CN112036397A - 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 - Google Patents
一种基于深度学习的嵌入式黄瓜叶片图像识别装置 Download PDFInfo
- Publication number
- CN112036397A CN112036397A CN202011051432.7A CN202011051432A CN112036397A CN 112036397 A CN112036397 A CN 112036397A CN 202011051432 A CN202011051432 A CN 202011051432A CN 112036397 A CN112036397 A CN 112036397A
- Authority
- CN
- China
- Prior art keywords
- cucumber
- disease
- image
- embedded
- insect pest
- 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
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 title claims abstract description 77
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 244000299906 Cucumis sativus var. sativus Species 0.000 title abstract 2
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 240000008067 Cucumis sativus Species 0.000 claims description 92
- 201000010099 disease Diseases 0.000 claims description 76
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 76
- 241000238631 Hexapoda Species 0.000 claims description 64
- 230000008569 process Effects 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 241000196324 Embryophyta Species 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000009418 agronomic effect Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 5
- 235000009849 Cucumis sativus Nutrition 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000219104 Cucurbitaceae Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Images
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
- G06V10/10—Image acquisition
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/048—Activation functions
-
- 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
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)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于图像识别领域，具体公开了一种基于深度学习的嵌入式黄瓜叶片图像识别装置，包括图像采集器和系统识别平台，所述图像采集器包括USB摄像头，系统识别平台包括数据存储器、程序存储器、嵌入式微处理器、触摸屏、LCD显示屏、USB控制器、USB集线器、USB存储器、USB键盘和电源管理模块。本发明利用嵌入式微处理器，将注意力机制应用于农作物图像样本处理中，增强数据预处理技术，从而提高分类准确度；能够更有效地提取关键信息的特征，抑制干扰区域的信息，适用于细粒度图像分类；能够加深网络深度，提取更多图像特征，提高病虫害诊断正确率，具有很强的实用性。
Description
技术领域
本发明涉及图像检测系统，尤其涉及黄瓜病虫害图像识别系统，具体为一种基于深度学习的嵌入式黄瓜叶片图像识别装置。
背景技术
黄瓜是葫芦科植物，其叶片大，富含多种维生素、矿物质元素和纤维素，果菜兼用，营养价值极高，已经成为了人们日常生活的消费品。然而，黄瓜病虫害的发生严重影响黄瓜的产量和质量，使农户们遭受巨大的经济损失。因此，快速准确地判断黄瓜病虫害并及时对症治疗，极其重要。
在深度学习受到广泛关注之前，研究人员主要采取一些传统的机器学习方法，如支持向量机、决策树等分类模型进行图像分类识别的工作。这些传统机器学习方法的特点是对图像样本的数量要求不高，但是需要通过特征提取来提取到样本特征，并对特征进行筛选、组合，最后输入到分类器，这一系列工作不仅需要操作人员有非常专业的知识，还额外需要人力物力，最后才能实现病虫害种类检测识别的功能。此种处理流程对于特定的识别任务能达到一个比较理想的效果，并且操作简单，计算量小，比较适合应用在一些小型的，处理数据量不大的系统模式识别中。时间转换到现在，人工智能应用技术蓬勃发展，机器学习中的深度学习在模式识别问题的解决上起到的作用尤其突出，深度学习也被运用到数字图像处理过程中，发挥了巨大的优势。其中，最为突出的算法模型是作为深度学习算法中的卷积神经网络模型，由于它在图像识别领域有显著的优势，使得它经常被用于图像识别研究。因此，为了更好地防治黄瓜病虫害，可以基于传统黄瓜病虫害的防治方法，结合现代农业信息技术，从而实现黄瓜病虫害防治的智能化。黄瓜病虫害防治系统以权威、全面、科学的系统知识为推理基础，结合大量黄瓜病虫害病例数据，模拟农业领域专家的诊断逻辑以及采用智能图像识别系统，能够给菜农提供病虫害防治的帮助和指导。
图像识别技术应用的普遍性使得图像装置正向着嵌入式和小型化的方向发展。然而，目前国内外的图像识别技术一般考虑图像识别细节点的局部特征，普遍存在识别率低、识别速度慢等问题，另外图像识别系统不具备嵌入式特点，通用性较差，存在一定的迟缓性和不精确性等特点，影响了图像识别的效果。另外，图像识别装置目前多采用单片机和DSP处理器，这些传统常规的图像识别装置功能结构单一，可靠性、互换性差，维护困难，影响了图像识别的效果。本发明采用嵌入式系统进行黄瓜病虫害图像识别，由于该装置具有嵌入式系统的特点，功能综合、可靠性高、互换性好、抗干扰能力强、维护容易、安装使用方便等特点，该系统具有重要的应用价值，它能更有效地提高黄瓜病虫害图像识别的识别正确率和识别速度，达到较高的图像识别水平。采用嵌入式的黄瓜病虫害图像识别装置进行黄瓜病虫害图像匹配，提高了黄瓜病虫害图像识别算法的识别速度，并且降低了拒识率和误识率，用该黄瓜病虫害图像识别装置实现的黄瓜病虫害图像识别系统和黄瓜病虫害图像识别产品将会有很好的市场前景。
发明内容
本发明的目的在于提供一种基于深度学习的嵌入式黄瓜叶片图像识别装置，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的嵌入式黄瓜叶片图像识别装置，包括图像采集器和系统识别平台，所述图像采集器包括USB摄像头，系统识别平台包括数据存储器、程序存储器、嵌入式微处理器、触摸屏、LCD显示屏、USB控制器、USB集线器、USB存储器、USB键盘和电源管理模块；所述嵌入式微处理器用于统一协调处理各器件之间的相互关系，进行信息交换，同时处理黄瓜病虫害图像识别信息，进行黄瓜病虫害图像识别过程中特征信息的提取与信息识别；所述触摸屏和USB键盘作为系统识别平台的人工操作界面，用于提供触屏操作和按键操作两种选择；所述USB集线器用于扩展USB设备，所述电源管理模块用于设备供电控制，降低设备能耗。
优选的，所述USB摄像头和USB集线器(9)的输出端经USB控制器的接口与嵌入式微处理器的输入端连接，将采集到的黄瓜病虫害图像信息传送到嵌入式微处理器，进行图像处理。
优选的，所述嵌入式微处理器的输出端分别与数据存储器、LCD显示屏连接，将接收处理的数据转入数据存储器内存储，并将黄瓜病虫害图像识别过程中的各种处理结果在LCD显示屏上显示。
优选的，所述程序存储器用于存储黄瓜病虫害图像识别过程中的基本程序，供嵌入式微处理器调用。
优选的，所述嵌入式微处理器采用注意力机制改进残差网络方法进行黄瓜病虫害图像识别。
与现有技术相比，本发明的有益效果是：本发明利用嵌入式微处理器，将注意力机制应用于农作物图像样本处理中，增强数据预处理技术，从而提高分类准确度；能够更有效地提取关键信息的特征，抑制干扰区域的信息，适用于细粒度图像分类；能够加深网络深度，提取更多图像特征，提高病虫害诊断正确率，具有很强的实用性。
附图说明
图1为本发明的整体结构示意图；
图2为本发明的注意力机制的网络结构；
图3为本发明的黄瓜病虫害图像识别的流程图。
图中：1、USB摄像头；2、电源管理模块；3、数据存储器；4、程序存储器；5、嵌入式微处理器；6、触摸屏；7、LCD显示屏；8、USB控制器；9、USB集线器；10、USB存储器；11、USB键盘。
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。
在本发明的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1-3，本发明提供一种技术方案：一种基于深度学习的嵌入式黄瓜叶片图像识别装置，包括图像采集器和系统识别平台，所述图像采集器包括USB摄像头1，系统识别平台包括数据存储器3、程序存储器4、嵌入式微处理器5、触摸屏6、LCD显示屏7、USB控制器8、USB集线器9、USB存储器10、USB键盘11和电源管理模块2；
USB摄像头1，用于采集黄瓜病虫害图像信息；
电源管理模块2，用于设备供电控制，降低设备能耗；
数据存储器3，用于存储嵌入式微处理器黄瓜病虫害图像识别过程中的各种数据；
程序存储器4，用于存储嵌入式微处理器黄瓜病虫害图像识别过程中的基本程序；
嵌入式微处理器5，用于统一协调处理各器件之间的相互关系，进行信息交换，同时处理黄瓜病虫害图像识别信息，进行黄瓜病虫害图像识别过程中特征信息的提取，采用注意力机制改进残差网络方法进行黄瓜病虫害图像识别；
触摸屏6，用于嵌入式微处理器黄瓜病虫害图像识别过程中的人工操作界面；
LCD显示屏7，用于嵌入式微处理器5在黄瓜病虫害图像识别过程中界面显示；
USB控制器8的接口电路，用于将采集的黄瓜病虫害图像信息和黄瓜病虫害图像处理信息在嵌入式微处理器5和黄瓜病虫害图像采集器之间传递；
USB集线器9，用于扩展USB设备；
USB存储器10，用于外扩存储设备。
USB键盘11，用于用户实现选择性打字。
系统通过黄瓜病虫害图像传感器采集、传送黄瓜病虫害图像信息，利用USB控制器8的接口电路将采集到的黄瓜病虫害图像信息传送到嵌入式微处理器5，通过嵌入式微处理器5进行图像处理，在处理过程中数据存储器3存储黄瓜病虫害图像识别过程中的各种数据，程序存储器4存储黄瓜病虫害图像识别过程中的基本程序，LCD显示屏7显示黄瓜病虫害图像识别过程中各种处理结果，利用触摸屏6完成黄瓜病虫害图像识别过程中的各种人工操作，整个系统有机结合共同完成黄瓜病虫害图像识别过程。
嵌入式微处理器5，主要包括以下功能：
黄瓜病虫害图像的采集处理；
黄瓜病虫害图像识别系统的图像处理；
识别系统的黄瓜病虫害图像匹配处理。
黄瓜病虫害图像识别装置经过驱动程序得到黄瓜病虫害图像后，采用注意力机制改进残差网络进行黄瓜病虫害图像识别，通过空间特征的加权和聚合每个空间的特征，无论距离如何，相似的特征都将彼此相关；通过引入空间注意力机制帮助网络学会对旋转、缩放进行显式变换，从而确定空间位置信息，促使网络精度提升。同时，使得网络在不损失精度的情况下参数量、计算量和运行时间成倍的缩小，达到轻量级黄瓜病虫害图像识别可在嵌入式设备上高效运行的目标。
如图2所示，为注意力机制的网络结构：
经过一个全局均值池化和一个全局最大值池化，将均值池化和最大值池化通过拼接后经过一个5×5大小，步长(padding)为3的卷积核，提取到图像的空间信息之后进行Sigmoid输出，并将输出数据进行Scale处理；其中Scale表示通过乘法加权到先前的特征通道上，完成在空间维度上的特征重标定。
网络在原有的ResNet 152的基础上加入了注意力机制，注意力机制的特性使得以注意力机制构建的模型能够找到输入中的关键部分，特别是在细粒度图像分类方面，能够找出具有区分度的部分，适合解决弱监督的学习问题。
如图3所示，是本发明的黄瓜病虫害图像识别的流程图：
黄瓜病虫害图像识别装置经过驱动程序得到黄瓜病虫害图像后，采用图3步骤：
S1：通过农户、农业专家等专业人员在不同的地区大量采集不同产区的、不同品种的以及各个生长阶段的海量黄瓜病虫害叶片图片；
S2：首先将所收集好的黄瓜叶病虫害的图片提供给专门研究黄瓜叶病虫害的农艺师进行审核并打标签，之后筛选剔除掉不合格的黄瓜叶病虫害图片，将合格的黄瓜叶病虫害图片按照黄瓜叶片病虫害的种类以及各个生长阶段进行分类存放作为训练样本库；
S3：在对样本库进行标准化处理完成之后，采用注意力机制改进残差网络进行模型训练；
S4：可以通过手机拍摄或者从手机相册中选取黄瓜叶片病虫害图片，从而获取待测病虫害的图像信息；利用嵌入式微处理器5分析，判断出所述图像信息是否为黄瓜叶片图像信息，如果是，则使用建立好的病虫害识别模型识别出病虫害种类；
S5：将步骤S4中的用于进行识别的黄瓜叶病虫害图片加入所述训练样本库，具体的：用户在使用过程中产生的识别记录及图片，经过专家审核后自动添入训练样本库，通过判断新模型的识别率是否高于旧模型，如果高于旧模型则使用新模型，如果低于旧模型则继续使用旧模型，以此不断的自我学习优化，提高黄瓜病虫害的识别率。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于深度学习的嵌入式黄瓜叶片图像识别装置，包括图像采集器和系统识别平台，其特征在于，所述图像采集器包括USB摄像头(1)，系统识别平台包括数据存储器(3)、程序存储器(4)、嵌入式微处理器(5)、触摸屏(6)、LCD显示屏(7)、USB控制器(8)、USB集线器(9)、USB存储器(10)、USB键盘(11)和电源管理模块(2)；所述嵌入式微处理器(5)用于统一协调处理各器件之间的相互关系，进行信息交换，同时处理黄瓜病虫害图像识别信息，进行黄瓜病虫害图像识别过程中特征信息的提取与信息识别；所述触摸屏(6)和USB键盘(11)作为系统识别平台的人工操作界面，用于提供触屏操作和按键操作两种选择；所述USB集线器(9)用于扩展USB设备，所述电源管理模块(2)用于设备供电控制，降低设备能耗。
2.根据权利要求1所述的一种基于深度学习的嵌入式黄瓜叶片图像识别装置，其特征在于：所述USB摄像头(1)和USB集线器(9)的输出端经USB控制器(8)的接口与嵌入式微处理器(5)的输入端连接，将采集到的黄瓜病虫害图像信息传送到嵌入式微处理器，进行图像处理。
3.根据权利要求1所述的一种基于深度学习的嵌入式黄瓜叶片图像识别装置，其特征在于：所述嵌入式微处理器(5)的输出端分别与数据存储器(3)、LCD显示屏(7)连接，将接收处理的数据转入数据存储器(3)内存储，并将黄瓜病虫害图像识别过程中的各种处理结果在LCD显示屏(7)上显示。
4.根据权利要求1所述的一种基于深度学习的嵌入式黄瓜叶片图像识别装置，其特征在于：所述程序存储器(4)用于存储黄瓜病虫害图像识别过程中的基本程序，供嵌入式微处理器(5)调用。
5.根据权利要求1所述的一种基于深度学习的嵌入式黄瓜叶片图像识别装置，其特征在于：所述嵌入式微处理器(5)采用注意力机制改进残差网络方法进行黄瓜病虫害图像识别。
6.根据权利要求5所述的一种基于深度学习的嵌入式黄瓜叶片图像识别装置，其特征在于：所述注意力机制改进残差网络方法具体为：经过一个全局均值池化和一个全局最大值池化，将均值池化和最大值池化通过拼接后经过一个5×5大小，步长为3的卷积核，提取到图像的空间信息之后进行Sigmoid输出，并将输出数据进行Scale处理；其中Scale表示通过乘法加权到先前的特征通道上，完成在空间维度上的特征重标定。
7.根据权利要求1-6任一所述的一种基于深度学习的嵌入式黄瓜叶片图像识别装置的识别方法，其特征在于：包括如下具体步骤：
S1：通过农户、农业专家等专业人员在不同的地区大量采集不同产区的、不同品种的以及各个生长阶段的海量黄瓜病虫害叶片图片；
S2：首先将所收集好的黄瓜叶病虫害的图片提供给专门研究黄瓜叶病虫害的农艺师进行审核并打标签，之后筛选剔除掉不合格的黄瓜叶病虫害图片，将合格的黄瓜叶病虫害图片按照黄瓜叶片病虫害的种类以及各个生长阶段进行分类存放作为训练样本库；
S3：在对样本库进行标准化处理完成之后，采用注意力机制改进残差网络进行模型训练；
S4：通过手机拍摄或者从手机相册中选取黄瓜叶片病虫害图片，从而获取待测病虫害的图像信息；利用嵌入式微处理器(5)分析，判断出所述图像信息是否为黄瓜叶片图像信息，如果是，则使用建立好的病虫害识别模型识别出病虫害种类；
S5：将步骤S4中的用于进行识别的黄瓜叶病虫害图片加入所述训练样本库，具体的：用户在使用过程中产生的识别记录及图片，经过专家审核后自动添入训练样本库，通过判断新模型的识别率是否高于旧模型，如果高于旧模型则使用新模型，如果低于旧模型则继续使用旧模型，以此不断的自我学习优化，提高黄瓜病虫害的识别率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011051432.7A CN112036397B (zh) | 2020-09-29 | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011051432.7A CN112036397B (zh) | 2020-09-29 | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036397A true CN112036397A (zh) | 2020-12-04 |
| CN112036397B CN112036397B (zh) | 2024-05-31 |
Family
ID=
Cited By (1)
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067365A (zh) * | 2017-04-25 | 2017-08-18 | 中国石油大学(华东) | 基于深度学习的分布嵌入式实时视频流处理系统及方法 |
| CN109447140A (zh) * | 2018-10-19 | 2019-03-08 | 广州四十五度科技有限公司 | 一种基于神经网络深度学习的图像识别并推荐认知的方法 |
| 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 |
| CN110569858A (zh) * | 2019-08-27 | 2019-12-13 | 厦门中软海晟信息技术有限公司 | 一种基于深度学习算法的烟叶病虫害识别方法 |
| CN111579506A (zh) * | 2020-04-20 | 2020-08-25 | 湖南大学 | 基于深度学习的多摄像头高光谱成像方法、系统及介质 |
| CN111626993A (zh) * | 2020-05-07 | 2020-09-04 | 武汉科技大学 | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067365A (zh) * | 2017-04-25 | 2017-08-18 | 中国石油大学(华东) | 基于深度学习的分布嵌入式实时视频流处理系统及方法 |
| CN109447140A (zh) * | 2018-10-19 | 2019-03-08 | 广州四十五度科技有限公司 | 一种基于神经网络深度学习的图像识别并推荐认知的方法 |
| 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 |
| CN110569858A (zh) * | 2019-08-27 | 2019-12-13 | 厦门中软海晟信息技术有限公司 | 一种基于深度学习算法的烟叶病虫害识别方法 |
| CN111579506A (zh) * | 2020-04-20 | 2020-08-25 | 湖南大学 | 基于深度学习的多摄像头高光谱成像方法、系统及介质 |
| CN111626993A (zh) * | 2020-05-07 | 2020-09-04 | 武汉科技大学 | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 |
Cited By (1)
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109300121B (zh) | 一种心血管疾病诊断模型的构建方法、系统及该诊断装置 | |
| CN109063728A (zh) | 一种火灾图像深度学习模式识别方法 | |
| CN109558467B (zh) | 用电用户类别识别方法及系统 | |
| Chen et al. | An improved Yolov3 based on dual path network for cherry tomatoes detection | |
| CN103093208A (zh) | 一种果蔬识别的方法及系统 | |
| CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
| Zhang et al. | High-throughput corn ear screening method based on two-pathway convolutional neural network | |
| CN114627467A (zh) | 基于改进神经网络的水稻生育期识别方法及系统 | |
| CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
| CN112613438A (zh) | 一种便携式柑橘在线测产仪 | |
| Zhang et al. | Deep learning based rapid diagnosis system for identifying tomato nutrition disorders | |
| CN113902901B (zh) | 一种基于轻量化检测的物体分离方法与系统 | |
| CN116863403B (zh) | 一种农作物大数据环境监测方法、装置及电子设备 | |
| Yang et al. | Identification of high-oil content soybean using hyperspectral reflectance and one-dimensional convolutional neural network | |
| CN212276431U (zh) | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 | |
| Zhao et al. | Transient multi-indicator detection for seedling sorting in high-speed transplanting based on a lightweight model | |
| Yu et al. | A diagnosis model of soybean leaf diseases based on improved residual neural network | |
| Banerjee et al. | Combining CNN and SVM for Accurate Identification of Ridge Gourd Leaf Diseases | |
| CN112036397A (zh) | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 | |
| CN112036397B (zh) | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 | |
| CN117496325A (zh) | 一种基于改进YOLOv5s模型的水稻害虫检测方法及装置 | |
| 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 | |
| CN115147835A (zh) | 一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法 | |
| CN115393715A (zh) | 一种基于机器视觉的穴盘种子漏播检测方法 | |
| Guan et al. | A corn canopy organs detection method based on improved DBi-YOLOv8 network |
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 |