式如下:
其中p表示概率,y的值是1或-1,p的范围为0到1;
S5、用Pt代替p,得到公式:
S6、将交叉熵损失函数改写为CE(p,y)=CE(Pt)=-log(Pt);
S7、为了使定义的损失函数在交叉熵损失中增加一个调节因子(1-Pt)γ,使之具有可调性,最后得到Focalloss损失函数为:
FL(Pt)=-(1-Pt)γlog(Pt);
其中(1-Pt)γ称为调制系数,参数γ≥0。
3.根据权利要求1所述的基于卷积神经网络的苹果树干病害识别与分类方法,其特征在于,所述无线装置为NB-IOT无线收发器,且所述远程数据终端包括用于负责处理、运算硬件内部的所有数据的中央处理器模块,用于显示硬件系统所处的状态信息,并且能够及时显示终端识别和判断病害类别信息的液晶显示屏装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330282.4A CN110097107A (zh) | 2019-04-23 | 2019-04-23 | 基于卷积神经网络的苹果树干病害识别与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330282.4A CN110097107A (zh) | 2019-04-23 | 2019-04-23 | 基于卷积神经网络的苹果树干病害识别与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110097107A true CN110097107A (zh) | 2019-08-06 |
Family
ID=67445635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910330282.4A Pending CN110097107A (zh) | 2019-04-23 | 2019-04-23 | 基于卷积神经网络的苹果树干病害识别与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097107A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553277A (zh) * | 2020-04-28 | 2020-08-18 | 电子科技大学 | 一种引入一致性约束的中文签名鉴定方法及终端 |
CN112560575A (zh) * | 2020-11-09 | 2021-03-26 | 北京物资学院 | 一种红富士苹果外形数据增强装置和方法 |
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 |
CN112884025A (zh) * | 2021-02-01 | 2021-06-01 | 安徽大学 | 一种基于多特征分段式训练的茶叶病害分类系统 |
CN113129277A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学深圳国际研究生院 | 基于卷积神经网络的舌苔检测系统 |
CN113515969A (zh) * | 2020-04-09 | 2021-10-19 | 广西壮族自治区自然资源信息中心 | 基于卷积神经网络的多时态遥感影像地表覆盖分类方法 |
CN116310913A (zh) * | 2023-05-12 | 2023-06-23 | 江苏苏海信息科技(集团)有限公司 | 基于小型无人机测量技术的自然资源调查监测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654049A (zh) * | 2015-12-29 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸表情识别的方法及装置 |
-
2019
- 2019-04-23 CN CN201910330282.4A patent/CN110097107A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654049A (zh) * | 2015-12-29 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸表情识别的方法及装置 |
Non-Patent Citations (2)
Title |
---|
NINE-DAYS: "人脸识别-损失函数改进方法之L-softmax loss center-loss A-softmax loss focal loss", 《CSDN》 * |
刘媛: "基于深度学习的葡萄叶片病害识别方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515969A (zh) * | 2020-04-09 | 2021-10-19 | 广西壮族自治区自然资源信息中心 | 基于卷积神经网络的多时态遥感影像地表覆盖分类方法 |
CN111553277A (zh) * | 2020-04-28 | 2020-08-18 | 电子科技大学 | 一种引入一致性约束的中文签名鉴定方法及终端 |
CN111553277B (zh) * | 2020-04-28 | 2022-04-26 | 电子科技大学 | 一种引入一致性约束的中文签名鉴定方法及终端 |
CN112560575A (zh) * | 2020-11-09 | 2021-03-26 | 北京物资学院 | 一种红富士苹果外形数据增强装置和方法 |
CN112560575B (zh) * | 2020-11-09 | 2023-07-18 | 北京物资学院 | 一种红富士苹果外形数据增强装置和方法 |
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 |
CN112884025A (zh) * | 2021-02-01 | 2021-06-01 | 安徽大学 | 一种基于多特征分段式训练的茶叶病害分类系统 |
CN112884025B (zh) * | 2021-02-01 | 2022-11-04 | 安徽大学 | 一种基于多特征分段式训练的茶叶病害分类系统 |
CN113129277A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学深圳国际研究生院 | 基于卷积神经网络的舌苔检测系统 |
CN116310913A (zh) * | 2023-05-12 | 2023-06-23 | 江苏苏海信息科技(集团)有限公司 | 基于小型无人机测量技术的自然资源调查监测方法及装置 |
CN116310913B (zh) * | 2023-05-12 | 2023-07-25 | 江苏苏海信息科技(集团)有限公司 | 基于小型无人机测量技术的自然资源调查监测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097107A (zh) | 基于卷积神经网络的苹果树干病害识别与分类方法 | |
Jia et al. | Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot | |
WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
Zeng et al. | Lightweight dense-scale network (LDSNet) for corn leaf disease identification | |
CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
WO2021073418A1 (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN109978754A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN113538390B (zh) | 一种柚子病虫害的快速识别方法 | |
CN109101975A (zh) | 基于全卷积神经网络的图像语义分割方法 | |
WO2021022521A1 (zh) | 数据处理的方法、训练神经网络模型的方法及设备 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN109544512A (zh) | 一种基于多模态的胚胎妊娠结果预测装置 | |
CN111340141A (zh) | 一种基于深度学习的作物幼苗与杂草检测方法及系统 | |
CN110348357A (zh) | 一种基于深度卷积神经网络的快速目标检测方法 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN111460980A (zh) | 基于多语义特征融合的小目标行人的多尺度检测方法 | |
CN110490252A (zh) | 一种基于深度学习的室内人数检测方法及系统 | |
CN115668307A (zh) | 用于估计真实世界环境中植被覆盖范围的系统和方法 | |
CN111400536A (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 | |
CN110298829A (zh) | 一种舌诊方法、装置、系统、计算机设备和存储介质 | |
CN107679469A (zh) | 一种基于深度学习的非极大值抑制方法 | |
CN114332942A (zh) | 基于改进YOLOv3的夜间红外行人检测方法及系统 | |
Zhaosheng et al. | Rapid detection of wheat ears in orthophotos from unmanned aerial vehicles in fields based on YOLOX | |
CN111783681A (zh) | 大规模人脸库识别方法、系统、计算机设备及存储介质 |
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: 20190806 |
|
RJ01 | Rejection of invention patent application after publication |