CN111626969A - 一种基于注意力机制的玉米病害图像处理方法 - Google Patents
一种基于注意力机制的玉米病害图像处理方法 Download PDFInfo
- Publication number
- CN111626969A CN111626969A CN202010442570.1A CN202010442570A CN111626969A CN 111626969 A CN111626969 A CN 111626969A CN 202010442570 A CN202010442570 A CN 202010442570A CN 111626969 A CN111626969 A CN 111626969A
- Authority
- CN
- China
- Prior art keywords
- corn disease
- network
- corn
- disease image
- attention mechanism
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 86
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 86
- 240000008042 Zea mays Species 0.000 title claims abstract description 74
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 74
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 74
- 235000005822 corn Nutrition 0.000 title claims abstract description 74
- 230000007246 mechanism Effects 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000005520 cutting process Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 15
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 16
- 230000007547 defect Effects 0.000 abstract description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于注意力机制的玉米病害图像处理方法，包括获取玉米病害图像，并对玉米病害图像进行预处理后进一步进行裁剪，得到两种裁剪尺度的玉米病害图像；基于3D双路径网络结构，构建出基于注意力机制的双路径双向特征级别融合网络模型；将两种裁剪尺度的玉米病害图像代入基于注意力机制的双路径双向特征级别融合网络模型中，得到特征融合后的玉米病害图像。实施本发明，解决现有智能算法的不足，避免提取特征的丢失，并降低模型计算量，提高分类预测准确度。
Description
技术领域
本发明涉及计算机图像处理技术领域，尤其涉及一种基于注意力机制的玉米病害图像处理方法。
背景技术
病害是影响玉米等农作物生长的主要诱因之一。生产中为了提高玉米等主要农作物的品质和产量，需要对作物生长过程中遭受到的病害进行有效诊治。传统玉米等大田作物的病害诊断需要聘请专家深入到田间，往往费时费力误工；同时，由于多种外部环境条件和主观因素等影响，许多病害人工诊治容易导致主观误判。数字图像处理技术具有快速、准确、客观等特点，因此使用数字图像处理技术代替人眼视觉对病害信息进行实时准确识别成为可能。基于数字图像处理技术的作物病害识别包括：病害图像预处理、图像分割、特征提取、模式识别等主要步骤，而分割效果直接影响到接下来的病害图像特征提取与模式识别的精度，因此图像分割是病害识别效果好坏的关键性环节之一。
当前针对作物病害图像分割算法包括阈值分割算法、空间聚类算法、区域生长算法、数学形态学方法和多种计算智能方法等，但是由于作物病害图像存在背景信息成分复杂、病斑区域排列无序、颜色纹理分布不均、病斑边界模糊和叶片表面纹理噪声等干扰，因此尚无一种鲁棒性好且简单适用的普适方法。目前大多数方法都是作用在灰度级图像上，丢失大量病害图像的颜色纹理信息，而研究认为合理融合输入信源的互补性和冗余性信息，融合后的信源特征描述要明显优于单一的信源特征描述，因此上述方法在分割处理过程中由于颜色信息的丢失，为准确识别作物病害带来一定的影像。
群智能算法，是一种模拟自然界中昆虫和群体动物的集群智能行为仿生算法，群智能算法得到成功运用的关键在于群体内部的自组织性和合理的任务分工原则，由于其优越性能该系列算法引起了众多学者的重视并得到了广泛的应用。在众多的群智能算法中，由Karaboga D和Basturk B等于2005年提出的人工蜂群算法模仿蜂群觅食行为。该算法因其参数设置少、收敛速度快、收敛精度高，且每次迭代过程中都进行局部和全局双向搜索，因此成为智能优化领域的新热点。脉冲耦合神经网络是90年代初由Eckhorn等在研究模仿猫、猴等小型哺乳动物视觉皮层成像机理时发现的并终由Johnson等经过简化修正后提出的一种人工网络模型，对比以往经典网络模型不需要训练样本，因此该网络在图像去噪、图像平滑、图像边缘检测、图像分割、图像增强和图像融合等方面得到了广泛的应用。但是脉冲耦合神经网络由于网络结构复杂，网络参数设定直接影响图像处理效果，因此合理解释并建立网络参数设置与图像处理效果之间的关系仍然是研究难点。
因此，亟需一种玉米病害图像处理方法，能够解决现有智能算法的不足，避免提取特征的丢失，并降低模型计算量，提高分类预测准确度。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于注意力机制的玉米病害图像处理方法，能够解决现有智能算法的不足，避免提取特征的丢失，并降低模型计算量，提高分类预测准确度。
为了解决上述技术问题，本发明实施例提供了一种基于注意力机制的玉米病害图像处理方法，包括以下步骤：
获取玉米病害图像，并对所述玉米病害图像进行预处理，且进一步对预处理后的玉米病害图像进行裁剪，得到两种裁剪尺度的玉米病害图像；其中，所述两种裁剪尺度的玉米病害图像之中其一仅含玉米病害区域，另一含玉米病害区域及其外围区域；
基于3D双路径网络结构，构建出基于注意力机制的双路径双向特征级别融合网络模型；
将所述两种裁剪尺度的玉米病害图像代入所述基于注意力机制的双路径双向特征级别融合网络模型中，得到特征融合后的玉米病害图像。
其中，所述两种裁剪尺度的玉米病害图像之中其一仅含玉米病害区域的尺度为32x32x32，另一含玉米病害区域及其外围区域的尺度为64x64x64。
其中，所述方法进一步包括：
对所述两种裁剪尺度的玉米病害图像进行不同角度的旋转处理。
其中，所述基于注意力机制的双路径双向特征级别融合网络模型包括两条网络路径；所述两条网络路径互为辅助，其中一条为主要网络时，另一条为辅助网络，则通过将所述辅助网络相对应卷积模块提取的特征提供给所述主要网络并与所述主要网络的特征进行融合。
实施本发明实施例，具有如下有益效果：
本发明引入3D CNN用以降低3D卷积的复杂性，设计了3D DPN网络结构作为网络的基础结构，并采用基于注意力机制的双路径双向特征级别融合网络模型来解决不同尺度的玉米病害图像在网络提取特征时可能会丢失的问题，从而能够解决现有智能算法的不足，提高了分类预测准确度。
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，下面描述中的附图仅仅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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提出的一种基于注意力机制的玉米病害图像处理方法的流程图；
图2为本发明实施例提出的一种基于注意力机制的玉米病害图像处理方法中3DDPN网络的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种基于注意力机制的玉米病害图像处理方法，包括以下步骤：
步骤S1、获取扫描的玉米病害图像，并对所述玉米病害图像进行预处理，且进一步对预处理后的玉米病害图像进行裁剪，得到两种裁剪尺度的玉米病害图像；其中，所述两种裁剪尺度的玉米病害图像之中其一仅含玉米病害区域，另一含玉米病害区域及其外围区域；
步骤S2、基于3D双路径网络结构，构建出基于注意力机制的双路径双向特征级别融合网络模型；
步骤S3、将所述两种裁剪尺度的玉米病害图像代入所述基于注意力机制的双路径双向特征级别融合网络模型中，得到特征融合后的玉米病害图像。
具体过程为，在步骤S1中，由于玉米病害图像不仅包括玉米病害区域，还包括非玉米病害区域，因此需要对玉米病害图像进行预处理，过滤掉大部分非玉米病害区域。该预处理包括中值滤波、边缘检测、灰度归一化、色彩增强等处理方式。
对预处理后的玉米病害图像进行裁剪，得到两种裁剪尺度的玉米病害图像，之中其一仅含玉米病害区域的尺度为32x32x32，另一含玉米病害区域及其外围区域的尺度为64x64x64。
本发明实施例中，为了防止过拟合，采用数据增强，因此所述方法进一步包括：对两种裁剪尺度的玉米病害图像进行不同角度的旋转处理(如旋转90°,180°和270°)，从而得到更多的数据样本量。
在步骤S2中，采用DPN(双路径网络)网络结构作为网络的主要结构，将DPN按照3D卷积的方式进行改造，设计了3D DPN网络路径作为特征级别融合网络的基本路径，网络结构如图2所示。它包括1个3D卷积层，4个3D DPN网络模块，以及4个穿插在3D卷积层和3D DPN网络模块之间的池化层。首先输入经过第1层卷积提取浅层特征，卷积核为3x3x3，通道数为32，之后经过2x2x2的池化。然后接入4个3D DPN网络模块，分别包括8，8，16，16个双路径网络连接，通道数分别为64，64，128，128，然后中间分别插入3个池化层，每个池化层的尺寸分别是2x2x2。
然后，在3D DPN的网络结构基础上，构建了基于注意力机制的双路径双向特征级别融合网络模型；该基于注意力机制的双路径双向特征级别融合网络模型包括两条网络路径；两条网络路径互为辅助，其中一条为主要网络时，另一条为辅助网络，则通过将辅助网络相对应卷积模块提取的特征提供给主要网络并与主要网络的特征进行融合。
每条网络路径都有5个卷积模块，分别定义为Conv1,DPN1,DPN2,DPN3和DPN4，选择每个模块最后一层的输出特征图来参与特征级别融合。但是，对于每条网络路径里第一个卷积模块Conv1，由于提取的特征太浅，语义较少，未将其加入到特征融合之中，而每个3DDPN网络路径的四个模块对应于图中的DPN1，DPN2，DPN3和DPN4，这些模块的特征图尺寸沿网络路径变小，提取的特征较深，具有较强的语义，将其参与到特征融合之中。为了保证参与特征级别融合的相对应的卷积模块的特征图尺寸相同，在主要网络第一个卷积层之后，加入了一个池化层，而在辅助网络第一个卷积层之后直接接入3D DPN网络模块。本文将每个卷积模块的最后一层的特征激活输出表示为D1，D2，D3，D4。对于辅助网络路径来说，其为主要网络生成的注意力信息特征图表示为D1a，D2a，D3a，D4a，而与主要网络相对应的特征图表示为D1m，D2m，D3m，D4m。
通过辅助模块将辅助网络提取的特征提供给主要网络。因为这些卷积模块中的特征图的语义从低到高，因此针对不同的卷积模块具有不同的详细设计。对于辅助网络路径不同的3D DPN网络模块来说，它们首先经历1x1x1的卷积层以减小通道尺寸，从而减小参数的数量和模型复杂度。在辅助网络向主要网络进行添加注意力机制的路径中，加入了bottleneck模块。由于辅助网络路径较低层的特征较浅且语义较少，因此对它们应用较大的卷积核和更多的bottleneck模块以获得较大的感受野，用以覆盖更多的上下文信息，并更好地促进了主要网络的特征学习能力。这些操作允许辅助网络路径为主要网络路径提供更多的全局信息。对于更深层的特征，由于它们已经具有强大的语义并且感受野很大，因此我们在它们上使用较小的卷积核和bottleneck模块。具体来说，对于DPN1,DPN2,DPN3和DPN4四个不同的卷积模块，分别采用卷积核大小为7x7x7,5x5x5,3x3x3和1x1x1的卷积核。最后，在将通道尺寸增加到原始大小之后，添加一个Sigmoid函数将输出范围归一化为[0,1]。本发明将来自不同卷积模块经过辅助模块之后的输出分别表示为A1,A2,A3,A4，每个辅助模块的特征图都具有与主要网络的相对应的卷积模块的特征图具有同样的尺寸。
为了将辅助网络提取的特征与主要网络的特征进行融合以及维持深层网络的梯度传递，按照双向特征融合的方式，将辅助模块的输出与主要模块相对应的卷积模块的输出相乘再相加。由于两条网络路径互为辅助，因此参与特征级别融合的每个Conv模块都有两个辅助模块。在进行特征融合的过程中，两条网络路径相对应的卷积模块互为辅助，分别以其中一种尺度的网络作为主要网络，以另一种尺度的网络作为辅助网络，按照3D单向融合网络中的融合方式进行特征融合，然后输入到下一层网络中。最后，将添加注意力机制的两条网络提取的特征经过全连接层进行合并。3D双向融合网络模型中，对于每一个参与特征融合的Conv模块，其辅助模块和特征融合的方式都和3D单向融合中的一致。对于3D双向融合网络来说，两种尺度的网络的权重相同，在使用交叉熵损失函数时，将超参数λ设置为0.5。
在步骤S3中，将两种裁剪尺度的玉米病害图像代入所述基于注意力机制的双路径双向特征级别融合网络模型中，得到特征融合后的玉米病害图像。
实施本发明实施例，具有如下有益效果：
本发明引入3D CNN用以降低3D卷积的复杂性，设计了3D DPN网络结构作为网络的基础结构，并采用基于注意力机制的双路径双向特征级别融合网络模型来解决不同尺度的玉米病害图像在网络提取特征时可能会丢失的问题，从而能够解决现有智能算法的不足，提高了分类预测准确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (4)
1.一种基于注意力机制的玉米病害图像处理方法，其特征在于，包括以下步骤：
获取玉米病害图像，并对所述玉米病害图像进行预处理，且进一步对预处理后的玉米病害图像进行裁剪，得到两种裁剪尺度的玉米病害图像；其中，所述两种裁剪尺度的玉米病害图像之中其一仅含玉米病害区域，另一含玉米病害区域及其外围区域；
基于3D双路径网络结构，构建出基于注意力机制的双路径双向特征级别融合网络模型；
将所述两种裁剪尺度的玉米病害图像代入所述基于注意力机制的双路径双向特征级别融合网络模型中，得到特征融合后的玉米病害图像。
2.如权利要求1所述的基于注意力机制的玉米病害图像处理方法，其特征在于，所述两种裁剪尺度的玉米病害图像之中其一仅含玉米病害区域的尺度为32x32x32，另一含玉米病害区域及其外围区域的尺度为64x64x64。
3.如权利要求2所述的基于注意力机制的玉米病害图像处理方法，其特征在于，所述方法进一步包括：
对所述两种裁剪尺度的玉米病害图像进行不同角度的旋转处理。
4.如权利要求1所述的基于注意力机制的玉米病害图像处理方法，其特征在于，所述基于注意力机制的双路径双向特征级别融合网络模型包括两条网络路径；所述两条网络路径互为辅助，其中一条为主要网络时，另一条为辅助网络，则通过将所述辅助网络相对应卷积模块提取的特征提供给所述主要网络并与所述主要网络的特征进行融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010442570.1A CN111626969B (zh) | 2020-05-22 | 2020-05-22 | 一种基于注意力机制的玉米病害图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010442570.1A CN111626969B (zh) | 2020-05-22 | 2020-05-22 | 一种基于注意力机制的玉米病害图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111626969A true CN111626969A (zh) | 2020-09-04 |
| CN111626969B CN111626969B (zh) | 2023-05-30 |
Family
ID=72271093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010442570.1A Active CN111626969B (zh) | 2020-05-22 | 2020-05-22 | 一种基于注意力机制的玉米病害图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626969B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114677606A (zh) * | 2022-04-28 | 2022-06-28 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
| CN116740650A (zh) * | 2023-08-10 | 2023-09-12 | 青岛农业大学 | 一种基于深度学习的作物育种监测方法及系统 |
| CN117468083A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 降籽晶过程的控制方法、装置、长晶炉系统和计算机设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140056502A1 (en) * | 2011-03-02 | 2014-02-27 | Thorsten Twellmann | Image processing device for finding corresponding regions in two image data sets of an object |
| US20150073759A1 (en) * | 2013-09-06 | 2015-03-12 | Public Engines, Inc. | Prediction accuracy in a spatio-temporal prediction system |
| JP2016212813A (ja) * | 2015-05-14 | 2016-12-15 | 富士通株式会社 | 画像処理装置、画像処理方法、及びプログラム |
| CN108038517A (zh) * | 2018-01-02 | 2018-05-15 | 东北农业大学 | 基于改进卷积神经网络模型Cifar10的玉米叶片病害识别方法 |
| CN110175979A (zh) * | 2019-04-08 | 2019-08-27 | 杭州电子科技大学 | 一种基于协同注意力机制的肺结节分类方法 |
| 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 |
| US20200134365A1 (en) * | 2018-02-09 | 2020-04-30 | Beijing Sensetime Technology Development Co., Ltd. | Instance segmentation methods and apparatuses, electronic devices, programs, and media |
-
2020
- 2020-05-22 CN CN202010442570.1A patent/CN111626969B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140056502A1 (en) * | 2011-03-02 | 2014-02-27 | Thorsten Twellmann | Image processing device for finding corresponding regions in two image data sets of an object |
| US20150073759A1 (en) * | 2013-09-06 | 2015-03-12 | Public Engines, Inc. | Prediction accuracy in a spatio-temporal prediction system |
| JP2016212813A (ja) * | 2015-05-14 | 2016-12-15 | 富士通株式会社 | 画像処理装置、画像処理方法、及びプログラム |
| CN108038517A (zh) * | 2018-01-02 | 2018-05-15 | 东北农业大学 | 基于改进卷积神经网络模型Cifar10的玉米叶片病害识别方法 |
| US20200134365A1 (en) * | 2018-02-09 | 2020-04-30 | Beijing Sensetime Technology Development Co., Ltd. | Instance segmentation methods and apparatuses, electronic devices, programs, and media |
| CN110175979A (zh) * | 2019-04-08 | 2019-08-27 | 杭州电子科技大学 | 一种基于协同注意力机制的肺结节分类方法 |
| 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)
| Title |
|---|
| TINGTING CHEN: "Multi-view Learning with Feature Level Fusion for Cervical Dysphsia Diagnosis", 《INTERNATIONAL CONFERENCE ON MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION》 * |
| 郭玉荣: "端到端双通道特征重标定DenseNet图像分类", 《中国图像图形学报》 * |
| 陶状: "双路径反馈网络的图像超分辨重建算法", 《计算机系统应用》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114677606A (zh) * | 2022-04-28 | 2022-06-28 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
| CN114677606B (zh) * | 2022-04-28 | 2023-04-18 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
| CN116740650A (zh) * | 2023-08-10 | 2023-09-12 | 青岛农业大学 | 一种基于深度学习的作物育种监测方法及系统 |
| CN116740650B (zh) * | 2023-08-10 | 2023-10-20 | 青岛农业大学 | 一种基于深度学习的作物育种监测方法及系统 |
| CN117468083A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 降籽晶过程的控制方法、装置、长晶炉系统和计算机设备 |
| CN117468083B (zh) * | 2023-12-27 | 2024-05-28 | 浙江晶盛机电股份有限公司 | 降籽晶过程的控制方法、装置、长晶炉系统和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111626969B (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tm et al. | Tomato leaf disease detection using convolutional neural networks | |
| CN111626969A (zh) | 一种基于注意力机制的玉米病害图像处理方法 | |
| Vinayaki et al. | Multithreshold image segmentation technique using remora optimization algorithm for diabetic retinopathy detection from fundus images | |
| CN111127423B (zh) | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 | |
| CN116563707B (zh) | 一种基于图文多模态特征融合的枸杞虫害识别方法 | |
| CN111611972A (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
| CN116958825A (zh) | 一种移动式遥感图像采集方法及公路维护监测方法 | |
| Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
| Ranjana et al. | Design and development of efficient techniques for leaf disease detection using deep convolutional neural networks | |
| Kolli et al. | Plant disease detection using convolutional neural network | |
| Rai et al. | Classification of diseased cotton leaves and plants using improved deep convolutional neural network | |
| Teja et al. | Transfer Learning based Rice Leaf Disease Classification with Inception-V3 | |
| Monigari et al. | Plant leaf disease prediction | |
| CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
| 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 | |
| Sun et al. | A recognition method of cattle and sheep based on convolutional neural network | |
| Lwin et al. | Image Classification for Rice Leaf Disease Using AlexNet Model | |
| Vora et al. | An ensemble of convolutional neural networks to detect foliar diseases in apple plants | |
| Zhang et al. | Rapid computer vision detection of apple diseases based on AMCFNet | |
| Balakrishna et al. | Tomato Leaf Disease Detection Using Deep Learning: A CNN Approach | |
| CN115511838A (zh) | 一种基于群智能优化的植物病害高精度识别方法 | |
| Poornima et al. | Hybrid Convolutional Neural Network for Plant Diseases Prediction. | |
| Yu | Research progress of crop disease image recognition based on wireless network communication and deep learning | |
| CN113254458A (zh) | 一种水产病害智能化诊断方法 | |
| CN114120035A (zh) | 一种医学影像识别训练方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230506 Address after: 130000 Chuncheng Street 9, Lvyuan District, Changchun City, Jilin Province Applicant after: Zhang Weidong Applicant after: Wang Jiyuan Address before: Room 1101, 11th Floor, Changchun Wanjing International, No. 1889 Qianjin Street, High tech Development Zone, Changchun City, Jilin Province, 130000 Applicant before: Northeast yihualu Information Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |