CN110458109A - 一种基于图像识别技术的茶叶病害识别系统及工作方法 - Google Patents
一种基于图像识别技术的茶叶病害识别系统及工作方法 Download PDFInfo
- Publication number
- CN110458109A CN110458109A CN201910745341.4A CN201910745341A CN110458109A CN 110458109 A CN110458109 A CN 110458109A CN 201910745341 A CN201910745341 A CN 201910745341A CN 110458109 A CN110458109 A CN 110458109A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- disease
- recognition
- training
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 64
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000007726 management method Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 241000894007 species Species 0.000 abstract description 10
- 241001122767 Theaceae Species 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明以解决茶叶生长周期中任意时间点发生病害，病害识别依靠经验或专家指导，防治效率低，无法及时找到防治途径的问题。本发明公开了一种基于图像识别技术的茶叶病害识别系统，其包括APP客户端、云平台和后端管理系统，所述后端管理系统包括图像识别模块和图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述茶叶病害图像数据库存放于云平台上，所述数据处理与分析模块以残差单元加速网络训练速度，采用残差神经网络自主学习并实现病害种类识别。
Description
技术领域
本发明涉及图像识别技术领域，特别涉及一种基于图像识别技术的茶叶病害识别系统及工作方法。
背景技术
茶叶在进行种植时常常会遇到病害，传统的依靠肉眼去识别茶叶病害种类的方法不仅费时费力，而且存在很大的误差，同时传统的茶叶病害识别需要专业的技术人员和技术设备，无法满足种植户的需求。
目前借助数据图像处理技术是利用计算机数据处理的一种具体表现，是一种对数字图像进行自主运算和处理的一种手段。图像处理技术在茶叶特征即时识别方面具有可操作性，对于提升软件即时应用性具有现实意义，而现今缺少通过图像处理技术即时识别茶叶病害，向用户科普该茶叶病害特征信息的方法及系统。
发明内容
本发明的目的在于提供一种基于图像识别技术的茶叶病害识别系统及工作方法，以解决茶叶生长周期中任意时间点发生病害，病害识别依靠经验或专家指导，防治效率低，无法及时找到防治途径的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于图像识别技术的茶叶病害识别系统，包括APP客户端、云平台和后端管理系统，所述后端管理系统包括图像识别模块和多个图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述数据库训练图库设置于云平台上，所述数据库训练图库用于构建残差网络模型为基础，残差单元加速网络训练校验，获取训练素材，自主学习；
所述图像采集模块用于获取生长时期的茶叶叶片病害图像，对图像描绘像素点的点集，自动调节容差度，获取精细的图像素材上报至图像处理模块；
所述图像识别模块包括MXNet深度学习框架和残差神经网络和迭代器；所述图像识别模块用于上报后的数据压缩和分块打包，再经预定的映射关系解码分包上报至云平台，调用已经训练好的深度学习模型进行病害种类的识别，并给出病害防治措施。
优选地，所述图像识别模块通过MXNet提供工具将任意大小的图像素材打包成至少一个压缩文件，以不同格式分类打包成块文件上报至由迭代器采用多线程解码数据，预读上报的压缩文件，通过训练好的深度学习模型对病害种类进行识别，生成识别结果。
优选地，所述残差单元根据输入和输出维度是否匹配分为恒等残差模块和卷积残差模块，所述残差模块使用Relu函数进行非线性激活，输入x作为初始结果直接传输到输出；其中，残差映射关系为F(x)＝H(x)-x，H(x)为期望值。
优选地，所述数据库训练图库初始化时，创建网络，创建训练器trainer，trainer保存参数及病害种类参数，加载病害种类以及已知病害的数据，采用batchsize进行参数更新；
