CN110866540A - 一种田间幼苗期草类识别方法及装置 - Google Patents
一种田间幼苗期草类识别方法及装置 Download PDFInfo
- Publication number
- CN110866540A CN110866540A CN201910958849.2A CN201910958849A CN110866540A CN 110866540 A CN110866540 A CN 110866540A CN 201910958849 A CN201910958849 A CN 201910958849A CN 110866540 A CN110866540 A CN 110866540A
- Authority
- CN
- China
- Prior art keywords
- seedling stage
- grass
- field seedling
- model
- field
- 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
- 244000025254 Cannabis sativa Species 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 62
- 241000196324 Embryophyta Species 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 241000209504 Poaceae Species 0.000 claims 5
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000007866 Chamaemelum nobile Nutrition 0.000 description 1
- 244000042664 Matricaria chamomilla Species 0.000 description 1
- 235000007232 Matricaria chamomilla Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种田间幼苗期草类识别方法及装置,将采集的田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类,其中,田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。本发明使InceptionV3模型经过初始训练后直接迁移至田间幼苗期草类样本图像集上进行训练,由于InceptionV3模型经过初始训练后已经具备了一定的图像识别能力,因此再迁移到田间幼苗期草类样本图像集上进行训练能提高训练效率,由此可提高田间幼苗期草类识别模型的训练效率和识别准确率。
Description
技术领域
本发明涉及深度学习和图像处理技术领域,尤其涉及一种田间幼苗期草类识别方法及装置。
背景技术
田间杂草由于会与农作物争夺阳光和养分,因此对农作物幼苗的危害很大。一般,采用对田间杂草施用农药来控制田间杂草生长,但是,田间杂草品种多样,田间杂草在幼苗期与农作物幼苗十分类似,仅靠人眼难以对田间杂草进行区分,并且粗放式的农药喷洒会造成资源浪费和环境污染,过量的农药还会危及人类的身体健康,因此对田间草类的快速、精确识别对于去除田间杂草具有十分重要的意义。
传统的识别杂草的方法有人工识别和遥感识别。其中,人工识别主要依赖主观经验,且需耗费大量劳动力,在发生严重杂草疫情时无能为力。遥感识别通过采集杂草的光谱信息来鉴别杂草,但是对生长密度小的杂草鉴别效果不理想。
过去几年,随着计算机技术在发展机器视觉和图像处理技术方面取得的重大进展,机器视觉和图像处理越来越多地应用于生物学、材料科学、摄影和其他领域。许多研究者开始将机器视觉方法用来识别杂草和幼苗,一般是通过提取目标特定图像特征(Hog,SIFT等)结合传统分类方法(SVM,ELM等)对杂草进行分类识别,但是这类方法选取的特征易受光照等因素的影响,从而影响最终的识别效果。另外,还可以建立网络模型来识别杂草和幼苗,例如采用ImageNet图像数据集验证数据集上性能很高的InceptionResNetV2深层网络结构,但是其网络模型结构复杂、训练需要大量数据,训练很耗时,因此也不利于推广应用。
因此,目前采用的机器视觉识别方法存在识别效果差,或者网络模型结构复杂,且训练需要大量的数据,由此导致效率低的问题,不利于推广应用。
发明内容
针对目前采用的机器视觉识别方法存在识别效果差,或者网络模型结构复杂,且训练需要大量的数据,由此导致效率低的问题,本发明实施例提供一种田间幼苗期草类识别方法及装置。
第一方面,本发明实施例提供一种田间幼苗期草类识别方法,该方法包括:S1、采集田间幼苗期草类图像;S2、将田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类;其中,田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。
优选地,InceptionV3模型的初始训练是在ImageNet图像数据集上进行的。
优选地,田间幼苗期草类样本图像集为Aarhus标准数据集,Aarhus标准数据集包括12种植物和这12种植物对应的960棵植株,植株处于不同的生长阶段。
优选地,将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得田间幼苗期草类识别模型,具体包括:田间幼苗期草类样本图像集进行预处理后,按照预设比例划分为训练集、验证集和测试集;将经过初始训练的InceptionV3模型迁移至经过预处理后的田间幼苗期草类样本图像集上,利用训练集训练InceptionV3模型后,利用验证集调整InceptionV3模型的网络参数,使得InceptionV3模型在测试集上的平均分类准确率达到预设准确率,以获取田间幼苗期草类识别模型。
优选地,预处理依次包括平衡、扩大、平移、旋转、翻转、添加噪声和透视变换操作。
优选地,预处理中的平衡操作采用SMOTE算法。
优选地,预设比例为8:1:1,训练集占田间幼苗期草类样本图像集的80%,测试集占田间幼苗期草类样本图像集的10%,验证集占田间幼苗期草类样本图像集的10%。
第二方面,本发明实施例提供田间幼苗期草类识别装置,该装置包括:采集模块,用于采集田间幼苗期草类图像;分类模块,用于将田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类;其中,田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。
第三方面,本发明实施例提供一种电子设备,该电子设备包括: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,处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的田间幼苗期草类识别方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的田间幼苗期草类识别方法。
本发明实施例提供一种田间幼苗期草类识别方法及装置,将采集的田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类,其中,田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。本发明实施例使InceptionV3模型经过初始训练后直接迁移至田间幼苗期草类样本图像集上进行训练,由于InceptionV3模型经过初始训练已经具备了一定的图像识别能力,因此再迁移到田间幼苗期草类样本图像集上进行训练后能提高训练效率,同时这样还能缓解田间幼苗期草类样本图像集样本不足可能使模型识别准确率低的问题,由此基于初始化的InceptionV3模型和迁移学习相结合的方式可提高田间幼苗期草类识别模型的训练效率和识别准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的田间幼苗期草类识别方法的总体流程示意图;
图2为本发明实施例的田间幼苗期草类识别方法的具体流程示意图;
图3为本发明实施例的田间幼苗期草类识别装置的结构示意图;
图4为本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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作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。
InceptionResNetV2模型的网络结构复杂,训练所需的硬件要求较高,训练很耗时,InceptionV3模型相较于InceptionResNetV2模型的网络结构更简单,且训练所需的硬件要求更低,但是与InceptionResNetV2模型的准确率相比仅有微小差别,因此,本发明实施例选用InceptionV3模型作为建立田间幼苗期草类识别模型的基础模型。
图1为本发明实施例的田间幼苗期草类识别方法的总体流程示意图,如图1所示,本发明实施例提供一种田间幼苗期草类识别方法,该方法包括:
S1、采集田间幼苗期草类图像。
具体地,在实际应用中,需先架设包括摄像机或照相机等图像采集装置并调节拍摄参数,采集田间幼苗期草类图像。
S2、将田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类;其中,田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。
具体地,将InceptionV3模型进行初始训练后具备一定的图像识别能力,然后把经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练,从而获得田间幼苗期草类识别模型。该田间幼苗期草类识别模型应用时,将步骤S1中采集田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类,从而完成田间幼苗期草的识别。
本发明实施例提供的田间幼苗期草类识别方法,使InceptionV3模型经过初始训练后直接迁移至田间幼苗期草类样本图像集上进行训练,由于InceptionV3模型经过初始训练已经具备了一定的识别能力,因此再迁移到田间幼苗期草类样本图像集上进行训练后能提高训练效率,同时这样还能缓解田间幼苗期草类样本图像集样本不足可能使模型识别准确率低的问题,由此基于初始化的InceptionV3模型和迁移学习相结合的方式可提高田间幼苗期草类识别模型的训练效率和识别准确率。
需要说明的是,InceptionV3模型的初始训练是在ImageNet图像数据集上进行的。
进一步地,田间幼苗期草类样本图像集为Aarhus标准数据集,Aarhus标准数据集包括12种植物和这12种植物对应的960棵植株,植株处于不同的生长阶段。
具体地,Aarhus标准数据集是由Aarhus University Signal Processing和University of Southern Denmark共同合作开发的一份含有12种植物的数据集,其中包括这12种植物对应的处于不同的生长阶段的960棵植株。
基于上述实施例,图2为本发明实施例的田间幼苗期草类识别方法的具体流程示意图,如图2所示,将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得田间幼苗期草类识别模型,具体包括:田间幼苗期草类样本图像集进行预处理后,按照预设比例划分为训练集、验证集和测试集;将经过初始训练的InceptionV3模型迁移至经过预处理后的田间幼苗期草类样本图像集上,利用训练集训练InceptionV3模型后,利用验证集调整InceptionV3模型的网络参数,使得InceptionV3模型在测试集上的平均分类准确率达到预设准确率,以获取田间幼苗期草类识别模型。
具体地,利用训练集训练InceptionV3模型后,根据验证集的测试结果来调整InceptionV3的网络参数,使得InceptionV3模型在验证集上达到最优,最后用完全没有经过训练的测试集来测试InceptionV3模型的平均分类准确率是否达到预设准确率,在InceptionV3模型的平均分类准确率达到预设准确率后,获取田间幼苗期草类识别模型。
需要说明的是,训练集、验证集和测试集的预设比例为8:1:1,即训练集占田间幼苗期草类样本图像集的80%,测试集占田间幼苗期草类样本图像集的10%,验证集占田间幼苗期草类样本图像集的10%。
进一步地,预处理依次包括平衡、扩大、平移、旋转、翻转、添加噪声和透视变换操作。其中,平衡操作采用SMOTE算法。
下面给出一个具体实施例,以详细解释获取该田间幼苗期草类识别模型的具体步骤。
步骤一,读取Data中的原始样本图像,将原图像用SMOTE算法进行数据平衡,得到BData。
步骤二,读取BData中的样本图像,将图像预处理到网络所需的大小,224*224,得到BRData。
步骤三,读取BRData中的样本图像,运用尺度变换按原始图像的90%、75%和60%比例生成每个图像,得到ScalingData。
步骤四,运用平移技术,保留80%基本图像的基础上,将对象移动到图像的各个部分,得到TransData。
步骤五,运用旋转技术,将BRData中的样本图像分别旋转90度,180度和270度,得到RotateData。
步骤六,运用翻转技术将BRData中的样本图像,分别上下,左右,对角翻转,得到FlipData。
步骤七,对BRData中的样本图像增加噪声,盐点噪声,胡椒噪声,高斯噪声,得到NoiseData。
步骤八,运用透视变换技术,将BRData中的样本图像进行变换透视,得到PerspData。
步骤九,将步骤二至步骤八得到的数据集BRData,ScalingData,TransData,RotateData,FlipData,NoiseData,PerspData进行合并得到GrassData,将GrassData按8:1:1的比例随机划分为训练集TrainData,验证集ValData,测试集TestData。
步骤十,将ImageNet图像数据集上训练好的Inception-V3模型迁移到GrassData,利用训练集TrainData迭代循环训练Inception-V3模型,利用测试集TestData调节Inception-V3模型的学习率和步长等参数,使得InceptionV3模型在验证集ValData上达到最优,以使Inception-V3模型在测试集TestData上的平均分类准确率达到预设准确率为止。
表1为利用该田间幼苗期草类识别方法基于Aarhus标准数据集获得的识别结果,其中的定量指标为识别准确率(真实标签和预测标签的重合点)。由表1可知,本发明提出的方法在Aarhus数据集取得平均93.3%的准确率,其中臭春黄菊识别准确率达99%。
表1
图3为本发明实施例的田间幼苗期草类识别装置的结构示意图,如图3所示,本发明实施例提供一种田间幼苗期草类识别装置,该装置包括采集模块301和分类模块302,其中:
采集模块301,用于采集田间幼苗期草类图像。
具体地,在实际应用中,需先架设包括摄像机或照相机等图像采集装置并调节拍摄参数,利用采集模块301采集田间幼苗期草类图像。
分类模块302,用于将田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类;其中,田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。
具体地,利用分类模块302将InceptionV3模型进行初始训练后具备一定的图像识别能力,然后把经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练,从而获得田间幼苗期草类识别模型。该田间幼苗期草类识别模型应用时,将步骤S1中采集田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类,从而完成田间幼苗期草类进行识别。
本发明实施例提供的田间幼苗期草类识别装置,使InceptionV3模型经过初始训练后直接迁移至田间幼苗期草类样本图像集上进行训练,由于InceptionV3模型经过初始训练已经具备了初始的识别能力,因此再迁移到田间幼苗期草类样本图像集上进行训练后能提高训练效率,同时这样还能缓解田间幼苗期草类样本图像集样本不足可能使模型识别准确率低的问题,由此基于初始化的InceptionV3模型和迁移学习相结合的方式可提高田间幼苗期草类识别模型的训练效率和识别准确率。
图4为本发明实施例的电子设备的结构示意图,如图4所示,本发明实施例提供了一种电子设备,该电子设备包括:处理器(processor)401、通信接口(CommunicationsInterface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403上并可在处理器401上运行的计算机程序,以执行上述各实施例提供的田间幼苗期草类识别方法,例如包括:S1、采集田间幼苗期草类图像;S2、将田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类;其中,田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的田间幼苗期草类识别方法,例如包括:S1、采集田间幼苗期草类图像;S2、将田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出田间幼苗期草类图像对应的田间幼苗期草类种类;其中,田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。
以上所描述的电子设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种田间幼苗期草类识别方法,其特征在于,包括:
采集田间幼苗期草类图像;
将所述田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出所述田间幼苗期草类图像对应的田间幼苗期草类种类;其中,所述田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。
2.根据权利要求1所述的田间幼苗期草类识别方法,其特征在于,所述InceptionV3模型的初始训练是在ImageNet图像数据集上进行的。
3.根据权利要求1所述的田间幼苗期草类识别方法,其特征在于,所述田间幼苗期草类样本图像集为Aarhus标准数据集,所述Aarhus标准数据集包括12种植物和所述植物对应的960棵植株,所述植株处于不同的生长阶段。
4.根据权利要求1所述的田间幼苗期草类识别方法,其特征在于,将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得所述田间幼苗期草类识别模型,具体包括:
田间幼苗期草类样本图像集进行预处理后,按照预设比例划分为训练集、验证集和测试集;
将经过初始训练的InceptionV3模型迁移至经过预处理后的田间幼苗期草类样本图像集上,利用所述训练集训练InceptionV3模型后,利用所述验证集调整InceptionV3模型的网络参数,使得InceptionV3模型在所述测试集上的平均分类准确率达到预设准确率,以获取所述田间幼苗期草类识别模型。
5.根据权利要求4所述的田间幼苗期草类识别方法,其特征在于,所述预处理依次包括平衡、扩大、平移、旋转、翻转、添加噪声和透视变换操作。
6.根据权利要求5所述的田间幼苗期草类识别方法,其特征在于,所述预处理中的平衡操作采用SMOTE算法。
7.根据权利要求4所述的田间幼苗期草类识别方法,其特征在于,所述预设比例为8:1:1,所述训练集占所述田间幼苗期草类样本图像集的80%,所述测试集占所述田间幼苗期草类样本图像集的10%,所述验证集占所述田间幼苗期草类样本图像集的10%。
8.一种田间幼苗期草类识别装置,其特征在于,包括:
采集模块,用于采集田间幼苗期草类图像;
分类模块,用于将所述田间幼苗期草类图像输入至田间幼苗期草类识别模型,输出所述田间幼苗期草类图像对应的田间幼苗期草类种类;其中,所述田间幼苗期草类识别模型是将经过初始训练的InceptionV3模型迁移至田间幼苗期草类样本图像集上进行训练后获得的。
9.一种电子设备,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至7任一项所述田间幼苗期草类识别方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述田间幼苗期草类识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910958849.2A CN110866540A (zh) | 2019-10-10 | 2019-10-10 | 一种田间幼苗期草类识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910958849.2A CN110866540A (zh) | 2019-10-10 | 2019-10-10 | 一种田间幼苗期草类识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110866540A true CN110866540A (zh) | 2020-03-06 |
Family
ID=69652696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910958849.2A Pending CN110866540A (zh) | 2019-10-10 | 2019-10-10 | 一种田间幼苗期草类识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866540A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023142256A1 (zh) * | 2022-01-28 | 2023-08-03 | 深圳市现代农业装备研究院 | 杂交制种雄性不育苗早期识别分选方法、系统及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564026A (zh) * | 2018-04-10 | 2018-09-21 | 复旦大学附属肿瘤医院 | 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统 |
-
2019
- 2019-10-10 CN CN201910958849.2A patent/CN110866540A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564026A (zh) * | 2018-04-10 | 2018-09-21 | 复旦大学附属肿瘤医院 | 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统 |
Non-Patent Citations (1)
Title |
---|
宋益盛等: "基于迁移学习和数据增强技术的物种识别", 《现代计算机》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023142256A1 (zh) * | 2022-01-28 | 2023-08-03 | 深圳市现代农业装备研究院 | 杂交制种雄性不育苗早期识别分选方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hassan et al. | Plant disease identification using a novel convolutional neural network | |
Novotný et al. | Leaf recognition of woody species in Central Europe | |
Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
Hou et al. | Unsupervised histopathology image synthesis | |
CN110210434A (zh) | 病虫害识别方法及装置 | |
CN112668490B (zh) | 基于YOLOv4的害虫检测方法、系统、装置及可读存储介质 | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
CN110765882A (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
Li et al. | Multi-scale sparse network with cross-attention mechanism for image-based butterflies fine-grained classification | |
CN112989969A (zh) | 一种作物病虫害识别方法及装置 | |
CN109190571B (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
CN110163798A (zh) | 渔场围网破损检测方法及系统 | |
CN108038499A (zh) | 一种基于深度学习的树种分类方法与系统 | |
CN116524183A (zh) | 一种基于多任务适配器微调的伪装目标检测方法 | |
CN114897136A (zh) | 多尺度注意力机制方法及模块和图像处理方法及装置 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
Minowa et al. | Identification of broad-leaf trees using deep learning based on field photographs of multiple leaves | |
CN109145955B (zh) | 一种木材识别方法及系统 | |
CN110866540A (zh) | 一种田间幼苗期草类识别方法及装置 | |
Rizvi et al. | Revolutionizing agriculture: Machine and deep learning solutions for enhanced crop quality and weed control | |
CN103617417A (zh) | 植物自动识别方法和系统 | |
CN108875789B (zh) | 一种基于深度学习的甘蔗蔗芽特征识别装置 | |
CN109558883A (zh) | 叶片特征提取方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Applicant after: Information technology research center of Beijing Academy of agricultural and Forestry Sciences Address before: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Applicant before: BEIJING RESEARCH CENTER FOR INFORMATION TECHNOLOGY IN AGRICULTURE |
|
CB02 | Change of applicant information |