CN111046793B - 基于深度卷积神经网络的番茄病害识别方法 - Google Patents

基于深度卷积神经网络的番茄病害识别方法 Download PDF

Info

Publication number
CN111046793B
CN111046793B CN201911268844.3A CN201911268844A CN111046793B CN 111046793 B CN111046793 B CN 111046793B CN 201911268844 A CN201911268844 A CN 201911268844A CN 111046793 B CN111046793 B CN 111046793B
Authority
CN
China
Prior art keywords
model
network
residual
training
data set
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.)
Active
Application number
CN201911268844.3A
Other languages
English (en)
Other versions
CN111046793A (zh
Inventor
张涛
朱显坤
张琨
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201911268844.3A priority Critical patent/CN111046793B/zh
Publication of CN111046793A publication Critical patent/CN111046793A/zh
Application granted granted Critical
Publication of CN111046793B publication Critical patent/CN111046793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于深度卷积神经网络的番茄病害识别方法，本发明采用深度神经网络Residual 56Attention，ResNet通过残差学习解决了深度网络的退化问题，以训练出更深的网络的同时节省了大量资源占用。Residual 56Attention在ResNet基础上引入了Attention机制，逐渐提取高层特征并增大模型的感受野，高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上。在原有的Residual 56Attention网络基础上所有的激活函数层均使用ELU函数作为激活函数，在样本识别时运算效率更高，而模型参数减少，收敛速度更快，降低了资源的占用，以及对软硬件的高需求，可以更好投入到实际使用。

Description

基于深度卷积神经网络的番茄病害识别方法
技术领域
本发明属于深度学习计算机视觉领域，主要是一种基于深度卷积神经网络识别方法，可应用于番茄病害识别。
背景技术
番茄在中国的农业经济中占有举足轻重的地位，番茄病害是影响番茄产量的主要病害之一，严重影响了农业经济的发展。例如，早疫病是世界上最常见的病害之一，其会造成产量的大幅度下降，晚疫病对农作物的危害也很大，在气候潮湿的地区危害很大。防治番茄病害是提高番茄产量和品质的关键。因此，早期发现和良好的疾病识别，有助于减少农业病虫害所造成的损害。为了更好的识别农业病虫害，农业从业者必须经过学术培训并且有着广泛的各种学科的知识，以及经验，以及了解大量和多样的疾病的原因。因此，一个好的农业医生需要知道疾病引起的所有症状和特征。因此研究人员提出一种利用农作物叶部图像自动分类病虫害的策略。这些方法的目的是早期发现农业病虫害，并在适当的时候进行适当的治疗。这些方法基于机器学习和计算机视觉，使用叶子的图像构建疾病分类器。在构建分类器时，从图像中提取特征，方便分类器的工作。专家们创建这些特征并从图像中提取相关信息，这种特征成为手工特征。由于依赖专家和手工制作的特性，学习系统并不是完全自动化，以往的研究多采用小的标记数据集(10-800幅图像)来训练和评价分类的准确性。然而，现有方法还是存在一定缺陷性。首先在对图像标注分割时，需要操作人员具有相关领域的专业知识，能够对标注样本点或纹理特征做出专业解释，而不同的方法提取到的特征不尽相同，同时有些图像十分复杂，如果计算机可以实现自动提取图像中特征，对图像进行分类，结果可能会更加客观，分类精度也会更高。
发明内容
本发明的目的在于对番茄病虫害图片提出一个基于深度卷积网络的番茄病虫害识别模型。需要从AI CHALLENGER下载对应的农作物病害检测数据集，并筛选出全部的番茄病害图片。并且对番茄病害数据进行数据增强以及数据预处理，本发明提出了6种不同的数据增强方法。最后构建出能能够高效提取番茄病虫害图片的图像特征的残差神经网络模型。使用交叉验证对模型进行训练并进行测试，完成视觉辅助检测模型(VAD)的构建。
为了实现上述目的，本发明采用以下技术方案：为了让模型保持很好的鲁棒性，并对提升番茄病害图片的识别准确性的同时让模型的深度达到很深的层次。因此本发明采用深度神经网络Residual 56Attention，ResNet通过残差学习解决了深度网络的退化问题，以训练出更深的网络的同时节省了大量资源占用。Residual 56Attention在ResNet引入Attention机制。在普通的ResNet网络中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，高层特征的激活对应位置能够反映attention的区域，然后再对这种具有Attention特征的Feature map进行上采样，使其大小回到原始Feature map的大小，就将Attention对应到原始图片的每一个位置上，这个Feature map叫做Attention map，与原来的Feature map进行element-wise product的操作，相当于一个权重器，增强有意义的特征，抑制无意义的信息。
为了增强模型的特征提取能力，将输入的番茄病害图片压缩到256*256的尺寸，加快模型的训练，为防止训练模型的过拟合，采用六种图像增强方式对数据集进行扩充。同时所有数据在进入模型前都做了批量正则化(BatchNormalization)处理与随机裁剪。
为实现上述目的，本发明采用的技术方案为基于深度卷积神经网络的番茄病害识别方法，该方法一共包括以下步骤：
(1)、扩充数据集
从AI CHALLENGER官方网站下载农业病害数据集，创建数据集，并通过官方的JSON文件对所有的农作物病害图片进行筛选，筛选出全部的番茄病害图片，创建番茄病害数据集。
由于番茄病害图像中存在的噪声和变化不太明显，训练出来的模型不具备泛化性。为了提升分类识别准确性的同时让模型有更高的鲁棒性，提出了6种不同的增强方法对数据集进行扩充，数据增强方法之间扩充比例为1:1:1:1:1:5。如图2所示，I中的图像经过高斯噪声处理，II中的图像经过亮度变化模拟光线对图像的影响，III中的图像进行了对比度变化处理，IV中的图像经过锐度变化处理，V中的图像进行图片翻转改变了图片的角度。VI中的图像对原始的图片随机选择两张，并进行mixup图像混合。
(2)、对图像数据集进行相关预处理。
由于数据集中的图片并不能直接用于网络模型的训练，需对对数据集进行相关的预处理，预处理的步骤如下。
步骤2.1、将图像压缩到256*256的尺寸；
步骤2.2、对图像数据集中每张图像裁剪到224，有50％几率对图像随机进行水平、竖直翻转；
步骤2.3、将图像数据集随机生成10份数据集，每份数据集包含不同的训练集与验证集。训练集的数据占所有数据的90％，验证集的数据占所有数据的10％。
(3)、构建Residual 56AttentionNetwork网络模型，
获取到预处理后的数据集后，构建Residual 56Attention网络，该Residual56Attention网络模型的主干结构是由3个Attentionmodule模块以及4个Residual交替拼接而成。网络模型的结构主体仍然是基于Residual Unit的Resnet网络结构。在网络的残差块部分位置加入另外的分支，构成一个整体的Attention Module。一个Attention Module分为两个分支，右边的分支就是普通的卷积网络，即主干分支，叫做Trunk Branch。左边的分支是为了得到一个掩码Mask，该掩码Mask的作用是得到输入特征的Attention Map，所以叫做Mask Branch，这个Mask Branch包含Down Sample和Up Sample的过程，目的是为了保证和右边分支的输出大小一致。借助于ResNet恒等映射的方法，使得Trunk Branch输出的feature map中显著的特征更加显著，增加了特征的判别性。同时在Residual 56Attention的所有的激活函数层均使用ELU函数作为激活函数；
Residual 56Attention模型的最后一层为一个输出的全连接层，输出分类结果。
(4)、使用预处理后的数据集训练自己的网络模型。
构建好Residual 56Attention网络模型后，开始使用自己的的预处理后的数据集训练最优网络模型并自动保存。
步骤4.1、模型的训练方法采用标准的Adam优化算法对模型进行训练优化，训练时的batch size为32；
步骤4.2、训练120个epoch，让模型在训练过程中更关注目标区域。每个epoch之后模型都会对验证集进行预测，记录模型预测的准确率并输出。通过交叉验证进行训练，生成最终的模型作为最后结果。初始的学习率为0.001，在当前的学习率下，当验证数据集的训练轮数达到6次的同时标准评估停止提升时，降低学习速率，学习率将降低为当前学习率的0.1倍。
步骤4.3、保存最优模型，使用测试集的数据对模型分类的准确率做出评价。
训练平台基于Ubuntu系统，在Ubuntu系统上使用Keras深度学习框架实现。训练的GPU为一块GTX1080Ti，并使用CUDA作为显卡的运算驱动。
与现有技术相比，本发明具有以下明显优势：
本发明在对番茄病虫害图像进行分类识别时，完全依赖深度学习算法，摆脱了某些专业领域对专业知识要求的束缚，在模型的搭建上采用残差神经网络方法，尽可能保留全部图像特征，同时又避免了梯度消失问题以及模型体积爆炸等问题，能够训练出准确度，鲁棒性明显高于现有方法的深度模型。用mixup等多种方法对图像数据集进行扩充、增强，有效避免了模型出现过拟合的风险，提高了训练精度。由于采用了attention机制和使用elu激活函数对网络进行优化，在样本识别时运算效率更高，而模型参数减少，降低了资源的占用，以及对软硬件的高需求，可以更好投入到实际使用。实验测试结果显示识别一张番茄病病虫害图像只需1秒，在训练集达到92％的准确率和测试集89.5％的准确率，结果如图3和图4。
附图说明
图1是Residual 56Attention网络的基本结构。
图2是数据增强图。
图3是训练集检测结果图。
图4是测试集检测结果图。
图5是为本发明所涉及方法的流程图。
具体实施方式
以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明所用到的硬件设备有配置Ubuntu操作系统的PC机1台，GTX1080Ti(11G)一块，所使用的辅助工具为深度学习训练框架Keras与TensorFlow。
本发明所提供的基于深度卷积神经网络的模式识别方法主要包括以下步骤：
(1)、扩充数据集
从AI CHALLENGER官方网站下载农业病害数据集，创建数据集，并通过官方的JSON文件对所有的农作物病害图片进行筛选，筛选出全部的番茄病害图片，创建番茄病害数据集。
由于番茄病害图像中存在的噪声和变化不太明显，训练出来的模型不具备泛化性。为了提升分类识别准确性的同时让模型有更高的鲁棒性，提出了6种不同的增强方法对数据集进行扩充，数据增强方法之间扩充比例为1:1:1:1:1:5。如图2所示，I中的图像经过高斯噪声处理，II中的图像经过亮度变化模拟光线对图像的影响，III中的图像进行了对比度变化处理，IV中的图像经过锐度变化处理，V中的图像进行图片翻转改变了图片的角度。VI中的图像对原始的图片随机选择两张，并进行mixup图像混合。
(2)、对图像数据集进行相关预处理。
由于数据集中的图片并不能直接用于网络模型的训练，需对对数据集进行相关的预处理，预处理的步骤如下。
步骤2.1、将图像压缩到256*256的尺寸；
步骤2.2、对图像数据集中每张图像裁剪到224，有50％几率对图像随机进行水平、竖直翻转；
步骤2.3、将图像数据集随机生成10份数据集，每份数据集包含不同的训练集与验证集。训练集的数据占所有数据的90％，验证集的数据占所有数据的10％。
(3)、构建Residual 56AttentionNetwork网络模型，
获取到预处理后的数据集后，构建Residual 56Attention网络，该Residual56Attention网络模型的主干结构是由3个Attention module模块以及4个Residual交替拼接而成。网络模型的结构主体仍然是基于Residual Unit的Resnet网络结构。在网络的残差块部分位置加入另外的分支，构成一个整体的Attention Module。一个Attention Module分为两个分支，右边的分支就是普通的卷积网络，即主干分支，叫做Trunk Branch。左边的分支是为了得到一个掩码Mask，该掩码Mask的作用是得到输入特征的Attention Map，所以叫做Mask Branch，这个Mask Branch包含Down Sample和Up Sample的过程，目的是为了保证和右边分支的输出大小一致。借助于ResNet恒等映射的方法，使得Trunk Branch输出的feature map中显著的特征更加显著，增加了特征的判别性。同时在Residual 56Attention的所有的激活函数层均使用ELU函数作为激活函数；
Residual 56Attention模型的最后一层为一个输出的全连接层，输出分类结果。
(4)、使用预处理后的数据集训练自己的网络模型。
构建好Residual 56Attention网络模型后，开始使用自己的的预处理后的数据集训练最优网络模型并自动保存。
步骤4.1、模型的训练方法采用标准的Adam优化算法对模型进行训练优化，训练时的batch size为32；
步骤4.2、训练120个epoch，让模型在训练过程中更关注目标区域。每个epoch之后模型都会对验证集进行验证，记录模型验证的准确率并输出。通过交叉验证进行训练，生成最终的模型作为最后结果。初始的学习率为0.001，在当前的学习率下，当验证数据集的训练轮数达到6次的同时标准评估停止提升时，降低学习速率，学习率将降低为当前学习率的0.1倍。
步骤4.3、保存最优模型，使用测试集的数据对模型分类的准确率做出评价。
训练平台基于Ubuntu系统，在Ubuntu系统上使用Keras深度学习框架实现。训练的GPU为一块GTX1080Ti，并使用CUDA作为显卡的运算驱动。

Claims (4)

1.基于深度卷积神经网络的番茄病害识别方法，其特征在于：包括以下步骤：
(1)、扩充数据集
从AI CHALLENGER官方网站下载农业病害数据集，创建数据集，并通过官方的JSON文件对所有的农作物病害图片进行筛选，筛选出全部的番茄病害图片，创建番茄病害数据集；
提出了6种不同的增强方法对数据集进行扩充，数据增强方法之间扩充比例为1:1:1:1:1:5；
(2)、对图像数据集进行相关预处理；
由于数据集中的图片并不能直接用于网络模型的训练，需对数据集进行相关的预处理，预处理的步骤如下；
步骤2.1、将图像压缩到256*256的尺寸；
步骤2.2、对图像数据集中每张图像裁剪到224，有50％几率对图像随机进行水平、竖直翻转；
步骤2.3、将图像数据集随机生成10份数据集，每份数据集包含不同的训练集与验证集；训练集的数据占所有数据的90％，验证集的数据占所有数据的10％；
(3)、构建Residual 56 Attention Network网络模型，
获取到预处理后的数据集后，构建Residual 56 Attention网络，该Residual 56Attention网络模型的主干结构是由3个Attention module模块以及4个Residual交替拼接而成；网络模型的结构主体仍然是基于Residual Unit的Resnet网络结构；在网络的残差块部分位置加入另外的分支，构成一个整体的Attention Module；一个Attention Module分为两个分支，右边的分支就是普通的卷积网络，即主干分支，叫做Trunk Branch；左边的分支是为了得到一个掩码Mask，该掩码Mask的作用是得到输入特征的Attention Map，所以叫做Mask Branch，这个Mask Branch包含Down Sample和Up Sample的过程，目的是为了保证和右边分支的输出大小一致；在原有的Residual 56 Attention的所有的激活函数层均使用ELU函数作为激活函数；
Residual 56 Attention模型的最后一层为一个输出的全连接层，输出分类结果；
(4)、使用预处理后的数据集训练自己的网络模型；
构建好Residual 56 Attention网络模型后，开始使用自己的预处理后的数据集训练最优网络模型并自动保存；
步骤4.1、模型的训练方法采用标准的Adam优化算法对模型进行训练优化，训练时的batch size为32；
步骤4.2、训练120个epoch，让模型在训练过程中更关注目标区域；每个epoch之后模型都会对验证集进行验证，记录模型验证的准确率并输出；通过交叉验证进行训练，生成最终的模型作为最后结果；初始的学习率为0.001，在当前的学习率下，当验证数据集的训练轮数达到6次的同时标准评估停止提升时，降低学习速率，学习率将降低为当前学习率的0.1倍；
步骤4.3、保存最优模型，使用测试集的数据对模型分类的准确率做出评价。
2.根据权利要求1所述的基于深度卷积神经网络的番茄病害识别方法，其特征在于：训练平台基于Ubuntu系统，在Ubuntu系统上使用Keras深度学习框架实现；训练的GPU为一块GTX1080Ti，并使用CUDA作为显卡的运算驱动。
3.根据权利要求1所述的基于深度卷积神经网络的番茄病害识别方法，其特征在于：采用深度神经网络Residual 56 Attention，ResNet通过残差学习解决深度网络的退化问题，以训练出更深的网络的同时节省大量资源占用；ResNet-Attention 56在ResNet基础上引入了Attention机制，同时Residual 56 Attention的所有的激活函数层均使用ELU函数作为激活函数；在ResNet中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上。
4.根据权利要求1所述的基于深度卷积神经网络的番茄病害识别方法，其特征在于：将输入的番茄病害图片压缩到256*256的尺寸，加快模型的训练，采用六种图像增强方式对数据集进行扩充，六种图像增强的数据集的比例为1:1:1:1:1:5；同时所有数据在进入模型前都做了批量正则化处理与随机裁剪。
CN201911268844.3A 2019-12-11 2019-12-11 基于深度卷积神经网络的番茄病害识别方法 Active CN111046793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911268844.3A CN111046793B (zh) 2019-12-11 2019-12-11 基于深度卷积神经网络的番茄病害识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911268844.3A CN111046793B (zh) 2019-12-11 2019-12-11 基于深度卷积神经网络的番茄病害识别方法

Publications (2)

Publication Number Publication Date
CN111046793A CN111046793A (zh) 2020-04-21
CN111046793B true CN111046793B (zh) 2023-05-02

Family

ID=70235770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911268844.3A Active CN111046793B (zh) 2019-12-11 2019-12-11 基于深度卷积神经网络的番茄病害识别方法

Country Status (1)

Country Link
CN (1) CN111046793B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638216A (zh) * 2020-06-30 2020-09-08 黑龙江大学 一种用于监测病虫害的无人机系统的甜菜相关病症分析方法
CN111898699B (zh) * 2020-08-11 2024-05-10 海之韵(苏州)科技有限公司 一种船体目标自动检测识别方法
CN112749675A (zh) * 2021-01-20 2021-05-04 云南农业大学 一种基于卷积神经网络的马铃薯病害识别方法
CN113326808A (zh) * 2021-06-26 2021-08-31 西北农林科技大学 基于改进型yolo的夜间番茄识别系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272048A (zh) * 2018-09-30 2019-01-25 北京工业大学 一种基于深度卷积神经网络的模式识别方法
CN110033015A (zh) * 2019-02-20 2019-07-19 天津科技大学 一种基于残差网络的植物病害检测方法
CN110188635A (zh) * 2019-05-16 2019-08-30 南开大学 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法
CN110502987A (zh) * 2019-07-12 2019-11-26 山东农业大学 一种基于深度学习的植物病虫害识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272048A (zh) * 2018-09-30 2019-01-25 北京工业大学 一种基于深度卷积神经网络的模式识别方法
CN110033015A (zh) * 2019-02-20 2019-07-19 天津科技大学 一种基于残差网络的植物病害检测方法
CN110188635A (zh) * 2019-05-16 2019-08-30 南开大学 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法
CN110502987A (zh) * 2019-07-12 2019-11-26 山东农业大学 一种基于深度学习的植物病虫害识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Mohammed Brahimi 等.Deep Learning for Tomato Diseases: Classification and Symptoms Visualization.《Mohammed Brahimi, Kamel Boukhalfa & Abdelouahab Moussaoui (2017)》.2017,全文. *
吴华瑞.基于深度残差网络的番茄叶片病害识别方法.智慧农业.2019,(第04期),全文. *
王艳玲;张宏立;刘庆飞;张亚烁.基于迁移学习的番茄叶片病害图像分类.中国农业大学学报.2019,(第06期),全文. *

Also Published As

Publication number Publication date
CN111046793A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111046793B (zh) 基于深度卷积神经网络的番茄病害识别方法
CN108765408B (zh) 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统
CN109272048B (zh) 一种基于深度卷积神经网络的模式识别方法
CN104537393B (zh) 一种基于多分辨率卷积神经网络的交通标志识别方法
CN111860171B (zh) 一种大规模遥感图像中不规则形状目标的检测方法及系统
CN107016406A (zh) 基于生成式对抗网络的病虫害图像生成方法
CN111696101A (zh) 一种基于SE-Inception的轻量级茄科病害识别方法
CN108665005A (zh) 一种利用dcgan提高基于cnn图像识别性能的方法
CN111400536B (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
CN110287777A (zh) 一种自然场景下的金丝猴躯体分割算法
CN114038037B (zh) 基于可分离残差注意力网络的表情标签修正和识别方法
CN108596338A (zh) 一种神经网络训练集的获取方法及其系统
CN112232395B (zh) 一种基于联合训练生成对抗网络的半监督图像分类方法
CN111583148A (zh) 基于生成对抗网络的岩心图像重构方法
CN110111426A (zh) 一种动静分离格局房屋的确定方法和装置
CN115409846A (zh) 一种基于深度学习的结直肠癌病灶区域轻量级分割方法
CN116342931A (zh) 一种多尺度注意力的毛皮图像分类方法、系统和存储介质
CN114882497A (zh) 一种基于深度学习算法实现水果分类识别的方法
CN114882278A (zh) 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置
CN113076873B (zh) 一种基于多阶段训练的农作物病害长尾图像识别方法
CN111860601A (zh) 预测大型真菌种类的方法及装置
CN116883364A (zh) 一种基于CNN和Transformer的苹果叶片病害识别方法
CN111612739A (zh) 一种基于深度学习的脑梗死分类方法
CN111598157B (zh) 一种基于vgg16网络层级优化的身份证图像分类方法
CN115661185A (zh) 一种眼底图像血管分割方法及系统

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