CN111401245A - 一种基于图像的农作物病虫害检测方法、系统及设备 - Google Patents

一种基于图像的农作物病虫害检测方法、系统及设备 Download PDF

Info

Publication number
CN111401245A
CN111401245A CN202010183999.3A CN202010183999A CN111401245A CN 111401245 A CN111401245 A CN 111401245A CN 202010183999 A CN202010183999 A CN 202010183999A CN 111401245 A CN111401245 A CN 111401245A
Authority
CN
China
Prior art keywords
image
crop
end identification
pest detection
network
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.)
Withdrawn
Application number
CN202010183999.3A
Other languages
English (en)
Inventor
唐友
李卓
王永江
滕小华
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.)
Jilin Agricultural Science and Technology College
Original Assignee
Jilin Agricultural Science and Technology College
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 Jilin Agricultural Science and Technology College filed Critical Jilin Agricultural Science and Technology College
Priority to CN202010183999.3A priority Critical patent/CN111401245A/zh
Publication of CN111401245A publication Critical patent/CN111401245A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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

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)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Catching Or Destruction (AREA)

Abstract

一种基于图像的农作物病虫害检测方法、系统及设备，属于农作物病虫害检测技术领域。为了解决现有的农作物病虫害检测方法不能兼顾准确率和模型训练时间的问题。本发明所述的方法中，首先采集检测区域的农作物的图像；然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型；农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同。主要用于农作物病虫害检测。

