CN110502987A - 一种基于深度学习的植物病虫害识别方法及系统 - Google Patents

一种基于深度学习的植物病虫害识别方法及系统 Download PDF

Info

Publication number
CN110502987A
CN110502987A CN201910629941.4A CN201910629941A CN110502987A CN 110502987 A CN110502987 A CN 110502987A CN 201910629941 A CN201910629941 A CN 201910629941A CN 110502987 A CN110502987 A CN 110502987A
Authority
CN
China
Prior art keywords
image
pest
deep learning
model
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.)
Withdrawn
Application number
CN201910629941.4A
Other languages
English (en)
Inventor
孙晓勇
韩金玉
魏庆功
吴澍辰
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.)
Shandong Agricultural University
Original Assignee
Shandong Agricultural University
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 Shandong Agricultural University filed Critical Shandong Agricultural University
Priority to CN201910629941.4A priority Critical patent/CN110502987A/zh
Publication of CN110502987A publication Critical patent/CN110502987A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • 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
    • 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的植物病虫害识别方法及系统，所述方法包括：(1)接收原始训练图像，所述原始训练图像中包括各类植物病虫害图像数据；(2)基于用户针对训练图像选择的图像预处理方式进行预处理；(3)将预处理后的图像按病虫害类别输入深度学习模型，该深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层；将残差注意力机制模型的输出进行可视化，作为新的训练图像，返回(2)；(4)基于所有训练图像训练深度学习模型；(5)进行病虫害识别。本发明通过使用数据增强与注意力机制相结合的方法对小数据集进行针对性的增强和扩充处理，能够有效提高植物病虫害识别准确率。

