CN110598516A - 基于随机森林的多方位分层采集组合稻田杂草识别方法 - Google Patents
基于随机森林的多方位分层采集组合稻田杂草识别方法 Download PDFInfo
- Publication number
- CN110598516A CN110598516A CN201910532979.XA CN201910532979A CN110598516A CN 110598516 A CN110598516 A CN 110598516A CN 201910532979 A CN201910532979 A CN 201910532979A CN 110598516 A CN110598516 A CN 110598516A
- Authority
- CN
- China
- Prior art keywords
- azimuth
- random forest
- classifier
- paddy field
- identification method
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本发明属于智能农业领域,涉及一种基于随机森林的多方位分层采集组合稻田杂草识别方法。首先使用多方位分层方式采集稻田杂草图像集,并用Bootstrap抽样获得多个样本组合;然后每个样本组合的图像经过预处理,提取样本组合中杂草的多种特征融合在一起构成特征矩阵;再输入到随机森林模型中以训练多个RF分类器;最后选择袋外误差最少的RF分类器,并对计算整个随机森林模型的袋外误差作检测指标。本发明提出多方位分层采集的方式,使采集到的图像更有随机性和代表性,更贴近复杂环境下的杂草;使用了RF分类器,泛化能力强、运算速度快、消除过拟合问题,具有良好的鲁棒性。
Description
技术领域
本发明属于智能农业领域,涉及一种基于随机森林的多方位分层采集组合稻田杂草识别方法。
背景技术
稻田杂草的存在降低了水稻秧苗可吸收的水分和养分,使水稻秧苗的光照降低,减少水稻秧苗的生长空间,稻田杂草一直是影响水稻产量的要素之一,每年要投入大量的人力和物力进行杂草防除。利用除草剂的化学除草方式见效快、使用方便,应用最为普遍。但长期使用化学除草剂也造成了诸多问题,如对农业生态造成污染,使人身体健康受到危害,也给农产品的食用安全带来问题,同时造成杂草抗药性增强。随着有机农业的提出和发展,人们对非化学除草方式的研究逐渐增多,其中机械除草方式就是一种绿色除草方式,随着自动控制、机器视觉和导航技术的应用,智能除草机械逐渐发展起来。但能否快速、准确地识别出稻田杂草直接影响水田智能除草机械的实时性和可靠性,所以对稻田杂草的识别是设计智能水田机械除草的核心技术之一。
目前,多数基于机器视觉的杂草识别方法,主要流程有三部分:图像采集、特征提取和分类器设计,选取好角度和距离、采集高清的杂草图像,然后提取图像中杂草的颜色、形状和纹理等特征,使用SVM或各种人工神经网络等分类器进行识别。但是,智能水除草机实际作业时,由于在复杂水田环境下,通常只能采集模糊的、角度和距离不一的图像;而且使用大多数的分类器都需要对杂草所有数据做详尽的分析,靠人设计判断条件对杂草进行分类和预测,往往精度不高、实际分析能力较差。而卷积神经网络虽然拥有很好的容错性、自适应性和自学习能力等优点,但是其需要漫长的时间去训练,而且运用成本较高(需要GPU)。
为了改进与优化目前机器视觉的杂草识别方法,本发明提出了基于随机森林的多方位分层采集组合稻田杂草识别方法。使采集到的图像更有随机性和代表性,更贴近复杂环境下的杂草;由于多特征组合矩阵维数很高,而RF分类器的特点正好能够最大限度消除这种影响;另一方面,RF分类器需要输入的参数只有其决策树的数目,它以看成一个黑箱模型,可以最大限度地排除其他因素的干扰,而且其输出结果由多棵决策树投票决定,其识别效率也更好。
发明内容
本发明的目的在于改进现有技术的缺点与不足,提供了基于随机森林的多方位分层采集组合稻田杂草识别方法。本发明通过下述方案实现:基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:包括有以下步骤:
步骤1,通过多方位分层方式采集稻田杂草图像集;
步骤2,把杂草图像集通过Bootstrap抽样的方式,获得训练多个样本组合,作为整个随机深林模型的输入;
步骤3,将每个样本组合通过图像预处理,并提取样本组合中杂草图像的多种特征,并融合在一起构成多特征组合矩阵;
步骤4,将样本组合以及对应的特征矩阵通过RF分类器进行分类训练,并计算每个RF分类器的袋外误差;
步骤5,优选出袋外误差最小的RF分类器,并使用袋外样本组合计算出整个随机深林模型的袋外误差,作为检验指标。
步骤6,利用最优的RF分类器,对稻田杂草进行分类识别。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤1中的多方位分层采集方式,通过不同的视角、不同的距离层采集杂草图像集,使采集到的图像更有随机性和代表性,更贴近复杂环境下的杂草。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤2中的Bootstrap抽样,其本质上是对已知数据的有放回再抽样,只要Bootstrap再抽样样本数充分大,由样本分布所得的再抽样误差就会趋于消失。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤3中的图像预处理,包括图像尺寸同一化、中值滤波、灰度化以及自动阈值二值化。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤3中的多种特征提取,包括颜色、形态以及纹理特征提取。所述的颜色特征具有旋转、尺度和平移不变性优点;所述的形态特征主要是杂草的形状参数,与人的视觉感知系统具有关联性;所述的纹理特征是反映像素空间分布的区域特征,也是杂草颜色和形态特征另一重要特征的补充。
5所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的颜色特征提取,包括图像RGB和HSV颜色空间模型下R、G、B、H、S颜色分量的一阶矩、二阶矩及三阶矩的颜色特征;所述的形态特征提取,包括面积、周长、长度、宽度基本形状参数提取;以及通过基本形状参数计算得到的分散度、致密度、宽长比、圆型度、伸长度的无量纲几何形态特征提取;所述的纹理特征提取,包括基于灰度共生矩阵的对比度、相关性、能量以及同质性纹理特征提取。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤5中的RF分类器,即随机森林分类器,由多个弱分类器构成,弱分类器只选择数据集的一个子集以及一部分特征值进行处理,每个弱分类器独立生成,靠投票的方式获得最优分类,相对于其他分类器有更短的训练和识别时间的优点。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤5中的整个随机森林模型,可看作由RF分类器构成的更大随机森林。所述的步骤4和步骤5中的袋外误差,是选择最优随机森林分类的主要依据。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:采用了多方位分层采集方式,使采集到的图像更有随机性和代表性,更贴近复杂环境下的杂草;使用了RF分类器,适合高维数特征矩阵,能最大限度消除这种影响;而且泛化能力、运算速度快、对噪声和孤立点不敏感,消除过拟合问题,具有良好的鲁棒性。
本发明与现有技术相比具有以下的有益效果
(1)本发明采用多方位分层采集方式,使采集到的图像更有随机性和代表性,更贴近复杂环境下的杂草。
(2)本发明采用RF分类器,由于多特征组合矩阵维数很高,而RF分类器的特点正好能够最大限度消除这种影响;另一方面,RF分类器需要输入的参数只有其决策树的数目,它以看成一个黑箱模型,可以最大限度地排除其他因素的干扰,而且其输出结果由多棵决策树投票决定,其识别效率也更好。
(3)本发明优化了稻田杂草识别方法,使准确率、稳定性和实时性上获得提升,为智能水田除草机设计奠定基础,具有推广应用的意义。
附图说明
图1为本发明流程图。
图2为本发明多方位分层采集示意图。
图3为本发明随机森林分类器结构示意图。
图4为本发明图像预处理流程图。
具体实施方式
为了使本发明目的、技术方案和优点更加明白清楚,以下结合附图表及实施例对本发明做进一步详细说明。应当理解,此处所描述的具体实例仅用于解释本发明,而不用于限定本发明。
基于随机森林的多方位分层采集组合稻田杂草识别方法,包括有以下步骤:步骤1,通过多方位分层方式采集稻田杂草图像集;步骤2,把杂草图像集通过Bootstrap抽样的方式,获得训练多个样本组合,作为整个随机深林模型的输入;步骤3,将每个样本组合通过图像预处理,并提取样本组合中杂草图像的多种特征,并融合在一起构成多特征组合矩阵;步骤4,将样本组合以及对应的特征矩阵通过RF分类器进行分类训练,并计算每个RF分类器的袋外误差;步骤5,优选出袋外误差最小的RF分类器,并使用袋外样本组合计算出整个随机深林模型的袋外误差,作为检验指标。步骤6,利用最优的RF分类器,对稻田杂草进行分类识别。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤1中的多方位分层采集方式,通过不同的视角、不同的距离层采集杂草图像集,使采集到的图像更有随机性和代表性,更贴近复杂环境下的杂草。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤2中的Bootstrap抽样,其本质上是对已知数据的有放回再抽样,只要Bootstrap再抽样样本数充分大,由样本分布所得的再抽样误差就会趋于消失。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤3中的图像预处理,包括图像尺寸同一化、中值滤波、灰度化以及自动阈值二值化。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤3中的多种特征提取,包括颜色、形态以及纹理特征提取。所述的颜色特征具有旋转、尺度和平移不变性优点;所述的形态特征主要是杂草的形状参数,与人的视觉感知系统具有关联性;所述的纹理特征是反映像素空间分布的区域特征,也是杂草颜色和形态特征另一重要特征的补充。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的颜色特征提取,包括图像RGB和HSV颜色空间模型下R、G、B、H、S颜色分量的一阶矩、二阶矩及三阶矩的颜色特征。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的形态特征提取,包括面积、周长、长度、宽度基本形状参数提取;以及通过基本形状参数计算得到的分散度、致密度、宽长比、圆型度、伸长度的无量纲几何形态特征提取。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的纹理特征提取,包括基于灰度共生矩阵的对比度、相关性、能量以及同质性纹理特征提取。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤5中的RF分类器,即随机森林分类器,由多个弱分类器构成,弱分类器只选择数据集的一个子集以及一部分特征值进行处理,每个弱分类器独立生成,靠投票的方式获得最优分类,相对于其他分类器有更短的训练和识别时间的优点。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤5中的整个随机森林模型,可看作由RF分类器构成的更大随机森林。所述的步骤4和步骤5中的袋外误差,是选择最优随机森林分类的主要依据。