优选地，参数设置接入预测接口evaluate_accuracy类中，创建准确率Accuracy类acc，用于统计准确率和迭代输出批次的历史记录。
优选地，所述网络构建为五个模块，
第一模块为1个卷积层，
第二模块为6个恒等层，
第三模块为2个卷积层与4个恒等层构成，采用梯度下降算法进行运算，
第四模块为2个卷积层和4个恒等层构成，
所述第一模块至第四模块用于图像特征提取；
模块五：1层全连接层，采用反向传播算法进行运算，用于上述四个模块已提取图片的特征经每个通道里的数值全局平均池化由全连接层合并输出。
优选地，所述数据库训练图库中对获取的图像数据进行归一化处理，绘制每层输入的均值和方差的点值，绘制正确率曲线。
本发明提供了一种基于图像识别技术的茶叶病害识别系统的工作方法，其特征在于，包括如下步骤：
S1：图像采集模块获取图像，对图像进行处理，将图像缩放，且多个图像保持尺寸相同；
S2：数据库训练图库构建将训练的图像数据归一化到[0,1]区间；
S3：构建残差网络配置相关初始化参数以及加载已知茶叶病害数据，分类别进行图像标号；训练模型，进行分类的预测，绘制正确率曲线；
S4：由图像采集模块采集样本图像，采集后上报至云平台，经过图像识别模块识别判定；
S5:在云平台上调用已经训练好的模型对采集到的病害图像进行识别，得到病害种类相似度列表，提取列表中相似度最高的种类为识别结果并进行保存，用户可通过APP客户端查看当前病害图像识别结果。
优选地，所述图像识别处理的具体过程为：
S1：从训练样本库读取图像；
S2：随机样本初始化，随机抽取样本通过数据归一化到[0,1]，尺寸大小统一化为32×32pixel，从而消除无用信息，简化识别难度，提高模型识别的性能；
S3：判断输入、输出维度是否相等，若相等，则利用残差单元结构进行图像的处理，若不相等则需要在恒等映射下加入一层卷积层，把输入输出维度调整为相等；
S4：初始化后的随机样本进行残差学习，在全连接层输出特征图，同时使用反向传播优化网络权值，判断输出是否达到期盼，若没达到预期结果再重复步骤S2；
S5：若达到预期结果则结束优化，判断是否到达训练次数或者小于限定误差，达到或小于则完成残差网络模型的训练，否则重复步骤S2；
S6：测试部分与训练部分的处理步骤一样，数据归一化到[0,1]，尺寸大小为32×32pixel，
初始化后进行相同的处理，输出的图像放到训练好的网络模型进行检测识别，得到最终的分类结果。
本发明的技术效果和优点：
(1)在茶叶特征即时识别方面具有可操作性，加快对茶叶病害的识别，提高识别的效率。
(2)残差单元与网络的多层结构提取特征，提高处理特征的提取处理准确性。
(3)通过构架残差网络双算法提高识别效率及准确率。
附图说明
图1为本发明提供的系统结构图；
图2为本发明提供的系统工作流程图；
图3为本发明提供的残差单元结构图；
图4为本发明提供的卷积残差模块图；
图5为本发明提供的残差网络结构图；
图6为本发明提供的模型识别流程图；
图7为本发明提供的识别系统界面图。
具体实施方式
下面将结合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他实施例，都属于本发明保护的范围。
如图1-7所示，本实施例提供了一种基于图像识别技术的茶叶病害识别系统，包括APP客户端、云平台和后端管理系统，所述后端管理系统包括图像识别模块和多个图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述数据库训练图库设置于云平台上，所述数据库训练图库用于构建残差网络模型为基础，残差单元加速网络训练校验，获取训练素材，自主学习；
所述图像采集模块用于获取生长时期的茶叶叶片病害图像，对图像描绘像素点的点集，自动调节容差度，获取精细的图像素材上报至图像处理模块；
所述图像识别模块包括MXNet深度学习框架和残差神经网络和迭代器；所述图像识别模块用于上报后的数据压缩和分块打包，再经预定的映射关系解码分包上报至云平台，调用已经训练好的深度学习模型进行病害种类的识别，并给出病害防治措施。
所述图像识别模块通过MXNet提供工具将任意大小的图像素材打包成至少一个压缩文件，以不同格式分类打包成块文件上报至由迭代器采用多线程解码数据，预读上报的压缩文件，通过训练好的深度学习模型对病害种类进行识别，生成识别结果。
所述残差单元根据输入和输出维度是否匹配分为恒等残差模块和卷积残差模块，所述残差模块使用Relu函数进行非线性激活，输入x作为初始结果直接传输到输出；其中，残差映射关系为F(x)＝H(x)-x，H(x)为期望值。
优选地，所述数据库训练图库初始化时，创建网络，创建训练器trainer，trainer保存参数及病害种类参数，加载病害种类以及已知病害的数据，采用batchsize进行参数更新；
参数设置接入预测接口evaluate_accuracy类中，创建准确率Accuracy类acc，用于统计准确率和迭代输出批次的历史记录。