Description

一种基于深度学习的植物病虫害识别方法及系统
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种基于深度学习的植物病虫害识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
自古以来我国是农业大国，目前随着我国对粮食需求越来越大，农业规模正不断扩大，但植物病虫害治理不足的一面愈加显露出来，据统计，近几年我国病虫害年均发生几十亿亩次，每年都会造成几千万吨粮食的损失。造成这样巨大随时的一方面便是无法对植物病虫害进行准确分辨，从而及时治理避免随时，因此，如何快速有效识别植物病虫害显得极为重要。
目前，深度学习在计算机视觉分类领域的应用发展迅速，并且经取得了很好的进展。其在图像识别等复杂领域相较于传统分类识别算法应用更灵活、多目标分类能力更强。但是目前为了提高深度学模型准确率需要大量数据集，但发明人发现，在植物病虫害方面，数据集的获取途径有限并且获取的数据量较小，无法满足模型训练要求，这便对极小数据集下的植物病虫害深度学习模型训练带来了极大的困难。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于深度学习的植物病虫害识别方法及系统，所述方法通过使用数据增强与注意力机制相结合的方法对小数据集进行针对性的增强和扩充处理，并通过包含注意力机制的深度学习模型进行训练，能够有效提高植物病虫害识别准确率。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种基于深度学习的植物病虫害识别方法，包括以下步骤：
(1)接收原始训练图像，所述原始训练图像中包括各类植物病虫害图像数据；
(2)接收用户针对训练图像选择的图像预处理方式，进行图像预处理；
(3)将预处理后的图像按病虫害类别输入预构建的基于注意力机制的深度学习模型，所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层；将残差注意力机制模型的输出进行可视化，作为新的训练图像，返回步骤(2)，直至训练图像数目满足设定阈值；
(4)将所有训练图像作为所述深度学习模型的输入，训练得到病虫害识别模型；
(5)基于所述病虫害识别模型进行病虫害识别。
一个或多个实施例提供了一种基于深度学习的植物病虫害识别系统，包括：
训练数据获取模块，接收原始训练图像，所述原始训练图像中包括各类植物病虫害图像数据；
训练数据预处理模块，接收用户针对训练图像选择的图像预处理方式，进行图像预处理；
训练数据扩充模块，将训练数据预处理模块输出的图像按病虫害类别输入预构建的基于注意力机制的深度学习模型，所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层；将残差注意力机制模型的输出进行可视化，作为新的训练图像，输入训练数据预处理模块，直至训练图像数目满足设定阈值；
病虫害识别模型训练模块，将所有训练图像作为所述深度学习模型的输入，训练得到病虫害识别模型；
病虫害识别模块，基于所述病虫害识别模型进行病虫害识别。
一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于深度学习的植物病虫害识别方法。
一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于深度学习的植物病虫害识别方法。
以上一个或多个技术方案存在以下有益效果：
本发明针对病虫害图像的小数据集，采用图像增强和注意力机制相结合的方法对训练数据集进行扩充，具体地，一方面加入经增强后的图像，一方面将增强后的图像作为基于注意力机制的深度学习模型的输入，将模型中注意力机制阶段得到的结果进行可视化作为扩充数据，从而得到了较大且特征较丰富的新数据集，有利于提高植物病虫害识别的准确率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明一个或多个实施例中基于深度学习的植物病虫害识别方法的流程图；
图2为本发明一个或多个实施例中基于注意力机制的深度学习模型的结构示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于深度学习的植物病虫害识别方法，包括以下步骤：
步骤1：接收各类植物病虫害图像数据，且每类均包含多幅。
步骤2：对图像进行数据增强处理，基于上述图像获取植物病虫害局部图像，进行随机的图像预处理，所述图像预处理方法包括：图像变换(例如缩放、裁剪、旋转和翻转图像等)，和图像质量调整(例如亮度、对比度调节和模糊处理等)。
所述步骤2具体包括：
步骤2.1：对所有原始图像数据先是针对发病部位进行局部放大处理。
步骤2.2：将经步骤2.1放大后的图像根据各类特点有针对的从前后左右随机倾斜、扭曲、随机剪切、裁剪、镜像翻转、高斯失真、调节亮度、调节对比度、旋转90度、旋转180度等增强处理中选取合适的方式进行操作，也可以选择多种方式联合操作。
步骤2.3：去掉步骤2.2获取的数据集中的不包含植物病虫害特征或效果较差的图像，以此提高图像质量，同时得到较大数据集。
步骤3：将步骤2获得的图像数据集进行预处理，转化为符合Keras深度学习模型要求格式的图像，例如224x224x3格式。
步骤4：搭建包含注意力机制的深度学习模型，所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层。
本实施例中，上述深度学习模型基于keras模型构建。其中，残差注意力机制模型包括两个分支，其建立过程如下：
(1)建立第一分支
建立函数，包含残差连接结构，先是1*1卷积层，再是3*3卷积层，然后又是1*1卷积层，最后将输入到函数的图像与经上述卷积层处理后的图像通过keras内置add函数连接。多次调用上述函数，作为模型分支之一。
(2)建立第二分支
建立函数，对输入到函数图像多次先进行上采样处理，再进行下采样处理，作为模型分支之一。
(3)先将步骤(1)与(2)所述两个分支得到的特征图通过keras内置函数multiply进行连接，再将第一分支所得特征图与multiply函数连接后的特征图通过keras内置函数add进行连接，得到残差注意力机制模型。步骤5：将步骤2所得数据按照植物病虫害种类分批输入步骤4中所建的基于注意力机制的深度学习模型，将残差注意力机制模型处理后的图像可视化并导出保存。
步骤6：将步骤5导出的图像按种类分别加入到步骤2所述数据集中，然后重复步骤2.2与2.3，得到较大且特征较丰富的新数据集。
步骤7：将步骤6所得数据集输入步骤4搭建的深度学习模型中进行训练，根据训练结果进行调参处理。
步骤8：得到训练好的模型，应用于植物病虫害识别。应用时尽量选择拍摄植物病虫害的发病局部照片，以提高识别准确率。
实施例二
本实施例的目的是提供一种基于深度学习的植物病虫害识别系统。
为了实现上述目的，本实施例提供了一种基于深度学习的植物病虫害识别系统，包括：
训练数据获取模块，接收原始训练图像，所述原始训练图像中包括各类植物病虫害图像数据；
训练数据预处理模块，接收用户针对训练图像选择的图像预处理方式，进行图像预处理；
训练数据扩充模块，将训练数据预处理模块输出的图像按病虫害类别输入预构建的基于注意力机制的深度学习模型，所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层；将残差注意力机制模型的输出进行可视化，作为新的训练图像，输入训练数据预处理模块，直至训练图像数目满足设定阈值；
病虫害识别模型训练模块，将所有训练图像作为所述深度学习模型的输入，训练得到病虫害识别模型；
病虫害识别模块，基于所述病虫害识别模型进行病虫害识别。
实施例三
本实施例的目的是提供一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
(1)接收原始训练图像，所述原始训练图像中包括各类植物病虫害图像数据；
(2)接收用户针对训练图像选择的图像预处理方式，进行图像预处理；
(3)将预处理后的图像按病虫害类别输入预构建的基于注意力机制的深度学习模型，所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层；将残差注意力机制模型的输出进行可视化，作为新的训练图像，返回步骤(2)，直至训练图像数目满足设定阈值；
(4)将所有训练图像作为所述深度学习模型的输入，训练得到病虫害识别模型；
(5)基于所述病虫害识别模型进行病虫害识别。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
(1)接收原始训练图像，所述原始训练图像中包括各类植物病虫害图像数据；
(2)接收用户针对训练图像选择的图像预处理方式，进行图像预处理；
(3)将预处理后的图像按病虫害类别输入预构建的基于注意力机制的深度学习模型，所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层；将残差注意力机制模型的输出进行可视化，作为新的训练图像，返回步骤(2)，直至训练图像数目满足设定阈值；
(4)将所有训练图像作为所述深度学习模型的输入，训练得到病虫害识别模型；
(5)基于所述病虫害识别模型进行病虫害识别。
以上实施例二、三和四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上一个或多个实施例具有以下技术效果：
本发明针对病虫害图像的小数据集，采用图像增强和注意力机制相结合的方法对训练数据集进行扩充，具体地，一方面加入经增强后的图像，一方面将增强后的图像作为基于注意力机制的深度学习模型的输入，将模型中注意力机制阶段得到的结果进行可视化作为扩充数据，从而得到了较大且特征较丰富的新数据集，有利于提高植物病虫害识别的准确率。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种基于深度学习的植物病虫害识别方法，其特征在于，包括以下步骤：
(1)接收原始训练图像，所述原始训练图像中包括各类植物病虫害图像数据；
(2)接收用户针对训练图像选择的图像预处理方式，进行图像预处理；
(3)将预处理后的图像按病虫害类别输入预构建的基于注意力机制的深度学习模型，所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层；将残差注意力机制模型的输出进行可视化，作为新的训练图像，返回步骤(2)，直至训练图像数目满足设定阈值；
(4)将所有训练图像作为所述深度学习模型的输入，训练得到病虫害识别模型；
(5)基于所述病虫害识别模型进行病虫害识别。
2.如权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，所述步骤(2)进行图像预处理后，还接收用户针对训练图像的筛选。
3.如权利要求1或2所述的基于深度学习的植物病虫害识别方法，其特征在于，所述图像预处理方法包括：图像大小和方向的变换，以及图像质量的调整。
4.如权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，所述深度学习模型基于keras模型构建。
5.如权利要求4所述的基于深度学习的植物病虫害识别方法，其特征在于，所述残差注意力机制模型包括两个通过keras内置函数连接的分支，所述两个分支包括：
第一分支：包括多个依次连接的残差连接结构，每个残差连接结构均将输入图像依次经过1×1、3×3和1×1卷积层进行处理，然后将输入图像和卷积处理后的图像通过keras内置函数连接，得到下一个残差连接结构的输入图像；
第二分支：对输入图像执行多次先进行上采样处理，再进行下采样的处理。
6.如权利要求5所述的基于深度学习的植物病虫害识别方法，其特征在于，所述步骤(4)还包括基于所述病虫害识别模型的识别结果，对模型的参数进行调整。
7.一种基于深度学习的植物病虫害识别系统，其特征在于，包括：
训练数据获取模块，接收原始训练图像，所述原始训练图像中包括各类植物病虫害图像数据；
训练数据预处理模块，接收用户针对训练图像选择的图像预处理方式，进行图像预处理；
训练数据扩充模块，将训练数据预处理模块输出的图像按病虫害类别输入预构建的基于注意力机制的深度学习模型，所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层；将残差注意力机制模型的输出进行可视化，作为新的训练图像，输入训练数据预处理模块，直至训练图像数目满足设定阈值；
病虫害识别模型训练模块，将所有训练图像作为所述深度学习模型的输入，训练得到病虫害识别模型；
病虫害识别模块，基于所述病虫害识别模型进行病虫害识别。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于深度学习的植物病虫害识别方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的基于深度学习的植物病虫害识别方法。
CN201910629941.4A 2019-07-12 2019-07-12 一种基于深度学习的植物病虫害识别方法及系统 Withdrawn CN110502987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910629941.4A CN110502987A (zh) 2019-07-12 2019-07-12 一种基于深度学习的植物病虫害识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910629941.4A CN110502987A (zh) 2019-07-12 2019-07-12 一种基于深度学习的植物病虫害识别方法及系统

Publications (1)

Publication Number Publication Date
CN110502987A true CN110502987A (zh) 2019-11-26

Family

ID=68585495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910629941.4A Withdrawn CN110502987A (zh) 2019-07-12 2019-07-12 一种基于深度学习的植物病虫害识别方法及系统

Country Status (1)

Country Link
CN (1) CN110502987A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111626969A (zh) * 2020-05-22 2020-09-04 东北易华录信息技术有限公司 一种基于注意力机制的玉米病害图像处理方法
CN111914914A (zh) * 2020-07-21 2020-11-10 上海理想信息产业（集团）有限公司 一种病虫害的识别方法、装置、设备和存储介质
CN112036397A (zh) * 2020-09-29 2020-12-04 上海海事大学 一种基于深度学习的嵌入式黄瓜叶片图像识别装置
CN112101265A (zh) * 2020-09-22 2020-12-18 四川大学 一种鲁棒的作物病害诊断系统
CN112163541A (zh) * 2020-10-09 2021-01-01 上海云绅智能科技有限公司 一种3d目标检测方法、装置、电子设备和存储介质
CN112464971A (zh) * 2020-04-09 2021-03-09 丰疆智能软件科技(南京)有限公司 害虫检测模型构建方法
CN112507770A (zh) * 2020-08-13 2021-03-16 华南农业大学 一种水稻病虫害识别方法和系统
CN112749667A (zh) * 2021-01-15 2021-05-04 中国科学院宁波材料技术与工程研究所 一种基于深度学习的线虫分类识别方法
CN112926473A (zh) * 2021-03-05 2021-06-08 山东农业大学 基于图像识别的蜂螨识别方法及设备
CN113902735A (zh) * 2021-09-13 2022-01-07 云南春芯科技有限公司 作物病害识别方法、装置、电子设备及存储介质

