CN111563431A - 一种基于改进卷积神经网络的植物叶片病虫害识别方法 - Google Patents
一种基于改进卷积神经网络的植物叶片病虫害识别方法 Download PDFInfo
- Publication number
- CN111563431A CN111563431A CN202010333440.4A CN202010333440A CN111563431A CN 111563431 A CN111563431 A CN 111563431A CN 202010333440 A CN202010333440 A CN 202010333440A CN 111563431 A CN111563431 A CN 111563431A
- Authority
- CN
- China
- Prior art keywords
- layer
- improved
- pest
- convolutional neural
- neural 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.)
- Pending
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 61
- 201000010099 disease Diseases 0.000 title claims abstract description 53
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 35
- 241000238631 Hexapoda Species 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000011176 pooling Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims 1
- 230000000996 additive effect Effects 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 abstract description 48
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进卷积神经网络的植物叶片病虫害识别方法，提供了改进的AlexNet网络模型，采用批归一化与全局池化相结合的卷积神经网络模型识别多种叶片病虫害，改进模型在训练时间和内存需求上都进行了较大的优化，并且精简了模型参数，同时也提高了模型泛化能力；本发明通过训练好的改进的AlexNet特征网络作为植物病虫害识别模型提高了植物叶片病虫害识别的准确率，具有更好地鲁棒性，能够识别多种植物叶片的不同病虫害，并且减少了模型训练所需要的资源和时间。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种基于改进卷积神经网络的植物叶片病虫害识别方法。
背景技术
近年来，全球气候加剧恶化，我国农业气象灾害与病虫害发生频率和严重程度增大，极大的威胁着我国粮食安全。生态环境越来越脆弱导致农作物病虫害的现象愈发严重，由于植物生长环境质量的下降，加快了病虫害的传播速度，及时获取和识别农作物病虫害信息才能有效的采取防治措施，虽然使用化学农药能够控制植物病害，但是由于病害种类繁多，仅靠人工肉眼及经验判断容易发生误诊，植物病害得不到及时诊治。治理植物病害最关键的是快速且精确诊断病害类型，防止农药的错误使用。
随着科学技术的发展，关于植物叶片病害的智能识别研究取得了良好的进展，如通过计算叶片色度值，建立多层BP神经网络模型，实现叶片的病害识别。虽然取得了较好的识别效果，但是由于特点特征并非能够完全或者较好地表征植物病害信息，对识别准确率产生不利影响。人工提取特征不具备通用性，更多只是对某一类特定样本的概括，很难大范围推广，致使通用的识别很难建立起来。
近年来兴起的卷积神经网络能够不依赖特定特征，在图像识别领域如手写字体识别、人脸识别和物体检测等方面已经得到广泛应用。但是目前这些模型参数量大，训练时间长，且模型泛化能力不高。
发明内容
针对现有技术中的上述不足，本发明提供的基于改进卷积神经网络的植物叶片病虫害识别方法解决了现有的植物病虫害识别模型训练时收敛时间长，模型参数庞大、识别准确率低的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于改进卷积神经网络的植物叶片病虫害识别方法，包括以下步骤：
S1、采集不同植物的包括病虫害叶片图像和健康叶片图像在内的原始图像数据；
S2、对采集的原始图像数据进行预处理，构建图像样本数据集，并将其划分为训练集、验证集和测试集；
S3、对训练集中的图像数据进行数据扩充处理；
S4、将数据扩充后的训练集输入到改进的AlexNet特征网络中进行训练，并通过验证集参数进行调整，得到训练好的植物叶片病虫害识别模型；
S5、将测试集中待识别的叶片图像输入到植物叶片病虫害识别模型中，得到对应的病虫害识别结果。
进一步地，所述步骤S2具体为：
S21、基于原始图像数据中叶片的病虫害类型，对原始图像数据进行分类并添加标签；
S22、判断每种标签下的图像数据总数是否超过设定阈值；
若是，则进入步骤S23；
若否，则进入步骤S24；
S23、将超出设定阈值部分的图像数据删除，进入步骤S24；
S24、将当前图像数据尺寸统一设置为256×256×3；
S25、将所有尺寸统一的图像数据作为图像样本数据集，并将其划分为训练集、验证集和测试集。
进一步地，每个所述原始图像数据中添加的标签均包括植物类别标签和病虫害类别标签。
进一步地，所述步骤S3中的数据扩充处理包括随机水平或垂直翻转处理、叠加噪声处理、随机旋转角度处理、颜色抖动处理和随机缩放处理。
进一步地，所述步骤S4中改进的AlexNet特征网络包括依次连接的输入层、第一批归一化层、第一卷积层、第一池化层、第二批归一化层、第二卷积层、第二池化层、第三批归一化层、第三卷积层、第四批归一化层、第四卷积层、第三池化层、第五批归一化层、第五卷积层、全局池化层、全连接层和softmax分类器；所述第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层中的卷积核大小均为9×9。
进一步地，所述全局池化层将第五卷积层输出的每个特征图融合为对应的特征值，每个特征图对应的特征值为：
式中，yl为全局池化层中第l张特征图对应的输出特征值，m、n分别为第五卷积层输出的特征图的长度和宽度，
为第五卷积层输出的第l张特征图。
进一步地，所述改进的AlexNet特征网络中的激活函数为Relu激活函数。
进一步地，所述全连接层中的神经元个数为26个。
进一步地，所述步骤S4具体为：
S41、将数据扩充后的训练集输入到改进的AlexNet特征网络中，采用将输入的训练集划分为若干批次的训练数据；
S42、基于每个批次的训练数据，采用随机梯度下降优化算法对改进的AlexNet特征网络进行训练，并通过验证集进行网络参数调整，得到训练好的植物叶片病虫害识别模型。
本发明的有益效果为：
本发明提供的基于改进卷积神经网络的植物叶片病虫害识别方法中，改进了AlexNet网络模型，采用批归一化与全局池化相结合的卷积神经网络模型识别多种叶片病虫害，改进模型在训练时间和内存需求上都进行了较大的优化，并且精简了模型参数，同时也提高了模型泛化能力；本发明通过训练好的改进的AlexNet特征网络作为植物病虫害识别模型提高了植物叶片病虫害识别的准确率，具有更好地鲁棒性，能够识别多种植物叶片的不同病虫害，并且减少了模型训练所需要的资源和时间。
附图说明
图1为本发明提供的基于改进卷积神经网络的植物叶片病虫害识别方法流程图。
图2为本发明中改进的AlexNet特征网络结构图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于改进卷积神经网络的植物叶片病虫害识别方法，包括以下步骤：
S1、采集不同植物的包括病虫害叶片图像和健康叶片图像在内的原始图像数据；
S2、对采集的原始图像数据进行预处理，构建图像样本数据集，并将其划分为训练集、验证集和测试集；
S3、对训练集中的图像数据进行数据扩充处理；
S4、将数据扩充后的训练集输入到改进的AlexNet特征网络中进行训练，并通过验证集对参数进行调整，得到训练好的植物叶片病虫害识别模型；
S5、将测试集中待识别的叶片图像输入到植物叶片病虫害识别模型中，得到对应的病虫害识别结果。
上述步骤S2具体为：
S21、基于原始图像数据中叶片的病虫害类型，对原始图像数据进行分类并添加标签；
通过对各种图像数据进行数据分类并添加标签，其中每个原始图像数据中添加的标签均包括植物类别标签和病虫害类别标签，实现对多类植物的病虫害识别与分类，以便后续对神经网络进行训练，得到能准确分类的病虫害识别模型；
S22、判断每种标签下的图像数据总数是否超过设定阈值；
若是，则进入步骤S23；
若否，则进入步骤S24；
S23、将超出设定阈值部分的图像数据删除，进入步骤S24；
通过对数量明显过多的图像数据进行删除，避免各种标签的图像数据数量相差过大，对神经网络的训练造成影响；
S24、将当前图像数据尺寸统一设置为256×256×3；
S25、将所有尺寸统一的图像数据作为图像样本数据集，并将其划分为训练集、验证集和测试集。
上述步骤S3中，为了避免训练出的模型的权值参数偏向某几个植物类别，本发明对构建的训练集中的数据进行数据扩充操作，其中数据扩充处理包括随机水平或垂直翻转处理、叠加噪声处理、随机旋转角度处理、颜色抖动处理和随机缩放处理，扩充后的数据集每种植物的每类病虫害叶片图像数据足够多且数量相差不大。
如图2所示，上述步骤S4中，本发明中植物病虫害识别模型的基础网络结构为改进的AlexNet特征网络，其包括依次连接的输入层、第一批归一化层、第一卷积层、第一池化层、第二批归一化层、第二卷积层、第二池化层、第三批归一化层、第三卷积层、第四批归一化层、第四卷积层、第三池化层、第五批归一化层、第五卷积层、全局池化层、全连接层和softmax分类器；所述第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层中的卷积核大小均为9×9。
在改进的AlexNet特征网络中，由于层与层互相连接，随着网络层次的增多，前面层的参数的微小改变会导致后面参数发生巨大变化，会增大计算量和收敛时间，故采用全局池化层和缩减特征图数据的方法来减少模型参数；其中，全局池化层将第五卷积层输出的每个特征图融合为对应的特征值，进过不同类型的全局池化操作，每个特征图对应的特征值为：
式中，yl为全局池化层中第l张特征图对应的输出特征值，m、n分别为第五卷积层输出的特征图的长度和宽度，
为第五卷积层输出的第l张特征图。
改进的AlexNet特征网络中的激活函数为Relu激活函数，在使用随机梯度下降优化算法进行网络训练时，梯度在反向传播时能很好传到前面的网络层，能防止梯度弥散的问题，同时加速网络训练；改进的AlexNet特征网络使用Softmax函数，全连接层中的神经元个数为26个；
在改进的AlexNet特征网络中，由于网络结构使用全连接层，需要计算大量的权值参数，内存占用大且收敛慢，而且AlexNet原网络采用批量训练方法，每训练一个批次数据就更新一次网络参数，不同批次图片数据分布不同，若数据分布差异很大，则训练重新大幅调整以适应前批次的数据，故本发明中采用批归一化方法加速网络收敛，批归一化需要计算每个批次中n各样本x1～xn的均值与方差，均值μ为：
方差σ为：
接着将数据进行归一化：
得到均值为0、方差为1的数据
ε为防止方差σ为0时分母出现0而设置的常量。
上述步骤S4具体为：
S41、将数据扩充后的训练集输入到改进的AlexNet特征网络中，采用批归一化的方法将输入的训练集划分为若干批次的训练数据；
S42、基于每个批次的训练数据，采用随机梯度下降优化算法对改进的AlexNet特征网络进行训练，并通过验证集进行网络参数调整，得到训练好的植物叶片病虫害识别模型。
在上述训练过程中，初始学习率设置为0.01，为防止过拟合，将正则化系数设置为0.005，学习率分阶段逐次减小为原来的0.1倍。
本发明的有益效果为：
本发明提供的基于改进卷积神经网络的植物叶片病虫害识别方法中，改进了AlexNet网络模型，采用批归一化与全局池化相结合的卷积神经网络模型识别多种叶片病虫害，改进模型在训练时间和内存需求上都进行了较大的优化，并且精简了模型参数，同时也提高了模型泛化能力；本发明通过训练好的改进的AlexNet特征网络作为植物病虫害识别模型提高了植物叶片病虫害识别的准确率，具有更好地鲁棒性，能够识别多种植物叶片的不同病虫害，并且减少了模型训练所需要的资源和时间。
Claims (9)
1.一种基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，包括以下步骤：
S1、采集不同植物的包括病虫害叶片图像和健康叶片图像在内的原始图像数据；
S2、对采集的原始图像数据进行预处理，构建图像样本数据集，并将其划分为训练集、验证集和测试集；
S3、对训练集中的图像数据进行数据扩充处理；
S4、将数据扩充后的训练集输入到改进的AlexNet特征网络中进行训练，并通过验证集参数进行调整，得到训练好的植物叶片病虫害识别模型；
S5、将测试集中待识别的叶片图像输入到植物叶片病虫害识别模型中，得到对应的病虫害识别结果。
2.根据权利要求1所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述步骤S2具体为：
S21、基于原始图像数据中叶片的病虫害类型，对原始图像数据进行分类并添加标签；
S22、判断每种标签下的图像数据总数是否超过设定阈值；
若是，则进入步骤S23；
若否，则进入步骤S24；
S23、将超出设定阈值部分的图像数据删除，进入步骤S24；
S24、将当前图像数据尺寸统一设置为256×256×3；
S25、将所有尺寸统一的图像数据作为图像样本数据集，并将其划分为训练集、验证集和测试集。
3.根据权利要求2所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，每个所述原始图像数据中添加的标签均包括植物类别标签和病虫害类别标签。
4.根据权利要求3所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述步骤S3中的数据扩充处理包括随机水平或垂直翻转处理、叠加噪声处理、随机旋转角度处理、颜色抖动处理和随机缩放处理。
5.根据权利要求1所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述步骤S4中改进的AlexNet特征网络包括依次连接的输入层、第一批归一化层、第一卷积层、第一池化层、第二批归一化层、第二卷积层、第二池化层、第三批归一化层、第三卷积层、第四批归一化层、第四卷积层、第三池化层、第五批归一化层、第五卷积层、全局池化层、全连接层和softmax分类器；所述第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层中的卷积核大小均为9×9。
6.根据权利要求5所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述全局池化层将第五卷积层输出的每个特征图融合为对应的特征值，每个特征图对应的特征值为：
式中，yl为全局池化层中第l张特征图对应的输出特征值，m、n分别为第五卷积层输出的特征图的长度和宽度，
为第五卷积层输出的第l张特征图。
7.根据权利要求5所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述改进的AlexNet特征网络中的激活函数为Relu激活函数。
8.根据权利要求5所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述全连接层中的神经元个数为26个。
9.根据权利要求1所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述步骤S4具体为：
S41、将数据扩充后的训练集输入到改进的AlexNet特征网络中，采用将输入的训练集划分为若干批次的训练数据；
S42、基于每个批次的训练数据，采用随机梯度下降优化算法对改进的AlexNet特征网络进行训练，并通过验证集进行网络参数调整，得到训练好的植物叶片病虫害识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010333440.4A CN111563431A (zh) | 2020-04-24 | 2020-04-24 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010333440.4A CN111563431A (zh) | 2020-04-24 | 2020-04-24 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111563431A true CN111563431A (zh) | 2020-08-21 |
Family
ID=72073248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010333440.4A Pending CN111563431A (zh) | 2020-04-24 | 2020-04-24 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563431A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052904A (zh) * | 2020-09-09 | 2020-12-08 | 陕西理工大学 | 一种基于迁移学习和卷积神经网络病虫害的识别方法 |
| CN112560644A (zh) * | 2020-12-11 | 2021-03-26 | 四川大学 | 一种适应田野的农作物病虫害自动识别方法 |
| CN112883873A (zh) * | 2021-02-22 | 2021-06-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
| CN113516097A (zh) * | 2021-07-29 | 2021-10-19 | 东北大学秦皇岛分校 | 一种基于改进EfficentNet-V2的植物叶片疾病识别方法 |
| CN113627274A (zh) * | 2021-07-20 | 2021-11-09 | 南京信大卫星应用研究院有限公司 | 基于图像识别的可视化病虫害识别设备 |
| CN113627281A (zh) * | 2021-07-23 | 2021-11-09 | 中南民族大学 | 一种基于SK-EfficientNet的轻量级农作物病害识别方法 |
| CN113780357A (zh) * | 2021-08-13 | 2021-12-10 | 华中农业大学 | 一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法 |
| CN114067311A (zh) * | 2021-08-11 | 2022-02-18 | 中国农业科学院茶叶研究所 | 一种基于智能识别众源数据的茶树病虫害预测预报方法 |
| CN114241344A (zh) * | 2021-12-20 | 2022-03-25 | 电子科技大学 | 一种基于深度学习的植物叶片病虫害严重程度评估方法 |
| CN114359644A (zh) * | 2021-12-22 | 2022-04-15 | 华南农业大学 | 基于改进vgg-16网络的农作物病虫害识别方法 |
| CN114462596A (zh) * | 2022-02-10 | 2022-05-10 | 黑龙江省农业科学院 | 一种工业大麻生长期的病虫害监测方法及监测系统 |
| CN115908371A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
| CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
| CN116824276A (zh) * | 2023-08-29 | 2023-09-29 | 广东海洋大学 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN110009043A (zh) * | 2019-04-09 | 2019-07-12 | 广东省智能制造研究所 | 一种基于深度卷积神经网络的病虫害检测方法 |
| CN110378435A (zh) * | 2019-07-25 | 2019-10-25 | 安徽工业大学 | 一种基于卷积神经网络的苹果叶片病害识别的方法 |
-
2020
- 2020-04-24 CN CN202010333440.4A patent/CN111563431A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN110009043A (zh) * | 2019-04-09 | 2019-07-12 | 广东省智能制造研究所 | 一种基于深度卷积神经网络的病虫害检测方法 |
| CN110378435A (zh) * | 2019-07-25 | 2019-10-25 | 安徽工业大学 | 一种基于卷积神经网络的苹果叶片病害识别的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙俊;谭文军;毛罕平;武小红;陈勇;汪龙;: "基于改进卷积神经网络的多种植物叶片病害识别" * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052904A (zh) * | 2020-09-09 | 2020-12-08 | 陕西理工大学 | 一种基于迁移学习和卷积神经网络病虫害的识别方法 |
| CN112560644A (zh) * | 2020-12-11 | 2021-03-26 | 四川大学 | 一种适应田野的农作物病虫害自动识别方法 |
| CN112560644B (zh) * | 2020-12-11 | 2021-09-28 | 四川大学 | 一种适应田野的农作物病虫害自动识别方法 |
| CN112883873A (zh) * | 2021-02-22 | 2021-06-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
| CN112883873B (zh) * | 2021-02-22 | 2023-08-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
| CN113627274A (zh) * | 2021-07-20 | 2021-11-09 | 南京信大卫星应用研究院有限公司 | 基于图像识别的可视化病虫害识别设备 |
| CN113627281A (zh) * | 2021-07-23 | 2021-11-09 | 中南民族大学 | 一种基于SK-EfficientNet的轻量级农作物病害识别方法 |
| CN113516097B (zh) * | 2021-07-29 | 2022-08-09 | 东北大学秦皇岛分校 | 一种基于改进EfficentNet-V2的植物叶片疾病识别方法 |
| CN113516097A (zh) * | 2021-07-29 | 2021-10-19 | 东北大学秦皇岛分校 | 一种基于改进EfficentNet-V2的植物叶片疾病识别方法 |
| CN114067311A (zh) * | 2021-08-11 | 2022-02-18 | 中国农业科学院茶叶研究所 | 一种基于智能识别众源数据的茶树病虫害预测预报方法 |
| CN113780357A (zh) * | 2021-08-13 | 2021-12-10 | 华中农业大学 | 一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法 |
| CN113780357B (zh) * | 2021-08-13 | 2024-02-02 | 华中农业大学 | 一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法 |
| CN114241344B (zh) * | 2021-12-20 | 2023-05-02 | 电子科技大学 | 一种基于深度学习的植物叶片病虫害严重程度评估方法 |
| CN114241344A (zh) * | 2021-12-20 | 2022-03-25 | 电子科技大学 | 一种基于深度学习的植物叶片病虫害严重程度评估方法 |
| CN114359644A (zh) * | 2021-12-22 | 2022-04-15 | 华南农业大学 | 基于改进vgg-16网络的农作物病虫害识别方法 |
| CN114359644B (zh) * | 2021-12-22 | 2024-04-16 | 华南农业大学 | 基于改进vgg-16网络的农作物病虫害识别方法 |
| CN114462596A (zh) * | 2022-02-10 | 2022-05-10 | 黑龙江省农业科学院 | 一种工业大麻生长期的病虫害监测方法及监测系统 |
| CN115908371A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
| CN115908371B (zh) * | 2022-12-14 | 2023-05-19 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
| CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
| CN116824276A (zh) * | 2023-08-29 | 2023-09-29 | 广东海洋大学 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
| CN116824276B (zh) * | 2023-08-29 | 2023-12-12 | 广东海洋大学 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563431A (zh) | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 | |
| CN111783782B (zh) | 融合改进UNet和SegNet的遥感图像语义分割方法 | |
| CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
| CN111985370B (zh) | 一种基于混合注意力模块的农作物病虫害识别方法 | |
| CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
| CN109740721B (zh) | 麦穗计数方法及装置 | |
| CN111507319A (zh) | 一种基于深度融合卷积网络模型的农作物病害识别方法 | |
| CN107563389A (zh) | 一种基于深度学习的农作物病害识别方法 | |
| CN111553438A (zh) | 一种基于卷积神经网络的图像识别方法 | |
| CN112241679A (zh) | 一种垃圾自动分类的方法 | |
| CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
| CN113177587B (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
| CN113822419B (zh) | 一种基于结构信息的自监督图表示学习运行方法 | |
| CN114266757A (zh) | 一种基于多尺度融合注意力机制的糖尿病性视网膜病变分级方法 | |
| CN110766082B (zh) | 一种基于迁移学习的植物叶片病虫害程度分类方法 | |
| CN112634171A (zh) | 基于贝叶斯卷积神经网络的图像去雾方法及存储介质 | |
| CN113420794A (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
| CN117372881A (zh) | 一种烟叶病虫害智能识别方法、介质及系统 | |
| 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 | |
| Luan et al. | Sunflower seed sorting based on convolutional neural network | |
| Singh et al. | Performance Analysis of CNN Models with Data Augmentation in Rice Diseases | |
| CN111832641B (zh) | 一种基于级联下采样卷积神经网络的图像识别方法 | |
| CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
| CN116342919A (zh) | 基于注意力和门控机制的水稻病害识别方法 | |
| CN115019215B (zh) | 一种基于高光谱图像的大豆病虫害识别方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |
|
| RJ01 | Rejection of invention patent application after publication |