优选地，如图5所示，所述网络构建为五个模块，
第一模块为1个卷积层，
第二模块为6个恒等层，
第三模块为2个卷积层与4个恒等层构成，采用梯度下降算法进行运算，
第四模块为2个卷积层和4个恒等层构成，
所述第一模块至第四模块用于图像特征提取；
模块五：1层全连接层，采用反向传播算法进行运算，用于上述四个模块已提取图片的特征经每个通道里的数值全局平均池化由全连接层合并输出。
所述数据库训练图库中对获取的图像数据进行归一化处理，绘制每层输入的均值和方差的点值，绘制正确率曲线。
本实施例提供了一种基于图像识别技术的茶叶病害识别系统的工作方法，其特征在于，包括如下步骤：
S1：图像采集模块获取图像，对图像进行处理，将图像缩放，且多个图像保持尺寸相同；
S2：数据库训练图库构建将训练的图像数据归一化到[0,1]区间；
S3：构建残差网络配置相关初始化参数以及加载已知茶叶病害数据，分类别进行图像标号；训练模型，进行分类的预测，绘制正确率曲线；
S4：由图像采集模块采集样本图像，采集后上报至云平台，经过图像识别模块识别判定；
S5:在云平台上调用已经训练好的模型对采集到的病害图像进行识别，得到病害种类相似度列表，提取列表中相似度最高的种类为识别结果并进行保存，用户可通过APP客户端查看当前病害图像识别结果。
如图6所示，本实施例提供了一种基于图像识别技术的茶叶病害识别系统的工作方法，所述图像识别处理的具体过程为：
S1：从训练样本库读取图像；
S2：随机样本初始化，随机抽取样本通过数据归一化到[0,1]，尺寸大小统一化为32×32pixel，从而消除无用信息，简化识别难度，提高模型识别的性能；
S3：判断输入、输出维度是否相等，若相等，则利用残差单元结构进行图像的处理，若不相等则需要在恒等映射下加入一层卷积层，把输入输出维度调整为相等；
S4：初始化后的随机样本进行残差学习，在全连接层输出特征图，同时使用反向传播优化网络权值，判断输出是否达到期盼，若没达到预期结果再重复步骤S2；
S5：若达到预期结果则结束优化，判断是否到达训练次数或者小于限定误差，达到或小于则完成残差网络模型的训练，否则重复步骤S2；
S6：测试部分与训练部分的处理步骤一样，数据归一化到[0,1]，尺寸大小为32×32pixel，
初始化后进行相同的处理，输出的图像放到训练好的网络模型进行检测识别，得到最终的分类结果。
如图7所示，后端管理系统或APP客户端点击加载，导入至图片示例后加载成功点击识别功能，经过上述步骤算法分析得到病害名称、防治方法以及症状，用于提供防治指导工作。
在残差网络构建中，具体采用了梯度下降算法：随机梯度下降法是一个基于梯度下降的改进算法，SGD每次随机选择一个样本来迭代更新一次，而不是针对所有的样本集，SGD具有训练速度快、易收敛等特性，同时也是最受研究者青睐的优化算法，需要计算出最小的函数损失值，然后计算出损失函数的梯度，最后按照梯度的方向使损失函数值逐渐减少，通过对权值的不断更新调整，使得损失值达到最小，从而获得最优解；
反向传播算法：反向传播算法概念与线性回归的概念相同，可以用来减小模型输出结果与实际结果之前的误差，最后通过调整参数权重来优化模型，反向传播思想可以用来方便的求出损失函数对每个参数的导数，其基本原理是求导数时的链式法则。
两者的结合可以使得学习速率是在权重更新时加在梯度项前的一个系数，不同的学习速率对系统的影响不同。
如学习速率过小，算法的收敛速度就会变得很慢，代价函数的振荡会来回波动；
如学习速率过大，代价函数的振荡像过山车一样高低起伏，同时也会造成梯度的方向的不稳定性，且一个epoch是指整个数据集正向反向训练一次，它被用来提示模型的准确率并且不需要额外数据，权重衰减是一种常用的应对过拟合的方法，其等价于正则化，正则化通过为模型损失函数添加惩罚项使得学出的模型参数较小，通常接近于0，权重衰减对于过拟合的抑制作用，但同时也可以看到权重衰减也会影响模型的正常拟合，使用MXNet深度学习框架，可以通过Gluon的wd超参数来指定权重衰减；权重衰减会抑制模型的拟合效果，包括正常拟合。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像识别技术的茶叶病害识别系统，包括APP客户端、云平台和后端管理系统，其特征在于：所述后端管理系统包括图像识别模块和多个图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述数据库训练图库设置于云平台上，所述数据库训练图库用于构建残差网络模型为基础，残差单元加速网络训练校验，获取训练素材，自主学习；
所述图像采集模块用于获取生长时期的茶叶叶片病害图像，对图像描绘像素点的点集，自动调节容差度，获取精细的图像素材上报至图像处理模块；
所述图像识别模块包括MXNet深度学习框架和残差神经网络和迭代器；所述图像识别模块用于上报后的数据压缩和分块打包，再经预定的映射关系解码分包上报至云平台，调用已经训练好的深度学习模型进行病害种类的识别，并给出病害防治措施。
2.根据权利要求1所述的一种基于图像识别技术的茶叶病害识别系统，其特征在于：所述图像识别模块通过MXNet提供工具将任意大小的图像素材打包成至少一个压缩文件，以不同格式分类打包成块文件上报至由迭代器采用多线程解码数据，预读上报的压缩文件，通过训练好的深度学习模型对病害种类进行识别，生成识别结果。
3.根据权利要求1所述的一种基于图像识别技术的茶叶病害识别系统，其特征在于：所述残差单元根据输入和输出维度是否匹配分为恒等残差模块和卷积残差模块，所述残差模块使用Relu函数进行非线性激活，输入x作为初始结果直接传输到输出；其中，残差映射关系为F(x)＝H(x)-x，H(x)为期望值。
4.根据权利要求3所述的一种基于图像识别技术的茶叶病害识别系统，其特征在于：所述数据库训练图库初始化时，创建网络，创建训练器trainer，trainer保存参数及病害种类参数，加载病害种类以及已知病害的数据，采用batchsize进行参数更新；
参数设置接入预测接口evaluate_accuracy类中，创建准确率Accuracy类acc，用于统计准确率和迭代输出批次的历史记录。
5.根据权利要求4所述的一种基于图像识别技术的茶叶病害识别系统，其特征在于：所述网络构建为五个模块，
第一模块为1个卷积层，
第二模块为6个恒等层，
第三模块为2个卷积层与4个恒等层构成，采用梯度下降算法进行运算，
第四模块为2个卷积层和4个恒等层构成，
所述第一模块至第四模块用于图像特征提取；
模块五：1层全连接层，采用反向传播算法进行运算，用于上述四个模块已提取图片的特征经每个通道里的数值全局平均池化由全连接层合并输出。
6.根据权利要求1所述的一种基于图像识别技术的茶叶病害识别系统，其特征在于：所述数据库训练图库中对获取的图像数据进行归一化处理，绘制每层输入的均值和方差的点值，绘制正确率曲线。
7.根据权利要求1-6任意一项所述的一种基于图像识别技术的茶叶病害识别系统的工作方法，其特征在于，包括如下步骤：
S1：图像采集模块获取图像，对图像进行处理，将图像缩放，且多个图像保持尺寸相同；
S2：数据库训练图库构建将训练的图像数据归一化到[0,1]区间；
S3：构建残差网络配置相关初始化参数以及加载已知茶叶病害数据，分类别进行图像标号；训练模型，进行分类的预测，绘制正确率曲线；
S4：由图像采集模块采集样本图像，采集后上报至云平台，经过图像识别模块识别判定；
S5:在云平台上调用已经训练好的模型对采集到的病害图像进行识别，得到病害种类相似度列表，提取列表中相似度最高的种类为识别结果并进行保存，用户可通过APP客户端查看当前病害图像识别结果。
8.根据权利要求7所述的一种基于图像识别技术的茶叶病害识别系统的工作方法，其特征在于：所述图像识别处理的具体过程为：
S1：从训练样本库读取图像；
S2：随机样本初始化，随机抽取样本通过数据归一化到[0,1]，尺寸大小统一化为32×32pixel，从而消除无用信息，简化识别难度，提高模型识别的性能；
S3：判断输入、输出维度是否相等，若相等，则利用残差单元结构进行图像的处理，若不相等则需要在恒等映射下加入一层卷积层，把输入输出维度调整为相等；
S4：初始化后的随机样本进行残差学习，在全连接层输出特征图，同时使用反向传播优化网络权值，判断输出是否达到期盼，若没达到预期结果再重复步骤S2；
S5：若达到预期结果则结束优化，判断是否到达训练次数或者小于限定误差，达到或小于则完成残差网络模型的训练，否则重复步骤S2；
S6：测试部分与训练部分的处理步骤一样，数据归一化到[0,1]，尺寸大小为32×32pixel，
初始化后进行相同的处理，输出的图像放到训练好的网络模型进行检测识别，得到最终的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910745341.4A CN110458109A (zh) | 2019-08-13 | 2019-08-13 | 一种基于图像识别技术的茶叶病害识别系统及工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910745341.4A CN110458109A (zh) | 2019-08-13 | 2019-08-13 | 一种基于图像识别技术的茶叶病害识别系统及工作方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110458109A true CN110458109A (zh) | 2019-11-15 |
Family
ID=68486358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910745341.4A Pending CN110458109A (zh) | 2019-08-13 | 2019-08-13 | 一种基于图像识别技术的茶叶病害识别系统及工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458109A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027436A (zh) * | 2019-12-03 | 2020-04-17 | 吉林大学 | 一种基于深度学习的东北黑木耳病虫害图像识别系统 |
| 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 |
| CN111598181A (zh) * | 2020-05-21 | 2020-08-28 | 中国热带农业科学院热带生物技术研究所 | 一种香蕉花叶心腐病app识别方法及系统 |
| CN112883835A (zh) * | 2021-01-29 | 2021-06-01 | 中南民族大学 | 基于计算机视觉的茶叶品质等级确定方法、装置及设备 |
| CN113029327A (zh) * | 2021-03-02 | 2021-06-25 | 招商局重庆公路工程检测中心有限公司 | 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 |
| CN113344914A (zh) * | 2021-07-09 | 2021-09-03 | 重庆医科大学附属第一医院 | 基于图像识别智能分析ppd皮试结果的方法及装置 |
| CN114170137A (zh) * | 2021-11-05 | 2022-03-11 | 成都理工大学 | 一种辣椒病害识别方法、识别系统、计算机可读存储介质 |
| CN114550009A (zh) * | 2022-04-01 | 2022-05-27 | 中国科学院空天信息创新研究院 | 星载遥感图像的轻量化目标检测方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107437096A (zh) * | 2017-07-28 | 2017-12-05 | 北京大学 | 基于参数高效的深度残差网络模型的图像分类方法 |
| 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 |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN109124660A (zh) * | 2018-06-25 | 2019-01-04 | 南方医科大学南方医院 | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 |
| CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
| CN110033015A (zh) * | 2019-02-20 | 2019-07-19 | 天津科技大学 | 一种基于残差网络的植物病害检测方法 |
-
2019
- 2019-08-13 CN CN201910745341.4A patent/CN110458109A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107437096A (zh) * | 2017-07-28 | 2017-12-05 | 北京大学 | 基于参数高效的深度残差网络模型的图像分类方法 |
| 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 |
| CN109124660A (zh) * | 2018-06-25 | 2019-01-04 | 南方医科大学南方医院 | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
| CN110033015A (zh) * | 2019-02-20 | 2019-07-19 | 天津科技大学 | 一种基于残差网络的植物病害检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 习昊 等: ""智慧林业中物联网网关系统的设计与研究"", 《电脑知识与技术》 * |
| 陈娟 等: ""基于改进残差网络的园林害虫图像识别"", 《农业机械学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027436A (zh) * | 2019-12-03 | 2020-04-17 | 吉林大学 | 一种基于深度学习的东北黑木耳病虫害图像识别系统 |
| 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 |
| CN111598181A (zh) * | 2020-05-21 | 2020-08-28 | 中国热带农业科学院热带生物技术研究所 | 一种香蕉花叶心腐病app识别方法及系统 |
| CN112883835A (zh) * | 2021-01-29 | 2021-06-01 | 中南民族大学 | 基于计算机视觉的茶叶品质等级确定方法、装置及设备 |
| CN112883835B (zh) * | 2021-01-29 | 2022-11-25 | 中南民族大学 | 基于计算机视觉的茶叶品质等级确定方法、装置及设备 |
| CN113029327A (zh) * | 2021-03-02 | 2021-06-25 | 招商局重庆公路工程检测中心有限公司 | 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 |
| CN113344914A (zh) * | 2021-07-09 | 2021-09-03 | 重庆医科大学附属第一医院 | 基于图像识别智能分析ppd皮试结果的方法及装置 |
| CN114170137A (zh) * | 2021-11-05 | 2022-03-11 | 成都理工大学 | 一种辣椒病害识别方法、识别系统、计算机可读存储介质 |
| CN114550009A (zh) * | 2022-04-01 | 2022-05-27 | 中国科学院空天信息创新研究院 | 星载遥感图像的轻量化目标检测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458109A (zh) | 一种基于图像识别技术的茶叶病害识别系统及工作方法 | |
| CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| US10740676B2 (en) | Passive pruning of filters in a convolutional neural network | |
| CN109271374B (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
| CN107133960A (zh) | 基于深度卷积神经网络的图像裂缝分割方法 | |
| CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
| CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
| CN108805833B (zh) | 基于条件对抗网络的字帖二值化背景噪声杂点去除方法 | |
| CN110348381A (zh) | 一种基于深度学习的视频行为识别方法 | |
| CN107909008A (zh) | 基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法 | |
| CN112906485A (zh) | 基于改进的yolo模型的视障人士辅助障碍物感知方法 | |
| CN107563389A (zh) | 一种基于深度学习的农作物病害识别方法 | |
| Shi et al. | Amur tiger stripes: Individual identification based on deep convolutional neural network | |
| CN110046574A (zh) | 基于深度学习的安全帽佩戴识别方法及设备 | |
| CN109145868A (zh) | 一种辅助跑步训练的行为识别方法与装置 | |
| CN104809469A (zh) | 一种面向服务机器人的室内场景图像分类方法 | |
| CN109948501A (zh) | 一种监控视频中人员和安全帽的检测方法 | |
| CN107516102B (zh) | 图像数据分类与建立分类模型方法、装置及系统 | |
| CN114359727A (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
| CN104063686A (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
| CN113207511A (zh) | 一种基于农药抗性监测的农药施用方法、系统及可读存储介质 | |
| CN114266757A (zh) | 一种基于多尺度融合注意力机制的糖尿病性视网膜病变分级方法 | |
| CN110516615A (zh) | 基于卷积神经网络的人车分流控制方法 | |
| KR102393265B1 (ko) | 버섯 병해충 검출 시스템 | |
| CN113962258A (zh) | 一种烟草病害的识别与防治方法、系统及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |