CN111797835B - 一种病症识别方法、病症识别装置及终端设备 - Google Patents
一种病症识别方法、病症识别装置及终端设备 Download PDFInfo
- Publication number
- CN111797835B CN111797835B CN202010486539.8A CN202010486539A CN111797835B CN 111797835 B CN111797835 B CN 111797835B CN 202010486539 A CN202010486539 A CN 202010486539A CN 111797835 B CN111797835 B CN 111797835B
- Authority
- CN
- China
- Prior art keywords
- identified
- image
- crop
- disease
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 117
- 201000010099 disease Diseases 0.000 claims abstract description 114
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000003709 image segmentation Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 26
- 239000003337 fertilizer Substances 0.000 claims description 26
- 208000024891 symptom Diseases 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 9
- 235000020971 citrus fruits Nutrition 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 241000207199 Citrus Species 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 5
- 241000238631 Hexapoda Species 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 208000019025 Hypokalemia Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000007645 potassium deficiency Diseases 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000027219 Deficiency disease Diseases 0.000 description 1
- 241001531327 Hyphantria cunea Species 0.000 description 1
- 241000488583 Panonychus ulmi Species 0.000 description 1
- 241000255588 Tephritidae Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
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
本申请适用于图像处理技术领域，提供了一种病症识别方法、病症识别装置及终端设备，所述方法包括：获取待识别图像；对所述待识别图像进行目标检测；若在所述待识别图像中检测到目标对象，则基于所述目标对象对所述待识别图像进行图像分割，得到分割图像，所述目标对象为待识别农作物的预设部位；若所述分割图像中包含有所述目标对象的病灶区域，则对所述分割图像进行分类，以识别出所述待识别农作物的病症类型。通过上述方法，可以在农作物发病时，帮助用户识别出农作物的病症类型。
Description
技术领域
本申请属于图像处理技术领域，尤其涉及一种病症识别方法、病症识别装置、终端设备及计算机可读存储介质。
背景技术
农作物(如柑橘)发生病虫害和缺素症，是种植行业中普遍存在的一个问题。目前，种植户的专业知识水平普遍不高，当农作物发病时，大部分种植户都无法识别农作物的病症类型，导致种植户不能根据病症类型采取正确的救治措施。
发明内容
有鉴于此，本申请提供了一种病症识别方法、病症识别装置、终端设备及计算机可读存储介质，可以在农作物发病时，帮助用户识别出农作物的病症类型。
第一方面，本申请实施例提供了一种病症识别方法，包括：
获取待识别图像；
对上述待识别图像进行目标检测；
若在上述待识别图像中检测到目标对象，则基于上述目标对象对上述待识别图像进行图像分割，得到分割图像，上述目标对象为待识别农作物的预设部位；
若上述分割图像中包含有上述目标对象的病灶区域，则对上述分割图像进行分类，以识别出上述待识别农作物的病症类型。
第二方面，本申请实施例提供了一种病症识别装置，包括：
获取单元，用于获取待识别图像；
检测单元，用于对上述待识别图像进行目标检测；
分割单元，用于若在上述待识别图像中检测到目标对象，则基于上述目标对象对上述待识别图像进行图像分割，得到分割图像，上述目标对象为待识别农作物的预设部位；
分类单元，用于若上述分割图像中包含有上述目标对象的病灶区域，则对上述分割图像进行分类，以识别出上述待识别农作物的病症类型。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面所提供的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面所提供的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中所提供的方法。
由上可见，本申请方案中，首先获取待识别图像，对上述待识别图像进行目标检测，然后，若在上述待识别图像中检测到目标对象，则基于上述目标对象对上述待识别图像进行图像分割，得到分割图像，上述目标对象为待识别农作物的预设部位，最后，若上述分割图像中包含有上述目标对象的病灶区域，则对上述分割图像进行分类，以识别出上述待识别农作物的病症类型。本申请方案从拍摄有农作物特定部位的待识别图像中分割出包含病灶区域的分割图像，并基于病灶区域对分割图像进行分类，所得到的对分割图像的分类结果表示了农作物的病症类型，通过上述过程，实现发病农作物的病症自动识别。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的病症识别方法的流程示意图；
图2是本申请实施例提供的病症识别方法的示例图；
图3是本申请实施例提供的病症识别装置的结构示意图；
图4是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1示出了本申请实施例提供的一种病症识别方法的流程图，该病症识别方法应用于终端设备，详述如下：
步骤101，获取待识别图像；
在本申请实施例中，待识别图像可以是通过终端设备的摄像头拍摄得到的图像，也可以是终端设备中本地存储的图像，还可以是从互联网中获得的图像，此处不对待识别图像的获取方式作限定。用户可以根据需求，选取任意一张图像作为待识别图像。例如，用户为一种植户，该种植户在发现某株农作物发生明显的病变后，可以拍摄该农作物(即待识别农作物)的病变部位，将拍摄得到的图像作为待识别图像；或者，可以在待识别农作物附近安装监控摄像头，通过监控摄像周期性拍摄待识别农作物，将拍摄得到的图像作为待识别图像，具体可参阅图2中的待识别图像，应理解，图2中待识别图片仅为一个示例，不对本申请作出任何限定。
步骤102，对待识别图像进行目标检测；
在本申请实施例中，可通过训练后的深度神经网络中的目标检测网络对待识别图像进行目标检测。其中，目标检测网络可以是区域卷积神经网络(Region-ConvolutionalNeural Networks，R-CNN)、FASTER Region-Convolutional Neural Networks(FASTER R-CNN)、You Only Look Once(YOLO)网络及Single Shot MultiBox Detector(SSD)网络中的任意一种。通过目标检测，可以在待识别图像中检测是否存在目标对象，并在检测到待识别图像中的目标对象后，通过矩形框将目标对象进行框选(如图2中的虚线矩形框)。其中，目标对象为待识别农作物的预设部位，例如，预设部位可以是叶片，也可以是果实，此处不作限定。
步骤103，若在待识别图像中检测到目标对象，则基于目标对象对待识别图像进行图像分割，得到分割图像；
在本申请实施例中，通过目标检测网络对待识别图像进行目标检测后，可能出现待识别图像中不包括目标对象的情况，也可能出现待识别图像中仅包括一个目标对象的情况，还可能出现待识别图像中包括两个以上目标对象的情况。针对待识别图像中不包括目标对象的情况，将该待识别图像丢弃，不执行后续操作。针对待识别图像中包括一个或多个目标对象的情况，可基于每个目标对象对应的矩形框，对待识别图像进行图像分割，得到分割图像，此处不对分割图像的数量进行限定。具体地，分割图像即为待识别图像中的每个目标对象的图像，可参阅图2，图2中的分割图像为待识别图像中的每个叶片的图像。
其中，图像分割可以通过训练后的深度神经网络中的图像分割网络进行。例如，图像分割网络可以是MASK Region-Convolutional Neural Networks(MASK R-CNN)，该MASKR-CNN网络首先从待识别图像中划分出候选感兴趣区域；然后将各个尺寸不同的候选感兴趣区域进行尺寸归一化，以提升面对图像仿射变换后的鲁棒性；再通过亚像素差值，提升图像分割的精度。进一步地，还可在MASK R-CNN网络增加语义分割子网络，以降低像素分割与分类之间的相互影响。该图像分割网络可最后精准分割出每个目标对象，从而降低背景区域的噪声对后续分类效果的影响。
步骤104，若分割图像中包含有目标对象的病灶区域，则对分割图像进行分类，以识别出待识别农作物的病症类型。
在本申请实施例中，如果分割图像中包含有目标对象的病灶区域，则通过训练后的深度神经网络中的分类网络对包含病灶区域的分割图像进行分类。其中，分类网络为残差网络(Residual Network，ResNet)、GoogLeNet和Dense Convolutional Network(DenseNet)中的任意一种，当然，也可以采用其它网络，此处不作限定。在分类网络中，还增加有基于channel-wise和spatial-wise的注意力机制，同时通过多分辨率和多通道并行以提高尺度鲁棒性。对于分类网络的输出层，可以采用softmax函数加上交叉熵损失函数进行单标签分类，也可以采用sigmoid函数加上二元交叉熵损失函数进行多标签分类。
可选地，上述步骤104具体包括：
A1、通过训练后的深度神经网络得到分割图像中的病灶区域与各类病症相关联的概率；
A2、将与病灶区域相关联的概率最大的病症作为待识别农作物的病症类型。
其中，通过分类网络，得到分割图像中的病灶区域与各类病症相关联的概率，病灶区域与各类病症相关联的概率即为病灶区域所代表的病灶属于各类病症的概率，各类病症包括各类病虫害以及各类缺素症。如果病灶区域与各类病症中的某一病症相关联的概率在各个概率中数值最大，则将该病症作为待识别农作物的病症类型。
可选地，由于待识别农作物在同一物候期发生各类病症的可能性不同，例如，柑橘在谢花期受到红蜘蛛病虫害的可能性较大，受到落叶蛾病虫害的可能性小，因此，在步骤104之前还可以包括：
B1、获取当前时间；
B2、根据当前时间确定待识别农作物当前所处的物候期；
B3、根据物候期分别确定各类病症对应的权重值。
其中，由于待识别农作物发生病变后，种植户通常会立即拍摄病变部位得到待识别图像，以进行病症识别，因此，可以将当前时间当作拍摄待识别图像的时间。根据该当前时间，即可确定待识别农作物当前所处的物候期。考虑到在该物候期中，待识别农作物发生各类病症的可能性大小不同，因此，可基于发生各类病症的可能性大小，为各类病症确定相应的权重值。其中，待识别农作物在当前所处的物候期发生某一类病症的可能性越大，为该类病症确定的权重值也越大。
相应地，上述步骤A1具体包括：
通过深度神经网络以及各类病症对应的权重值，计算得到病灶区域与各类病症相关联的概率。
在本申请实施例中，通过各类病症对应的权重以及深度神经网络，计算病症区域与各类病症相关联的概率。例如，假设深度神经网络初步计算得到病灶区域与第一类病症相关联的概率为0.8，与第二类病症相关联的概率也为0.8；而第一类病症对应的权重为1，第二类病症对应的权重为0.5，则最终计算得到的病灶区域与第一类病症相关联的概率应为0.8乘以1等于0.8，与第二类病症相关联的概率应为0.8乘以0.5等于0.4。通过深度神经网络以及各类病症对应的权重值计算概率，能够使分类结果更加准确。
可选地，对深度神经网络进行训练的方法包括：
C1、获取训练图像集；
C2、根据训练图像集对待训练的深度神经网络进行训练，得到训练后的深度神经网络。
其中，训练图像集通过线下实地拍摄以及从相关机构(如当地林业局)购买获得，在训练图像集中，包含具有标注信息的至少一个训练图像，标注信息用于表示训练图像的类别，即训练图像中包含的农作物所表现出的病症的类别。为了排除病症别名的干扰，例如柑橘树脂病，在江西叫柑橘屎粒蝇，在广西和四川叫砂皮病，本申请实施例将标注信息表示的类别的名称统一修正为病症正式名称，不再使用病症别名作为类别的名称。可选地，训练图像集中，每一类别的图像数量为2000张。为了达到更好的训练效果，训练图像集需预先经过严格的数据清洗，用以去除重复、模糊及误分类的图像。
由于待识别图像可能是在阴天或雨天拍摄的图像，而导致待识别图像中存在噪声，影响分类结果，因此，还可以在训练图像集中增加各种天气下拍摄到的训练图像，以增加深度神经网络的泛化能力和抗干扰能力。最后通过训练图像集对待训练的深度神经网络进行训练，即可得到训练后的深度神经网络。
可选地，在上述步骤104之后还包括：
D1、获取当前时间；
D2、将当前时间和待识别农作物的病症类型，作为一条发病记录保存到待识别农作物的发病历史记录中；
D3、若发病历史记录中保存的发病记录的条数达到预设的条数阈值，则根据发病历史记录预测待识别农作物下一次发病的时间以及下一次发病的病症类型，并输出预测结果。
在本申请实施例中，在执行完步骤104之后，可以将当前时间和待识别农作物的病症类型，共同作为一条发病记录保存到待识别农作物的发病历史记录中。其中，发病历史记录用于保存该待识别农作物每一次发病的时间和发病的病症类型。如果发病历史记录中保存的发病记录的条数达到了预设的条数阈值，则可以从发病历史记录中得出待识别农作物的发病规律，根据发病规律，可以预测出待识别农作物下一次发病的时间以及下一次发病的病症类型。为了提醒用户及时预防待识别农作物发病，还可以输出预测结果，预测结果至少应该包括待识别农作物下一次发病的时间和下一次发病的病症类型。
进一步地，若预测结果与实际情况不相符合，则说明发病历史记录中保存的发病记录不具有参考价值，此时，可以将发病历史记录中保存的发病记录全部删除，在今后重新积累发病记录。当发病历史记录中重新积累的发病记录的条数达到预设的条数阈值时，再根据发病历史记录预测待识别农作物下一次发病的时间以及下一次发病的病症类型。
可选地，在上述步骤104之后还包括：
E1、获取待识别农作物的生长信息；
E2、根据生长信息和待识别农作物的病症类型确定肥料的种类以及肥料的用量，以指示用户按照肥料的种类及肥料的用量对待识别农作物进行施肥。
其中，生长信息包括了待识别农作物的农作物品种、生长土壤类型以及农作物高度。根据生长信息和待识别农作物的病症类型可以确定出适用于待识别农作物的肥料的种类(例如叶面肥、复合肥及水溶肥等)和肥料的用量，用户可以根据确定出的肥料的种类和肥料的用量，对待识别农作物进行施肥。可选地，还可以根据生长信息和待识别农作物的病症类型确定肥料的施用方法，以指示用户采用该施用方法对待识别农作物进行施肥。
可选地，在上述步骤104之后还包括：
F1、通过预设的数据库查找目标种植户；
F2、向目标种植户发送预警信息。
其中，预设的数据库中记录有大量种植户的种植信息，种植信息用于指示种植户种植的农作物的品种，目标种植户种植有属于目标农作物品种的农作物，目标农作物品种即为待识别农作物所属的品种。在服务器中，查找目标种植户，通过向目标种植户发送预警信息，可以提醒目标种植户属于目标农作物品种的农作物存在发病的可能性。例如，待识别农作物为柑橘，柑橘的病症类型为缺钾，则目标种植户为同样种植有柑橘的种植户，向目标种植户发送的预警信息可以是文本“柑橘有缺钾的可能性”。具体地，预设的数据库中保存有每位目标种植户的联系信息，联系信息包括但不限于手机号码、邮箱地址以及即时通讯应用账号。本申请实施例中从数据库中读取目标种植户的联系信息后，即可通过联系信息向目标种植户发送预警信息，例如，可以通过手机短信发送预警信息，可以通过邮箱发送预警信息，也可以是通过即时通讯应用发送预警信息，此处不对向目标种植户发送预警信息的方式作出限定。