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN112464971A (zh) * 2020-04-09 2021-03-09 丰疆智能软件科技(南京)有限公司 害虫检测模型构建方法
CN111626969B (zh) * 2020-05-22 2023-05-30 张卫东 一种基于注意力机制的玉米病害图像处理方法
CN111626969A (zh) * 2020-05-22 2020-09-04 东北易华录信息技术有限公司 一种基于注意力机制的玉米病害图像处理方法
CN111914914A (zh) * 2020-07-21 2020-11-10 上海理想信息产业（集团）有限公司 一种病虫害的识别方法、装置、设备和存储介质
CN112507770A (zh) * 2020-08-13 2021-03-16 华南农业大学 一种水稻病虫害识别方法和系统
CN112507770B (zh) * 2020-08-13 2022-08-12 华南农业大学 一种水稻病虫害识别方法和系统
CN112101265B (zh) * 2020-09-22 2023-04-25 四川大学 一种鲁棒的作物病害诊断系统
CN112101265A (zh) * 2020-09-22 2020-12-18 四川大学 一种鲁棒的作物病害诊断系统
CN112036397A (zh) * 2020-09-29 2020-12-04 上海海事大学 一种基于深度学习的嵌入式黄瓜叶片图像识别装置
CN112036397B (zh) * 2020-09-29 2024-05-31 上海海事大学 一种基于深度学习的嵌入式黄瓜叶片图像识别装置
CN112163541A (zh) * 2020-10-09 2021-01-01 上海云绅智能科技有限公司 一种3d目标检测方法、装置、电子设备和存储介质
CN112749667A (zh) * 2021-01-15 2021-05-04 中国科学院宁波材料技术与工程研究所 一种基于深度学习的线虫分类识别方法
CN112749667B (zh) * 2021-01-15 2023-04-07 中国科学院宁波材料技术与工程研究所 一种基于深度学习的线虫分类识别方法
CN112926473B (zh) * 2021-03-05 2022-10-04 山东农业大学 基于图像识别的蜂螨识别方法及设备
CN112926473A (zh) * 2021-03-05 2021-06-08 山东农业大学 基于图像识别的蜂螨识别方法及设备
CN113902735A (zh) * 2021-09-13 2022-01-07 云南春芯科技有限公司 作物病害识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110502987A (zh) 一种基于深度学习的植物病虫害识别方法及系统
CN110070101B (zh) 植物种类的识别方法及装置、存储介质、计算机设备
CN111259898B (zh) 基于无人机航拍图像的农作物分割方法
CN111291825B (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN110751019B (zh) 基于深度学习的高分辨率影像农作物自动提取方法及装置
CN109949309A (zh) 一种基于深度学习的肝脏ct图像分割方法
CN111696101A (zh) 一种基于SE-Inception的轻量级茄科病害识别方法
CN109544512A (zh) 一种基于多模态的胚胎妊娠结果预测装置
CN107958285A (zh) 面向嵌入式系统的神经网络的映射方法及装置
CN112464766B (zh) 一种农田地头自动识别方法及系统
CN114005029A (zh) 基于改进yolov5网络的广佛手病虫害识别方法及系统
CN114333074B (zh) 基于动态轻量高分辨率网络的人体姿态估计方法
CN109446927A (zh) 基于先验知识的双人交互行为识别方法
CN104063686A (zh) 作物叶部病害图像交互式诊断系统与方法
CN108712397A (zh) 基于深度学习的通信协议识别方法
CN117095391A (zh) 一种轻量化的苹果目标检测方法
CN111046793A (zh) 基于深度卷积神经网络的番茄病害识别方法
CN112989969A (zh) 一种作物病虫害识别方法及装置
CN116152198A (zh) 一种基于Wave-SubNet轻量级模型的番茄叶斑病识别方法
Wang et al. Fine-grained weed recognition using Swin Transformer and two-stage transfer learning
CN110223230A (zh) 一种多前端深度图像超分辨率系统及其数据处理方法
CN108875789B (zh) 一种基于深度学习的甘蔗蔗芽特征识别装置
Li et al. Fast recognition system forTree images based on dual-task Gabor convolutional neural network
CN110176057A (zh) 三维户型模型生成方法、装置、设备及存储介质
CN113902735A (zh) 作物病害识别方法、装置、电子设备及存储介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191126