CN111986149A - 一种基于卷积神经网络的植物病虫害检测方法 - Google Patents
一种基于卷积神经网络的植物病虫害检测方法 Download PDFInfo
- Publication number
- CN111986149A CN111986149A CN202010685002.4A CN202010685002A CN111986149A CN 111986149 A CN111986149 A CN 111986149A CN 202010685002 A CN202010685002 A CN 202010685002A CN 111986149 A CN111986149 A CN 111986149A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- sample set
- plant disease
- training
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 51
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 51
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 28
- 241000238631 Hexapoda Species 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 241000196324 Embryophyta Species 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 18
- 230000036541 health Effects 0.000 claims description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims 3
- 238000010606 normalization Methods 0.000 claims 1
- 241001478315 Candidatus Liberibacter asiaticus Species 0.000 description 8
- 235000005976 Citrus sinensis Nutrition 0.000 description 8
- 240000002319 Citrus sinensis Species 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的植物病虫害检测方法,具体步骤如下:第一步,获取训练数据集;第二步,对图像进行预处理;第三部,从全部样本中选取80%构成训练样本集,20%构成测试样本集;第四步,将训练样本集中的样本送入搭建好的网络模型中进行训练,并得到训练好的分类器保存;第五步,调用已保存的分类器对测试样本集图像进行计算;第六步,得到训练好的模型后,可在实际种植地拍摄相应植物病害图像,上传至云平台进行分析,云平台实时将识别结果发送给客户端。本发明能够对不同的植物,不同的病虫害种类,使用相同的方法进行植物病虫害检测,同时方法具有实用性、准确性和实时性。
Description
技术领域
本发明涉及图像处理与深度学习技术领域,具体涉及一种基于卷积神经网络的植物病虫害检测方法。
背景技术
植物病虫害是现代农业生产的主要影响因素,每年农作物病虫害所带来的危害不仅是作物减产质量下降,更是对一个地区的地方财政和农业经济产生巨大的影响,因此,国内外的许多专家对植物病虫害的防治进行了深入的研究,对病虫害的检测提出了许多种方法。传统的方法是通过农业从业者根据多年积累的种植经验实地观察农作物的叶片来完成,这种方法存在很大的主观性,依赖于个人经验判断,其准确性和覆盖面难以得到保证;另一种方法是利用人工智能的方式,结合该领域数据集,对植物病虫害进行分析研究从而达到检测病虫害的目的。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于卷积神经网络的植物病虫害检测方法,能够对不同的植物,不同的病虫害种类,使用相同的方法进行植物病虫害检测,同时方法具有实用性、创造性、准确性和实时性。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:
一种基于卷积神经网络的植物病虫害检测方法,其中,具体步骤如下:
1、获取训练数据集,使用网络摄像机拍摄图像,再将图像上传到云平台de等待下一步的处理,得到原始的数据集。
2、对图像进行预处理,对获取到的图像进行降噪、图像增强和标注,主要标注为健康和发生病虫害两类标记,以脐橙叶病变检测为例,将数据集分为三种,分别为:健康叶片、黄龙病一般叶片、黄龙病严重叶片,对图像进行增强,提高对比度和灰度色调变化,调整图像亮度,使图像更加清晰。
3、从全部样本中选取80%构成训练样本集,20%构成测试样本集,同样以脐橙叶病变检测训练样本集中分为健康、黄龙病一般、黄龙病严重三类。
4、将训练样本集中的样本送入搭建好的网络模型中进行训练,并得到训练好的分类器保存,使用的是卷积神经网络,网络结构如图1所示,该网络包含了13个卷积层(Convolutional Layer),如图2中有2个“conv,64”、2个“conv,128”、 3个“conv,256”、6个“conv,512”;3个全连接层(Fully connected Layer),如图2的1个“FC 1000”、2个“FC4096”;5个池化层(Pool layer),分别用maxpool 表示,池化操作为最大池化,步幅stride=1,填充方式padding=same,使用Dropout 算法防止过拟合。
假设输入为尺寸是224×224×3的图像,在卷积网络的训练过程如下:
A:初始深度卷积神经网络:独立初始化十三个卷积层;
B:读取训练数据,将图像数据大小归一化为224×224的大小,再将图像转化为三通道RGB图像。
C:输入数据经过卷积层,卷积过程用公式表示如下卷积层的矩阵输出大小为:[(n+2p-f)/s]+1,向下取整向下取整其中n为输入矩阵的大小,f为卷积核的大小,p为padding的大小,s为strides的大小。
数据经过池化层,采用最大池化(max pooling),取最大子采样函数取区域内所有神经元的最大值池化层矩阵输出大小[(n+2p-f)/s]+1,其中n为输入矩阵的大小,f为卷积核的大小,p为padding的大小,s为strides的大小。
全连接层,输入多维数组经过Flatten一维化处理,全连接层的向前传播得到输出值;
Softmax层输入预测数据,计算公式为:
其中z是上一层全连接层的输出,softmax的输入,维度为C,yi为预测对象属于第C类的概率。
D:计算输出结果和目标结果的误差,当误差大于我们的期望值时,将误差传回网络中,依次求得全连接层,卷积层的误差,各层的误差可以理解为对于网络的总误差,网络应承担多少;当误差等于或小于我们的期望值时,结束训练。
E:根据求得误差进行权值更新,然后在进入到第D步操作。
调用已保存的分类器对测试样本集图像进行计算,计算植物叶片分类的概率,选取其中概率大的一方作为判断结果,并将其作为结果输出,以脐橙叶病变数据集为例,输出结果为一个三维数组,存放了脐橙叶健康、黄龙病一般、黄龙病严重三种情况的可能性,选取其中最大的作为输出结果,可得到测试图像的病变情况。
得到训练好的模型后可在实际种植地拍摄相应植物病害图像,上传至云平台进行分析,云平台实时将识别结果发送给客户端。
(三)有益效果
本发明提供了一种基于卷积神经网络的植物病虫害检测方法,具备以下有益效果:
本技术方案结合了深度学习的卷积神经网络模型和云平台,用户可以在客户端上采集图像信息,依托云平台进行数据集的训练,得到相应的训练模型后客户端即可采集图像进行预测,做到这种做法无论是准确性还是即时性都能得到保证,从农业生产的实际情况来看,每隔一天作物的病害都会产生不同程度的家中,尽量用最少的时间得到最准确的结果,有助于农业从业者快速采取下一步防病害措施,在病害即将发生或已经发生时尽量减少损失,在经典神经网络的基础上引入了残差块的设计,克服了卷积神经网络随着网络层数的增加后网络的退化现象,本专利发明的目的在于将深度学习应用到传统农业的病虫害检测中,利用深度卷积网络来提高病虫害检测的准确性与适用性,具有设计简单,移植性高,检测准确率高等优点。
附图说明
图1为本发明的残差块的缩略模型。
图2为本发明的网络详细模型。
图3为本发明的具体流程图。
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。
参照图3的流程图,基于卷积神经网络的植物病虫害检测方法的具体实施过程如下:
1、训练数据集的获取,采用海康威视POE_800万_4MM万红外高清网络摄像机进行抓拍,抓取大量植物病虫害的图像进行深度学习实验测试,图像的抓拍的基础参数如表1所示。将抓取到的图像上传到云平台,存储为数据集。
表1抓取的图片格式
图像参数 | 数值 |
分辨率 | 1920*1080 |
格式 | 1080p |
行频 | 67.5KHZ |
位深度 | 32 |
图像格式 | sRGB |
2、对图像进行预处理,自动对获取到的图像进行降噪、图像增强和标注等操作,为下一步数据集的训练做准备,实验中主要标注为健康和发生病虫害进行标记。以脐橙叶病变检测为例,将数据集分为三种,分别为:健康叶片、黄龙病一般叶片、黄龙病严重叶片。
3、从全部样本中选取80%构成训练样本集,20%构成测试样本集,同样以脐橙叶病变检测训练样本集中分为健康、黄龙病一般、黄龙病严重三类,并将其标注为(healthy,general,seious)三种类型。
4、将训练样本集中的样本送入搭建好的网络模型中进行训练,并得到训练好的分类器保存。
参照图1,引入残差块设计,本文中使用的是网络模型是VGG16卷积神经网络,网络结构如图2所示。该网络包含了13个卷积层(Convolutional Layer),如图2中有2个“conv,64”、2个“conv,128”、3个“conv,256”、6个“conv,512”; 3个全连接层(Fully connectedLayer),如图2的1个“FC 1000”、2个“FC 4096”; 5个池化层(Pool layer),分别用maxpool表示。池化操作为最大池化,步幅 stride=1,填充方式padding=same,使用Dropout算法防止过拟合。
假设输入为尺寸是224×224×3的图像,在卷积网络的训练过程如下:
A:初始深度卷积神经网络:独立初始化十三个卷积层;
B:读取训练数据,将图像数据大小归一化为224×224的大小,再将图像转化为三通道RGB图像。
C:数据经过池化层前,将引入前面若干层的数据输出引入到池化层的输入中,用F(x)来表示没有引入残差块的的两层网络,残差块为: H(x)=F(x)+x,其中xi+1=xi+F(xi,Wi),xi+1为第i+1个残差块的输入,F(xi,Wi)为主路径的输入。
池化层采用最大池化(max pooling),取最大子采样函数取区域内所有神经元的最大值池化层矩阵输出大小[(n+2p-f)/s]+1,其中n为输入矩阵的大小,f为卷积核的大小,p为填充(padding)的大小,S为步幅(strides)的大小。
全连接层,输入多维数组经过Flatten一维化处理,
全连接层的向前传播得到输出值;
Softmax层输入预测数据,计算公式为:
其中z是上一层全连接层的输出,softmax的输入,维度为C,yi为预测对象属于第C类的概率。
D:计算输出结果和目标结果的误差,当误差大于我们的期望值时,将误差传回网络中,依次求得全连接层,卷积层的误差。各层的误差可以理解为对于网络的总误差,网络应承担多少;当误差等于或小于我们的期望值时,结束训练。
E:根据求得误差进行权值更新。然后在进入到第D步操作。
5、调用已保存的分类器对测试样本集图像进行计算,计算植物叶片分类的概率,选取其中概率大的一方作为判断结果,并将其作为结果输出,以脐橙叶病变数据集为例,输出结果为一个三维数组,存放了脐橙叶健康、黄龙病一般、黄龙病严重三种情况的可能性,选取其中最大的作为输出结果,可得到测试图像的病变情况。
6、得到训练好的模型后可在实际种植地拍摄相应植物病害图像,上传至云平台后送入训练还的模型进行分析,得到分析结果后将结果实时发送到客户端。
7、根据用户上传的图像可得到当前植物病害状况,方便农户对作物的下一步处理。
Claims (4)
1.一种基于卷积神经网络的植物病虫害检测方法,其特征在于:具体步骤如下:
步骤一:获取训练需要的大量植物叶片图像,首先在实时的农业场景下获取植物叶片健康状态和发生病虫害的图像;
步骤二:对图像进行预处理,对获取到的图像进行图像归一化、图像增强和图像标注,从全部样本中选取80%构成训练样本集,20%构成测试样本集,训练样本集中分为健康和发生病虫害两类;
步骤三:将训练样本集中的样本送入搭建好的神经网络模型中进行训练,并得到训练好的分类器保存;
步骤四:调用已保存的分类器模型对测试样本集图像进行计算,计算植物叶片分类的概率,选取其中概率大的一方作为判断结果,并将其作为结果输出;
步骤五:得到训练好的模型后可在实际种植地拍摄相应植物病害图像,上传至云平台后送入训练还的模型进行分析,得到分析结果后将结果实时发送到客户端;
步骤六:根据用户上传的图像可得到当前植物病害状况,方便农户对作物的下一步处理。
2.根据权利要求1所述的一种基于卷积神经网络的植物病虫害检测方法,其特征在于:步骤一中图像获取的方法有以下三种:
(1)网络相机拍摄;
(2)手机APP拍摄;
(3)网络图像下载;
且步骤一中所获取的图像不少于1000张,当图像数量未达到使用要求时,通过图像增强的方法扩充图像数量。
3.根据权利要求1所述的一种基于卷积神经网络的植物病虫害检测方法,其特征在于:步骤三中所述的神经网络模型中引入残差块设计,卷积层的数据输出跳过两层引入到后面数据层的输入部分,其网络结构包括13个卷积层,5个池化层和3个全连接层,池化操作为最大池化,使用Dropout算法防止过拟合。
4.根据权利要求1所述的一种基于卷积神经网络的植物病虫害检测方法,其特征在于:步骤三中所述的神经网络模型为keras框架。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010685002.4A CN111986149A (zh) | 2020-07-16 | 2020-07-16 | 一种基于卷积神经网络的植物病虫害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010685002.4A CN111986149A (zh) | 2020-07-16 | 2020-07-16 | 一种基于卷积神经网络的植物病虫害检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111986149A true CN111986149A (zh) | 2020-11-24 |
Family
ID=73439549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010685002.4A Pending CN111986149A (zh) | 2020-07-16 | 2020-07-16 | 一种基于卷积神经网络的植物病虫害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986149A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN114166761A (zh) * | 2021-12-03 | 2022-03-11 | 郑其向 | 一种植物病害防治及预测用比色卡 |
CN117666515A (zh) * | 2023-12-13 | 2024-03-08 | 云农京飞(北京)科技股份有限公司 | 一种基于人工智能的智慧农业生产控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292314A (zh) * | 2016-03-30 | 2017-10-24 | 浙江工商大学 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
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 |
CN110070071A (zh) * | 2019-04-30 | 2019-07-30 | 重庆文理学院 | 一种基于图像识别的生姜茎叶病虫害识别方法及系统 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN110717903A (zh) * | 2019-09-30 | 2020-01-21 | 天津大学 | 一种利用计算机视觉技术进行农作物病害检测的方法 |
-
2020
- 2020-07-16 CN CN202010685002.4A patent/CN111986149A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292314A (zh) * | 2016-03-30 | 2017-10-24 | 浙江工商大学 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
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 |
CN110070071A (zh) * | 2019-04-30 | 2019-07-30 | 重庆文理学院 | 一种基于图像识别的生姜茎叶病虫害识别方法及系统 |
CN110717903A (zh) * | 2019-09-30 | 2020-01-21 | 天津大学 | 一种利用计算机视觉技术进行农作物病害检测的方法 |
Non-Patent Citations (2)
Title |
---|
王艳玲;张宏立;刘庆飞;张亚烁;: "基于迁移学习的番茄叶片病害图像分类", 中国农业大学学报, no. 06 * |
赵立新;侯发东;吕正超;朱慧超;丁筱玲;: "基于迁移学习的棉花叶部病虫害图像识别", 农业工程学报, no. 07 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN114166761A (zh) * | 2021-12-03 | 2022-03-11 | 郑其向 | 一种植物病害防治及预测用比色卡 |
CN117666515A (zh) * | 2023-12-13 | 2024-03-08 | 云农京飞(北京)科技股份有限公司 | 一种基于人工智能的智慧农业生产控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986149A (zh) | 一种基于卷积神经网络的植物病虫害检测方法 | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN111860330A (zh) | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 | |
CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
Sabrol et al. | Fuzzy and neural network based tomato plant disease classification using natural outdoor images | |
CN113657326A (zh) | 一种基于多尺度融合模块和特征增强的杂草检测方法 | |
CN110827273A (zh) | 一种基于区域卷积神经网络的茶叶病害检测方法 | |
CN113344077A (zh) | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 | |
WO2023197496A1 (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
CN114898359B (zh) | 一种基于改进EfficientDet的荔枝病虫害检测方法 | |
CN113344009B (zh) | 一种轻小型网络自适应番茄病害特征提取方法 | |
Pareek et al. | Clustering based segmentation with 1D-CNN model for grape fruit disease detection | |
CN117557948A (zh) | 基于残差型选择性核注意力机制的玉米幼苗识别方法 | |
CN117392668A (zh) | 一种麦田小麦赤霉病状态评估方法、系统及电子设备 | |
Jin et al. | An improved mask r-cnn method for weed segmentation | |
CN114972264A (zh) | 一种基于MS-PLNet模型绿豆叶斑病识别方法及装置 | |
Vora et al. | An ensemble of convolutional neural networks to detect foliar diseases in apple plants | |
Rony et al. | BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification | |
CN115439789A (zh) | 一种家蚕生命状态智能识别方法和识别系统 | |
CN115294566A (zh) | 一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法 | |
Zheng et al. | Study on tomato disease classification based on leaf image recognition based on deep learning technology | |
CN113627258A (zh) | 一种苹果叶部病理检测方法 | |
Babu et al. | Prediction and Analysis of Plant-Leaf Disease in Agricultural by using Image Processing and Machine Learning Techniques | |
CN112926450A (zh) | 一种基于深度信念网络的叶片病害特征识别方法 | |
Mahilraj et al. | Detection of Tomato leaf diseases using Attention Embedded Hyper-parameter Learning Optimization in CNN |
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 |