CN110766082A - 一种基于迁移学习的植物叶片病虫害程度分类方法 - Google Patents
一种基于迁移学习的植物叶片病虫害程度分类方法 Download PDFInfo
- Publication number
- CN110766082A CN110766082A CN201911022167.7A CN201911022167A CN110766082A CN 110766082 A CN110766082 A CN 110766082A CN 201911022167 A CN201911022167 A CN 201911022167A CN 110766082 A CN110766082 A CN 110766082A
- Authority
- CN
- China
- Prior art keywords
- plant leaf
- size
- neural network
- convolution kernel
- pest
- 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
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 46
- 201000010099 disease Diseases 0.000 title claims abstract description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 25
- 241000238631 Hexapoda Species 0.000 title claims abstract description 20
- 238000013526 transfer learning Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000011176 pooling Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 24
- 238000013135 deep learning Methods 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于迁移学习的植物叶片病虫害程度分类方法,在常规图像预处理之后增设了0填充处理,使得图像的边缘特征信息能够被更加清晰地提取出来;利用ImageNet提供的通用机器视觉模型权重参数减轻模型训练的时间复杂度和资源消耗量;并对现有的ResNet50型残差神经网络进行改进,增设了可以保留更多信息的平均池化层、可以将多维数据降为1维进而加快计算速度的Flatten层、运算2048个中间特征的第一全连接层和最末端的第二全连接层,相比于现有技术,训练效果更佳,最终得到精度近似90%的处理效果。
Description
技术领域
本发明涉及农业机器视觉领域,具体涉及一种基于迁移学习的植物叶片病虫害程度分类方法。
背景技术
随着农业现代化的发展,规模种植面积越来越大,农作物病虫害问题随之成了首要问题。其具有种类多、影响大以及时常爆发成灾的特点,常对农业生产造成重大损失。若依靠专业人员在种植区域用肉眼观察农作物的病害情况,需要查看的物种通常会高达几十种,不同物种的疾病类型也不同,不但人力成本巨大,而且准确度也不够。
近年来,机器视觉的快速发展,通过机器视觉解决农业生产过程中的病虫害问题成为目前的一个重要研究方向。在本领域中,深度学习技术具有直接抽取分类特征的优点,一般不需要特意设置分类器,同时,深度学习提取特征的方法适合各种场景下的分类,泛化性比传统方法强,因此通常使用深度学习技术进行植物叶片的视频图像处理。
然而深度学习通常由于网络结构复杂而参数量巨大,其训练迭代过程也往往耗费更多的时间与计算资源。
发明内容
针对现有技术中的上述不足,本发明提供的一种植物叶片病害程度分类的迁移学习方法解决了农业机器视觉领域中常用算法的模型训练时间长,耗费计算资源大以及训练精度还有待进一步优化的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于迁移学习的植物叶片病虫害程度分类方法,包括以下步骤:
S1、收集已诊断出病虫害信息的植物叶片图像,得到初始植物叶片病虫害数据集;
S2、对初始植物叶片病虫害数据集进行仿射变换,并进行随机增减光亮和归一化处理,得到统一尺寸的预处理植物叶片病虫害数据集;
S3、对预处理植物叶片病虫害数据集进行0填充,得到植物叶片病虫害数据集;
S4、将植物叶片病虫害数据集按M:M:L的比例分配为训练集、验证集和测试集;
S5、根据ResNet50型网络架构,建立残差神经网络模型,从前到后依次为卷积层、最大池化层和16个残差块;
S6、在残差神经网络模型的末端增添平均池化层、Flatten层、第一全连接层和第二全连接层,得到初始神经网络;
S7、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型,进行迭代训练,得到训练完成的神经网络;
S8、使用训练完成的神经网络对植物叶片图像进行处理,得到叶片种类、病虫害种类以及病虫害程度的结果。
进一步地:步骤S2中随机增减光亮的具体公式为:
f=g×α+β
其中,g为原始图像,f为增减光亮的图像,α为变换对比度因子,β为亮度变化因子,α∈(0.9,1.1),,β∈(-10,10)。
进一步地:步骤S5中的卷积层由7×7×64大小的卷积核构成,其padding深度为3,stride参数值为2。
进一步地:步骤S5中的最大池化层的池化窗口大小为3×3,其padding深度为0,stride参数值为2。
进一步地:步骤S5中的16个残差块从前到后分别为3个第一类残差块、4个第二类残差块、6个第三类残差块和3个第四类残差块;
所述第一类残差块由1个1×1×64大小的卷积核、1个3×3×64大小的卷积核和1个1×1×256大小的卷积核依次连接而成;
所述第二类残差块由1个1×1×128大小的卷积核、1个3×3×128大小的卷积核和1个1×1×512大小的卷积核依次连接而成;
所述第三类残差块由1个1×1×256大小的卷积核、1个3×3×256大小的卷积核和1个1×1×1024大小的卷积核依次连接而成;
所述第四类残差块由1个1×1×512大小的卷积核、1个3×3×512大小的卷积核和1个1×1×2048大小的卷积核依次连接而成。
进一步地:步骤S6中的平均池化层的池化窗口大小为2×2。
进一步地:步骤S6中的第一全连接层采用Relu作为激活函数,输出维度为2048。
进一步地:步骤S6中的第二全连接层采用Softmax作为激活函数,输出维度为61,其值代表61种农作物的病害程度。
进一步地:步骤S7包括以下步骤:
S71、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型,并锁定初始神经网络中除两个全连接层和16个残差块以外的各神经元权重值;
S72、通过训练集、验证集和测试集对初始神经网络进行训练,其中使用Adam优化器对16个残差块的各神经元权重值进行迭代;
S73、使用反向传播算法对两个全连接层的各神经元权重值进行迭代,直至该神经网络输出精度不再提高,得到训练完成的神经网络。
本发明的有益效果为:在常规图像预处理之后增设了0填充处理,使得图像的边缘特征信息能够被更加清晰地提取出来;利用ImageNet提供的通用机器视觉模型权重参数减轻模型训练的时间复杂度和资源消耗量;并对现有的ResNet50型残差神经网络进行改进,增设了可以保留更多信息的平均池化层、可以将多维数据降为1维进而加快计算速度的Flatten层、运算2048个中间特征的第一全连接层和最末端的第二全连接层,相比于现有技术,训练效果更加,最终得到精度近似90%的处理效果。
附图说明
图1为一种基于迁移学习的植物叶片病虫害程度分类方法流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本发明的一个实施例中,一种基于迁移学习的植物叶片病虫害程度分类方法,包括以下步骤:
S1、收集已诊断出病虫害信息的植物叶片图像,得到初始植物叶片病虫害数据集;
S2、对初始植物叶片病虫害数据集进行仿射变换,并进行随机增减光亮和归一化处理,得到统一尺寸的预处理植物叶片病虫害数据集;
所述随机增减光亮的具体公式为:
f=g×α+β
其中,g为原始图像,f为增减光亮的图像,α为变换对比度因子,β为亮度变化因子,α∈(0.9,1.1),,β∈(-10,10);
S3、对预处理植物叶片病虫害数据集进行0填充,得到植物叶片病虫害数据集;
S4、将植物叶片病虫害数据集按N、M、L的比例分配为训练集、验证集和测试集,其中N为60%,M和L均为20%;
S5、根据ResNet50型网络架构,建立残差神经网络模型,从前到后依次为卷积层、最大池化层和16个残差块;
S6、在残差神经网络模型的末端增添平均池化层、Flatten层、第一全连接层和第二全连接层,得到初始神经网络;
S7、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型,并锁定初始神经网络中除两个全连接层和16个残差块以外的各神经元权重值,通过训练集、验证集和测试集对初始神经网络进行训练,其中使用Adam优化器对16个残差块的各神经元权重值进行迭代;并使用反向传播算法对两个全连接层的各神经元权重值进行迭代,直至该神经网络输出精度不再提高,得到训练完成的神经网络;
S8、使用训练完成的神经网络对植物叶片图像进行处理,得到叶片种类、病虫害种类以及病虫害程度的结果。
所述步骤S5中的卷积层由7×7×64大小的卷积核构成,其padding深度为3,stride参数值为2。
所述步骤S5中的最大池化层的池化窗口大小为3×3,其padding深度为0,stride参数值为2。
所述步骤S5中的16个残差块从前到后分别为3个第一类残差块、4个第二类残差块、6个第三类残差块和3个第四类残差块;
所述第一类残差块由1个1×1×64大小的卷积核、1个3×3×64大小的卷积核和1个1×1×256大小的卷积核依次连接而成;
所述第二类残差块由1个1×1×128大小的卷积核、1个3×3×128大小的卷积核和1个1×1×512大小的卷积核依次连接而成;
所述第三类残差块由1个1×1×256大小的卷积核、1个3×3×256大小的卷积核和1个1×1×1024大小的卷积核依次连接而成;
所述第四类残差块由1个1×1×512大小的卷积核、1个3×3×512大小的卷积核和1个1×1×2048大小的卷积核依次连接而成。
所述步骤S6中的平均池化层的池化窗口大小为2×2。
所述步骤S6中的第一全连接层采用Relu作为激活函数,输出维度为2048。
所述步骤S6中的第二全连接层采用Softmax作为激活函数,输出维度为61,其值代表61种农作物的病害程度。
本发明在常规图像预处理之后增设了0填充处理,使得图像的边缘特征信息能够被更加清晰地提取出来;利用ImageNet提供的通用机器视觉模型权重参数减轻模型训练的时间复杂度和资源消耗量;并对现有的ResNet50型残差神经网络进行改进,增设了可以保留更多信息的平均池化层、可以将多维数据降为1维进而加快计算速度的Flatten层、运算2048个中间特征的第一全连接层和最末端的第二全连接层,相比于现有技术,训练效果更加,最终得到精度近似90%的处理效果。
Claims (9)
1.一种基于迁移学习的植物叶片病虫害程度分类方法,其特征在于,包括以下步骤:
S1、收集已诊断出病虫害信息的植物叶片图像,得到初始植物叶片病虫害数据集;
S2、对初始植物叶片病虫害数据集进行仿射变换,并进行随机增减光亮和归一化处理,得到统一尺寸的预处理植物叶片病虫害数据集;
S3、对预处理植物叶片病虫害数据集进行0填充,得到植物叶片病虫害数据集;
S4、将植物叶片病虫害数据集按N∶M∶L的比例分配为训练集、验证集和测试集;
S5、根据ResNet50型网络架构,建立残差神经网络模型,从前到后依次为卷积层、最大池化层和16个残差块;
S6、在残差神经网络模型的末端增添平均池化层、Flatten层、第一全连接层和第二全连接层,得到初始神经网络;
S7、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型,进行迭代训练,得到训练完成的神经网络;
S8、使用训练完成的神经网络对植物叶片图像进行处理,得到叶片种类、病虫害种类以及病虫害程度的结果。
2.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法,其特征在于,所述步骤S2中随机增减光亮的具体公式为:
f=g×α+β
其中,g为原始图像,f为增减光亮的图像,α为变换对比度因子,β为亮度变化因子,α∈(0.9,1.1),,β∈(-10,10)。
3.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法,其特征在于,所述步骤S5中的卷积层由7×7×64大小的卷积核构成,其padding深度为3,stride参数值为2。
4.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法,其特征在于,所述步骤S5中的最大池化层的池化窗口大小为3×3,其padding深度为0,stride参数值为2。
5.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法,其特征在于,所述步骤S5中的16个残差块从前到后分别为3个第一类残差块、4个第二类残差块、6个第三类残差块和3个第四类残差块;
所述第一类残差块由1个1×1×64大小的卷积核、1个3×3×64大小的卷积核和1个1×1×256大小的卷积核依次连接而成;
所述第二类残差块由1个1×1×128大小的卷积核、1个3×3×128大小的卷积核和1个1×1×512大小的卷积核依次连接而成;
所述第三类残差块由1个1×1×256大小的卷积核、1个3×3×256大小的卷积核和1个1×1×1024大小的卷积核依次连接而成;
所述第四类残差块由1个1×1×512大小的卷积核、1个3×3×512大小的卷积核和1个1×1×2048大小的卷积核依次连接而成。
6.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法,其特征在于,所述步骤S6中的平均池化层的池化窗口大小为2×2。
7.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法,其特征在于,所述步骤S6中的第一全连接层采用Relu作为激活函数,输出维度为2048。
8.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法,其特征在于,所述步骤S6中的第二全连接层采用Softmax作为激活函数,输出维度为61,其值代表61种农作物的病害程度。
9.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法,其特征在于,所述步骤S7包括以下步骤:
S71、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型,并锁定初始神经网络中除两个全连接层和16个残差块以外的各神经元权重值;
S72、通过训练集、验证集和测试集对初始神经网络进行训练,其中使用Adam优化器对16个残差块的各神经元权重值进行迭代;
S73、使用反向传播算法对两个全连接层的各神经元权重值进行迭代,直至该神经网络输出精度不再提高,得到训练完成的神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022167.7A CN110766082B (zh) | 2019-10-25 | 2019-10-25 | 一种基于迁移学习的植物叶片病虫害程度分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022167.7A CN110766082B (zh) | 2019-10-25 | 2019-10-25 | 一种基于迁移学习的植物叶片病虫害程度分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766082A true CN110766082A (zh) | 2020-02-07 |
CN110766082B CN110766082B (zh) | 2022-04-01 |
Family
ID=69333668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911022167.7A Expired - Fee Related CN110766082B (zh) | 2019-10-25 | 2019-10-25 | 一种基于迁移学习的植物叶片病虫害程度分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766082B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553240A (zh) * | 2020-04-24 | 2020-08-18 | 四川省农业科学院农业信息与农村经济研究所 | 一种玉米病害病情分级方法、系统和计算机设备 |
CN112052904A (zh) * | 2020-09-09 | 2020-12-08 | 陕西理工大学 | 一种基于迁移学习和卷积神经网络病虫害的识别方法 |
CN112200160A (zh) * | 2020-12-02 | 2021-01-08 | 成都信息工程大学 | 基于深度学习的直读水表读数识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463937A (zh) * | 2017-06-20 | 2017-12-12 | 大连交通大学 | 一种基于迁移学习的番茄病虫害自动检测方法 |
CN108399378A (zh) * | 2018-02-08 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于vgg深度卷积网络的自然场景图像识别方法 |
CN109101994A (zh) * | 2018-07-05 | 2018-12-28 | 北京致远慧图科技有限公司 | 一种卷积神经网络迁移方法、装置、电子设备及存储介质 |
CN109523560A (zh) * | 2018-11-09 | 2019-03-26 | 成都大学 | 一种基于深度学习的三维图像分割方法 |
CN109766895A (zh) * | 2019-01-03 | 2019-05-17 | 京东方科技集团股份有限公司 | 用于图像风格迁移的卷积神经网络的训练方法和图像风格迁移方法 |
WO2019104003A1 (en) * | 2017-11-21 | 2019-05-31 | Beth Israel Deaconess Medical Center, Inc | Systems and methods for automatically interpreting images of microbiological samples |
CN110148120A (zh) * | 2019-05-09 | 2019-08-20 | 四川省农业科学院农业信息与农村经济研究所 | 一种基于cnn与迁移学习的病害智能识别方法及系统 |
-
2019
- 2019-10-25 CN CN201911022167.7A patent/CN110766082B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463937A (zh) * | 2017-06-20 | 2017-12-12 | 大连交通大学 | 一种基于迁移学习的番茄病虫害自动检测方法 |
WO2019104003A1 (en) * | 2017-11-21 | 2019-05-31 | Beth Israel Deaconess Medical Center, Inc | Systems and methods for automatically interpreting images of microbiological samples |
CN108399378A (zh) * | 2018-02-08 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于vgg深度卷积网络的自然场景图像识别方法 |
CN109101994A (zh) * | 2018-07-05 | 2018-12-28 | 北京致远慧图科技有限公司 | 一种卷积神经网络迁移方法、装置、电子设备及存储介质 |
CN109523560A (zh) * | 2018-11-09 | 2019-03-26 | 成都大学 | 一种基于深度学习的三维图像分割方法 |
CN109766895A (zh) * | 2019-01-03 | 2019-05-17 | 京东方科技集团股份有限公司 | 用于图像风格迁移的卷积神经网络的训练方法和图像风格迁移方法 |
CN110148120A (zh) * | 2019-05-09 | 2019-08-20 | 四川省农业科学院农业信息与农村经济研究所 | 一种基于cnn与迁移学习的病害智能识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
ZENGXI LI等: "COMPACT CONVOLUTIONAL NEURAL NETWORK TRANSFER LEARNING FOR SMALL-SCALE IMAGE CLASSIFICATION", 《网页在线公开:HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=7472175》 * |
柴帅等: "基于迁移学习的番茄病虫害检测", 《智能技术》 * |
魏超等: "基于深度学习的农作物病害检测", 《江苏大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553240A (zh) * | 2020-04-24 | 2020-08-18 | 四川省农业科学院农业信息与农村经济研究所 | 一种玉米病害病情分级方法、系统和计算机设备 |
CN111553240B (zh) * | 2020-04-24 | 2021-03-16 | 四川省农业科学院农业信息与农村经济研究所 | 一种玉米病害病情分级方法、系统和计算机设备 |
CN112052904A (zh) * | 2020-09-09 | 2020-12-08 | 陕西理工大学 | 一种基于迁移学习和卷积神经网络病虫害的识别方法 |
CN112200160A (zh) * | 2020-12-02 | 2021-01-08 | 成都信息工程大学 | 基于深度学习的直读水表读数识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110766082B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
CN110766082B (zh) | 一种基于迁移学习的植物叶片病虫害程度分类方法 | |
CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
CN111858989B (zh) | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 | |
CN111723738B (zh) | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 | |
CN111563431A (zh) | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 | |
CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
CN109086799A (zh) | 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 | |
CN108009594B (zh) | 一种基于变分组卷积的图像识别方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN111507319A (zh) | 一种基于深度融合卷积网络模型的农作物病害识别方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN107545279B (zh) | 基于卷积神经网络与加权核特征分析的图像识别方法 | |
Sabrol et al. | Fuzzy and neural network based tomato plant disease classification using natural outdoor images | |
CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
CN111611972A (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
CN113344077A (zh) | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 | |
CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
Luan et al. | Sunflower seed sorting based on convolutional neural network | |
CN115937693A (zh) | 一种基于遥感图像的道路识别方法及系统 | |
CN111563542A (zh) | 一种基于卷积神经网络的植物自动分类方法 | |
CN113344009B (zh) | 一种轻小型网络自适应番茄病害特征提取方法 | |
Su et al. | A CNN-LSVM model for imbalanced images identification of wheat leaf |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220401 |