所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:采用了多方位分层采集方式,使采集到的图像更有随机性和代表性,更贴近复杂环境下的杂草;使用了RF分类器,适合高维数特征矩阵,能最大限度消除这种影响;而且泛化能力、运算速度快、对噪声和孤立点不敏感,消除过拟合问题,具有良好的鲁棒性。
以下结合附图和实施例详细地说明本发明技术方案。
如图1所示,实施例的流程具体包括以下步骤:步骤1,在不同图像背景和光照条件下,优选地,背景包括有水、泥土、阴影和秸秆,光照条件有太阳直射、斜射、阴天和多云。如图2所示,优选地,分别从杂草的正上方、正方以及两者之间45°侧方三个视角,距离为50mm、100mm、200mm的三个距离层,采集华南稻区常规恶性杂草三个方位、三个距离层的图像。优选地,杂草包括空心莲子草、丁香蓼、鳢肠、野慈姑、稗草、千金子的图像。为了加快建模过程、提高识别效率,优先地,把图像的尺寸统一化处理,归为一图像集。
步骤2,把收集到的图像,归为一个图像集,使用Bootsrap抽样,随机抽取出N个样本组合,作为随机深林模型的输入。
步骤3,将每个样本组合通过图像预处理,预处理流程如图3所示。首先,使用中值滤波,滤除背景杂噪音。接着,对图像进行灰度化,获得灰度图。最后采用自动阈值分割图像,获得二值化图像。
步骤3.1预处理后的图像中,分别提取叶片的颜色、形态、纹理三类特征。
参数特征如表1所示。
表1
其中,R、G、B、H、S颜色分量的一阶矩、二阶矩及三阶矩的颜色矩特征,计算公式:
式中Mi1、Mi2和Mi3表示颜色的一阶矩、二阶矩和三阶矩,N表示图像中像素的个数,Pij表示RGB图像中第i个颜色通道分量中灰度的像素出现的概率。
伸长度E、圆型度R、分散度C和致密度D计算公式:
对比度Ccon、相关性Ccor、能量Eener和同质性Hho,计算公式:
式中
步骤3.2把所有特征参数融合在一起构成多特征组合矩阵。
步骤4,如图3所示,将每个样本组合以及对应的特征矩阵通过RF分类器进行分类训练,RF分类器是一种自然的非线性建模工具,对于在特征矩阵中的每个特征参数,同样使用Bootstrap抽样,构成N个样本对N个弱的分类器进行训练,然后每个分类器都会得出相应的分类结果,最后通过投票得出最终分类结果。
计算每个RF分类器的袋外误差,袋外误差是选择最优随机森林分类的主要依据。对于每个RF分类器而言(假设对于第k个RF分类器),大约有1/3的样本组合没有参与第k个RF分类器的训练,它们称为第k个RF分类器的的袋外样本。袋外误差计算:
1)对每个样本,计算它作为袋外误差样本的树,对它的分类情况(约1/3的树);
2)然后以简单多数投票作为该样本的分类结果;
3)最后用误分个数占样本总数的比率,作为随机森林袋外误差的误分率。
步骤5,优选出袋外误差最小的RF分类器,选择袋外误差最小的RF分类器,可以看作整个随机森林模型的投票步骤。这样优先出来的RF分类器,适合高维数特征矩阵,能最大限度消除这种影响;而且泛化能力、运算速度快、对噪声和孤立点不敏感,消除过拟合问题,具有良好的鲁棒性。使用袋外样本组合计算出整个随机深林模型的袋外误差,作为检验指标。
步骤6,利用最优的RF分类器,对稻田杂草进行分类识别。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.基于随机森林的多方位分层采集组合稻田杂草识别方法,特征在于:包括以下步骤:
步骤1,通过多方位分层方式采集稻田杂草图像集;
步骤2,把杂草图像集通过Bootstrap抽样的方式,获得训练多个样本组合,作为整个随机深林模型的输入;
步骤3,将每个样本组合通过图像预处理,并提取样本组合中杂草图像的多种特征,并融合在一起构成多特征组合矩阵;
步骤4,将样本组合以及对应的特征矩阵通过RF分类器进行分类训练,并计算每个RF分类器的袋外误差;
步骤5,优选出袋外误差最小的RF分类器,并使用袋外样本组合计算出整个随机深林模型的袋外误差,作为检验指标;
步骤6,利用最优的RF分类器,对稻田杂草进行分类识别。
2.根据权利要求1所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,特征在于:所述的多方位分层采集方式,通过不同的视角、不同的距离层采集杂草图像集。
3.根据权利要求1所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的Bootstrap抽样,本质上是对已知数据的有放回再抽样,只要Bootstrap再抽样样本数充分大,由样本分布所得的再抽样误差就会趋于消失。
4.根据权利要求1所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤3中的图像预处理,包括图像尺寸同一化、中值滤波、灰度化以及自动阈值二值化。
5.根据权利要求1所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的多种特征提取,包括颜色、形态以及纹理特征提取;所述的颜色特征具有旋转、尺度和平移不变性优点;所述的形态特征主要是杂草的形状参数,与人的视觉感知系统具有关联性;所述的纹理特征是反映像素空间分布的区域特征,也是杂草颜色和形态特征另一重要特征的补充。
6.根据权利要求1或5所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的颜色特征提取,包括图像RGB和HSV颜色空间模型下R、G、B、H、S颜色分量的一阶矩、二阶矩及三阶矩的颜色特征;所述的形态特征提取,包括面积、周长、长度、宽度基本形状参数提取;以及通过基本形状参数计算得到的分散度、致密度、宽长比、圆型度、伸长度的无量纲几何形态特征提取;所述的纹理特征提取,包括基于灰度共生矩阵的对比度Ccon、相关性Ccor、能量Eener以及同质性Hho纹理特征提取。
7.根据权利要求1所述的基于随机森林的多方位分层采集组合稻田杂草识别方法,其特征在于:所述的步骤5中的RF分类器,即随机森林分类器,由多个弱分类器构成,弱分类器只选择数据集的一个子集以及一部分特征值进行处理,每个弱分类器独立生成,靠投票的方式获得最优分类,相对于其他分类器有更短的训练和识别时间的优点;所述的整个随机森林模型,可看作由RF分类器构成的更大随机森林;所述的步骤4和步骤5中的袋外误差,是选择最优随机森林分类的主要依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532979.XA CN110598516A (zh) | 2019-06-19 | 2019-06-19 | 基于随机森林的多方位分层采集组合稻田杂草识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532979.XA CN110598516A (zh) | 2019-06-19 | 2019-06-19 | 基于随机森林的多方位分层采集组合稻田杂草识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598516A true CN110598516A (zh) | 2019-12-20 |
Family
ID=68852631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910532979.XA Pending CN110598516A (zh) | 2019-06-19 | 2019-06-19 | 基于随机森林的多方位分层采集组合稻田杂草识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598516A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814609A (zh) * | 2020-06-24 | 2020-10-23 | 厦门大学 | 一种基于ecoc和深度学习的微表情识别方法 |
CN112633082A (zh) * | 2020-12-04 | 2021-04-09 | 西安理工大学 | 一种多特征融合杂草检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120051441A (ko) * | 2010-11-12 | 2012-05-22 | 경희대학교 산학협력단 | 잡초 이미지에 포함된 잡초 분류 방법 및 그 장치 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN106503663A (zh) * | 2016-11-01 | 2017-03-15 | 江苏大学 | 一种基于深度学习的信号灯时长检测方法 |
CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
CN109376728A (zh) * | 2018-12-28 | 2019-02-22 | 华南农业大学 | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 |
US20190137604A1 (en) * | 2017-11-09 | 2019-05-09 | Vadum, Inc. | Target Identification and Clutter Mitigation in High Resolution Radar Systems |
-
2019
- 2019-06-19 CN CN201910532979.XA patent/CN110598516A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120051441A (ko) * | 2010-11-12 | 2012-05-22 | 경희대학교 산학협력단 | 잡초 이미지에 포함된 잡초 분류 방법 및 그 장치 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN106503663A (zh) * | 2016-11-01 | 2017-03-15 | 江苏大学 | 一种基于深度学习的信号灯时长检测方法 |
US20190137604A1 (en) * | 2017-11-09 | 2019-05-09 | Vadum, Inc. | Target Identification and Clutter Mitigation in High Resolution Radar Systems |
CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
CN109376728A (zh) * | 2018-12-28 | 2019-02-22 | 华南农业大学 | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 |
Non-Patent Citations (1)
Title |
---|
刘传泽 等: "基于随机森林算法的纤维板表面缺陷识别", 《林业科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814609A (zh) * | 2020-06-24 | 2020-10-23 | 厦门大学 | 一种基于ecoc和深度学习的微表情识别方法 |
CN111814609B (zh) * | 2020-06-24 | 2023-09-29 | 厦门大学 | 一种基于深度森林和卷积神经网络的微表情识别方法 |
CN112633082A (zh) * | 2020-12-04 | 2021-04-09 | 西安理工大学 | 一种多特征融合杂草检测方法 |
CN112633082B (zh) * | 2020-12-04 | 2023-08-18 | 西安理工大学 | 一种多特征融合杂草检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
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 | |
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
Kurtulmuş et al. | Detecting corn tassels using computer vision and support vector machines | |
CN106845497A (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN107679509A (zh) | 一种小环藻识别方法及装置 | |
Prakash et al. | A study of image processing in agriculture | |
CN112633082B (zh) | 一种多特征融合杂草检测方法 | |
CN109684906A (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
CN110598516A (zh) | 基于随机森林的多方位分层采集组合稻田杂草识别方法 | |
CN113657158A (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
Ruiz et al. | Automated classification of crop types and condition in a mediterranean area using a fine-tuned convolutional neural network | |
Fauvel et al. | Detection of hedges in a rural landscape using a local orientation feature: from linear opening to path opening | |
CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和系统 | |
CN113205006B (zh) | 一种基于水稻指数的多时相遥感影像水稻提取方法 | |
Hu et al. | Agricultural robot for intelligent detection of pyralidae insects | |
Das et al. | Leaf disease detection, quantification and classification using digital image processing | |
Yen et al. | Paddy plant disease detection using image processing | |
Sharma et al. | Detection and classification of plant diseases by Alexnet and GoogleNet deep learning architecture | |
Mangla et al. | Statistical growth prediction analysis of rice crop with pixel-based mapping technique | |
Anilkumar et al. | Detection of diseases in arecanut using convolutional neural networks | |
Nirmal et al. | Classification of pomegranate leaves diseases by image processing and machine learning techniques | |
Su et al. | Extracting croplands in western Inner Mongolia by using random forest and temporal feature selection | |
Kiran et al. | Plant disease identification using discrete wavelet transforms and SVM |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191220 |