Description

一种基于图像的农作物病虫害检测方法、系统及设备
技术领域
本发明属于农作物病虫害检测技术领域。
背景技术
每年有大量的粮食及其他农作物因病虫害的影响，导致的损失十分巨大。基于及时检测和防治的要求，农作物的病虫害的智能检测受到了极大地重视。
随着图像识别及人工智能技术的发展，目前已经有很多专家和学者展开了农作物病虫害的智能检测，有的已经取得了很不错的效果。但是仍然存在着几方面的问题亟需解决。如果利用深度学习技术进行农作物病虫害的检测则会面临着一个问题：想要得到较好的农作物检测准确率，基本都是需要增加学习模型的深度(增加神经网络的深度)，并且提供大量的训练图像进行训练，这样就会导致模型的训练过程变得愈发困难，一方面训练时间过长，另一方面随着深度的增加，可能出现梯度发散的问题，不仅会进一步导致训练时间加长，甚至可能出现不能够收敛的问题。
还有就是如果想要取得非常高的病虫害检测准确率，那么现有的模型都是通过单一训练的方式来实现，即一种病虫害检测模型仅能针对一种农作物进行检测，这种情况下才能取得较好的效果。但是这样就存在使用不方便的问题，每个农作物种类的的检测都是需要单独开发一个病虫害检测模型，不仅会花费大量的人力、物力、时间等，而且也存在着极大的开发和使用制约，针对于一些农民或者合作社，没有机会接触到相关人员，也不能统一寻找相关人员进行开发，所以目前的病虫害检还不能实现针对多种类型的农作物进行检测。同时还存在另一方面的问题，如果将现有的神经网络模型用来进行多种类型的农作物的病虫害检测，随着农作物种类的增加，其模型的检测准率明显下降，经常会出现漏检和错检。
发明内容
本发明是为了解决现有的农作物病虫害检测方法不能兼顾准确率和模型训练时间的问题，以及检测准确率有待于提高的问题。
一种基于图像的农作物病虫害检测方法，包括以下步骤：
采集检测区域的农作物的图像；
农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同；
然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型。
进一步地，所述的后端识别网络的处理过程包括以下步骤：
S1、将病虫害图像变换到R、G、B各自通道下的图像，分别记为R图像、G图像、B图像；同时根据病虫害图像得到灰度图像，记为H图像；
S2、将conv层、RELU层顺序连接记为卷积单元；将卷积单元、BN层、池化层顺序连接记为卷积组合单元；
将R图像、G图像、B图像分别进行如下处理：
经过s个卷积组合单元操作，分别得到R图像、G图像、B图像对应的特征图；
将H图像先经过[卷积单元+卷积单元+BN层+池化层]*(s/2)操作，得到H图像对应的特征图；
在进行上述操作的过程中，要保证R图像、G图像、B图像对应的特征图和H图像对应的特征图大小相等；
S3、将R图像对应的特征图分成m组，分别记为R1至Rm；对G图像对应的特征图进行相同的操作，得到G1至Gm；对B图像对应的特征图进行相同的操作，得到B1至Bm；对H图像对应的特征图进行相同的操作，得到H1至Hm；
将R1、G1、B1、H1的特征融合为一组特征RGBH1，然后进行卷积操作，得到W1；对其他组特征进行同样的操作；直至将Rm、Gm、Bm、Hm特征融合为一组特征，并进行卷积操作得到Wm；
将W1至Wm进行特征融合，得到特征图W，然后进行1*1卷积，得到最终的特征图；
S4、将最终的特征图送入分类器进行分类。
进一步地，所述池化层为max-pooling层。
进一步地，所述s取值为3至6，优选s＝4。
进一步地，所述前端识别网络与一个后端识别网络结构相同。
有益效果：
本发明可以通过训练能够适用于种农作物的病虫害检测，实现了跨农作物种类进行使用，适用范围广，使用方便，只要训练过程充分能够适用于任何农作物病虫害的检测。
利用本发明进行农作物病虫害检测，不仅检测的准确率能够达到98.75％以上，而且本发明的农作物病虫害检测模型的训练过程简单，训练时间能够得到极大地缩短；兼顾了模型训练效率和准确率的问题。随着农作物适用种类的增加，本发明的优点更加明显。
附图说明
图1为一种基于图像的农作物病虫害检测方法示意图。
具体实施方式
具体实施方式一：
本实施方式为一种基于图像的农作物病虫害检测方法，包括：
训练过程：
A1、采集不同农作物的图像，包括健康状态图像和不同病虫害图像；农作物的不同病虫害图像不仅包括不同类型病虫害的图像，而且每种类型的病虫害图像还包括不同程度的病虫害图像；如果图像大小不同，图像需要经过归一化操作，保证所有图像尺寸相同。
本发明可以针对水稻、玉米、大豆等农作物的病虫害进行检测，可以对黄瓜、土豆等其他农作物病虫害进行检测。黄瓜、土豆等其他农作物一般都是小范围(相比水稻、玉米等种植面积小很多)的种植，所以针对某一地块有针对性地采集图像的检测过程中，由于采集图像一般不能实现定期采集(当然可以设置定期对某一地块进行图像采集，以实现农作物病虫害检测)，一般都是发生了病虫害才会进行病虫害的判别，为了提高效率，这种情况下可以利用无人机等设备在低空采集农作物图像。针对于水稻、玉米、大豆等大面积种植的农作物，既可以采用上述方式进行农作物图像的采集，也可以利用其他方式采集图像。
针对于水稻，本发明采集图像对应的病虫害可以包括：绵腐、立枯病、白叶枯、细条病、纹枯病、螟虫、稻飞虱等。针对于玉米，可以包括：大斑病、小斑病、青枯病、黑穗病、螟虫等。针对于大豆，可以包括：菌核病、霜霉病、灰斑病、卷叶螟、蚜虫等。针对于黄瓜，可以包括霜霉病等。具体的农作物种类和病虫害种类可以根据实际需要，就针对于某一种或几种农作物进行图像采集和训练；也可以采集更多种类农作物、更多病虫害的图像，这样能够训练出检测能力更强的检测模型，但是训练的工作量会成倍甚至数十倍的增加，而且训练时间也会成倍甚至数十倍的增加的增加。所以训练过程需要结合实际的使用需求进行。
A2、将采集的图像，按照农作物种类分成若干子集，例如水稻、玉米、大豆等的图像子集，如果仅是针对单一种类的农作物进行病虫害检测，那么图像集也是图像子集；
将图像子集的图像分成训练集和测试集。
A3、利用若干子集的训练集图像进行前端识别网络的训练，并用测试集进行测试，得到训练好的前端识别网络；
所述的前端识别网络仅进行农作物种类的识别，不进行具体的病虫害类型识别。在训练过程中，针对于同一种类农作物的图像，将有病虫害的和正常图像都作为该种农作物的图像，用以识别该种农作物。
实际上，针对于多种类农作物的病虫害识别，现有技术基本上都是直接建立一个针对多种农作物病虫害识别网络直接进行农作物种类和病虫害的识别(现有技术中其他多类别的进一步分类识别基本也都是采用这种方式进行的)，即一次识别操作就能够达到农作物种类和病虫害的分类；实际上本发明的后端识别网络也可以理解为这种方案，具体在使用上的区别放在本发明的后端识别网络处进行说明。
所述的前端识别可以采用与一个后端识别网络相同的结构，也可以采用现有的病虫害识别网络或者其他网络。
A4、农作物对应使用n个后端识别网络，利用农作物对应的训练集分别对n个后端识别网络训练，并用测试集进行测试，得到训练好的n个后端识别网络，所有的后端识别网络并行构成整体后端识别网络；
后端识别网络用于所对应种类农作物的病虫害检测，n个后端识别网络的网络结构相同；
Figure BDA0002413518220000041
其中，ceil(·)表示向上取整，q为农作物种类的总数，λ为网络规模控制参数；经过多整个模型的分析和研究，并通过实验验证发现网络规模控制参数
Figure BDA0002413518220000042
时能够有效控制单个后端识别网络的承受能力，并提高训练速度同时保证准确率。
所述的后端识别网络的处理过程包括以下步骤：
S1、将病虫害图像变换到R、G、B各自通道下的图像，分别记为R图像、G图像、B图像；同时根据病虫害图像得到灰度图像，记为H图像；
S2、将conv层、RELU层顺序连接记为卷积单元；将卷积单元、BN层、池化层顺序连接记为卷积组合单元；池化层优选为max-pooling层，经过实验意外发现针对于农作物病虫害检测选用max-pooling层的效果要优于mean-pooling层，经过研究和分析发现其主要原因可能是由于针对农作物的病虫害检测时，病虫害会导致农作物的状态和颜色发生变化，针对于R图像、G图像、B图像，max-pooling操作能够更加容易保留局部的明显信息，从而使得R图像、G图像、B图像对应的特征图中信息更加明显的特征得以保留。
将R图像、G图像、B图像分别进行如下处理：
经过s个卷积组合单元操作，分别得到R图像、G图像、B图像对应的特征图；s取值3至6，优选为4，经过实验证明，当s＝4时对应的整个模型已经能够达到比较好的准确度，且模型结构不会十分复杂和庞大，训练时间也较短。
将H图像先经过[卷积单元+卷积单元+BN层+池化层]*(s/2)操作，得到H图像对应的特征图；
在进行上述操作的过程中，要保证R图像、G图像、B图像对应的特征图和H图像对应的特征图大小相等；
S3、将R图像对应的特征图分成m组，分别记为R1至Rm；对G图像对应的特征图进行相同的操作，得到G1至Gm；对B图像对应的特征图进行相同的操作，得到B1至Bm；对H图像对应的特征图进行相同的操作，得到H1至Hm；
将R1、G1、B1、H1的特征融合为一组特征RGBH1，然后进行卷积操作，得到W1；对其他组特征进行同样的操作；直至将Rm、Gm、Bm、Hm特征融合为一组特征，并进行卷积操作得到Wm；
将W1至Wm进行特征融合，得到特征图W，然后进行1*1卷积，得到最终的特征图；
S4、将最终的特征图送入分类器进行分类。
A5、将训练好的前端识别网络与训练好的整体后端识别网络串联构成农作物病虫害检测模型，如图1所示；
农作物病虫害检测过程：
B1、采集检测区域的农作物的图像；
B2、将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，图像首先通过前端识别网络识别出对应农作物的种类，然后输入后端识别网络中，按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型。
具体实施方式二：
本实施方式为一种基于图像的农作物病虫害检测系统，所述系统用于执行一种基于图像的农作物病虫害检测方法。
具体实施方式三：
本实施方式为一种农作物病虫害检测设备，所述设备用于存储或/和运行一种基于图像的农作物病虫害检测系统。
实施例
为了说明本发明的效果，进行如下两种结构的检测
1、按照现有技术的方式，直接将神经网络(采用本发明的一个“后端识别网络”的结构，这样更加方便效果的对比)用于所有农作物病虫害的检测，其训练过程中是将所有农作物的图像一起进行训练，标签为农作种类和病虫害种类。这种方式的优点是整个能够达到病虫害识别目的神经网络结构比较简单，而且直接准备好训练集进行训练即可，训练过程中对训练的人为操作等干预情况比较少，操作方便。
2、本发明摒弃现有的神经网络结构(即上述1中的方式)，另辟蹊径将前端识别网络和“整体后端识别网络”联合使用进行病虫害检测，采用具体实施方式一的方法进行检测。实际上相当于将上述1中的神经网络能够完成的任务分成两部分，其中一部分任务(农作物种类识别)分配给前端识别网络，然后将不同种类农作物的病虫害识别任务交给“整体后端识别网络”来实现。
虽然这样使得本发明的整体识别模型结构更加复杂，训练过程理论上也会更加复杂训练的时间会更长。但是经过多次实验验证，发现本发明的模型能够极大地节省训练时间。以水稻、玉米、大豆三种农作物的病虫害检测的整体识别模型进行说明：训练集中，水稻选取正常、绵腐、立枯病、白叶枯、细条病、纹枯病、螟虫、稻飞虱等8种图像，玉米选取正常、大斑病、小斑病、青枯病、黑穗病、螟虫等6种图像，大豆选取正常、菌核病、霜霉病、灰斑病、卷叶螟、蚜虫等6种图像；上述每种图像数量为100张；针对于某中农作物的一种特定的病虫害，可能由于图像样本数量不够，可以对其进行旋转、缩放、镜像、亮度调整等操作，也可以随机组合操作，不仅可以扩种图像样本数量，而且能够保证样本的多样性及适用性；针对于图像样本数量满足的也可以尽情前述操作。
确定q＝3，λ＝3，n＝2。农作物对应使用n个后端识别网络时，可以根据实际情况进行对应操作，基本原则是一个种类的农作物一定对应在1个后端识别网络下，可以是和其他种类农作物对应使用同1个后端识别网络，具体情况按照每种农作物对应的病虫害种类进行确定。本实施例中，将水稻对应一个后端识别网络，玉米、大豆对应一个后端识别网络网络，两个后端识别网络并行构成整体后端识别网络。前端识别网络的结构与一个后端识别网络的结构相同；进行实验，采用相同的配置的计算机进行训练时，相比1方式，2方式能够节省17％的训练时间，而且2方式还能够将识别准确率提高12％，针对上述图像模型，利用试验图像(总图像中预留下对整体模型进行测试用的图像)进行测试，准确率可达98.75％。随着每种农作物病虫害检测图像的增加和农作物种类的增加，2方式的优点更加明显。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (10)

1.一种基于图像的农作物病虫害检测方法，其特征在于，包括以下步骤：
采集检测区域的农作物的图像；
农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同；
然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型。
2.根据权利要求1所述的一种基于图像的农作物病虫害检测方法，其特征在于，所述的后端识别网络的处理过程包括以下步骤：
S1、将病虫害图像变换到R、G、B各自通道下的图像，分别记为R图像、G图像、B图像；同时根据病虫害图像得到灰度图像，记为H图像；
S2、将conv层、RELU层顺序连接记为卷积单元；将卷积单元、BN层、池化层顺序连接记为卷积组合单元；
将R图像、G图像、B图像分别进行如下处理：
经过s个卷积组合单元操作，分别得到R图像、G图像、B图像对应的特征图；
将H图像先经过[卷积单元+卷积单元+BN层+池化层]*(s/2)操作，得到H图像对应的特征图；
在进行上述操作的过程中，要保证R图像、G图像、B图像对应的特征图和H图像对应的特征图大小相等；
S3、将R图像对应的特征图分成m组，分别记为R1至Rm；对G图像对应的特征图进行相同的操作，得到G1至Gm；对B图像对应的特征图进行相同的操作，得到B1至Bm；对H图像对应的特征图进行相同的操作，得到H1至Hm；
将R1、G1、B1、H1的特征融合为一组特征RGBH1，然后进行卷积操作，得到W1；对其他组特征进行同样的操作；直至将Rm、Gm、Bm、Hm特征融合为一组特征，并进行卷积操作得到Wm；
将W1至Wm进行特征融合，得到特征图W，然后进行1*1卷积，得到最终的特征图；
S4、将最终的特征图送入分类器进行分类。
3.根据权利要求2所述的一种基于图像的农作物病虫害检测方法，其特征在于，所述池化层为max-pooling层。
4.根据权利要求2所述的一种基于图像的农作物病虫害检测方法，其特征在于，所述s取值为3至6。
5.根据权利要求4所述的一种基于图像的农作物病虫害检测方法，其特征在于，s＝4。
6.根据权利要求1所述的一种基于图像的农作物病虫害检测方法，其特征在于，所述前端识别网络与一个后端识别网络结构相同。
7.根据权利要求1至6之一所述的一种基于图像的农作物病虫害检测方法，其特征在于，所述的
Figure FDA0002413518210000021
其中，ceil(
Figure FDA0002413518210000023
)表示向上取整，q为前端识别网络或后端识别网络训练过程中的农作物种类总数，λ为网络规模控制参数。
8.根据权利要求7所述的一种基于图像的农作物病虫害检测方法，其特征在于，所述网络规模控制参数
Figure FDA0002413518210000022
9.一种基于图像的农作物病虫害检测系统，其特征在于，所述系统用于执行权利要求1至6之一所述的一种基于图像的农作物病虫害检测方法。
10.一种农作物病虫害检测设备，其特征在于，所述设备用于存储或/和运行权利要求9所述的一种基于图像的农作物病虫害检测系统。
CN202010183999.3A 2020-03-16 2020-03-16 一种基于图像的农作物病虫害检测方法、系统及设备 Withdrawn CN111401245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010183999.3A CN111401245A (zh) 2020-03-16 2020-03-16 一种基于图像的农作物病虫害检测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010183999.3A CN111401245A (zh) 2020-03-16 2020-03-16 一种基于图像的农作物病虫害检测方法、系统及设备

Publications (1)

Publication Number Publication Date
CN111401245A true CN111401245A (zh) 2020-07-10

Family

ID=71432532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010183999.3A Withdrawn CN111401245A (zh) 2020-03-16 2020-03-16 一种基于图像的农作物病虫害检测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN111401245A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668404A (zh) * 2020-12-10 2021-04-16 哈尔滨师范大学 一种大豆病虫害的有效鉴定方法
CN112700260A (zh) * 2020-12-31 2021-04-23 上海市崇明区蔬菜科学技术推广站 蔬菜全生命周期可视化追溯系统
CN113657294A (zh) * 2021-08-19 2021-11-16 中化现代农业有限公司 一种基于计算机视觉的作物病虫害检测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668404A (zh) * 2020-12-10 2021-04-16 哈尔滨师范大学 一种大豆病虫害的有效鉴定方法
CN112668404B (zh) * 2020-12-10 2022-08-30 哈尔滨师范大学 一种大豆病虫害的有效鉴定方法
CN112700260A (zh) * 2020-12-31 2021-04-23 上海市崇明区蔬菜科学技术推广站 蔬菜全生命周期可视化追溯系统
CN113657294A (zh) * 2021-08-19 2021-11-16 中化现代农业有限公司 一种基于计算机视觉的作物病虫害检测方法及系统

Similar Documents

Publication Publication Date Title
CN111401245A (zh) 一种基于图像的农作物病虫害检测方法、系统及设备
CN110647875B (zh) 一种血细胞分割、识别模型构造的方法及血细胞识别方法
Mishra et al. A Deep Learning-Based Novel Approach for Weed Growth Estimation.
CN107220277A (zh) 基于手绘草图的图像检索算法
CN109740483A (zh) 一种基于深层神经网络的水稻生长期检测方法
CN109344699A (zh) 基于分层深度卷积神经网络的冬枣病害识别方法
CN109684967A (zh) 一种基于ssd卷积网络的大豆植株茎荚识别方法
WO2022214039A1 (zh) 一种农业种植结构的遥感识别方法
CN108596038A (zh) 一种结合形态学分割和神经网络的粪便中红细胞识别方法
CN113310514A (zh) 一种农作物生长状况检测方法、系统、装置及存储介质
CN109472801A (zh) 一种用于多尺度的神经形态检测和分割方法
CN114781514A (zh) 一种融合注意力机制的漂浮物目标检测方法及系统
CN116681929A (zh) 一种麦类作物病害图像识别方法
CN104573701B (zh) 一种玉米雄穗性状的自动检测方法
Zhang et al. Identification of tomato leaf diseases based on multi-channel automatic orientation recurrent attention network
Lavanya et al. Deep Learning For Identification Of Plantnutrient Deficiencies
CN112380917A (zh) 一种用于农作物病虫害检测的无人机
CN117406753A (zh) 一种面向不规则环境的无人农机全局路径规划方法
CN116739739A (zh) 一种贷款额度评估方法、装置、电子设备及存储介质
CN113807143A (zh) 作物连通域的识别方法、装置及作业系统
CN116612386A (zh) 基于分级检测双任务模型的辣椒病虫害识别方法及系统
Sowmya et al. Utility system for premature plant disease detection using machine learning
Mishra et al. Prediction and detection of nutrition deficiency using machine learning
Attada et al. A methodology for automatic detection and classification of pests using optimized SVM in greenhouse crops
Tandekar et al. A Review on Various Plant Disease Detection Using Image Processing

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200710

WW01 Invention patent application withdrawn after publication