CN110827273A - 一种基于区域卷积神经网络的茶叶病害检测方法 - Google Patents

一种基于区域卷积神经网络的茶叶病害检测方法 Download PDF

Info

Publication number
CN110827273A
CN110827273A CN201911109574.1A CN201911109574A CN110827273A CN 110827273 A CN110827273 A CN 110827273A CN 201911109574 A CN201911109574 A CN 201911109574A CN 110827273 A CN110827273 A CN 110827273A
Authority
CN
China
Prior art keywords
network
neural network
suggestion
regional
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
Application number
CN201911109574.1A
Other languages
English (en)
Inventor
汤哲
孙程
齐芳
陈华荣
李刚
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.)
Changsha Xiang Feng Intelligent Equipment Ltd By Share Ltd
Central South University
Original Assignee
Changsha Xiang Feng Intelligent Equipment Ltd By Share Ltd
Central South 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 Changsha Xiang Feng Intelligent Equipment Ltd By Share Ltd, Central South University filed Critical Changsha Xiang Feng Intelligent Equipment Ltd By Share Ltd
Priority to CN201911109574.1A priority Critical patent/CN110827273A/zh
Publication of CN110827273A publication Critical patent/CN110827273A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于区域卷积神经网络的茶叶病害检测方法，包括如下步骤：S1形成训练集样本数据，S2获得待检测叶片图像的特征图，S3生成特征图建议区域，S4完成检测并输出待检测叶片图像病害类别的概率向量。本发明基于区域卷积神经网络，将待检测的叶片图像输入区域卷积神经网络的基础网络获得特征图，在区域建议网络生成待检测叶片图像的建议区域进行过滤，并作为区域卷积神经网络检测网络的输入，由区域卷积神经网络进行待检测叶片图像病害种类的检测识别并输出病害种类的概率向量，以提供给茶农及时有效地对茶园茶树叶片病害情况进行检测和茶树叶片病害种类识别，辅助茶农防治茶园病害工作。

Description

一种基于区域卷积神经网络的茶叶病害检测方法
技术领域
本发明属于图像识别的技术领域，具体涉及一种基于区域卷积神经网络的茶叶病害检测方法。
背景技术
茶叶作为我国重要的经济作物之一，其产量和质量与茶树的种植技术密不可分。茶树在种植过程中，存在各种病害，直接影响茶叶的质量和产量。茶树病害种类全世界己报道的约有500种，我国己报道的有133种。在500种病害种类中，从病害对茶树的加害部位分析，发生在茎部的病害种类达226种，其中，叶部126种、根部104种、花部19种，以茶树叶部发生病害的占比最大。
目前，茶树病害防治主要是通过茶农在茶园现场人工观测、主观判断，再反馈茶园病害情况给少数植保专家或农技人员。由于同样的病害不同发病阶段呈现不同的特征变化，在茶树发病初期，叶片区域病斑面积较小，并且在自然生长条件的复杂背景下茶叶病害特征表现不明显，就需要植保专家或农技人员及时到现场技术支持。越来越多的迹象表明，茶树病害预防与控制需求的增多与植保专家或农技人员相对较少的矛盾已日益加剧，不能很好地预防和控制茶园作物病害的爆发，对茶树生长、茶叶产量、茶叶质量造成严重的损失。
在当今图像识别领域，基于深度学习的学习算法成为众多学者研究的热点，在计算机视觉领域被广泛应用，如人脸识别、图像分类、图像分割等，并取得了较好的效果。因此，根据茶园采集的茶树叶片图像来进行自动检测识别茶叶病害种类，及时有效地辅助茶农管理茶园病害工作具有重要意义。
发明内容
为解决上述技术问题中的至少之一，本发明提出一种基于区域卷积神经网络的茶叶病害检测方法。
本发明的目的通过以下技术方案实现：提供一种基于区域卷积神经网络的茶叶病害检测方法，包括如下步骤：
S1形成训练集样本数据，采集若干茶树叶片的图像作为样本图像，对样本图像进行预处理，得到健康叶片和病害叶片样本图像数据，将样本图像数据作为训练集和检测集；
S2获得待检测叶片图像的特征图，在区域卷积神经网络的基础网络部分输入待检测叶片图像并获得特征图，将特征图作为区域建议网络的输入；
S3生成特征图建议区域，区域建议网络采用滑动窗口在特征图上扫描生成锚点，对锚点对应不同形态的锚点样本框进行重叠区域过滤，并用来训练区域卷积神经网络。在训练过程中，实现区域建议网络与区域卷积神经网络共享公共卷积层，训练完成后，对区域建议网络生成的建议区域进行过滤。
S4完成检测并输出待检测叶片图像病害类别的概率向量，将步骤3过滤后的建议区域作为区域卷积神经网络检测网络的输入，检测网络完成叶片图像病害的检测识别和分类。
作为进一步的改进，所述区域卷积神经网络包括基础网络、区域建议网络、检测网络。
作为进一步的改进，所述基础网络基于经典卷积神经网络，由卷积层、修正线性单元和池化层组成。
作为进一步的改进，在步骤S3中，区域建议网络与区域卷积神经网络之间采用交替训练来实现公共卷积层的特征共享。
作为进一步的改进，在S3步骤中，所述区域建议网络和区域卷积神经网络的卷积层特征共享，具体步骤如下：
51.使用图片网络预训练区域卷积神经网络的基础网络，使区域卷积神经网络模型初始化，然后独立训练区域建议网络；
52.将区域建议网络生成的建议区域作为区域卷积神经网络的输入，用图片网络对区域卷积神经网络进行预训练，使该模型初始化；
53.使用训练后的区域卷积神经网络来更新区域建议网络，在训练时仅更新区域建议网络的卷积层，训练完成后，区域卷积神经网络和区域建议网络开始共享卷积层；
54.保持共享的卷积层的参数不变，微调区域卷积神经网络的全连接层，将区域建议网络统一到区域卷积神经网络中，完成交替训练。
作为进一步的改进，在S3步骤中，所述区域建议网络生成的建议区域采用非极大值抑制算法消除冗余的建议区域来进行建议区域的过滤。
作为进一步的改进，在S3步骤中，所述采用非极大值抑制算法消除冗余的建议区域。主要步骤为：
71.通过对所有建议区域的置信度进行得分排序，选择得分最高的建议区域；
72.遍历其余的建议区域，和当前得分最高的建议区域进行IOU比较，如果重叠度大于一定的阈值，就对其它建议区域进行舍弃，保留得分最高的建议区域并对其进行标记；
73.再从未处理的其他建议区域中选择一个得分最高的区域，重复72的步骤，直到找到所有被标记的区域。
作为进一步的改进，在S4步骤中，所述步骤3过滤后的建议区域作为区域卷积神经网络检测网络的输入，将特征图与过滤后的建议区域输入池化层，将建议区域对应在特征图相应的位置上并固定在同一尺寸，进行最大池化操作后输入全连接层。
作为进一步的改进，所述全连接层后面连接了两个同级的输出层，分别为分类层和回归层，所述分类层通过归一化指数函数分类并输出病害类型的概率向量。所述回归层用于调整待检测叶片图像建议区域对应的病害位置，使其与病害位置更为接近。
本发明的有益效果：
本发明提供的一种基于区域卷积神经网络的茶叶病害检测方法，基于区域卷积神经网络，将待检测的叶片图像输入区域卷积神经网络的基础网络获得特征图，在区域建议网络生成待检测叶片图像的建议区域进行过滤，并作为区域卷积神经网络检测网络的输入，由区域卷积神经网络进行待检测叶片图像病害种类的检测识别并输出病害种类的概率向量，以提供给茶农及时有效地对茶园茶树叶片病害情况进行检测和茶树叶片病害种类识别，辅助茶农防治茶园病害工作。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的流程图。
图2为区域卷积神经网络与区域建议网络结构示意图。
图3为叶片图像提取的特征图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步详细的描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
结合图1和图2所示，本发明实施例提供一种基于区域卷积神经网络的茶叶病害检测方法，包括如下步骤：
S1形成训练集样本数据，采集若干自然环境下的茶树病害叶片图像作为样本图像，采集过程中，根据不同角度拍摄取样茶树叶片，综合考虑天气、光照变化等影响。对样本图像进行预处理，预处理主要是将样本图像标定边界框并转换为区域卷积神经网络(Faster Region-Convolutional Neural Network，Faster R-CNN)所需要的数据，得到健康叶片和病害叶片样本图像，本实施例的病害叶片样本图像包括茶炭疽病，茶褐斑病，茶饼病，茶白星病4种典型的茶树叶部病害样本，将样本图像作为区域卷积神经网络训练集和检测集；
S2获得待检测叶片图像的特征图，区域卷积神经网络包括基础网络、区域建议网络(Region Proposal Network，RPN)、检测网络。其中，基础网络基于经典卷积神经网络(VGG-16)，该网络结构由13个卷积层，13个修正线性单元和4个池化层组成。其中，卷积层中卷积核尺寸大小为3×3，滑动步长为1；池化层采用最大池化操作，滑动窗口尺寸为2×2，滑动步长为2。本实施例在区域卷积神经网络的基础网络中输入待检测叶片图像尺寸为650×420×3的茶炭疽病叶片图像，通过经典卷积神经网络前向传播算法，使用基础网络模块的卷积层、修正线性单元和池化层进行处理，获得叶片图像60×40×512的特征图，特征效果图如图3所示。将所得特征图作为区域建议网络的输入。
S3生成特征图建议区域，区域建议网络采用3×3滑动窗口在60×40×512的特征图上进行扫描在中心处产生9个锚点。其中，9个锚点对应9种不同的形态，基础尺寸为{8×8,16×16,32×32}，每种基础尺寸又分为3种缩放比为{1:1,1:2,2:1}，本实施例共计60×40×9＝21600个锚点样本框，将其与样本图像预先标定边界框比较重叠区域并计算交并比(Intersection-over-union，IOU)得分，如果某个锚点的IOU＞0.7，则为正类样本(叶片区域)；当IOU＜0.3，则为负类样本，对于0.3＜IOU＜0.7的锚点样本，则进行舍弃。当滑动窗口对整张特征图扫描完成，获得目标图像6000多个正、负类锚点样本，用来训练区域卷积神经网络。在训练过程中，实现区域建议网络与区域卷积神经网络共享公共卷积层。
区域建议网络与区域卷积神经网络之间采用交替训练来实现卷积层的特征共享，具体步骤如下：
51.使用图片网络预训练区域卷积神经网络的基础网络，使区域卷积神经网络模型初始化，然后独立训练区域建议网络；
52.将区域建议网络生成的建议区域作为区域卷积神经网络的输入，用图片网络对区域卷积神经网络进行预训练，使该模型初始化；
53.使用训练后的区域卷积神经网络来更新区域建议网络，在训练时仅更新区域建议网络的卷积层，训练完成后，区域卷积神经网络和区域建议网络开始共享公共卷积层；
54.保持共享的卷积层的参数不变，微调区域卷积神经网络的全连接层，将区域建议网络统一到区域卷积神经网络中，完成交替训练。
区域建议网络训练完成后，生成的建议区域约为6000多，这些建议区域会出现高度重合的现象，需要进行建议区域的过滤。本实例采用非极大值抑制算法(Non-MaximumSuppression，NMS)消除冗余的建议区域，进行建议区域的过滤。主要步骤为：
71.通过对所有建议区域的置信度进行得分排序，选择得分最高的建议区域；
72.遍历其余的建议区域，和当前得分最高的建议区域进行IOU比较，如果重叠度大于一定的阈值，就对其它建议区域进行舍弃，保留得分最高的建议区域并对其进行标记；
73.再从未处理的其他建议区域中选择一个得分最高的区域，重复操作步骤(2)，直到找到所有被标记的区域。
具体的，根据区域建议网络的输出结果选出最高得分，并将NMS中的IOU阈值设置为0.7。经过NMS操作后，可将6000多个建议区间减少至2000个。通过大幅度削减冗余建议区域的数量，既能有效反映待检测叶片图像的特征，同时在不影响后续检测的准确率的基础上，还减少了重复的运算过程提升了检测的效率。
S4完成检测并输出待检测叶片图像病害类别的概率向量，步骤3过滤后的建议区域作为区域卷积神经网络检测网络的输入。具体的操作为：特征图与过滤后的建议区域输入池化层，将建议区域对应在特征图相应的位置上并固定在同一尺寸，进行最大池化操作后输入全连接层，全连接层的后面连接了两个同级输出层，分别是分类层和回归层，为多任务结构。检测网络实现对特征图建议区域分类和回归预测的训练，并通过区域卷积神经网络的损失函数来评估病害种类分类的误差。其中，分类层用归一化指数函数作为分类器计算每个建议区域分别属于哪种病害类别，并输出4种病害类型的概率向量；回归层使用边界框回归算法对叶片病害区域(真实区域)和建议区域进行边框位置与大小微调，完成叶片病害的检测识别和分类。
具体的，区域卷积神经网络全连接中的分类层和回归层的损失函数为：
Figure BDA0002272334330000061
分类层，通过归一化指数函数计算得出过滤后的建议区域属于四类病害的概率分布。其中，
Figure BDA0002272334330000062
表示正负类别的交叉熵损失函数。式中：i表示为第i个锚点，pi为锚点预测建议区域为叶片病害区域的概率，
Figure BDA0002272334330000063
代表真实区域的标签，当锚点为正类样本时，当锚点为负类样本时，
Figure BDA0002272334330000065
回归层，用于预测建议区域的边界框对应的真实区域的位置修正,使其与叶片病害位置更为接近。其中，
Figure BDA0002272334330000066
表示回归损失函数，ti＝{tx，ty，tw，th}为四维数组表示预测的目标边界框平移缩放的4个参数化坐标，
Figure BDA0002272334330000067
表示与正类样本对应的真实区域边界框的坐标向量，式中R表示smo othL1损失函数，该函数使得回归损失对于离群点和异常点更加鲁棒。smo othL1的损失函数为：
Figure BDA0002272334330000071
区域卷积神经网络的损失函数中Ncls、Nreg和λ是为了平衡分类损失和回归损失的归一化权重。
上面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，不能理解为对本发明保护范围的限制。
总之，本发明虽然列举了上述优选实施方式，但是应该说明，虽然本领域的技术人员可以进行各种变化和改型，除非这样的变化和改型偏离了本发明范围，否则都应该包括在本发明的保护范围内。

Claims (9)

1.一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，包括如下步骤：
S1形成训练集样本数据，采集若干茶树叶片的图像作为样本图像，对样本图像进行预处理，得到健康叶片和病害叶片样本图像数据，将样本图像数据作为训练集和检测集；
S2获得待检测叶片图像的特征图，在区域卷积神经网络的基础网络部分输入待检测叶片图像并获得特征图，将特征图作为区域建议网络的输入；
S3生成特征图建议区域，区域建议网络采用滑动窗口在特征图上扫描生成锚点，对锚点对应不同形态的锚点样本框进行重叠区域过滤，并用来训练区域卷积神经网络。在训练过程中，实现区域建议网络与区域卷积神经网络共享公共卷积层，训练完成后，对区域建议网络生成的建议区域进行过滤。
S4完成检测并输出待检测叶片图像病害类别的概率向量，将步骤3过滤后的建议区域作为区域卷积神经网络检测网络的输入，检测网络完成叶片图像病害的检测识别和分类。
2.如权利要求1所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，所述区域卷积神经网络包括基础网络、区域建议网络、检测网络。
3.如权利要求2所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，所述基础网络基于经典卷积神经网络，由卷积层、修正线性单元和池化层组成。
4.如权利要求3所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在步骤S3中，区域建议网络与区域卷积神经网络之间采用交替训练来实现公共卷积层的特征共享。
5.如权利要求4所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在S3步骤中，所述区域建议网络和区域卷积神经网络的卷积层特征共享，具体步骤如下：
51.使用图片网络预训练区域卷积神经网络的基础网络，使区域卷积神经网络模型初始化，然后独立训练区域建议网络；
52.将区域建议网络生成的建议区域作为区域卷积神经网络的输入，用图片网络对区域卷积神经网络进行预训练，使该模型初始化；
53.使用训练后的区域卷积神经网络来更新区域建议网络，在训练时仅更新区域建议网络的卷积层，训练完成后，区域卷积神经网络和区域建议网络开始共享卷积层；
54.保持共享的卷积层的参数不变，微调区域卷积神经网络的全连接层，将区域建议网络统一到区域卷积神经网络中，完成交替训练。
6.如权利要求5所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在S3步骤中，所述区域建议网络生成的建议区域采用非极大值抑制算法消除冗余的建议区域来进行建议区域的过滤。
7.如权利要求6所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在S3步骤中，所述采用非极大值抑制算法消除冗余的建议区域。主要步骤为：
71.通过对所有建议区域的置信度进行得分排序，选择得分最高的建议区域；
72.遍历其余的建议区域，和当前得分最高的建议区域进行IOU比较，如果重叠度大于一定的阈值，就对其它建议区域进行舍弃，保留得分最高的建议区域并对其进行标记；
73.再从未处理的其他建议区域中选择一个得分最高的区域，重复72的步骤，直到找到所有被标记的区域。
8.如权利要求7所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在S4步骤中，所述步骤3过滤后的建议区域作为区域卷积神经网络检测网络的输入，将特征图与过滤后的建议区域输入池化层，将建议区域对应在特征图相应的位置上并固定在同一尺寸，进行最大池化操作后输入全连接层。
9.如权利要求8所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，所述全连接层后面连接了两个同级的输出层，分别为分类层和回归层，所述分类层通过归一化指数函数分类并输出病害类型的概率向量。所述回归层用于调整待检测叶片图像建议区域对应的病害位置，使其与病害位置更为接近。
CN201911109574.1A 2019-11-14 2019-11-14 一种基于区域卷积神经网络的茶叶病害检测方法 Pending CN110827273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911109574.1A CN110827273A (zh) 2019-11-14 2019-11-14 一种基于区域卷积神经网络的茶叶病害检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911109574.1A CN110827273A (zh) 2019-11-14 2019-11-14 一种基于区域卷积神经网络的茶叶病害检测方法

Publications (1)

Publication Number Publication Date
CN110827273A true CN110827273A (zh) 2020-02-21

Family

ID=69554792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911109574.1A Pending CN110827273A (zh) 2019-11-14 2019-11-14 一种基于区域卷积神经网络的茶叶病害检测方法

Country Status (1)

Country Link
CN (1) CN110827273A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414896A (zh) * 2020-04-10 2020-07-14 吉林农业大学 一种基于卷积神经网络农作物病害图像识别方法
CN111524092A (zh) * 2020-03-16 2020-08-11 中国农业科学院茶叶研究所 一种红茶萎凋程度指标的无损检测方法
CN111797835A (zh) * 2020-06-01 2020-10-20 深圳市识农智能科技有限公司 一种病症识别方法、病症识别装置及终端设备
CN112434662A (zh) * 2020-12-09 2021-03-02 安徽大学 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法
CN112489026A (zh) * 2020-12-08 2021-03-12 甘肃智通科技工程检测咨询有限公司 基于多分支并行卷积神经网络的沥青路面病害检测方法
WO2022033015A1 (zh) * 2020-08-11 2022-02-17 天津拓影科技有限公司 图像中异常区域的处理方法、装置和图像分割方法、装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599939A (zh) * 2016-12-30 2017-04-26 深圳市唯特视科技有限公司 一种基于区域卷积神经网络的实时目标检测方法
CN108509978A (zh) * 2018-02-28 2018-09-07 中南大学 基于cnn的多级特征融合的多类目标检测方法及模型
CN110321815A (zh) * 2019-06-18 2019-10-11 中国计量大学 一种基于深度学习的道路裂缝识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599939A (zh) * 2016-12-30 2017-04-26 深圳市唯特视科技有限公司 一种基于区域卷积神经网络的实时目标检测方法
CN108509978A (zh) * 2018-02-28 2018-09-07 中南大学 基于cnn的多级特征融合的多类目标检测方法及模型
CN110321815A (zh) * 2019-06-18 2019-10-11 中国计量大学 一种基于深度学习的道路裂缝识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘阗宇;冯全;: "基于卷积神经网络的葡萄叶片检测", no. 04 *
刘阗宇等: ""基于卷积神经网络的葡萄叶片病害检测方法"", vol. 49, no. 3, pages 73 - 83 *
刘阗宇等: "基于卷积神经网络的葡萄叶片病害检测方法", 东北农业大学学报, vol. 49, no. 03, pages 73 - 83 *
周兵等: ""基于改进的Faster R-CNN目标检测算法"", pages 1 - 13 *
周兵等: "基于改进的Faster R-CNN目标检测算法", 激光与光电子学进展, no. 10, pages 1 - 13 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111524092A (zh) * 2020-03-16 2020-08-11 中国农业科学院茶叶研究所 一种红茶萎凋程度指标的无损检测方法
CN111524092B (zh) * 2020-03-16 2024-03-12 中国农业科学院茶叶研究所 一种红茶萎凋程度指标的无损检测方法
CN111414896A (zh) * 2020-04-10 2020-07-14 吉林农业大学 一种基于卷积神经网络农作物病害图像识别方法
CN111797835A (zh) * 2020-06-01 2020-10-20 深圳市识农智能科技有限公司 一种病症识别方法、病症识别装置及终端设备
CN111797835B (zh) * 2020-06-01 2024-02-09 深圳市识农智能科技有限公司 一种病症识别方法、病症识别装置及终端设备
WO2022033015A1 (zh) * 2020-08-11 2022-02-17 天津拓影科技有限公司 图像中异常区域的处理方法、装置和图像分割方法、装置
CN112489026A (zh) * 2020-12-08 2021-03-12 甘肃智通科技工程检测咨询有限公司 基于多分支并行卷积神经网络的沥青路面病害检测方法
CN112489026B (zh) * 2020-12-08 2023-08-18 甘肃智通科技工程检测咨询有限公司 基于多分支并行卷积神经网络的沥青路面病害检测方法
CN112434662A (zh) * 2020-12-09 2021-03-02 安徽大学 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法

Similar Documents

Publication Publication Date Title
CN110827273A (zh) 一种基于区域卷积神经网络的茶叶病害检测方法
CN109308697B (zh) 一种基于机器学习算法的树叶病害识别方法
Parvathi et al. Detection of maturity stages of coconuts in complex background using Faster R-CNN model
Wu et al. Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms
Faisal et al. IHDS: Intelligent harvesting decision system for date fruit based on maturity stage using deep learning and computer vision
CN111666883B (zh) 一种葡萄采摘机器人目标识别及果梗夹切点定位方法
Lin et al. The pest and disease identification in the growth of sweet peppers using faster R-CNN and mask R-CNN
CN111860330A (zh) 基于多特征融合和卷积神经网络的苹果叶部病害识别方法
KR102002632B1 (ko) Ｉｏｔ 기반 과수 모니터링 시스템 및 방법
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
CN111105393A (zh) 一种基于深度学习的葡萄病虫害识别方法及装置
CN112749675A (zh) 一种基于卷积神经网络的马铃薯病害识别方法
CN113657294A (zh) 一种基于计算机视觉的作物病虫害检测方法及系统
CN115292334A (zh) 基于视觉智能种植方法、系统、电子设备及存储介质
CN111626969B (zh) 一种基于注意力机制的玉米病害图像处理方法
CN116030348A (zh) 一种基于LS-YOLOv5网络的绿豆叶斑病病斑检测方法及装置
Zhang et al. Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm
Pramudhita et al. Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture
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
KR102393265B1 (ko) 버섯 병해충 검출 시스템
De Silva et al. Plant disease detection using deep learning on natural environment images
CN116958643A (zh) 一种基于yolo网络的气传花粉致敏植物智慧识别方法
Balakrishna et al. Tomato Leaf Disease Detection Using Deep Learning: A CNN Approach
Saxena et al. Disease detection in plant leaves using deep learning models: AlexNet and GoogLeNet
Jin et al. An improved mask r-cnn method for weed segmentation

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