CN111814622A - 农作物病虫害类型识别方法、系统、设备和介质 - Google Patents
农作物病虫害类型识别方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN111814622A CN111814622A CN202010603251.4A CN202010603251A CN111814622A CN 111814622 A CN111814622 A CN 111814622A CN 202010603251 A CN202010603251 A CN 202010603251A CN 111814622 A CN111814622 A CN 111814622A
- Authority
- CN
- China
- Prior art keywords
- crop
- convolution
- pest
- output
- layer
- 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
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种农作物病虫害类型识别方法、系统、设备和介质,首先获取训练集和验证集,构建生成对抗网络,通过训练集和验证集训练生成对抗网络,得到农作物编码模型;同时构建残差注意力网络,通过训练集和验证集训练后,得到病虫害分类模型;针对需要进行病虫害类型识别的图片,将其作为测试样本,首先输入到农作物编码模型中确定该图片是否为农作物图片,若是,则将测试样本输入到病虫害分类模型,通过病虫害分类模型识别出图片中的病虫害类型。基于本发明识别方法,能够准确且快速的检测出农作物病虫害类型。
Description
技术领域
本发明涉及一种,特别涉及一种农作物病虫害类型识别方法、系统、设备和介质。
背景技术
农作物病虫害是主要的农业灾害之一,它具有种类多、影响大、并时常暴发成灾的特点,其发生范围和严重程度对国民经济、特别是农业生产造成重大损失。常见农作物病虫害有:番茄黑斑病、番茄早疫病、番茄晚疫病、番茄叶霉病、番茄斑枯病、草莓褐斑病、草莓炭疽病、草莓白粉病、草莓蛇眼病、草莓黄萎病、稻飞虱、玉米螟、棉铃虫、小麦锈病、棉蚜、稻纹枯病、稻瘟病、麦蚜、麦红蜘蛛、蝗虫、麦类赤霉病等,严重影响我国农业生产。
针对农作物病虫害,若管理不善,影响农作物的收成,影响农民的收入,也会对环境造成破坏。因此,在农作物生长过程中,对农作物病虫害类型进行监测和识别就显得非常重要了。
传统的农作物病虫害的识别一般采用人工识别方式,即资深种植户或技术专家对农作物病虫害进行判断,此种方式需要依赖人工知识和经验,存在较大的主观性和局限性,效率较低,也容易造成误判。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种农作物病虫害类型识别方法,该方法能够准确且快速地检测出农作物病虫害类型。
本发明的第二目的在于提供一种农作物病虫害类型识别系统。
本发明的第三目的在于提供一种计算设备。
本发明的第四目的在于提供一种存储介质。
本发明的第一目的通过下述技术方案实现:一种农作物病虫害类型识别方法,步骤包括:
S1、获取训练集和验证集,训练样本和验证样本为已知农作物病虫害类型的图片;
针对训练样本和验证样本进行预处理;
构建生成对抗网络;针对上述构建的生成对抗网络,通过预处理后的训练样本和验证样本对其进行训练,得到农作物编码模型;
构建残差网络ResNeXt,并且针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,得到残差注意力网络;
针对上述得到的残差注意力网络,通过预处理后的训练样本和验证样本对其进行训练,得到病虫害分类模型;
S2、针对要进行病虫害类型识别图片,作为测试样本,对测试样本进行预处理;
将预处理后的测试样本输入到农作物编码模型,确定测试样本是否农作物图片还是非农作物图片;
若测试样本为非农作物图片,则判定异常图片;
若测试样本为农作物图片,则将预处理后的测试样本输入到病虫害分类模型中,由病虫害分类模型识别出测试样本的农作物病虫害类型。
优选的,针对训练样本、验证样本和测试样本对应图片进行预处理的过程如下:
Sa、从图片中提取目标区域,并且标注出目标轮廓;图片中目标为图片中农作物的叶片;
Sb、将图片中目标区域外的其他区域设置为黑色。
优选的,还包括如下步骤:
通过预处理后的训练样本和验证样本,针对生成对抗网络进行训练具体过程为:生成对抗网络在通过训练样本进行每轮训练后,通过验证集中的验证样本验证准确率,自动调整参数,保存准确率最高的模型,作为农作物编码模型;
通过预处理后的训练样本和验证样本,针对残差注意力网络进行训练具体过程为:残差注意力网络在通过训练样本进行每轮训练后,通过验证集中的验证样本验证准确率,自动调整参数,保存准确率最高的模型,作为病虫害分类模型。
优选的,针对残差网络的每个残差块进行深度可分离卷积以及通道和空间上的加权处理的过程如下:
S10、进行深度可分离卷积;深度可分离卷积包括:深度卷积和点卷积;其中深度卷积是每个卷积核负责一个通道,然后通过1*1*M的卷积核,将深度卷积的输出特征在深度方向进行加权组合,其中M为通道数;
S11、在通道上,分别通过最大池化和平均池化处理压缩后,用两个全连接层去构建通道的相关性,最后经过一个Sigmoid门进行(0,1)归一化得到权重,接着将归一化后的权重加到每个通道上;
S12、在空间上,利用最大池化和平均池化将特征压缩,使用一个卷积网络分别对经过压缩的特征值提取重要信息,最后归一化将每个权重加到空间上;
S13、添加卷积核为1*1的卷积层、全局平均池化层和softmax分类器的来提取显著特征。
优选的,在构建残差网络ResNeXt时,其中残差块的创建过程如下:
步骤1、创建跳跃连接:
根据conv_shortcut的取值,两种创建跳跃连接的方法;当conv_shortcut取值为真,跳跃连接是输入特征做2D卷积和批量规范化的特征输出;否则,跳跃连接为输入特征;
步骤2、残差操作:
步骤2-1、对输入特征做2D卷积,输出特征为x1;
步骤2-2、批量规划化步骤2-1中卷积层的输出特征x1,输出特征为x2;
步骤2-3、上述步骤2-2的输出特征x2传递给激活函数RELU,输出特征为x3;
步骤2-4、计算分组卷积的每个分组的过滤器数;
步骤2-5、将步骤2-3中输出特征x3使用0填充,输出特征为x4;
步骤2-6、进行深度分离卷积的第一步:将每个卷积仅对输入层的一个通道作用,得到一个映射,映射堆叠,得到一个输出特征x5;
步骤2-7、获取步骤2-6得到的输出特征x5的形态,除去批次和通道数;
步骤2-8、对形态进行升维,按照升维后的形态调整步骤2-7的输出特征x5,得到输出特征x6;
步骤2-9、Lambda层,堆叠上一层的特征输出作为本层的输入,增加输出的通道数;
步骤2-10、输入形态升维,增加过滤器数量,根据输入形态调整输入特征的,输出特征为x7;
步骤2-11、批量规范化步骤2-10的输出特征x7,得到本层的输出特征为x8;
步骤2-12、批量规范化的输出特征x8输出传递RELU激活函数,本层的的特征输出为x9;
步骤2-13、进行深度可分离卷积第二步,扩大深度,对上层的输出做卷积,过滤器数量*2,卷积核为1,输出特征为x10;
步骤2-14、批量规范化上一步骤的卷积层的输出特征x10;
步骤2-15、注意力机制加权到通道,对输入分别做全局最大池化和全局平均池化,输出特征分别为x11和y1;
步骤2-16、输出特征x11和y1各自做全连接层,激活函数为RELU,输出特征分别为x12和y2;
步骤2-17、输出特征x12和y2分别减少过滤器数,做全连接层,激活函数为RELU,输出特征分别为x13和y3;
步骤2-18、上述步骤2-17的输出特征x13和y3分别增加过滤器数,做全连接层,激活函数为RELU,输出特征本别为x14和y4;
步骤2-19、上述步骤2-17的输出特征求和,维度不变,输出为通道注意力特征;
步骤2-20、通道注意力特征传递给sigmoid函数,输出为通道注意力特征;
步骤2-21、步骤2-20最终获取到的通道注意力特征和输入做乘法,实现注意力机制加权到通道;
步骤2-22、注意力机制加权到空间,对输入做基于通道的全局最大池化层和全部平均池化层,输出特征为x15和y5;
步骤2-23、沿着通道方向,上述步骤2-22全局最大池化层x15和全局平均池化层y5并接,特征联合,成为空间注意力特征X1;
步骤2-24、空间注意力特征X1做卷积操作,输出特征为生成空间注意力特征X2;空间注意力特征X2和输入做乘法,实现注意力加权到空间;
步骤3、恒等映射:
步骤3-1、跳跃连接和输入求和,输出特征为x16;
步骤3-2、输出特征x16传递给激活函数RELU,输出特征为x17;
在构建残差网络ResNeXt时,其中每一层残差块的创建过程如下:
分别创建4层,每层残差块个数分别为2,4,6,3;
卷积_跳跃连接的标志conv_shortcut取真,调用创建残差块函数block3,创建1个残差块,其中的跳跃连接是输入经过卷积、批量规范化后的特征输出;
创建剩余残差块,残差块个数=每层残差块个数-1,卷积_跳跃连接的标志conv_shortcut取假,跳跃连接为输入。
优选的,构造残差注意力网络的具体过程如下:
1)、首先进行网络初始化,包括:
1.1)、对输入图像做卷积,此为第一层卷积层,输出特征为X1;
1.2)、批量规范化卷积层的输出特征X1,输出特征为X2;
1.3)、传递输出特征X2给激活函数RELU;
1.4)、对激活函数RELU的输出特征做零填充;
1.5)、零填充后的特征做最大池化,输出特征为x3;
2)、其次构造残差注意力网络,包括:
2.1)、在第二层卷积层到第五层卷积层分别构造残差块,四个卷积层中残差块的个数分别为2,4,6,3;
2.2)、对第五层卷积层作为卷积,滤波器数为128,卷积核为1*1,得到第六层卷积层6,输出特征为X4;
2.3)、批量规范化第六层卷积层的输出特征X4,输出特征为X5;
2.4)、输出特征X5做全局平均池化,取每个通道的平均,输出特征为X6;
2.5)、做全连接层,使用激活函数softmax,对每个通道的平均的输出特征X6求农作物病虫害分类的分布,输出特征为output;
2.6)、用输入图片和输出特征建立残差注意力网络。
优选的,还包括如下步骤:
获取病虫害标准诊治方案表,当步骤S2中病虫害分类模型识别出测试样本的病虫害类型后,根据病虫害标准诊治方案表推荐病虫害诊治方案。
本发明的第二目的通过下述技术方案实现:一种农作物病虫害类型识别系统,包括:
训练集和验证集获取模块,用于获取训练集和验证集,训练样本和验证样本已知农作物病虫害类型的图片;
预处理模块,用于针对训练样本、验证样本和测试样本进行预处理;
农作物编码模型构建模块,用于构建生成对抗网络,并且针对上述构建的生成对抗网络,通过预处理后的训练样本和验证样本对其进行训练,得到农作物编码模型;
病虫害分类模型构建模块,用于构建残差网络ResNeXt,并且针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,得到残差注意力网络;用于针对上述得到的残差注意力网络,通过预处理后的训练样本和验证样本对其进行训练,得到病虫害分类模型;
测试样本获取模块,针对要进行病虫害类型识别的图片,作为测试样本,对测试样本进行预处理;
农作物图片判定模块,用于将预处理后的测试样本输入到农作物编码模型,通过农作物编码模型确定测试样本是否农作物图片还是非农作物图片;
病虫害类型识别模块,用于针对被判定为农作物图片的测试样本,将该测试样本预处理后的结果输入到病虫害分类模型中,由病虫害分类模型识别出测试样本的病虫害类型。
本发明的第三目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现本发明第一目的所述的农作物病虫害类型识别方法。
本发明的第四目的通过下述技术方案实现:一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现本发明第一目的所述的农作物病虫害类型识别方法。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明公开了一种农作物病虫害类型识别方法,首先获取训练集和验证集,然后构建生成对抗网络,通过预处理后的训练样本和验证样本对其进行训练,得到农作物编码模型;同时构建残差注意力网络,通过预处理后的训练样本和验证样本对其训练后,得到病虫害分类模型;针对需要进行病虫害类型识别的图片,将其作为测试样本,首先输入到农作物编码模型中确定该图片是否为农作物图片,若是,则将测试样本输入到病虫害分类模型,通过病虫害分类模型识别出图片中的病虫害类型,基于本发明识别方法,能够准确且快速的检测出农作物病虫害类型。
(2)本发明农作物病虫害类型识别方法中,构建了农作物编码模型,通过农作物编码模型可以识别出图片是否为农作物图片,在本发明中,测试样本为农作物图片时,才进一步进行农作物病虫害类型的检测,上述操作能够剔除非农作物图片的测试对象,提高农作物病虫害类型识别的准确率。
(3)本发明农作物病虫害类型识别方法中,构建残差网络ResNeXt,并且针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,从而得到残差注意力网络,本发明方法继续在ResNeXt上加深度可分离卷积、通道加权注意力机制以及空间加权注意力机制,能更好提取显著特征,因此基于残差注意力网络训练得到的病虫害分类模型,能够将视觉重点关注目标区域,进一步提高农作物病虫害类型识别的准确率和效率。
(4)本发明农作物病虫害类型识别方法中,针对训练样本、验证样本和测试样本进行预处理,其中预处理包括黑化处理,即将图片中目标区域之外的部分进行了黑化处理,可以消除目标外的关联,使得图片的识别更加有效。另外本发明中,训练样本和验证样本为已知何种农作物病虫害类型的图片,在预处理时,提取的是目标区域为图片中的叶片目标区域,通过图片中目标特征即叶片的特征来识别病虫害类型,基于不同的农作物叶片的区别以及不同的病虫害对不同农作物叶片的损伤是不同的,本发明方法通过图片中目标区域即叶片来识别病虫害类型,不仅能够识别出具体的病虫害类型,同时能够确定出病虫害所伤害的具体农作物。
(5)本发明农作物病虫害类型识别方法中,当病虫害分类模型识别出测试样本的病虫害类型后,可以根据病虫害标准诊治方案表推荐病虫害诊治方案,便于开展病虫害的防治工作。
附图说明
图1是本发明农作物病虫害类型识别方法流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例公开了一种农作物病虫害类型识别方法,如图1中所示,步骤包括:
S1、获取训练集和验证集,训练样本和验证样本为已知农作物病虫害类型的图片,即训练样本和验证样本为已知何种农作物病虫害类型的图片,例如番茄黑斑病、番茄早疫病、番茄晚疫病、番茄叶霉病、番茄斑枯病、草莓褐斑病、草莓炭疽病、草莓白粉病、草莓蛇眼病、草莓黄萎病等。
针对各训练样本、验证样本进行预处理;
构建生成对抗网络;针对上述构建的生成对抗网络,通过预处理后的训练样本和验证样本对其进行训练,得到农作物编码模型;其中,生成对抗网络在通过训练样本进行每轮训练后,通过验证集中的验证样本验证准确率,自动调整参数,保存准确率最高的模型,作为农作物编码模型。
构建残差网络ResNeXt,并且针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,得到残差注意力网络;
针对上述得到的残差注意力网络,通过预处理后的训练样本和验证样本对其进行训练,得到病虫害分类模型;其中,残差注意力网络在通过训练样本进行每轮训练后,通过验证集中的验证样本验证准确率,自动调整参数,保存准确率最高的模型,作为病虫害分类模型。
S2、针对要进行病虫害类型识别图片,即待识别图片,作为测试样本,对测试样本进行预处理;
将预处理后的测试样本输入到农作物编码模型,确定测试样本是否农作物图片还是非农作物图片;
若测试样本为非农作物图片,则判定异常图片;
若测试样本为农作物图片,则将预处理后的测试样本输入到病虫害分类模型中,由病虫害分类模型识别出测试样本的病虫害类型。
S3、获取病虫害标准诊治方案表,当步骤S2中病虫害分类模型识别出测试样本的病虫害类型后,根据病虫害标准诊治方案表推荐病虫害诊治方案;
在本实施例中,上述步骤中,针对训练样本、验证样本和测试样本对应图片进行预处理的过程如下:
Sa、从图片中提取目标区域,并且标注出目标轮廓;在本实施例中,通过这点的方式标注出目标轮廓,得到的是多边形的目标轮廓。
本实施例中,针对训练样本、验证样本和测试样本进行预处理时,提取的目标区域是图片中的叶片,即本步骤中标注出图片中叶片的轮廓。
农作物编码模型基于图片中的叶片识别是否为农作物图片;不同的农作物叶片存在的区别,不同的病虫害对不同的农作物叶片造成的损伤存在区别,本实施例病虫害分类模型基于图片中的目标特征即受伤叶片特征识别出对应农作物病虫害类型,例如番茄黑斑病、番茄早疫病、番茄晚疫病、番茄叶霉病、番茄斑枯病、草莓褐斑病、草莓炭疽病、草莓白粉病、草莓蛇眼病、草莓黄萎病等。
Sb、将图片中目标区域外的其他区域设置为黑色。
在本实施例步骤S1中,针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,得到残差注意力网络的过程如下:
S10、进行深度可分离卷积;深度可分离卷积包括:深度卷积和点卷积;其中深度卷积是每个卷积核负责一个通道,然后通过1*1*M的卷积核,将深度卷积的输出特征在深度方向进行加权组合,其中M为通道数;
S11、在通道上,分别通过最大池化和平均池化处理压缩后,用两个全连接层去构建通道的相关性,最后经过一个Sigmoid门进行(0,1)归一化得到权重,接着将归一化后的权重加到每个通道上;
S12、在空间上,利用最大池化和平均池化将特征压缩,使用一个卷积网络分别对经过压缩的特征值提取重要信息,最后归一化将每个权重加到空间上;
S13、添加卷积核为1*1的卷积层、全局平均池化层和softmax分类器的来提取显著特征。
其中,在构建残差网络ResNeXt时,其中残差块的创建过程如下:
步骤1、创建跳跃连接:
根据conv_shortcut的取值,两种创建跳跃连接的方法;当conv_shortcut取值为真,跳跃连接是输入特征做2D卷积和批量规范化的特征输出;否则,跳跃连接为输入特征;其中上述2D卷积中,过滤器数为过滤器参数的2倍,卷积为1,步长为1,无偏置,权值矩阵用正态分布初始化。
步骤2、残差操作:
步骤2-1、对输入特征做2D卷积,输出特征为x1;其中2D卷积中,过滤器数量、卷积为1,步长为1,无偏置,权值矩阵用正态分布初始化;
步骤2-2、批量规划化步骤2-1中卷积层的输出特征x1,输出特征为x2;
步骤2-3、上述步骤2-2的输出特征x2传递给激活函数RELU,输出特征为x3;
步骤2-4、计算分组卷积的每个分组的过滤器数;
步骤2-5、将步骤2-3中输出特征x3使用0填充,输出特征为x4;
步骤2-6、进行深度分离卷积的第一步:将每个卷积仅对输入层的一个通道作用,得到一个映射,映射堆叠,得到一个输出特征x5;其中参数:滤波器数量、卷积核为3(所有空间维度都是3),步长=1,每个通道深度方向卷积输出通道的数,无偏置量。
步骤2-7、获取步骤2-6得到的输出特征x5的形态,除去批次和通道数;
步骤2-8、对形态进行升维,增加组数,每组过滤器数、通道数;按照升维后的形态调整步骤2-7的输出特征x5,得到输出特征x6;
步骤2-9、Lambda层,堆叠上一层的特征输出作为本层的输入,增加输出的通道数;
步骤2-10、输入形态升维,增加过滤器数量,根据输入形态调整输入特征的,输出特征为x7;
步骤2-11、批量规范化步骤2-10的输出特征x7,得到本层的输出特征为x8;
步骤2-12、批量规范化的输出特征x8输出传递RELU激活函数,本层的的特征输出为x9;
步骤2-13、进行深度可分离卷积第二步,扩大深度,对上层的输出做卷积,过滤器数量*2,卷积核为1,输出特征为x10;
步骤2-14、批量规范化上一步骤的卷积层的输出特征x10;
步骤2-15、注意力机制加权到通道,对输入分别做全局最大池化和全局平均池化,输出特征分别为x11和y1;
步骤2-16、输出特征x11和y1各自做全连接层,激活函数为RELU,输出特征分别为x12和y2;
步骤2-17、输出特征x12和y2分别减少过滤器数,做全连接层,激活函数为RELU,输出特征分别为x13和y3;
步骤2-18、上述步骤2-17的输出特征x13和y3分别增加过滤器数,做全连接层,激活函数为RELU,输出特征本别为x14和y4;
步骤2-19、上述步骤2-17的输出特征求和,维度不变,输出为通道注意力特征;
步骤2-20、通道注意力特征传递给sigmoid函数,输出为通道注意力特征;
步骤2-21、步骤2-20最终获取到的通道注意力特征和输入做乘法,实现注意力机制加权到通道;
步骤2-22、注意力机制加权到空间,对输入做基于通道的全局最大池化层和全部平均池化层,输出特征为x15和y5;
步骤2-23、沿着通道方向,上述步骤2-22全局最大池化层x15和全局平均池化层y5并接,特征联合,成为空间注意力特征X1;
步骤2-24、空间注意力特征X1做卷积操作,主要参数:卷积核7*7,过滤器数降为1,激活函数sigmoid;输出特征为生成空间注意力特征X2;空间注意力特征X2和输入做乘法,实现注意力加权到空间;
步骤3、恒等映射:
步骤3-1、跳跃连接和输入求和,输出特征为x16;
步骤3-2、输出特征x16传递给激活函数RELU,输出特征为x17;
本实施例中,在构建残差网络ResNeXt时,其中每一层残差块的创建过程如下:
分别创建4层,每层残差块个数分别为2,4,6,3,过滤器数量分别为32,64,128,256;
卷积_跳跃连接的标志conv_shortcut取真,调用创建残差块函数block3,创建1个残差块,其中的跳跃连接是输入经过卷积、批量规范化后的特征输出;
创建剩余残差块,残差块个数=每层残差块个数-1,卷积_跳跃连接的标志conv_shortcut取假,跳跃连接为输入。
本实施例中,步骤S1中,构造残差注意力网络的具体过程如下:
1)、首先进行网络初始化,包括:
1.1)、对输入图像做卷积,过滤器数32,卷积核7*7,此为第一层卷积层,输出特征为X1;
1.2)、批量规范化卷积层的输出特征X1,输出特征为X2;
1.3)、传递输出特征X2给激活函数RELU;
1.4)、对激活函数RELU的输出特征做零填充;
1.5)、零填充后的特征做最大池化,池化窗口为3,步长为2,输出特征为x3;
2)、其次构造残差注意力网络,包括:
2.1)、在第二层卷积层到第五层卷积层分别构造残差块,四个卷积层中残差块的个数分别为2,4,6,3;
2.2)、对第五层卷积层作为卷积,滤波器数为128,卷积核为1*1,得到第六层卷积层6,输出特征为X4;
2.3)、批量规范化第六层卷积层的输出特征X4,输出特征为X5;
2.4)、输出特征X5做全局平均池化,取每个通道的平均,输出特征为X6;
2.5)、做全连接层,使用激活函数softmax,对每个通道的平均的输出特征X6求农作物病虫害分类的分布,输出特征为output;
2.6)、用输入图片和输出特征建立残差注意力网络。
本实施例农作物病虫害类型识别方法,首先获取训练集和验证集,然后构建生成对抗网络,通过训练集和验证集对其进行训练生成对抗网络,得到农作物编码模型;同时构建残差注意力网络,通过训练集和验证集对其训练后,得到病虫害分类模型;针对需要进行病虫害类型识别的图片,将其作为测试样本,首先输入到农作物编码模型中确定该图片是否为农作物图片,若是,则将测试样本输入到病虫害分类模型,通过病虫害分类模型识别出图片中的病虫害类型。基于本实施例识别方法,能够准确且快速的检测出农作物病虫害类型。
实施例2
本实施例公开了一种农作物病虫害类型识别系统,包括:
训练集和验证集获取模块,用于获取训练集和验证集,训练样本和验证样本为已知农作物病虫害类型的图片;
预处理模块,用于针对训练样集中各训练样本和验证集中各验证样本进行预处理,用于针对测试样本进行预处理;
农作物编码模型构建模块,于构建生成对抗网络,并且针对上述构建的生成对抗网络,通过预处理后的训练样本和验证样本针对上述构建得到的生成对抗网络进行训练,得到农作物编码模型;其中,生成对抗网络在通过训练样本进行每轮训练后,通过验证集中的验证样本验证准确率,自动调整参数,保存准确率最高的模型,作为农作物编码模型。
病虫害分类模型构建模块,用于构建残差网络ResNeXt,并且针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,得到残差注意力网络;用于针对上述得到的残差注意力网络,通过预处理后的训练样本和测试样本对其进行训练,得到病虫害分类模型;其中,残差注意力网络在通过训练样本进行每轮训练后,通过验证集中的验证样本验证准确率,自动调整参数,保存准确率最高的模型,作为病虫害分类模型。
测试样本获取模块,针对要进行病虫害类型识别的图片,作为测试样本,对测试样本进行预处理;
农作物图片判定模块,用于将预处理后的测试样本输入到农作物编码模型,通过农作物编码模型确定测试样本是否农作物图片还是非农作物图片;
病虫害类型识别模块,用于针对被判定为农作物图片的测试样本,将该测试样本预处理后的结果输入到病虫害分类模型中,由病虫害分类模型识别出测试样本的病虫害类型。
本实施例中,农作物病虫害类型识别系统与实施例1的农作物病虫害类型识别方法相对应,因此各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
实施例3
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现实施例所述的农作物病虫害类型识别方法如下:
获取训练集和验证集,训练样本和验证样本为已知农作物病虫害类型的图片;
针对训练样本和验证样本进行预处理;
构建生成对抗网络;针对上述构建的生成对抗网络,通过预处理后的训练样本和验证样本对其进行训练,得到农作物编码模型;
构建残差网络ResNeXt,并且针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,得到残差注意力网络;
针对上述得到的残差注意力网络,通过预处理后的训练样本和验证样本对其进行训练,得到病虫害分类模型;
针对要进行病虫害类型识别图片,作为测试样本,对测试样本进行预处理;
将预处理后的测试样本输入到农作物编码模型,确定测试样本是否农作物图片还是非农作物图片;
若测试样本为非农作物图片,则判定异常图片;
若测试样本为农作物图片,则将预处理后的测试样本输入到病虫害分类模型中,由病虫害分类模型识别出测试样本的农作物病虫害类型。
本实施例中,计算设备可以为台式电脑、笔记本电脑、智能手机、PDA手持终端或平板电脑。
实施例4
本实施例公开了一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例所述的农作物病虫害类型识别方法:
获取训练集和验证集,训练样本和验证样本为已知农作物病虫害类型的图片;
针对训练样本和验证样本进行预处理;
构建生成对抗网络;针对上述构建的生成对抗网络,通过预处理后的训练样本和验证样本对其进行训练,得到农作物编码模型;
构建残差网络ResNeXt,并且针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,得到残差注意力网络;
针对上述得到的残差注意力网络,通过预处理后的训练样本和验证样本对其进行训练,得到病虫害分类模型;
针对要进行病虫害类型识别图片,作为测试样本,对测试样本进行预处理;
将预处理后的测试样本输入到农作物编码模型,确定测试样本是否农作物图片还是非农作物图片;
若测试样本为非农作物图片,则判定异常图片;
若测试样本为农作物图片,则将预处理后的测试样本输入到病虫害分类模型中,由病虫害分类模型识别出测试样本的农作物病虫害类型。
本实施例中存储介质可以是磁盘、光盘、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)、U盘、移动硬盘等介质。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种农作物病虫害类型识别方法,其特征在于,步骤包括:
S1、获取训练集和验证集,训练样本和验证样本为已知农作物病虫害类型的图片;
针对训练样本和验证样本进行预处理;
构建生成对抗网络;针对上述构建的生成对抗网络,通过预处理后的训练样本和验证样本对其进行训练,得到农作物编码模型;
构建残差网络ResNeXt,并且针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,得到残差注意力网络;
针对上述得到的残差注意力网络,通过预处理后的训练样本和验证样本对其进行训练,得到病虫害分类模型;
S2、针对要进行病虫害类型识别图片,作为测试样本,对测试样本进行预处理;
将预处理后的测试样本输入到农作物编码模型,确定测试样本是否农作物图片还是非农作物图片;
若测试样本为非农作物图片,则判定异常图片;
若测试样本为农作物图片,则将预处理后的测试样本输入到病虫害分类模型中,由病虫害分类模型识别出测试样本的农作物病虫害类型。
2.根据权利要求1所述的农作物病虫害类型识别方法,其特征在于,针对训练样本、验证样本和测试样本对应图片进行预处理的过程如下:
Sa、从图片中提取目标区域,并且标注出目标轮廓;图片中目标为图片中农作物的叶片;
Sb、将图片中目标区域外的其他区域设置为黑色。
3.根据权利要求1所述的农作物病虫害类型识别方法,其特征在于,还包括如下步骤:
通过预处理后的训练样本和验证样本,针对生成对抗网络进行训练具体过程为:生成对抗网络在通过训练样本进行每轮训练后,通过验证集中的验证样本验证准确率,自动调整参数,保存准确率最高的模型,作为农作物编码模型;
通过预处理后的训练样本和验证样本,针对残差注意力网络进行训练具体过程为:残差注意力网络在通过训练样本进行每轮训练后,通过验证集中的验证样本验证准确率,自动调整参数,保存准确率最高的模型,作为病虫害分类模型。
4.根据权利要求1所述的农作物病虫害类型识别方法,其特征在于,针对残差网络的每个残差块进行深度可分离卷积以及通道和空间上的加权处理的过程如下:
S10、进行深度可分离卷积;深度可分离卷积包括:深度卷积和点卷积;其中深度卷积是每个卷积核负责一个通道,然后通过1*1*M的卷积核,将深度卷积的输出特征在深度方向进行加权组合,其中M为通道数;
S11、在通道上,分别通过最大池化和平均池化处理压缩后,用两个全连接层去构建通道的相关性,最后经过一个Sigmoid门进行(0,1)归一化得到权重,接着将归一化后的权重加到每个通道上;
S12、在空间上,利用最大池化和平均池化将特征压缩,使用一个卷积网络分别对经过压缩的特征值提取重要信息,最后归一化将每个权重加到空间上;
S13、添加卷积核为1*1的卷积层、全局平均池化层和softmax分类器的来提取显著特征。
5.根据权利要求1所述的农作物病虫害类型识别方法,其特征在于,在构建残差网络ResNeXt时,其中残差块的创建过程如下:
步骤1、创建跳跃连接:
根据卷积_跳跃连接的标志conv_shortcut的取值,两种创建跳跃连接的方法;当conv_shortcut取值为真,跳跃连接是输入特征做2D卷积和批量规范化的特征输出;否则,跳跃连接为输入特征;
步骤2、残差操作:
步骤2-1、对输入特征做2D卷积,输出特征为x1;
步骤2-2、批量规划化步骤2-1中卷积层的输出特征x1,输出特征为x2;
步骤2-3、上述步骤2-2的输出特征x2传递给激活函数RELU,输出特征为x3;
步骤2-4、计算分组卷积的每个分组的过滤器数;
步骤2-5、将步骤2-3中输出特征x3使用0填充,输出特征为x4;
步骤2-6、进行深度分离卷积的第一步:将每个卷积仅对输入层的一个通道作用,得到一个映射,映射堆叠,得到一个输出特征x5;
步骤2-7、获取步骤2-6得到的输出特征x5的形态,除去批次和通道数;
步骤2-8、对形态进行升维,按照升维后的形态调整步骤2-7的输出特征x5,得到输出特征x6;
步骤2-9、Lambda层,堆叠上一层的特征输出作为本层的输入,增加输出的通道数;
步骤2-10、输入形态升维,增加过滤器数量,根据输入形态调整输入特征的,输出特征为x7;
步骤2-11、批量规范化步骤2-10的输出特征x7,得到本层的输出特征为x8;
步骤2-12、批量规范化的输出特征x8输出传递RELU激活函数,本层的的特征输出为x9;
步骤2-13、进行深度可分离卷积第二步,扩大深度,对上层的输出做卷积,过滤器数量*2,卷积核为1,输出特征为x10;
步骤2-14、批量规范化上一步骤的卷积层的输出特征x10;
步骤2-15、注意力机制加权到通道,对输入分别做全局最大池化和全局平均池化,输出特征分别为x11和y1;
步骤2-16、输出特征x11和y1各自做全连接层,激活函数为RELU,输出特征分别为x12和y2;
步骤2-17、输出特征x12和y2分别减少过滤器数,做全连接层,激活函数为RELU,输出特征分别为x13和y3;
步骤2-18、上述步骤2-17的输出特征x13和y3分别增加过滤器数,做全连接层,激活函数为RELU,输出特征本别为x14和y4;
步骤2-19、上述步骤2-17的输出特征求和,维度不变,输出为通道注意力特征;
步骤2-20、通道注意力特征传递给sigmoid函数,输出为通道注意力特征;
步骤2-21、步骤2-20最终获取到的通道注意力特征和输入做乘法,实现注意力机制加权到通道;
步骤2-22、注意力机制加权到空间,对输入做基于通道的全局最大池化层和全部平均池化层,输出特征为x15和y5;
步骤2-23、沿着通道方向,上述步骤2-22全局最大池化层x15和全局平均池化层y5并接,特征联合,成为空间注意力特征X1;
步骤2-24、空间注意力特征X1做卷积操作,输出特征为生成空间注意力特征X2;空间注意力特征X2和输入做乘法,实现注意力加权到空间;
步骤3、恒等映射:
步骤3-1、跳跃连接和输入求和,输出特征为x16;
步骤3-2、输出特征x16传递给激活函数RELU,输出特征为x17;
在构建残差网络ResNeXt时,其中每一层残差块的创建过程如下:
分别创建4层,每层残差块个数分别为2,4,6,3;
卷积_跳跃连接的标志conv_shortcut取真,调用创建残差块函数block3,创建1个残差块,其中的跳跃连接是输入经过卷积、批量规范化后的特征输出;
创建剩余残差块,残差块个数=每层残差块个数-1,卷积_跳跃连接的标志conv_shortcut取假,跳跃连接为输入。
6.根据权利要求1所述的农作物病虫害类型识别方法,其特征在于,构造残差注意力网络的具体过程如下:
1)、首先进行网络初始化,包括:
1.1)、对输入图像做卷积,此为第一层卷积层,输出特征为X1;
1.2)、批量规范化卷积层的输出特征X1,输出特征为X2;
1.3)、传递输出特征X2给激活函数RELU;
1.4)、对激活函数RELU的输出特征做零填充;
1.5)、零填充后的特征做最大池化,输出特征为x3;
2)、其次构造残差注意力网络,包括:
2.1)、在第二层卷积层到第五层卷积层分别构造残差块,四个卷积层中残差块的个数分别为2,4,6,3;
2.2)、对第五层卷积层作为卷积,滤波器数为128,卷积核为1*1,得到第六层卷积层6,输出特征为X4;
2.3)、批量规范化第六层卷积层的输出特征X4,输出特征为X5;
2.4)、输出特征X5做全局平均池化,取每个通道的平均,输出特征为X6;
2.5)、做全连接层,使用激活函数softmax,对每个通道的平均的输出特征X6求农作物病虫害分类的分布,输出特征为output;
2.6)、用输入图片和输出特征建立残差注意力网络。
7.根据权利要求1所述的农作物病虫害类型识别方法,其特征在于,还包括如下步骤:
获取病虫害标准诊治方案表,当步骤S2中病虫害分类模型识别出测试样本的病虫害类型后,根据病虫害标准诊治方案表推荐病虫害诊治方案。
8.一种农作物病虫害类型识别系统,其特征在于,包括:
训练集和验证集获取模块,用于获取训练集和验证集,训练样本和验证样本为已知农作物病虫害类型的图片;
预处理模块,用于针对训练样本、验证样本和测试样本进行预处理;
农作物编码模型构建模块,用于构建生成对抗网络,并且针对上述构建的生成对抗网络,通过预处理后的训练样本和验证样本对其进行训练,得到农作物编码模型;
病虫害分类模型构建模块,用于构建残差网络ResNeXt,并且针对残差网络ResNeXt的每个残差块进行深度可分离卷积以及通道和空间上的加权处理,得到残差注意力网络;用于针对上述得到的残差注意力网络,通过预处理后的训练样本和验证样本对其进行训练,得到病虫害分类模型;
测试样本获取模块,针对要进行病虫害类型识别的图片,作为测试样本,对测试样本进行预处理;
农作物图片判定模块,用于将预处理后的测试样本输入到农作物编码模型,通过农作物编码模型确定测试样本是否农作物图片还是非农作物图片;
病虫害类型识别模块,用于针对被判定为农作物图片的测试样本,将该测试样本预处理后的结果输入到病虫害分类模型中,由病虫害分类模型识别出测试样本的病虫害类型。
9.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-7中任一项所述的农作物病虫害类型识别方法。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7中任一项所述的农作物病虫害类型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603251.4A CN111814622B (zh) | 2020-06-29 | 2020-06-29 | 农作物病虫害类型识别方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603251.4A CN111814622B (zh) | 2020-06-29 | 2020-06-29 | 农作物病虫害类型识别方法、系统、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814622A true CN111814622A (zh) | 2020-10-23 |
CN111814622B CN111814622B (zh) | 2023-08-04 |
Family
ID=72855895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010603251.4A Active CN111814622B (zh) | 2020-06-29 | 2020-06-29 | 农作物病虫害类型识别方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814622B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288265A (zh) * | 2020-10-28 | 2021-01-29 | 吉林大学 | 一种基于深度可分离卷积的去皮土豆的质量识别方法 |
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 |
CN112488963A (zh) * | 2020-12-18 | 2021-03-12 | 中国科学院合肥物质科学研究院 | 一种用于农作物病害数据的增强方法 |
CN112686097A (zh) * | 2020-12-10 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
CN112957054A (zh) * | 2021-01-25 | 2021-06-15 | 北京工业大学 | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 |
CN113378483A (zh) * | 2021-07-12 | 2021-09-10 | 广东电网有限责任公司 | 一种电网数据的预警方法、装置、设备及存储介质 |
CN113673340A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 一种害虫种类图像识别方法及系统 |
CN113762081A (zh) * | 2021-08-09 | 2021-12-07 | 江苏大学 | 一种基于YOLOv5s的粮仓害虫检测方法 |
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 |
CN115100148A (zh) * | 2022-06-23 | 2022-09-23 | 安徽省农业科学院农业经济与信息研究所 | 一种基于轻量型卷积神经网络的农作物害虫检测方法 |
CN116863340A (zh) * | 2023-08-16 | 2023-10-10 | 安徽荃银超大种业有限公司 | 基于深度学习的水稻叶片病害识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359681A (zh) * | 2018-10-11 | 2019-02-19 | 西京学院 | 一种基于改进全卷积神经网络的大田作物病虫害识别方法 |
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 |
US20200134804A1 (en) * | 2018-10-26 | 2020-04-30 | Nec Laboratories America, Inc. | Fully convolutional transformer based generative adversarial networks |
-
2020
- 2020-06-29 CN CN202010603251.4A patent/CN111814622B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359681A (zh) * | 2018-10-11 | 2019-02-19 | 西京学院 | 一种基于改进全卷积神经网络的大田作物病虫害识别方法 |
US20200134804A1 (en) * | 2018-10-26 | 2020-04-30 | Nec Laboratories America, Inc. | Fully convolutional transformer based generative adversarial networks |
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 |
Non-Patent Citations (1)
Title |
---|
温长吉;娄月;张笑然;杨策;刘淑艳;于合龙;: "基于改进稠密胶囊网络模型的植物识别方法", 农业工程学报, no. 08, pages 151 - 163 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288265A (zh) * | 2020-10-28 | 2021-01-29 | 吉林大学 | 一种基于深度可分离卷积的去皮土豆的质量识别方法 |
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 |
CN112686097A (zh) * | 2020-12-10 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
CN112488963A (zh) * | 2020-12-18 | 2021-03-12 | 中国科学院合肥物质科学研究院 | 一种用于农作物病害数据的增强方法 |
CN112957054B (zh) * | 2021-01-25 | 2023-06-23 | 北京工业大学 | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 |
CN112957054A (zh) * | 2021-01-25 | 2021-06-15 | 北京工业大学 | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 |
CN113378483A (zh) * | 2021-07-12 | 2021-09-10 | 广东电网有限责任公司 | 一种电网数据的预警方法、装置、设备及存储介质 |
CN113673340A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 一种害虫种类图像识别方法及系统 |
CN113673340B (zh) * | 2021-07-16 | 2024-05-10 | 北京农业信息技术研究中心 | 一种害虫种类图像识别方法及系统 |
CN113762081A (zh) * | 2021-08-09 | 2021-12-07 | 江苏大学 | 一种基于YOLOv5s的粮仓害虫检测方法 |
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 |
CN115100148A (zh) * | 2022-06-23 | 2022-09-23 | 安徽省农业科学院农业经济与信息研究所 | 一种基于轻量型卷积神经网络的农作物害虫检测方法 |
CN116863340A (zh) * | 2023-08-16 | 2023-10-10 | 安徽荃银超大种业有限公司 | 基于深度学习的水稻叶片病害识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111814622B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814622A (zh) | 农作物病虫害类型识别方法、系统、设备和介质 | |
Andrianto et al. | Smartphone application for deep learning-based rice plant disease detection | |
CN110210434A (zh) | 病虫害识别方法及装置 | |
Mehta et al. | Improving Crop Health Management: Federated Learning CNN for Spinach Leaf Disease Detection | |
CN112132278A (zh) | 模型压缩方法、装置、计算机设备及存储介质 | |
FI130045B (en) | Analyzing the measurement results of the communication network or other target system | |
Umamaheswari et al. | Performance Analysis of ResNet50 Architecture based Pest Detection System | |
CN113344009B (zh) | 一种轻小型网络自适应番茄病害特征提取方法 | |
Lwin et al. | Image Classification for Rice Leaf Disease Using AlexNet Model | |
DOUTOUM et al. | Classification of Guava Leaf Disease using Deep Learning | |
Karthik et al. | Application for Plant’s Leaf Disease Detection using Deep Learning Techniques | |
CN109086207B (zh) | 页面响应故障分析方法、计算机可读存储介质及终端设备 | |
Singh et al. | Maize Disease Multi-Classification: Leveraging CNN and Random Forest for Accurate Diagnosis | |
Yong et al. | Multi-stage Transfer Learning for Corn Leaf Disease Classification | |
Sushmitha et al. | Survey on deep learning architectures in identification of crop pests and diseases | |
Vishwakarma et al. | An Efficient Weed Growth Rate Estimator | |
Mahilraj et al. | Detection of Tomato leaf diseases using Attention Embedded Hyper-parameter Learning Optimization in CNN | |
Chavan et al. | Rice Leaf Disease Detection using Machine Learning | |
Shendge et al. | Application for Plant’s Leaf Disease Detection using Deep Learning Techniques | |
CN114092457B (zh) | 一种用于农作物病虫害检测的方法及系统 | |
Xiao et al. | Detection of Strawberry Diseases Using a Convolutional Neural Network. Plants 2021, 10, 31 | |
Mahadevan et al. | Automatic recognition of Rice Plant leaf diseases detection using deep neural network with improved threshold neural network | |
Liu et al. | LMNet: A lightweight MobileNetV2-based model for identification of rice leaf diseases | |
Tolba et al. | Innovative Approach for Early Detection and Diagnosis of Tomato Leaf Diseases | |
CN117392457A (zh) | 基于多树遗传规划算法的遥感图像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |