CN112052904A - 一种基于迁移学习和卷积神经网络病虫害的识别方法 - Google Patents
一种基于迁移学习和卷积神经网络病虫害的识别方法 Download PDFInfo
- Publication number
- CN112052904A CN112052904A CN202010938341.9A CN202010938341A CN112052904A CN 112052904 A CN112052904 A CN 112052904A CN 202010938341 A CN202010938341 A CN 202010938341A CN 112052904 A CN112052904 A CN 112052904A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- function
- full connection
- network
- 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 36
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 36
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000238631 Hexapoda Species 0.000 title claims abstract description 27
- 238000013526 transfer learning Methods 0.000 title claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 206010017533 Fungal infection Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于迁移学习和卷积神经网络病虫害的识别方法，包括以下步骤：步骤一、采集植物病虫害叶片图像和正常植物叶片图像；步骤二、搭建ResNet‑50网络结构，对ImageNet大数据进行训练，活得预训练模型参数；步骤三、微调适合迁移学习的ResNet‑50网络模型；步骤四、图像预处理，得到超分辨率的植物病虫害叶片目标图像；步骤五、利用基于迁移学习的网络模型识别植物病虫害叶片进行训练。本发明的优点是：可以提高特征提取的精度、提高识别率；利用图像增强技术，大大减少过拟合问题，提高识别精度。
Description
技术领域
本发明涉及深度学习技术领域，特别涉及一种基于迁移学习和卷积神经网络病虫害的识别方法。
背景技术
作物的病害一般是由细菌、真菌和病毒感染、害虫的袭击和不适宜的环境条件引发的，如干旱、春霜、冰冻、大气污染等。由于病虫害的袭击，会导致植物出现萎蔫、腐烂、穿孔、叶片黄化、畸形等一系列的症状，及早的识别植物病虫害的类型对植物病虫害的预防具有极大的作用，有效识别分类植物病害对植物成长以及其产量具有重要意义，同时也能促进农业的发展，降低经济损失。
现有的技术中，针对病虫害的识别主要有以下三种，一是基于高光谱图像识别法，该方法需要融合光谱和作物的图像信息，需专门的高光谱相机采集作物的高光谱图像，该方法成本较高，难以推广使用。二是基于支持向量机的作物病害识别方法，但其利用多个二分类器做投票，当面对多种病的时候需要训练数量较多的分类器，因此当病害种类多的时候该方法操作复杂，难以实施。三是基于深度学习的病虫害防治，此系统不但需要输入植物的名称，而且监督学习需要大量的标注数据，标注数据需要进行深度分析才能有效得对病虫害分类；同时针对小数据集时，深度学习训练难以进行，出现过拟合问题，降低训练的准确精度，影响识别精度，针对这些问题，中国专利《一种基于深度学习的植物病虫害识别方法及系统》(申请日：2019.7.12；申请号：201910629941.4；公开日期：2019.11.26；专利号:CN 110502987 A)公开了一种通过数据增强与注意力机制相结合的方法针对小数据集进行针对性的增强和扩充处理方法，并对包含注意力机制的深度学习模型进行训练，有效提高了植物病虫害识别的准确率，但训练时间相对比较长。
发明内容
本发明针对植物病虫害识别数据小，过拟合问题，训练准确率低等问题，提供了一种基于迁移学习和卷积神经网络病虫害的识别方法，利用已知植物病害的标注，转移学习减少构建深度学习模型所需的训练数据和计算复杂度，能很好解决小数据集在复杂网络结构上的过拟合问题，提高训练精度。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于迁移学习和卷积神经网络病虫害的识别方法，包括以下步骤：
步骤一、采集植物病虫害叶片图像和正常植物叶片图像；
步骤二、搭建ResNet-50网络结构，对ImageNet大数据进行训练，活得预训练模型参数；
步骤三、微调适合迁移学习的ResNet-50网络模型；
步骤四、图像预处理，得到超分辨率的植物病虫害叶片目标图像；
步骤五、利用基于迁移学习的网络模型识别植物病虫害叶片进行训练。
进一步地，步骤一具体为：
利用相机拍摄植物病虫害叶片图像和正常植物叶片图像。
进一步地，步骤二具体为：
步骤21、利用Tensorflow搭建ResNet-50网络模型；
步骤22、利用ResNet-50网络对ImageNet大数据进行训练，并生成训练模型参数权重；
步骤23、保存模型参数权重。
进一步地，步骤三具体为：
步骤31、在步骤23中保存的参数模型，对前4个卷积层进行冻结，不改变其weight和bias的数值；
步骤32、全连接层改进；
在步骤21的基础上，改进全连接层，在ResNet网络结构基础上，增加一层全连接层，全连接层有两层，载入预训练的权重参数之后，卷积层经过平均池化层，减少运算量，再进入全连接层1，全连接层经过ReLU激活函数激活，然后进入Dropout层，再连接全连接层2，最后用Softmax函数激活，最后输出分类结果。其中选用ReLU激活函数该激活函数具有计算简单、收敛速度快等特点，其表达式为
其中t是ReLU激活函数的自变量；fReLU是ReLU函数。
另外进入Dropout层，其作用是降低神经元间的依赖，避免网络过拟合。最后利用Softmax函数计算得到最终的分类概率，其计算公式为：
其中vr为向量中第r个分量；pr为第r个分量的分类概率；k为分量的序号。
步骤33、对目标图形进行训练，在训练过程中，对微调的全连接层的学习率置为0.0001。
进一步地，步骤四具体为：
将植物病虫害叶片图像与正常植物叶片图像采用离线增强的方式进行数据增强，图片执行色彩调整、随机裁剪、旋转、加噪的操作，得到超分辨率数据；
为保证训练的准确性，只对图像进行旋转变换、平移变换、旋转变换、翻转变换和彩色调整转换图像数据增强。
通过上述的图像数据增强，将采集的图像进行四倍的扩充，增加训练数据，减少过拟合问题，提高训练精度。
最后，采用双三次差值法把图像缩放到224×224×3，RGB制式。
采用BiCuBic基函数的双三次插值法，BiCuBic基函数形式如下：
构造BiCuBic函数：
其中，a取-0.5。W(x)表示像素所对应的权重；x表示该像素点到原点的距离；
进一步地，步骤五具体为：
利用预测模块对新的目标图形进行分类和预测准确度。
与现有技术相比，本发明的优点在于：
利用残差网络迁移学习的方式对植物病虫害叶片进行的识别、测试，在此学习中，由于采集的数据集较小，预训练模型训练的数据集相似度比较高，冻结前面卷积层，只训练最后一层，增加一个全连接层，调试该全连接层以符合测试数据的情景，减少运算量，最后一层为本次迁移学习的提取特征层，可以提高特征提取的精度、提高识别率；利用图像增强技术，大大减少过拟合问题，提高识别精度。
附图说明
图1是本发明识别方法的整体流程图；
图2是本发明实施例增加一层全连接层的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
(1)进行图像增强。
统一图像的尺寸和格式；
将植物病虫害叶片图像与正常植物叶片图像采用离线增强的方式进行数据增强，图片执行色彩调整、随机裁剪、旋转、加噪的操作，得到超分辨率数据；
为保证训练的准确性，只对图像进行旋转，平移，旋转，翻转，彩色调整等数据增强。
图像平移变换是将原始图像的坐标分别移动指定的距离，若将x0，y0分别表示像素点沿x轴和y轴移动的距离，a(x,y)和b(x,y)表示平移后的坐标，则图像的平移变换可表示为：
旋转变换是将像素点绕原点逆时针旋转一点过的角度θ。可表示为：
翻转变换是将图像沿着x轴或者y轴对称变换。为了保留更多的图片信息，将图片水平翻转，可表示为：
式中：c和d分别表示沿x轴或者y轴的缩放倍数。当c＝-1时，表示当前图像进行y轴翻转，当d＝-1时，表示当前图像沿x轴翻转。
彩色转换算法的目标在于通过处理目标图像，使目标图像获得与原图像相似的色彩视觉感受。对近似正交的彩色空间各个分量进行如下变换：
其中，(μt,σt)和(μs,σs)分别为目标图像和源图像中某一通道的均值和标准差；
Ct和Ct′分别表示为目标图像上一点在该通道的原始数值和变换后的数值。
通过上述的图像增强，可以将采集的图像进行4倍的扩充，增加训练数据，减少过拟合问题，提高训练精度。
最后，采用双三次差值法把图像缩放到224×224×3，RGB制式。
本发明插值采用BiCuBic基函数的双三次插值法，BiCuBic基函数形式如下：
构造BiCuBic函数：
其中，a取-0.5。
(2)卷积层与全连接层改进。
改进卷积层，针对ResNet-50基本网络结构，保留最后一层卷积层，保证图像特征特提取的准确度；改进全连接层，在ResNet基本网络结构基础上，增加一层全连接层，其基本流程如图2所示。本发明有两层全连接层，载入预训练的权重参数之后，卷积层经过平均池化层，减少运算量，再进入全连接层1，全连接层经过ReLU激活函数激活，然后进入Dropout层，再连接全连接层2，最后用Softmax函数激活，最后输出分类结果。其中选用ReLU激活函数该激活函数具有计算简单、收敛速度快等特点，其表达式为
其中t是ReLU激活函数的自变量；fReLU是ReLU函数。
另外进入Dropout层，其作用是降低神经元间的依赖，避免网络过拟合。最后利用Softmax函数计算得到最终的分类概率，其计算公式为：
其中vr为向量中第r个分量；pr为第r个分量的分类概率；k为分量的序号。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于迁移学习和卷积神经网络病虫害的识别方法，其特征在于，包括以下步骤：
步骤一、采集植物病虫害叶片图像和正常植物叶片图像；
步骤二、搭建ResNet-50网络结构，对ImageNet大数据进行训练，活得预训练模型参数；
步骤三、微调适合迁移学习的ResNet-50网络模型；
步骤四、图像预处理，得到超分辨率的植物病虫害叶片目标图像；
步骤五、利用基于迁移学习的网络模型识别植物病虫害叶片进行训练。
2.根据权利要求1所述的识别方法，其特征在于，步骤一具体为：
利用相机拍摄植物病虫害叶片图像和正常植物叶片图像。
3.根据权利要求1所述的识别方法，其特征在于：步骤二具体为：
步骤21、利用Tensorflow搭建ResNet-50网络模型；
步骤22、利用ResNet-50网络对ImageNet大数据进行训练，并生成训练模型参数权重；
步骤23、保存模型参数权重。
4.根据权利要求1所述的识别方法，其特征在于：步骤三具体为：
步骤31、在步骤23中保存的参数模型，对前4个卷积层进行冻结，不改变其weight和bias的数值；
步骤32、全连接层改进；
在步骤21的基础上，改进全连接层，在ResNet网络结构基础上，增加一层全连接层，全连接层有两层分别为全连接层1和全连接层2，载入预训练的权重参数之后，卷积层经过平均池化层，减少运算量，再进入全连接层1，全连接层经过ReLU激活函数激活，然后进入Dropout层，再连接全连接层2，最后用Softmax函数激活，最后输出分类结果；其中选用ReLU激活函数该激活函数具有计算简单、收敛速度快等特点，其表达式为
其中t是ReLU激活函数的自变量；fReLU是ReLU函数；
另外进入Dropout层，其作用是降低神经元间的依赖，避免网络过拟合；最后利用Softmax函数计算得到最终的分类概率，其计算公式为：
其中vr为向量中第r个分量；pr为第r个分量的分类概率；k为分量的序号；
步骤33、对目标图形进行训练，在训练过程中，对微调的全连接层的学习率置为0.0001。
5.根据权利要求1所述的识别方法，其特征在于：步骤四具体为：
将植物病虫害叶片图像与正常植物叶片图像采用离线增强的方式进行数据增强，图片执行色彩调整、随机裁剪、旋转、加噪的操作，得到超分辨率数据；
为保证训练的准确性，只对图像进行旋转变换、平移变换、旋转变换、翻转变换和彩色调整转换图像数据增强；
通过上述的图像数据增强，将采集的图像进行四倍的扩充，增加训练数据，减少过拟合问题，提高训练精度；
最后，采用双三次差值法把图像缩放到224×224×3，RGB制式；
采用BiCuBic基函数的双三次插值法，BiCuBic基函数形式如下：
构造BiCuBic函数：
其中，a取-0.5，W(x)表示像素所对应的权重，x表示该像素点到原点的距离。
6.根据权利要求1所述的识别方法，其特征在于，步骤五具体为：
利用预测模块对新的目标图形进行分类和预测准确度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010938341.9A CN112052904A (zh) | 2020-09-09 | 2020-09-09 | 一种基于迁移学习和卷积神经网络病虫害的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010938341.9A CN112052904A (zh) | 2020-09-09 | 2020-09-09 | 一种基于迁移学习和卷积神经网络病虫害的识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112052904A true CN112052904A (zh) | 2020-12-08 |
Family
ID=73610552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010938341.9A Pending CN112052904A (zh) | 2020-09-09 | 2020-09-09 | 一种基于迁移学习和卷积神经网络病虫害的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112052904A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613410A (zh) * | 2020-12-24 | 2021-04-06 | 江苏大学 | 基于迁移学习的寄生虫虫卵识别方法 |
| CN112668404A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种大豆病虫害的有效鉴定方法 |
| CN112749675A (zh) * | 2021-01-20 | 2021-05-04 | 云南农业大学 | 一种基于卷积神经网络的马铃薯病害识别方法 |
| CN113076873A (zh) * | 2021-04-01 | 2021-07-06 | 重庆邮电大学 | 一种基于多阶段训练的农作物病害长尾图像识别方法 |
| CN113361589A (zh) * | 2021-06-01 | 2021-09-07 | 杨晶晶 | 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法 |
| CN113609941A (zh) * | 2021-07-27 | 2021-11-05 | 江苏师范大学 | 一种基于深度学习的农作物病虫害识别方法 |
| CN113627501A (zh) * | 2021-07-30 | 2021-11-09 | 武汉大学 | 一种基于迁移学习的动物图像种类识别方法 |
| CN113780357A (zh) * | 2021-08-13 | 2021-12-10 | 华中农业大学 | 一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法 |
| CN113807449A (zh) * | 2021-09-23 | 2021-12-17 | 合肥工业大学 | 一种沉积岩类别识别方法、装置、电子设备和存储介质 |
| CN114170137A (zh) * | 2021-11-05 | 2022-03-11 | 成都理工大学 | 一种辣椒病害识别方法、识别系统、计算机可读存储介质 |
| CN115019215A (zh) * | 2022-08-09 | 2022-09-06 | 之江实验室 | 一种基于高光谱图像的大豆病虫害识别方法和装置 |
| CN115245122A (zh) * | 2021-12-21 | 2022-10-28 | 重庆三峡学院 | 一种适用于浙贝母种植的精准栽培系统 |
| CN115587296A (zh) * | 2021-07-05 | 2023-01-10 | 中国矿业大学(北京) | 一种基于迁移学习分步识别的农作物病害自动识别方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018201647A1 (zh) * | 2017-05-05 | 2018-11-08 | 平安科技（深圳）有限公司 | 视网膜病变程度等级检测方法、装置及存储介质 |
| CN109360192A (zh) * | 2018-09-25 | 2019-02-19 | 郑州大学西亚斯国际学院 | 一种基于全卷积网络的物联网大田作物叶部病害检测方法 |
| CN110148120A (zh) * | 2019-05-09 | 2019-08-20 | 四川省农业科学院农业信息与农村经济研究所 | 一种基于cnn与迁移学习的病害智能识别方法及系统 |
| CN110263863A (zh) * | 2019-06-24 | 2019-09-20 | 南京农业大学 | 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法 |
| CN110766082A (zh) * | 2019-10-25 | 2020-02-07 | 成都大学 | 一种基于迁移学习的植物叶片病虫害程度分类方法 |
| CN110929610A (zh) * | 2019-11-12 | 2020-03-27 | 上海五零盛同信息科技有限公司 | 基于cnn模型和迁移学习的植物病害识别方法及系统 |
| CN111027436A (zh) * | 2019-12-03 | 2020-04-17 | 吉林大学 | 一种基于深度学习的东北黑木耳病虫害图像识别系统 |
| CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
| CN111161156A (zh) * | 2019-11-28 | 2020-05-15 | 东南大学 | 一种基于深度学习的水下桥墩病害图像分辨率增强方法 |
| CN111563431A (zh) * | 2020-04-24 | 2020-08-21 | 空间信息产业发展股份有限公司 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
-
2020
- 2020-09-09 CN CN202010938341.9A patent/CN112052904A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018201647A1 (zh) * | 2017-05-05 | 2018-11-08 | 平安科技（深圳）有限公司 | 视网膜病变程度等级检测方法、装置及存储介质 |
| CN109360192A (zh) * | 2018-09-25 | 2019-02-19 | 郑州大学西亚斯国际学院 | 一种基于全卷积网络的物联网大田作物叶部病害检测方法 |
| CN110148120A (zh) * | 2019-05-09 | 2019-08-20 | 四川省农业科学院农业信息与农村经济研究所 | 一种基于cnn与迁移学习的病害智能识别方法及系统 |
| CN110263863A (zh) * | 2019-06-24 | 2019-09-20 | 南京农业大学 | 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法 |
| CN110766082A (zh) * | 2019-10-25 | 2020-02-07 | 成都大学 | 一种基于迁移学习的植物叶片病虫害程度分类方法 |
| CN110929610A (zh) * | 2019-11-12 | 2020-03-27 | 上海五零盛同信息科技有限公司 | 基于cnn模型和迁移学习的植物病害识别方法及系统 |
| CN111161156A (zh) * | 2019-11-28 | 2020-05-15 | 东南大学 | 一种基于深度学习的水下桥墩病害图像分辨率增强方法 |
| CN111027436A (zh) * | 2019-12-03 | 2020-04-17 | 吉林大学 | 一种基于深度学习的东北黑木耳病虫害图像识别系统 |
| CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
| CN111563431A (zh) * | 2020-04-24 | 2020-08-21 | 空间信息产业发展股份有限公司 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| K.THENMOZHI等: "Crop pest classification based on deep convolutional neural network and transfer learning", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
| 斯华龄等编著: "《智能视觉图像处理》", 31 October 2002, 上海科技教育出版社 * |
| 方晨晨等: "基于改进深度残差网络的番茄病害图像识别", 《计算机应用》 * |
| 李丹: "基于迁移学习和改进残差神经网络的黄瓜叶部病害识别方法", 《农业工程》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668404A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种大豆病虫害的有效鉴定方法 |
| CN112613410A (zh) * | 2020-12-24 | 2021-04-06 | 江苏大学 | 基于迁移学习的寄生虫虫卵识别方法 |
| CN112613410B (zh) * | 2020-12-24 | 2024-05-14 | 江苏大学 | 基于迁移学习的寄生虫虫卵识别方法 |
| CN112749675A (zh) * | 2021-01-20 | 2021-05-04 | 云南农业大学 | 一种基于卷积神经网络的马铃薯病害识别方法 |
| CN113076873A (zh) * | 2021-04-01 | 2021-07-06 | 重庆邮电大学 | 一种基于多阶段训练的农作物病害长尾图像识别方法 |
| CN113361589A (zh) * | 2021-06-01 | 2021-09-07 | 杨晶晶 | 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法 |
| CN115587296A (zh) * | 2021-07-05 | 2023-01-10 | 中国矿业大学(北京) | 一种基于迁移学习分步识别的农作物病害自动识别方法 |
| CN113609941A (zh) * | 2021-07-27 | 2021-11-05 | 江苏师范大学 | 一种基于深度学习的农作物病虫害识别方法 |
| CN113627501A (zh) * | 2021-07-30 | 2021-11-09 | 武汉大学 | 一种基于迁移学习的动物图像种类识别方法 |
| CN113780357A (zh) * | 2021-08-13 | 2021-12-10 | 华中农业大学 | 一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法 |
| CN113780357B (zh) * | 2021-08-13 | 2024-02-02 | 华中农业大学 | 一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法 |
| CN113807449A (zh) * | 2021-09-23 | 2021-12-17 | 合肥工业大学 | 一种沉积岩类别识别方法、装置、电子设备和存储介质 |
| CN114170137A (zh) * | 2021-11-05 | 2022-03-11 | 成都理工大学 | 一种辣椒病害识别方法、识别系统、计算机可读存储介质 |
| CN115245122A (zh) * | 2021-12-21 | 2022-10-28 | 重庆三峡学院 | 一种适用于浙贝母种植的精准栽培系统 |
| CN115019215B (zh) * | 2022-08-09 | 2022-12-09 | 之江实验室 | 一种基于高光谱图像的大豆病虫害识别方法和装置 |
| CN115019215A (zh) * | 2022-08-09 | 2022-09-06 | 之江实验室 | 一种基于高光谱图像的大豆病虫害识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112052904A (zh) | 一种基于迁移学习和卷积神经网络病虫害的识别方法 | |
| CN111985370B (zh) | 一种基于混合注意力模块的农作物病虫害识别方法 | |
| US8989442B2 (en) | Robust feature fusion for multi-view object tracking | |
| CN107145889B (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
| WO2021022521A1 (zh) | 数据处理的方法、训练神经网络模型的方法及设备 | |
| CN106407986A (zh) | 一种基于深度模型的合成孔径雷达图像目标识别方法 | |
| CN109190513A (zh) | 结合图像显著性检测和神经网络的车辆重识别方法与系统 | |
| CN108062574A (zh) | 一种基于特定类别空间约束的弱监督目标检测方法 | |
| Lin et al. | Learning temporary block-based bidirectional incongruity-aware correlation filters for efficient UAV object tracking | |
| CN112364931A (zh) | 基于元特征和权重调整的少样本目标检测方法及网络模型 | |
| Chen et al. | Distance metric learning for feature-agnostic place recognition | |
| CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
| CN115690152A (zh) | 一种基于注意力机制的目标追踪方法 | |
| CN114358211B (zh) | 基于多模态深度学习的航空器行为意图识别方法 | |
| CN115147456A (zh) | 一种基于时序自适应卷积与注意力机制的目标跟踪方法 | |
| CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
| CN116597136A (zh) | 一种半监督遥感图像语义分割方法与系统 | |
| Singh et al. | Performance Analysis of CNN Models with Data Augmentation in Rice Diseases | |
| Zeng et al. | Masanet: Multi-angle self-attention network for semantic segmentation of remote sensing images | |
| CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 | |
| CN112800871B (zh) | 一种基于注意力机制和关系网络的自动驾驶图像识别方法 | |
| Liu et al. | Boosting Visual Recognition in Real-world Degradations via Unsupervised Feature Enhancement Module with Deep Channel Prior | |
| CN114694042A (zh) | 一种基于改进Scaled-YOLOv4的伪装人员目标检测方法 | |
| CN117876843B (zh) | 一种具有动态降低图像冗余的高效农作物病害识别方法 | |
| CN115082704B (zh) | 基于相关性滤波的文本行人重识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201208 |
|
| RJ01 | Rejection of invention patent application after publication |