CN111414894A - 一种基于遥感图像的农作物病害识别方法 - Google Patents

一种基于遥感图像的农作物病害识别方法 Download PDF

Info

Publication number
CN111414894A
CN111414894A CN202010279954.6A CN202010279954A CN111414894A CN 111414894 A CN111414894 A CN 111414894A CN 202010279954 A CN202010279954 A CN 202010279954A CN 111414894 A CN111414894 A CN 111414894A
Authority
CN
China
Prior art keywords
crop
image
disease
remote sensing
sensing image
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
CN202010279954.6A
Other languages
English (en)
Inventor
曹丽英
胡楠
于合龙
李东明
马丽
刘鹤
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 University
Original Assignee
Jilin Agricultural 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 Jilin Agricultural University filed Critical Jilin Agricultural University
Priority to CN202010279954.6A priority Critical patent/CN111414894A/zh
Publication of CN111414894A publication Critical patent/CN111414894A/zh
Pending 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
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Animal Husbandry (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于遥感图像的农作物病害识别方法，包括如下步骤：S1、基于YOLT模型实现遥感图像中农作物目标的检测；S2、基于检测结果在遥感图像中挖掘出该农作物目标对应的农作物图像区域，生成农作物图像；S3、基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息；S4、基于显著图的病害图像分割方法，利用显著图检测策略,获取农作物图像的显著图,将显著图作为掩码图像,对农作物图像进行复杂背景分割；S5、基于DSSD__Inception_V2_coco模型实现农作物图像中孔洞、斑点、害虫轨迹等的检测识别。本发明可以实现农作物病害的快速识别和统计分析。

Description

一种基于遥感图像的农作物病害识别方法
技术领域
本发明涉及图像识别领域，具体涉及一种基于遥感图像的农作物病害识别方法。
背景技术
农作物病害是我国主要农业灾难之一，它具有种类多、影响大并时常暴发成灾的特点，不仅对农作物生产造成损失，还会对食品安全产生威胁。因此农作物病害的诊断和鉴定，对保证作物产量、预防食品安全起着重要的作用，同时，实现精准的检测农作物病害以及病害程度的测定是对农作物病害防治的关键。目前，传统的农作物病害识别，主要依赖于历代农民在农业生产过程中积累的经验来进行判断，费时费力的同时，实时性、准确性均较差。
随着深度学习的日益发展，将卷积神经网络应用于农作物病害识别中取得了较好的识别效果。深度学习中的卷积神经网络对图像具有强大的特征提取能力，可以从像素级的原始数据中抽象出语义概念并逐层提取，筛选掉冗余信息，这使得它在提取图像更详尽的全局特征方面有着突出的优势。因此，如何利用卷积神经网络进行农作物病害检测是目前迫切需要解决的问题。
发明内容
为解决上述问题，本发明提供了一种基于遥感图像的农作物病害识别方法，可以实现农作物病害的快速识别和统计分析。
为实现上述目的，本发明采取的技术方案为：
一种基于遥感图像的农作物病害识别方法，包括如下步骤：
S1、基于YOLT模型实现遥感图像中农作物目标的检测；
S2、基于检测结果在遥感图像中挖掘出该农作物目标对应的农作物图像区域，生成农作物图像；
S3、基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息；
S4、基于显著图的病害图像分割方法，利用显著图检测策略,获取农作物图像的显著图,将显著图作为掩码图像,对农作物图像进行复杂背景分割；
S5、基于DSSD__Inception_V2_coco 模型实现农作物图像中孔洞、斑点、害虫轨迹等的检测识别。
进一步地，所述DSSD__Inception_V2_coco 模型采用DSSD目标检测算法，用coco数据集预训练Inception_V2_深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。
进一步地，还包括基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别的步骤。
进一步地，还包括在农作物图像对应位置处以超链接的形式标记病害检测结果以及对应的形状尺寸参数的步骤。
进一步地，还包括根据遥感图像的时间顺序将同一个位置的农作物图像进行排列的步骤。
进一步地，还包括根据完成排列的农作物图像对应的病害检测结果以及对应的形状尺寸参数实时绘制病害情况曲线实现监测区域内病害情况统计的步骤。
进一步地，还包括读取每一个遥感图像的地理位置参数，为每一个农作物图像标记地理位置参数的步骤。
进一步地，还包括根据病害识别结果和病害情况的统计结果基于最邻近分类器输出对应的防治措施的步骤。
本发明具有以下有益效果：
1、基于遥感图像、YOLT模型、DSSD__Inception_V2_coco 模型等实现了监测区域内农作物病害的自动检测分析，进而提供对应的防治方案，为提高农作物病害预警奠定基础。
2、采用基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息，同时采用基于显著图的病害图像分割方法对农作物图像进行复杂背景分割，从而大大提高了后续病害结果的准确率。
3、通过病害区域尺寸参数的获取，实现了监测区域内病害情况的统计分析和动态对比，从而便于工作人员采取针对性的病害防治措施，进一步为提高农作物病害预警奠定基础。
附图说明
图1为本发明实施例1的流程图。
图2为本发明实施例2的流程图。
图3为本发明实施例3的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
如图1所示，一种基于遥感图像的农作物病害识别方法，包括如下步骤：
S1、基于YOLT模型实现遥感图像中农作物目标的检测；
S2、基于检测结果在遥感图像中挖掘出该农作物目标对应的农作物图像区域，生成农作物图像；
S3、基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息；首先，获取农作物图像的热力图；主要步骤为：
第一步，计算农作物图像四个顶点的热力值信息，即基本热力值信息；
第二步，根据基本热力值信息进行双线性插值操作，得出农作物图像所有像素点对应的热力值信息；
第三部，根据所有热力值信息绘制农作物图像的热力图。
接着，对农作物图像的热力图进行分块，已知热力图G的大小为m×n,将G划分为互不重叠的a×b（a≦m， b≦n）个子分块，各个子分块记为Gi
（i=1,2,… a×b），分别计算每个热力图分块的权重因子ω，权重因子的值主要和每个热力图分块的热力值信息V、亮度信息D和对比度信息D有关，由热值值信息、亮度信息和对比度信息计算获取每个热力图分块的权重因子，公式如下：;
搜索每个热力图分块的权重因子ω，如果权重因子ω的值小于阀值（IE-3）,则将该权重因子ω的对应分块从热力图G中取出，如果权重因子ω的值大于阀值，则将该权重因子ω对应的分块保留。
S4、基于显著图的病害图像分割方法，利用显著图检测策略,获取农作物图像的显著图,将显著图作为掩码图像,对农作物图像进行复杂背景分割；
S5、基于DSSD__Inception_V2_coco 模型实现农作物图像中孔洞、斑点、害虫轨迹等的检测识别。
本实施例中，所述DSSD__Inception_V2_coco 模型采用DSSD目标检测算法，用coco数据集预训练Inception_V2_深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。
实施例2
如图1所示，一种基于遥感图像的农作物病害识别方法，包括如下步骤：
S1、基于YOLT模型实现遥感图像中农作物目标的检测；
S2、基于检测结果在遥感图像中挖掘出该农作物目标对应的农作物图像区域，生成农作物图像；
S3、基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息；首先，获取农作物图像的热力图；主要步骤为：
第一步，计算农作物图像四个顶点的热力值信息，即基本热力值信息；
第二步，根据基本热力值信息进行双线性插值操作，得出农作物图像所有像素点对应的热力值信息；
第三部，根据所有热力值信息绘制农作物图像的热力图。
接着，对农作物图像的热力图进行分块，已知热力图G的大小为m×n,将G划分为互不重叠的a×b（a≦m， b≦n）个子分块，各个子分块记为Gi
（i=1,2,… a×b），分别计算每个热力图分块的权重因子ω，权重因子的值主要和每个热力图分块的热力值信息V、亮度信息D和对比度信息D有关，由热值值信息、亮度信息和对比度信息计算获取每个热力图分块的权重因子，公式如下：;
搜索每个热力图分块的权重因子ω，如果权重因子ω的值小于阀值（IE-3）,则将该权重因子ω的对应分块从热力图G中取出，如果权重因子ω的值大于阀值，则将该权重因子ω对应的分块保留。
S4、基于显著图的病害图像分割方法，利用显著图检测策略,获取农作物图像的显著图,将显著图作为掩码图像,对农作物图像进行复杂背景分割；
S5、基于DSSD__Inception_V2_coco 模型实现农作物图像中孔洞、斑点、害虫轨迹等的检测识别；
S6、基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别；
S7、在农作物图像对应位置处以超链接的形式标记病害检测结果以及对应的形状尺寸参数；
S8、根据遥感图像的时间顺序将同一个位置的农作物图像进行排列，并根据完成排列的农作物图像对应的病害检测结果以及对应的形状尺寸参数实时绘制病害情况曲线，同时实现监测区域内病害情况统计。
本实施例中，所述DSSD__Inception_V2_coco 模型采用DSSD目标检测算法，用coco数据集预训练Inception_V2_深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。
实施例3
如图1所示，一种基于遥感图像的农作物病害识别方法，包括如下步骤：
S1、基于YOLT模型实现遥感图像中农作物目标的检测；
S2、基于检测结果在遥感图像中挖掘出该农作物目标对应的农作物图像区域，生成农作物图像，并读取每一个遥感图像的地理位置参数，以超链接的模式为每一个农作物图像标记地理位置参数；
S3、基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息；首先，获取农作物图像的热力图；主要步骤为：
第一步，计算农作物图像四个顶点的热力值信息，即基本热力值信息；
第二步，根据基本热力值信息进行双线性插值操作，得出农作物图像所有像素点对应的热力值信息；
第三部，根据所有热力值信息绘制农作物图像的热力图。
接着，对农作物图像的热力图进行分块，已知热力图G的大小为m×n,将G划分为互不重叠的a×b（a≦m， b≦n）个子分块，各个子分块记为Gi
（i=1,2,… a×b），分别计算每个热力图分块的权重因子ω，权重因子的值主要和每个热力图分块的热力值信息V、亮度信息D和对比度信息D有关，由热值值信息、亮度信息和对比度信息计算获取每个热力图分块的权重因子，公式如下：;
搜索每个热力图分块的权重因子ω，如果权重因子ω的值小于阀值（IE-3）,则将该权重因子ω的对应分块从热力图G中取出，如果权重因子ω的值大于阀值，则将该权重因子ω对应的分块保留。
S4、基于显著图的病害图像分割方法，利用显著图检测策略,获取农作物图像的显著图,将显著图作为掩码图像,对农作物图像进行复杂背景分割；
S5、基于DSSD__Inception_V2_coco 模型实现农作物图像中孔洞、斑点、害虫轨迹等的检测识别；
S6、基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别；
S7、在农作物图像对应位置处以超链接的形式标记病害检测结果以及对应的形状尺寸参数；
S8、根据遥感图像的时间顺序将同一个位置的农作物图像进行排列，并根据完成排列的农作物图像对应的病害检测结果以及对应的形状尺寸参数实时绘制病害情况曲线，同时实现监测区域内病害情况统计；
S9、根据病害识别结果和病害情况的统计结果基于最邻近分类器输出对应的防治措施。
本实施例中，所述DSSD__Inception_V2_coco 模型采用DSSD目标检测算法，用coco数据集预训练Inception_V2_深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种基于遥感图像的农作物病害识别方法，其特征在于：包括如下步骤：
S1、基于YOLT模型实现遥感图像中农作物目标的检测；
S2、基于检测结果在遥感图像中挖掘出该农作物目标对应的农作物图像区域，生成农作物图像；
S3、基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息；
S4、基于显著图的病害图像分割方法，利用显著图检测策略,获取农作物图像的显著图,将显著图作为掩码图像,对农作物图像进行复杂背景分割；
S5、基于DSSD__Inception_V2_coco 模型实现农作物图像中孔洞、斑点、害虫轨迹的检测识别。
2.如权利要求1所述的基于遥感图像的农作物病害图像识别方法，其特征在于：所述DSSD__Inception_V2_coco 模型采用DSSD目标检测算法，用coco数据集预训练Inception_V2_深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。
3.如权利要求1所述的基于遥感图像的农作物病害图像识别方法，其特征在于：还包括基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别的步骤。
4.如权利要求1所述的基于遥感图像的农作物病害图像识别方法，其特征在于：还包括在农作物图像对应位置处以超链接的形式标记病害检测结果以及对应的形状尺寸参数的步骤。
5.如权利要求1所述的基于遥感图像的农作物病害图像识别方法，其特征在于：还包括根据遥感图像的时间顺序将同一个位置的农作物图像进行排列的步骤。
6.如权利要求1所述的基于遥感图像的农作物病害图像识别方法，其特征在于：还包括根据完成排列的农作物图像对应的病害检测结果以及对应的形状尺寸参数实时绘制病害情况曲线实现监测区域内病害情况统计的步骤。
7.如权利要求1所述的基于遥感图像的农作物病害图像识别方法，其特征在于：还包括读取每一个遥感图像的地理位置参数，为每一个农作物图像标记地理位置参数的步骤。
8.如权利要求1所述的基于遥感图像的农作物病害图像识别方法，其特征在于：还包括根据病害识别结果和病害情况的统计结果基于最邻近分类器输出对应的防治措施的步骤。
CN202010279954.6A 2020-04-10 2020-04-10 一种基于遥感图像的农作物病害识别方法 Pending CN111414894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010279954.6A CN111414894A (zh) 2020-04-10 2020-04-10 一种基于遥感图像的农作物病害识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010279954.6A CN111414894A (zh) 2020-04-10 2020-04-10 一种基于遥感图像的农作物病害识别方法

Publications (1)

Publication Number Publication Date
CN111414894A true CN111414894A (zh) 2020-07-14

Family

ID=71495025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010279954.6A Pending CN111414894A (zh) 2020-04-10 2020-04-10 一种基于遥感图像的农作物病害识别方法

Country Status (1)

Country Link
CN (1) CN111414894A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899514A (zh) * 2020-08-19 2020-11-06 陇东学院 一种人工智能的拥堵检测系统
CN112045688A (zh) * 2020-09-17 2020-12-08 河南工业职业技术学院 基于视觉感知的被动柔顺机器人抛磨路径规划系统
CN112325946A (zh) * 2020-11-12 2021-02-05 延安大学 基于物联网的草原生态监测系统
CN112488136A (zh) * 2021-01-22 2021-03-12 山东商业职业技术学院 一种图像识别系统以及图像识别装置
CN112506120A (zh) * 2020-12-02 2021-03-16 中国农业科学院农业信息研究所 一种基于物联网的智慧渔业管理系统
CN113409253A (zh) * 2021-06-02 2021-09-17 南京公诚节能新材料研究院有限公司 农情监测关键技术方法
CN114842240A (zh) * 2022-04-06 2022-08-02 盐城工学院 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法
CN117882546A (zh) * 2024-03-13 2024-04-16 山西诚鼎伟业科技有限责任公司 一种面向农业作业机器人的智能化种植方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852282A (zh) * 2019-11-13 2020-02-28 榆林学院 一种基于机器视觉的农田病害监测系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852282A (zh) * 2019-11-13 2020-02-28 榆林学院 一种基于机器视觉的农田病害监测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ETTEN, A VAN: "You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery", 《ARXIV:1805.09512V1》 *
宋丽娟: "基于图像的农作物病害识别关键算法研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899514A (zh) * 2020-08-19 2020-11-06 陇东学院 一种人工智能的拥堵检测系统
CN112045688A (zh) * 2020-09-17 2020-12-08 河南工业职业技术学院 基于视觉感知的被动柔顺机器人抛磨路径规划系统
CN112045688B (zh) * 2020-09-17 2022-12-27 河南工业职业技术学院 基于视觉感知的被动柔顺机器人抛磨路径规划系统
CN112325946A (zh) * 2020-11-12 2021-02-05 延安大学 基于物联网的草原生态监测系统
CN112506120A (zh) * 2020-12-02 2021-03-16 中国农业科学院农业信息研究所 一种基于物联网的智慧渔业管理系统
CN112488136A (zh) * 2021-01-22 2021-03-12 山东商业职业技术学院 一种图像识别系统以及图像识别装置
CN113409253A (zh) * 2021-06-02 2021-09-17 南京公诚节能新材料研究院有限公司 农情监测关键技术方法
CN114842240A (zh) * 2022-04-06 2022-08-02 盐城工学院 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法
CN117882546A (zh) * 2024-03-13 2024-04-16 山西诚鼎伟业科技有限责任公司 一种面向农业作业机器人的智能化种植方法
CN117882546B (zh) * 2024-03-13 2024-05-24 山西诚鼎伟业科技有限责任公司 一种面向农业作业机器人的智能化种植方法

Similar Documents

Publication Publication Date Title
CN111414894A (zh) 一种基于遥感图像的农作物病害识别方法
CN113392775B (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN108846832B (zh) 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN106096577B (zh) 一种摄像头分布地图中的目标追踪方法
CN105335716B (zh) 一种基于改进udn提取联合特征的行人检测方法
CN106951836B (zh) 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
CN104881865B (zh) 基于无人机图像分析的森林病虫害监测预警方法及其系统
CN110717903A (zh) 一种利用计算机视觉技术进行农作物病害检测的方法
CN108830205A (zh) 基于改进全卷积网络的多尺度感知行人检测方法
CN114972843B (zh) 一种基于大数据的农业病虫害诊断与预警系统
CN108710865A (zh) 一种基于神经网络的司机异常行为检测方法
CN111414896A (zh) 一种基于卷积神经网络农作物病害图像识别方法
CN112069985B (zh) 基于深度学习的高分辨率大田图像稻穗检测与计数方法
CN114444791A (zh) 一种基于机器学习的洪涝灾害遥感监测评估方法
CN110874592A (zh) 一种基于总有界变分的森林火灾烟雾图像检测方法
CN112465752A (zh) 一种基于改进的Faster R-CNN小目标检测方法
CN114241511B (zh) 一种弱监督行人检测方法、系统、介质、设备及处理终端
CN109684986B (zh) 一种基于车辆检测跟踪的车辆分析方法及系统
CN112257702A (zh) 一种基于增量学习的农作物病害识别方法
CN112288771B (zh) 群体环境中多猪体运动轨迹提取和行为分析方法
KR20180116588A (ko) 고화질 항공 이미지에서의 물체 검출 방법
CN113989683A (zh) 一种综合同步轨道序列光学影像时空信息的船舶检测方法
CN106934338A (zh) 一种基于相关滤波器的长期行人跟踪方法
CN113989652B (zh) 分层多重判定规则下的耕地变化检测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200714