由上可见，本申请方案中，首先获取待识别图像，对上述待识别图像进行目标检测，然后，若在上述待识别图像中检测到目标对象，则基于上述目标对象对上述待识别图像进行图像分割，得到分割图像，上述目标对象为待识别农作物的预设部位，最后，若上述分割图像中包含有上述目标对象的病灶区域，则对上述分割图像进行分类，以识别出上述待识别农作物的病症类型。本申请方案从拍摄有农作物特定部位的待识别图像中分割出包含病灶区域的分割图像，并基于病灶区域对分割图像进行分类，所得到的对分割图像的分类结果表示了农作物的病症类型，通过上述过程，实现发病农作物的病症自动识别。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图3示出了本申请实施例提供的一种病症识别装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
该病症识别装置300包括：
获取单元301，用于获取待识别图像；
检测单元302，用于对上述待识别图像进行目标检测；
分割单元303，用于若在上述待识别图像中检测到目标对象，则基于上述目标对象对上述待识别图像进行图像分割，得到分割图像，上述目标对象为待识别农作物的预设部位；
分类单元304，用于若上述分割图像中包含有上述目标对象的病灶区域，则对上述分割图像进行分类，以识别出上述待识别农作物的病症类型。
可选地，上述分类单元304还包括：
概率计算子单元，用于通过训练后的深度神经网络得到上述分割图像中的病灶区域与各类病症相关联的概率；
类型确定子单元，用于将与上述病灶区域相关联的概率最大的病症作为上述待识别农作物的病症类型。
可选地，上述病症识别装置300还包括：
第一时间获取单元，用于获取当前时间；
物候期确定单元，用于根据上述当前时间确定上述待识别农作物当前所处的物候期；
权重确定单元，用于根据上述物候期分别确定上述各类病症对应的权重值。
可选地，上述概率计算子单元还包括：
权重概率计算子单元，用于通过上述深度神经网络以及上述各类病症对应的权重值，计算得到上述病灶区域与各类病症相关联的概率。
可选地，上述病症识别装置300还包括：
训练子单元，用于获取训练图像集，上述训练图像集包含具有标注信息的至少一个训练图像，上述标注信息用于表示训练图像的类别，上述至少一个训练图像包括各种天气下拍摄的农作物的图像；
根据上述训练图像集对待训练的深度神经网络进行训练，得到训练后的深度神经网络。
可选地，上述病症识别装置300还包括：
第二时间获取单元，用于获取当前时间；
记录保存单元，用于将上述当前时间和上述待识别农作物的病症类型，作为一条发病记录保存到上述待识别农作物的发病历史记录中；
预测单元，用于若上述发病历史记录中保存的发病记录的条数达到预设的条数阈值，则根据上述发病历史记录预测上述待识别农作物下一次发病的时间以及下一次发病的病症类型，并输出预测结果。
可选地，上述病症识别装置300还包括：
生长信息获取单元，用于获取上述待识别农作物的生长信息，上述生长信息包括农作物品种、生长土壤类型及农作物高度；
肥料确定单元，用于根据上述生长信息和上述待识别农作物的病症类型确定肥料的种类以及上述肥料的用量，以指示用户按照上述肥料的种类及上述肥料的用量对上述待识别农作物进行施肥。
可选地，上述病症识别装置300还包括：
种植户查找单元，用于通过预设的数据库查找目标种植户，上述目标种植户种植有属于目标农作物品种的农作物，上述目标农作物品种为上述待识别农作物所属的品种；
预警发送单元，用于向上述目标种植户发送预警信息，上述预警信息用于提醒属于上述目标农作物品种的农作物存在发病的可能性。
由上可见，本申请方案中，首先获取待识别图像，对上述待识别图像进行目标检测，然后，若在上述待识别图像中检测到目标对象，则基于上述目标对象对上述待识别图像进行图像分割，得到分割图像，上述目标对象为待识别农作物的预设部位，最后，若上述分割图像中包含有上述目标对象的病灶区域，则对上述分割图像进行分类，以识别出上述待识别农作物的病症类型。本申请方案从拍摄有农作物特定部位的待识别图像中分割出包含病灶区域的分割图像，并基于病灶区域对分割图像进行分类，所得到的对分割图像的分类结果表示了农作物的病症类型，通过上述过程，实现发病农作物的病症自动识别。
图4为本申请一实施例提供的终端设备的结构示意图。如图4所示，该实施例的终端设备4包括：至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在上述存储器41中并可在上述至少一个处理器40上运行的计算机程序42，上述处理器40执行上述计算机程序42时实现以下步骤：
获取待识别图像；
对上述待识别图像进行目标检测；
若在上述待识别图像中检测到目标对象，则基于上述目标对象对上述待识别图像进行图像分割，得到分割图像，上述目标对象为待识别农作物的预设部位；
若上述分割图像中包含有上述目标对象的病灶区域，则对上述分割图像进行分类，以识别出上述待识别农作物的病症类型。
假设上述为第一种可能的实施方式，则在第一种可能的实施方式作为基础而提供的第二种可能的实施方式中，上述对上述分割图像进行分类，以识别出上述待识别农作物的病症类型，包括：
通过训练后的深度神经网络得到上述分割图像中的病灶区域与各类病症相关联的概率；
将与上述病灶区域相关联的概率最大的病症作为上述待识别农作物的病症类型。
在上述第二种可能的实施方式作为基础而提供的第三种可能的实施方式中，在上述对上述分割图像进行分类之前，上述处理器40执行上述计算机程序42时还实现以下步骤：
