CN111967441A - 一种基于深度学习的农作物病害分析方法 - Google Patents

一种基于深度学习的农作物病害分析方法 Download PDF

Info

Publication number
CN111967441A
CN111967441A CN202010919264.2A CN202010919264A CN111967441A CN 111967441 A CN111967441 A CN 111967441A CN 202010919264 A CN202010919264 A CN 202010919264A CN 111967441 A CN111967441 A CN 111967441A
Authority
CN
China
Prior art keywords
crop
data
information
disease analysis
analysis method
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
CN202010919264.2A
Other languages
English (en)
Inventor
田二林
李祖贺
黄伟
夏永泉
姚妮
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.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
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 Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN202010919264.2A priority Critical patent/CN111967441A/zh
Publication of CN111967441A publication Critical patent/CN111967441A/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
    • 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
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mining & Mineral Resources (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)

Abstract

本发明公开了一种基于深度学习的农作物病害分析方法，通过采集数据，包括图像数据、天气数据、种植区域自然环境信息，所述图像数据为针对于某一区域的多角度数据，可以解决传统病害学习中平移设计的问题，不受图像中病虫害对农作物位置的影响，然后对所述采集的数据降噪处理操作、增强处理，很好的处理视点平移变化之外的其他效果，将所述图像数据划分为若干个子图像，然后对处理后的数据分别进行训练，得到农作物病害分析模型，使得农作物病害分析结果更加准确。

Description

一种基于深度学习的农作物病害分析方法
技术领域
本发明属于检测技术领域，具体涉及一种基于深度学习的农作物病害分析方法。
背景技术
我国经济的重要构成部分就是农业。但是在过去，针对与生物灾害的防治和研究主要局限于单一的病虫害，在发展的过程中，逐渐由单一的防治过渡到多样性防治和综合性防治，并且在防治的规模上也在不断的扩增，将综合防治技术的优势极大的凸显，对我国农作物的增产增收具有重要的现实意义，保障广大农民群众的切身利益，实现农业经济的良性、健康、持续性发展。有害生物种类繁多且形态各异，发生规律各有不同，而且时常爆发。对我国国民经济、特别是农业生产造成重大损失。因此，正确识别植物病虫害，掌握有害生物的习性、特点，对防控有害生物极其重要。一旦发生病虫害，广大从业者往往依靠传统经验进行粗略判断，再利用当地容易获取的农药农资，实施一些事后防治措施。鉴于从业人员存在的以下问题，往往不易获得良好的防治效果。如果仅依靠少数植保科技工作人员或昆虫研究者，通过手工检查、肉眼观察来完成，识别效率较低，识别率又极其不稳定。同时，由于植保科技人员有限，再加上有些区域位置偏远、交通不便，许多病虫害无法及时现场识别，只好根据种植户的描述来识别，而许多种植户专业知识有限，无法提供准确描述，常导致误判。给农业生产的质量和产量都带来较大损害。因此急需提出一种农作物病害分析方法来解决上述问题。
发明内容
本发明公开了一种基于深度学习的农作物病害分析方法，以解决上述问题，准确有效实现了对农作物病虫害分析。
为实现上述目的，本发明提供了如下方案：一种基于深度学习的农作物病害分析方法，包括：
采集数据，包括图像数据、天气数据、种植区域自然环境信息，所述图像数据为针对于某一区域的多角度数据，对所述采集的数据预处理操作、增强处理，将所述图像数据划分为若干个子图像，然后对处理后的数据分别进行训练，得到农作物病害分析模型；最后输出农作物病害类型及等级；
所述子图像通过叶片、果实、叶柄、茎、花进行划分；所述天气数据包括风速、风向、气温、云量、云底高度、地面气压、相对湿度、降水量、降水类型，所述自然环境信息包括空气信息和土壤信息、地理位置信息；
所述农作物病害分析模型通过采集数据的历史信息，对农作物病虫害进行预警分析，还用于对遭受把病虫害信息困扰的发病的农作物进行诊断，并计算病虫害的等级。
优选的，所述农作物病虫害预警分析的方法为：建立农作物生长信息与预设农作物生长数据库之间的对应关系，通过对采集的农作物历史信息与预设农作物生长数据库内信息进行匹配，若匹配程度小于10％，则认定为有发生该病虫害的可能，并给出该病虫害的预防方法。
优选的，在进行病虫害发生可能性预测时，根据季节、地理位置的不同对可能发生的病虫害进行预测，并将预测信息形成报告发送至客户端，提醒管理员做好农作物管理准备工作。
优选的，所述预设农作物生长数据库包括多种农作物生长周期、生长规律，以及各生长阶段所需条件种植数据。
优选的，所述农作物病害分析模型包括控制层、卷积层、中间层、输出层。
优选的，所述中间层至少为一个，所述输入层的输出端与所述中间层的输入端连接，所述中间层的输出端与所述输出层的输入端连接所述中间层包括池化层、全连接层。
优选的，所述预处理过程包括：数据集进行缩放，裁剪到基准尺寸大小。
优选的，所述数据的增强处理通过几何变换、颜色变换来实现。
本发明公开了以下技术效果：本发明通过采集数据，包括图像数据、天气数据、种植区域自然环境信息，所述图像数据为针对于某一区域的多角度数据，可以解决传统病害学习中平移设计的问题，不受图像中病虫害对农作物位置的影响，然后对所述采集的数据降噪处理操作、增强处理，很好的处理视点平移变化之外的其他效果，将所述图像数据划分为若干个子图像，然后对处理后的数据分别进行训练，得到农作物病害分析模型，使得农作物病害分析结果更加准确。
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，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图；
图2为本发明农作物病害分析模型的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-2所示，本发明提供一种基于深度学习的农作物病害分析方法，包括如下步骤：
采集数据，包括图像数据、天气数据、种植区域自然环境信息，所述图像数据为针对于某一区域的多角度数据，对所述采集的数据预处理操作、增强处理，将所述图像数据划分为若干个子图像，然后对处理后的数据分别进行训练，得到农作物病害分析模型；最后输出农作物病害类型及等级。
所述子图像通过叶片、果实、叶柄、茎、花进行划分；所述天气数据包括风速、风向、气温、云量、云底高度、地面气压、相对湿度、降水量、降水类型，所述自然环境信息包括空气信息和土壤信息、地理位置信息；
所述农作物病害分析模型通过采集数据的历史信息，对农作物病虫害进行预警分析，还用于对遭受把病虫害信息困扰的发病的农作物进行诊断，并计算病虫害的等级。
进一步优化方案，所述农作物病虫害预警分析的方法为：建立农作物生长信息与预设农作物生长数据库之间的对应关系，通过对采集的农作物生长历史信息与预设农作物生长数据库内信息进行匹配，若匹配程度小于10％，则认定为有发生该病虫害的可能性，并给出该病虫害的预防方法。
进一步优化方案，在进行病虫害发生可能性预测时，根据季节、地理位置的不同对可能发生的病虫害进行预测，并将预测信息形成报告发送至客户端，提醒管理员做好农作物管理准备工作。
进一步优化方案，所述预设农作物生长数据库包括多种农作物生长周期、生长规律，以及各生长阶段所需条件种植数据。
进一步优化方案，所述农作物病害分析模型包括控制层、卷积层、中间层、输出层。所述控制层包括用于控制其它层的运行，处理过程在不会数据随着卷积神经网络的反向传播而改变，避免出现过度运算，从而可以降低数据处理过程中的运算量，并提高数据处理的效率。
进一步优化方案，所述中间层至少为一个，所述输入层的输出端与所述中间层的输入端连接，所述中间层的输出端与所述输出层的输入端连接，所述中间层包括池化层、全连接层。
进一步优化方案，所述预处理过程包括：将数据集进行缩放，裁剪到基准尺寸大小。
进一步优化方案，所述数据的增强处理通过几何变换、颜色变换来实现。
进一步优化方案，所述农作物病害分析模型的构建方法：分别对子图像进行预处理得到子图像的特征信息，针对所述子图像的特征信息分析提取病虫害特征信息，然后对每个所述子图像进行二级处理，得到病斑区图像，对病斑区进行形态学处理得到最终病斑区图像，将每个子图像处理后的数据进行融合处理，将处理后的结果与预设农作物病虫害数据库进行对比，获取农作物病虫害信息，所述病虫害信息内容包括：疑似病虫害名称、现场照片、现场视频、发病期、治理办法等。所述特征信息的处理采用了迁移学习的方式。
工作原理：根据不同地点和物质的光谱响应特征不同，并通过发射光波辨别其反射率的方法，区分作物出现病虫害的区域和作物正常生长区域，然后通过数据处理模块形成遥感监测信息，并存储至数据存储数据库。
本发明通过采集数据，包括图像数据、天气数据、种植区域自然环境信息，所述图像数据为针对于某一区域的多角度数据，可以解决传统病害学习中平移设计的问题，不受图像中病虫害对农作物位置的影响，然后对所述采集的数据降噪处理操作、增强处理，很好的处理视点平移变化之外的其他效果，将所述图像数据划分为若干个子图像，然后对处理后的数据分别进行训练，得到农作物病害分析模型，使得农作物病害分析结果更加准确。
本发明使用了卷积神经网络CNN来识别被的病虫害困扰的农作物。使用了AlexNet来进行迁移学习，并与传统机器学习方法支持向量机(SVM)、K近邻(KNN)和BP神经网络进行比较。CNN获得了最高的AUC值0.9999。经显著性检验得出CNN显著优于SVM,KNN和BP，其P值分别为0.0343(vs.SVM),0.0181(vs.KNN)和0.0292(vs.BP)。总之CNN分析农作物病害分析方法的可行性更高。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于深度学习的农作物病害分析方法，其特征在于，包括：
采集农作物相关数据，包括图像数据、天气数据、种植区域自然环境信息，所述图像数据为针对于某一区域的多角度数据，对所述农作物相关数据进行预处理操作、增强处理，将所述图像数据划分为若干个子图像，然后对处理后的数据分别进行训练，得到农作物病害分析模型；最后输出农作物病害类型及等级；
所述子图像通过叶片、果实、叶柄、茎、花进行划分；所述天气数据包括风速、风向、气温、云量、云底高度、地面气压、相对湿度、降水量、降水类型，所述自然环境信息包括空气信息和土壤信息、地理位置信息；
所述农作物病害分析模型通过采集数据的历史信息，对农作物病虫害进行预警分析，还用于对遭受把病虫害信息困扰的发病的农作物进行诊断，并计算病虫害的等级。
2.根据权利要求1所述的基于深度学习的农作物病害分析方法，其特征在于，所述农作物病虫害预警分析的方法为：建立农作物生长信息与预设农作物生长数据库之间的对应关系，通过对采集的农作物历史信息与预设农作物生长数据库内信息进行匹配，若匹配程度小于10％，则认定为有发生该病虫害的可能，并给出该病虫害的预防方法。
3.根据权利要求2所述的基于深度学习的农作物病害分析方法，其特征在于，在进行病虫害发生可能性预测时，根据季节、地理位置的不同对可能发生的病虫害进行预测，并将预测信息形成报告发送至客户端，提醒管理员做好农作物管理准备工作。
4.根据权利要求2所述的基于深度学习的农作物病害分析方法，其特征在于，所述预设农作物生长数据库包括多种农作物生长周期、生长规律，以及各生长阶段所需条件种植数据。
5.根据权利要求1所述的基于深度学习的农作物病害分析方法，其特征在于，所述农作物病害分析模型包括控制层、卷积层、中间层、输出层。
6.根据权利要求5所述的基于深度学习的农作物病害分析方法，其特征在于，所述中间层至少为一个，所述输入层的输出端与所述中间层的输入端连接，所述中间层的输出端与所述输出层的输入端连接,所述中间层包括池化层、全连接层。
7.根据权利要求1所述的基于深度学习的农作物病害分析方法，其特征在于，所述预处理过程包括：数据集进行缩放，裁剪到基准尺寸大小。
8.根据权利要求1所述的基于深度学习的农作物病害分析方法，其特征在于，所述数据的增强处理通过几何变换、颜色变换来实现。
CN202010919264.2A 2020-09-04 2020-09-04 一种基于深度学习的农作物病害分析方法 Pending CN111967441A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010919264.2A CN111967441A (zh) 2020-09-04 2020-09-04 一种基于深度学习的农作物病害分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010919264.2A CN111967441A (zh) 2020-09-04 2020-09-04 一种基于深度学习的农作物病害分析方法

Publications (1)

Publication Number Publication Date
CN111967441A true CN111967441A (zh) 2020-11-20

Family

ID=73392030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010919264.2A Pending CN111967441A (zh) 2020-09-04 2020-09-04 一种基于深度学习的农作物病害分析方法

Country Status (1)

Country Link
CN (1) CN111967441A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112665650A (zh) * 2020-12-22 2021-04-16 东北农业大学 基于深度学习的水稻叶龄诊断模型化方法
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
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
TWI804060B (zh) * 2021-11-19 2023-06-01 國立成功大學 植物病蟲害監控方法及植物病蟲害監控系統

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392091A (zh) * 2017-06-09 2017-11-24 河北威远生物化工有限公司 一种农业人工智能作物检测方法、移动终端和计算机可读介质
CN107742290A (zh) * 2017-10-18 2018-02-27 成都东谷利农农业科技有限公司 植物病害识别预警方法及装置
CN108921849A (zh) * 2018-09-30 2018-11-30 靖西海越农业有限公司 用于防治沃柑病虫害的智慧农业监控预警系统
CN109711471A (zh) * 2018-12-28 2019-05-03 井冈山大学 一种基于深度卷积神经网络的水稻病害图像识别方法
CN110850775A (zh) * 2019-11-20 2020-02-28 吉林省稷坤农业科技有限公司 一种用于智慧农业的环境数据无线监测系统及其工作方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392091A (zh) * 2017-06-09 2017-11-24 河北威远生物化工有限公司 一种农业人工智能作物检测方法、移动终端和计算机可读介质
CN107742290A (zh) * 2017-10-18 2018-02-27 成都东谷利农农业科技有限公司 植物病害识别预警方法及装置
CN108921849A (zh) * 2018-09-30 2018-11-30 靖西海越农业有限公司 用于防治沃柑病虫害的智慧农业监控预警系统
CN109711471A (zh) * 2018-12-28 2019-05-03 井冈山大学 一种基于深度卷积神经网络的水稻病害图像识别方法
CN110850775A (zh) * 2019-11-20 2020-02-28 吉林省稷坤农业科技有限公司 一种用于智慧农业的环境数据无线监测系统及其工作方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
夏永泉 等: "基于随机森林方法的小麦叶片病害识别研究", 图学学报, vol. 39, no. 1, pages 57 - 62 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112665650A (zh) * 2020-12-22 2021-04-16 东北农业大学 基于深度学习的水稻叶龄诊断模型化方法
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
TWI804060B (zh) * 2021-11-19 2023-06-01 國立成功大學 植物病蟲害監控方法及植物病蟲害監控系統
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

Similar Documents

Publication Publication Date Title
CN111967441A (zh) 一种基于深度学习的农作物病害分析方法
WO2019179270A1 (zh) 植株种植数据测量方法、作业路线规划方法及装置、系统
CN110839519A (zh) 一种基于深度学习的物联网智能的农业灌溉装置和方法
Selvi et al. Weed detection in agricultural fields using deep learning process
Lin et al. A review on computer vision technologies applied in greenhouse plant stress detection
CN113469112B (zh) 农作物生长状况图像识别方法及系统
CN114818909A (zh) 一种基于作物长势特征的杂草检测方法和装置
CN107680098A (zh) 一种甘蔗蔗节特征的识别方法
CN116300608A (zh) 一种基于大数据的智慧农业远程监控系统
CN116129260A (zh) 基于深度学习的牧草图像识别方法
CN114140403A (zh) 一种基于卷积神经网络的植物叶片病害检测方法
CN115661544A (zh) 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法
CN110598516A (zh) 基于随机森林的多方位分层采集组合稻田杂草识别方法
CN117575835A (zh) 基于无人机航拍的茶园长势监控系统及方法
WO2021225528A1 (en) System and method for ai-based improvement of harvesting operations
CN117197595A (zh) 基于边缘计算的果树生育期识别方法、装置及管理平台
Miao et al. Crop weed identification system based on convolutional neural network
CN117058607A (zh) 一种基于图像视觉分析的植物生长状态监测系统
Araneta et al. Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning
CN116310338A (zh) 一种基于实例和语义分割的单株荔枝红叶梢分割方法
CN115035423B (zh) 一种基于无人机遥感影像的杂交水稻父母本识别提取方法
CN116818002A (zh) 一种基于大数据的智慧农业种植监控系统
CN112329697B (zh) 一种基于改进YOLOv3的树上果实识别方法
Ma et al. Banana individual segmentation and phenotypic parameter measurements using deep learning and terrestrial LiDAR
NL2027275B1 (en) Crop Disease Analysis Method Based on Deep Learning

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