获取当前时间；
根据上述当前时间确定上述待识别农作物当前所处的物候期；
根据上述物候期分别确定上述各类病症对应的权重值；
相应地，上述通过训练后的深度神经网络得到上述分割图像中的病灶区域与各类病症相关联的概率，包括：
通过上述深度神经网络以及上述各类病症对应的权重值，计算得到上述病灶区域与各类病症相关联的概率。
在上述第二种可能的实施方式作为基础而提供的第四种可能的实施方式中，上述处理器40执行上述计算机程序42时还实现以下步骤：
获取训练图像集，上述训练图像集包含具有标注信息的至少一个训练图像，上述标注信息用于表示训练图像的类别，上述至少一个训练图像包括各种天气下拍摄的农作物的图像；
根据上述训练图像集对待训练的深度神经网络进行训练，得到训练后的深度神经网络。
在上述第一种可能的实施方式作为基础，或者上述第二种可能的实施方式作为基础，或者上述第三种可能的实施方式作为基础，或者上述第四种可能的实施方式作为基础而提供的第五种可能的实施方式中，在上述对上述分割图像进行分类，以识别出上述待识别农作物的病症类型之后，上述处理器40执行上述计算机程序42时还实现以下步骤：
获取当前时间；
将上述当前时间和上述待识别农作物的病症类型，作为一条发病记录保存到上述待识别农作物的发病历史记录中；
若上述发病历史记录中保存的发病记录的条数达到预设的条数阈值，则根据上述发病历史记录预测上述待识别农作物下一次发病的时间以及下一次发病的病症类型，并输出预测结果。
在在上述第一种可能的实施方式作为基础，或者上述第二种可能的实施方式作为基础，或者上述第三种可能的实施方式作为基础，或者上述第四种可能的实施方式作为基础而提供的第六种可能的实施方式中，在上述对上述分割图像进行分类，以识别出上述待识别农作物的病症类型之后，上述处理器40执行上述计算机程序42时还实现以下步骤：
获取上述待识别农作物的生长信息，上述生长信息包括农作物品种、生长土壤类型及农作物高度；
根据上述生长信息和上述待识别农作物的病症类型确定肥料的种类以及上述肥料的用量，以指示用户按照上述肥料的种类及上述肥料的用量对上述待识别农作物进行施肥。
在在上述第一种可能的实施方式作为基础，或者上述第二种可能的实施方式作为基础，或者上述第三种可能的实施方式作为基础，或者上述第四种可能的实施方式作为基础而提供的第七种可能的实施方式中，在上述对上述分割图像进行分类，以识别出上述待识别农作物的病症类型之后，上述处理器40执行上述计算机程序42时还实现以下步骤：
通过预设的数据库查找目标种植户，上述目标种植户种植有属于目标农作物品种的农作物，上述目标农作物品种为上述待识别农作物所属的品种；
向上述目标种植户发送预警信息，上述预警信息用于提醒属于上述目标农作物品种的农作物存在发病的可能性。
上述终端设备4可以是手机、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器41在一些实施例中可以是上述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。上述存储器41在另一些实施例中也可以是上述终端设备4的外部存储设备，例如上述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器41还可以既包括上述终端设备4的内部存储单元也包括外部存储设备。上述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如上述计算机程序的程序代码等。上述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质至少可以包括：能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种病症识别方法，其特征在于，包括：
获取待识别图像；
对所述待识别图像进行目标检测；
若在所述待识别图像中检测到目标对象，则基于所述目标对象对所述待识别图像进行图像分割，得到分割图像，所述目标对象为待识别农作物的预设部位；
若所述分割图像中包含有所述目标对象的病灶区域，则对所述分割图像进行分类，以识别出所述待识别农作物的病症类型；
在所述对所述分割图像进行分类之前，所述病症识别方法还包括：
获取当前时间；
根据所述当前时间确定所述待识别农作物当前所处的物候期；
根据所述物候期分别确定各类病症对应的权重值；
相应地，通过训练后的深度神经网络得到所述分割图像中的病灶区域与各类病症相关联的概率，包括：
通过所述深度神经网络以及所述各类病症对应的权重值，计算得到所述病灶区域与各类病症相关联的概率。
2.根据权利要求1所述的病症识别方法，其特征在于，所述对所述分割图像进行分类，以识别出所述待识别农作物的病症类型，包括：
通过训练后的深度神经网络得到所述分割图像中的病灶区域与各类病症相关联的概率；
将与所述病灶区域相关联的概率最大的病症作为所述待识别农作物的病症类型。
3.根据权利要求2所述的病症识别方法，其特征在于，对所述深度神经网络进行训练的方法包括：
获取训练图像集，所述训练图像集包含具有标注信息的至少一个训练图像，所述标注信息用于表示训练图像的类别，所述至少一个训练图像包括各种天气下拍摄的农作物的图像；
根据所述训练图像集对待训练的深度神经网络进行训练，得到训练后的深度神经网络。
4.根据权利要求1至3任一项所述的病症识别方法，其特征在于，在所述对所述分割图像进行分类，以识别出所述待识别农作物的病症类型之后，所述病症识别方法还包括：
获取当前时间；
将所述当前时间和所述待识别农作物的病症类型，作为一条发病记录保存到所述待识别农作物的发病历史记录中；
若所述发病历史记录中保存的发病记录的条数达到预设的条数阈值，则根据所述发病历史记录预测所述待识别农作物下一次发病的时间以及下一次发病的病症类型，并输出预测结果。
5.根据权利要求1至3任一项所述的病症识别方法，其特征在于，在所述对所述分割图像进行分类，以识别出所述待识别农作物的病症类型之后，所述病症识别方法还包括：
获取所述待识别农作物的生长信息，所述生长信息包括农作物品种、生长土壤类型及农作物高度；
根据所述生长信息和所述待识别农作物的病症类型确定肥料的种类以及所述肥料的用量，以指示用户按照所述肥料的种类及所述肥料的用量对所述待识别农作物进行施肥。
6.根据权利要求1至3任一项所述的病症识别方法，其特征在于，在所述对所述分割图像进行分类，以识别出所述待识别农作物的病症类型之后，所述病症识别方法还包括：
通过预设的数据库查找目标种植户，所述目标种植户种植有属于目标农作物品种的农作物，所述目标农作物品种为所述待识别农作物所属的品种；
向所述目标种植户发送预警信息，所述预警信息用于提醒属于所述目标农作物品种的农作物存在发病的可能性。
7.一种病症识别装置，其特征在于，包括：
获取单元，用于获取待识别图像；
检测单元，用于对所述待识别图像进行目标检测；
分割单元，用于若在所述待识别图像中检测到目标对象，则基于所述目标对象对所述待识别图像进行图像分割，得到分割图像，所述目标对象为待识别农作物的预设部位；
分类单元，用于若所述分割图像中包含有所述目标对象的病灶区域，则对所述分割图像进行分类，以识别出所述待识别农作物的病症类型；
在所述对所述分割图像进行分类之前，获取当前时间；
根据所述当前时间确定所述待识别农作物当前所处的物候期；
根据所述物候期分别确定各类病症对应的权重值；
相应地，通过训练后的深度神经网络得到所述分割图像中的病灶区域与各类病症相关联的概率，包括：
通过所述深度神经网络以及所述各类病症对应的权重值，计算得到所述病灶区域与各类病症相关联的概率。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010486539.8A CN111797835B (zh) | 2020-06-01 | 2020-06-01 | 一种病症识别方法、病症识别装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010486539.8A CN111797835B (zh) | 2020-06-01 | 2020-06-01 | 一种病症识别方法、病症识别装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111797835A CN111797835A (zh) | 2020-10-20 |
| CN111797835B true CN111797835B (zh) | 2024-02-09 |
Family
ID=72806290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010486539.8A Active CN111797835B (zh) | 2020-06-01 | 2020-06-01 | 一种病症识别方法、病症识别装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797835B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465038A (zh) * | 2020-11-30 | 2021-03-09 | 深圳市识农智能科技有限公司 | 一种识别果树病虫害种类的方法及系统 |
| CN113723157B (zh) * | 2020-12-15 | 2024-02-09 | 京东科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
| CN112529092A (zh) * | 2020-12-21 | 2021-03-19 | 浙江省交通运输科学研究院 | 一种基于语义分割的沥青路面裂缝快速分类方法 |
| CN112597907A (zh) * | 2020-12-25 | 2021-04-02 | 四川工商学院 | 基于深度学习的柑橘红蜘蛛虫害的识别方法 |
| CN112949423B (zh) * | 2021-02-07 | 2024-05-24 | 深圳市优必选科技股份有限公司 | 物体识别方法、物体识别装置及机器人 |
| CN112926697B (zh) * | 2021-04-21 | 2021-10-12 | 北京科技大学 | 一种基于语义分割的磨粒图像分类方法及装置 |
| CN115660236B (zh) * | 2022-12-29 | 2023-06-30 | 中化现代农业有限公司 | 作物物候期预测方法、装置、电子设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101052147A (zh) * | 2007-05-24 | 2007-10-10 | 中国科学院合肥物质科学研究院 | 大田作物病虫害智能预警系统 |
| WO2018232860A1 (zh) * | 2017-06-23 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的农作物生长管理方法及系统 |
| CN109409170A (zh) * | 2017-08-18 | 2019-03-01 | 广州极飞科技有限公司 | 农作物的虫害识别方法和装置 |
| CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
| CN110321956A (zh) * | 2019-07-08 | 2019-10-11 | 府谷县鑫兴泰农贸有限公司 | 一种基于人工智能的牧草病虫害治理方法及装置 |
| CN110363103A (zh) * | 2019-06-24 | 2019-10-22 | 仲恺农业工程学院 | 虫害识别方法、装置、计算机设备及存储介质 |
| CN110827273A (zh) * | 2019-11-14 | 2020-02-21 | 中南大学 | 一种基于区域卷积神经网络的茶叶病害检测方法 |
| 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 |
| CN111105393A (zh) * | 2019-11-25 | 2020-05-05 | 长安大学 | 一种基于深度学习的葡萄病虫害识别方法及装置 |
-
2020
- 2020-06-01 CN CN202010486539.8A patent/CN111797835B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101052147A (zh) * | 2007-05-24 | 2007-10-10 | 中国科学院合肥物质科学研究院 | 大田作物病虫害智能预警系统 |
| WO2018232860A1 (zh) * | 2017-06-23 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的农作物生长管理方法及系统 |
| CN109409170A (zh) * | 2017-08-18 | 2019-03-01 | 广州极飞科技有限公司 | 农作物的虫害识别方法和装置 |
| CN110363103A (zh) * | 2019-06-24 | 2019-10-22 | 仲恺农业工程学院 | 虫害识别方法、装置、计算机设备及存储介质 |
| CN110321956A (zh) * | 2019-07-08 | 2019-10-11 | 府谷县鑫兴泰农贸有限公司 | 一种基于人工智能的牧草病虫害治理方法及装置 |
| CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
| 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 |
| CN110827273A (zh) * | 2019-11-14 | 2020-02-21 | 中南大学 | 一种基于区域卷积神经网络的茶叶病害检测方法 |
| CN111105393A (zh) * | 2019-11-25 | 2020-05-05 | 长安大学 | 一种基于深度学习的葡萄病虫害识别方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| Linking integrative plant physiology with agronomy to sustain future plant production;Matthias Langensiepen 等;《ScienceDirect》;1-15 * |
| 吉涛.基于机器视觉的玉米病虫害监测方法研究.《中国优秀硕士学位论文全文数据库农业科技辑》.2018,(第(2018)01期),D046-96，第2.3节，第4.2节. * |
| 基于卷积神经网络的水稻虫害识别;梁万杰 等;《江苏农业科学》;第45卷(第20期);241-253 * |
| 基于机器视觉的玉米病虫害监测方法研究;吉涛;《中国优秀硕士学位论文全文数据库农业科技辑》(第(2018)01期);D046-96，第2.3节，第4.2节 * |
| 基于深度学习的病虫害智能化识别系统;陈天娇 等;《中国植保导刊》;第39卷(第4期);26-34 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111797835A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797835B (zh) | 一种病症识别方法、病症识别装置及终端设备 | |
| Chen et al. | Localizing plucking points of tea leaves using deep convolutional neural networks | |
| Rustia et al. | Automatic greenhouse insect pest detection and recognition based on a cascaded deep learning classification method | |
| CN110046631B (zh) | 用于自动推断时空图像的变化的系统和方法 | |
| CN112183212B (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
| US11397837B2 (en) | Systems and methods for pest forecasting using historical pesticide usage information | |
| Tan et al. | Towards real-time tracking and counting of seedlings with a one-stage detector and optical flow | |
| US11989886B2 (en) | Automated unsupervised localization of context sensitive events in crops and computing extent thereof | |
| CN111325181B (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
| CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
| Dyrmann et al. | Estimation of plant species by classifying plants and leaves in combination | |
| US20240087368A1 (en) | Companion animal life management system and method therefor | |
| Archana et al. | A novel method to improve computational and classification performance of rice plant disease identification | |
| Wang et al. | An automatic system for pest recognition and forecasting | |
| Ozdemir et al. | Comparison of deep learning techniques for classification of the insects in order level with mobile software application | |
| Hase et al. | Detection, categorization and suggestion to cure infected plants of tomato and grapes by using OpenCV framework for andriod environment | |
| CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
| Zhang et al. | Wheat-net: An automatic dense wheat spike segmentation method based on an optimized hybrid task cascade model | |
| Moallem et al. | An explainable deep vision system for animal classification and detection in trail-camera images with automatic post-deployment retraining | |
| CN111753775A (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
| Schieck et al. | Comparison of deep learning methods for grapevine growth stage recognition | |
| Raja Kumar et al. | Novel segmentation and classification algorithm for detection of tomato leaf disease | |
| Xu et al. | An automatic wheat ear counting model based on the minimum area intersection ratio algorithm and transfer learning | |
| Shahid et al. | Aerial imagery-based tobacco plant counting framework for efficient crop emergence estimation | |
| Silva et al. | Wild boar recognition using convolutional neural networks |
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 | ||
| CP03 | Change of name, title or address |
Address after: 518000 room 2402, block a, building 1, Shenzhen International Innovation Valley, Dali community, Xili street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Fengnong Shuzhi Agricultural Technology Co.,Ltd. Country or region after: China Address before: 518000 35 / F, East Tower, baidu international building, Nanshan District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Zhinong Intelligent Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |