CN112149682B - 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 - Google Patents
基于深度学习的悬钩子植物自动识别方法、存储介质和装置 Download PDFInfo
- Publication number
- CN112149682B CN112149682B CN202011054203.0A CN202011054203A CN112149682B CN 112149682 B CN112149682 B CN 112149682B CN 202011054203 A CN202011054203 A CN 202011054203A CN 112149682 B CN112149682 B CN 112149682B
- Authority
- CN
- China
- Prior art keywords
- layer
- plant
- neural network
- convolutional neural
- deep
- 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.)
- Active
Links
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
- G06V10/20—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
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning 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
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的悬钩子植物自动识别方法、存储介质和装置,方法包括:将获取到的经过标记的所述植物和类似植物的包括至少两个植物元素的多个图像,输入至深度卷积神经网络进行训练,其中每个植物元素分别占用所述深度卷积神经网络输入层的对应数量通道;将待识别的图像输入到已训练好的深度卷积神经网络对应通道中,依据输出标记得到最终识别结果。本发明在模型构建过程中,建立由多种植物元素的多通道卷积神经网络模型,增强了模型的稳定性,提高了模型的准确率;同时,在最终判断过程中,使用具有对应植物元素的图像共同进行植物是否为悬钩子的判别,提高了整体的识别准确率。
Description
技术领域
本发明涉及基于深度学习的悬钩子植物自动识别方法、存储介质和装置。
背景技术
中医是中国五千年文明的智慧结晶,长久以来推动着我国健康事业的稳步发展。中草药作为珍贵的中医药资源,一直是研究学者的研究重点,对中草药的合理开发、采集和加工有利于稳步有效的发展我国的中医药产业。
悬钩子是蔷薇科,属灌木,在青海省的林区广泛分布。悬钩子的根、叶等均具有药用价值,因此对悬钩子进行自动识别是十分必要的。
目前对悬钩子的识别主要依靠人工方式,即通过植物专家及相关工作者根据所学专业及长期工作和研究经验,对植物进行人工识别。然而人工识别耗时较长,精度不高,存在混淆,分类错误等问题。随着图像识别和深度学习的发展,该技术目前已广泛应用于中医药图像鉴别等领域。但目前缺少针对于某种特定的中草药的自动识别模型。
发明内容
本发明的目的在于克服现有技术的不足,提供基于深度学习的悬钩子植物自动识别方法、存储介质和装置。
本发明的目的是通过以下技术方案来实现的:
本发明的第一方面,提供基于深度学习的悬钩子植物自动识别方法,包括:
将获取到的经过标记的所述植物和类似植物的包括至少两个植物元素的多个图像,输入至深度卷积神经网络进行训练,其中每个植物元素分别占用所述深度卷积神经网络输入层的对应数量通道;
将待识别的图像输入到已训练好的深度卷积神经网络对应通道中,依据输出标记得到最终识别结果。
进一步地,所述的植物元素包括叶子、花、果实中的两种或两种以上。
进一步地,所述的多个图像经过预处理后再进行训练,所述预处理包括以下步骤中的一种或者多种:对图像进行切割、背景差分、滤波去噪、随机翻转、随机旋转、随机裁剪。
进一步地,所述深度卷积神经网络包括顺次连接的输入层、卷积层、池化层、全连接层和softmax输出层。
进一步地,输入层的输入大小为114*114*9,输出通道为64;
卷积层中卷积核目的是为了提取图像的浅层特征,然后设置8个残差块,其中第1、2个残差块设置2个卷积层,输出通道为64,卷积核尺寸为3x3;第3、4个残差块设置两个卷积层,输出通道为128,卷积核尺寸为3x3;第5、6个残差块设置两个卷积层,输出通道为256,卷积核尺寸为3x3;第7、8个残差块设置两个卷积层,输出通道为512,卷积核尺寸为3x3;
然后使用池化层进行平均池化,得到最后512个特征图输出的均值;
最后使用全连接层和Softmax层得到最后的分类结果。
进一步地,对于残差块,具体公式为:
yl=h(xl)+F(xl,Wl)
xl+1=f(yl)
其中,xl和xl+1分别表示第l个残差块的输入和输出,yl表示第1个残差块的线性组合输出,F为残差函数,f是激活函数,h为第1层输入的恒等映射,Wl为第1个残差块要学习的权重参数。
进一步地,从浅层l到深层L的学习特征公式为:
对上式使用链式求导规则,反向计算xl的导数:
该公式的损失值对于xL的偏导表示损失函数到达L的梯度,1表示梯度可以无损传播,以此提升残差网络的学习能力。
进一步地,所述每个植物元素分别占用所述深度卷积神经网络输入层的对应数量通道包括以下分配方式的一种或者多种:
按照所述深度卷积神经网络输入层的通道数量,平均分配对应植物元素的通道;
按照所述植物一年周期生长过程中,对应植物元素存在时间的比例分配通道;
按照所述植物对应的植物元素药用重要性,进行通道分配。
本发明的第二方面,提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的基于深度学习的悬钩子植物自动识别方法的步骤。
本发明的第三方面,提供一种装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的基于深度学习的悬钩子植物自动识别方法的步骤。
本发明的有益效果是:
(1)在本发明的一示例性实施例中,在模型构建过程中,建立由多种植物元素(优选为叶子、花、果实三种特征)的多通道卷积神经网络模型,增强了模型的稳定性,提高了模型的准确率;同时,在最终判断过程中,使用具有对应植物元素(优选为叶子、花、果实三种特征)的图像共同进行植物是否为悬钩子的判别,提高了整体的识别准确率。
(2)在本发明的一示例性实施例中,由于是拍摄图像,因此图像质量参差不齐,存在角度、阴影、光照强度等因素的影响,使图像识别过程中存在一定的困难。因此在该示例性实施例中,使用多种图像增强手段,对采集的图像做相应的预处理,减少图像质量带来的准确率波动。
(3)在本发明的一示例性实施例中,公开了深度卷积神经网络模型的具体实现方式。
(4)在本发明的一示例性实施例中,采用多种方式实现深度卷积神经网络模型在训练过程中的通道分配,使得后期数据处理更加准确。
附图说明
图1为本发明一示例性实施例公开的方法流程图;
图2为本发明一示例性实施例公开的模型结构示意图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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,属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系,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。此外,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,属于“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,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
参见图1,图1示出了本发明的一示例性实施例提供的基于深度学习的悬钩子植物自动识别方法,包括:
将获取到的经过标记的所述植物和类似植物的包括至少两个植物元素的多个图像,输入至深度卷积神经网络进行训练,其中每个植物元素分别占用所述深度卷积神经网络输入层的对应数量通道;
将待识别的图像输入到已训练好的深度卷积神经网络对应通道中,依据输出标记得到最终识别结果。
本发明示例性实施例主要针对中草药悬钩子的植物图像鉴别,根据悬钩子的植物元素(优选地,在一示例性实施例中,所述的植物元素包括叶子、花、果实中的两种或两种以上)的局部图像,对悬钩子植物进行针对性鉴定。
在模型构建过程中,建立由多种植物元素(优选为叶子、花、果实三种特征)的多通道卷积神经网络模型,增强了模型的稳定性,提高了模型的准确率;同时,在最终判断过程中,使用具有对应植物元素(优选为叶子、花、果实三种特征)的图像共同进行植物是否为悬钩子的判别,提高了整体的识别准确率。
其中,收集完成后,可以对数据进行清洗,建立图像数据库,对植物图像按照植物元素(叶子、花、果实)及是否为悬钩子进行标记。另外,对于多个图像,通过任何可拍摄设备得到植物图像(悬钩子植物和非悬钩子植物)的叶子、花、果实,不少于200张。
更优地,在一示例性实施例中,如图1所示,所述的多个图像经过预处理后再进行训练,所述预处理包括以下步骤中的一种或者多种:对图像进行切割、背景差分、滤波去噪、随机翻转、随机旋转、随机裁剪。
具体地,在预处理过程中,由于是拍摄图像,因此图像质量参差不齐,存在角度、阴影、光照强度等因素的影响,使图像识别过程中存在一定的困难。因此在该示例性实施例中,使用多种图像增强手段,对采集的图像做相应的预处理,减少图像质量带来的准确率波动。
例如可以采用以下方式:对图像进行背景差分和滤波去噪,并进行图像的大小变换,获取固定大小(128*128*3)的图像样本,得到标准的图像数据库。在训练模型时,对图像进行数据增强,进行随机翻转和随机旋转(正负5度),然后随机裁剪至网络输入大小(114*114*3)。
更优地,在一示例性实施例中,如图2所示,所述深度卷积神经网络包括顺次连接的输入层、21层卷积层、2层池化层、全连接层和softmax输出层。
更优地,在一示例性实施例中,输入层的输入大小为114*114*9,输出通道为64;
卷积层中卷积核目的是为了提取图像的浅层特征,然后设置8个残差块,其中第1、2个残差块设置2个卷积层,输出通道为64,卷积核尺寸为3x3;第3、4个残差块设置两个卷积层,输出通道为128,卷积核尺寸为3x3;第5、6个残差块设置两个卷积层,输出通道为256,卷积核尺寸为3x3;第7、8个残差块设置两个卷积层,输出通道为512,卷积核尺寸为3x3;
然后使用池化层进行平均池化,得到最后512个特征图输出的均值;
最后使用全连接层和Softmax层得到最后的分类结果。
其中,残差块由多个卷积层组合而成。
其中,在一示例性实施例中,输入9通道数据,前3通道为叶子,中间3通道为花,最后3通道为果实。以悬钩子每个部位200张为例,则训练数据的组合数则为,200*200*200,共有八百万正例训练数据,残差网络可以增强网络的表达能力。
更优地,在一示例性实施例中,对于残差块,具体公式为:
yl=h(xl)+F(xl,Wl)
xl+1=f(yl)
其中,xl和xl+1分别表示第l个残差块的输入和输出,yl表示第1个残差块的线性组合输出,F为残差函数,f是激活函数,h为第1层输入的恒等映射,Wl为第1个残差块要学习的权重参数。
更优地,在一示例性实施例中,从浅层l到深层L的学习特征公式为:
对上式使用链式求导规则,反向计算xl的导数:
该公式的损失值对于xL的偏导表示损失函数到达L的梯度,1表示梯度可以无损传播,以此提升残差网络的学习能力。
更优地,在一示例性实施例中,所述每个植物元素分别占用所述深度卷积神经网络输入层的对应数量通道包括以下分配方式的一种或者多种:
按照所述深度卷积神经网络输入层的通道数量,平均分配对应植物元素的通道;
按照所述植物一年周期生长过程中,对应植物元素存在时间的比例分配通道;
按照所述植物对应的植物元素药用重要性,进行通道分配。
其中,三种分配方式可以按照实际需求进行选择,或者三种均建立并根据最后测试选择哪一种或哪几种最准确。
本申请的又一示例性实施例提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的基于深度学习的悬钩子植物自动识别方法的步骤。
本申请的又一示例性实施例提供一种装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的基于深度学习的悬钩子植物自动识别方法的步骤。
基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得装置执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (6)
1.基于深度学习的悬钩子植物自动识别方法,其特征在于:包括:
将获取到的经过标记的所述植物和类似植物的包括至少两个植物元素的多个图像,输入至深度卷积神经网络进行训练,其中每个植物元素分别占用所述深度卷积神经网络输入层的对应数量通道;
将待识别的图像输入到已训练好的深度卷积神经网络对应通道中,依据输出标记得到最终识别结果;
所述深度卷积神经网络包括顺次连接的输入层、卷积层、池化层、全连接层和softmax输出层;
输入层的输入大小为114*114*9,输出通道为64;
卷积层中卷积核目的是为了提取图像的浅层特征,然后设置8个残差块,其中第1、2个残差块设置2个卷积层,输出通道为64,卷积核尺寸为3x3;第3、4个残差块设置两个卷积层,输出通道为128,卷积核尺寸为3x3;第5、6个残差块设置两个卷积层,输出通道为256,卷积核尺寸为3x3;第7、8个残差块设置两个卷积层,输出通道为512,卷积核尺寸为3x3;
然后使用池化层进行平均池化,得到最后512个特征图输出的均值;
最后使用全连接层和Softmax层得到最后的分类结果;
对于残差块,具体公式为:
yl=h(xl)+F(xl,Wl)
xl+1=f(yl)
其中,xl和xl+1分别表示第l个残差块的输入和输出,yl表示第l个残差块的线性组合输出,F为残差函数,f是激活函数,h为第l层输入的恒等映射,Wl为第l个残差块要学习的权重参数;
从浅层l到深层L的学习特征公式为:
对上式使用链式求导规则,反向计算xl的导数:
该公式的损失值对于xL的偏导表示损失函数到达L的梯度,1表示梯度可以无损传播,以此提升残差网络的学习能力。
2.根据权利要求1所述的基于深度学习的悬钩子植物自动识别方法,其特征在于:所述的植物元素包括叶子、花、果实中的两种或两种以上。
3.根据权利要求1所述的基于深度学习的悬钩子植物自动识别方法,其特征在于:所述的多个图像经过预处理后再进行训练,所述预处理包括以下步骤中的一种或者多种:对图像进行切割、背景差分、滤波去噪、随机翻转、随机旋转、随机裁剪。
4.根据权利要求1所述的基于深度学习的悬钩子植物自动识别方法,其特征在于:所述每个植物元素分别占用所述深度卷积神经网络输入层的对应数量通道包括以下分配方式的一种或者多种:
按照所述深度卷积神经网络输入层的通道数量,平均分配对应植物元素的通道;
按照所述植物一年周期生长过程中,对应植物元素存在时间的比例分配通道;
按照所述植物对应的植物元素药用重要性,进行通道分配。
5.一种存储介质,其上存储有计算机指令,其特征在于:所述计算机指令运行时执行权利要求1~4中任一项所述的基于深度学习的悬钩子植物自动识别方法的步骤。
6.一种装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1~4中任一项所述的基于深度学习的悬钩子植物自动识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011054203.0A CN112149682B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011054203.0A CN112149682B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149682A CN112149682A (zh) | 2020-12-29 |
CN112149682B true CN112149682B (zh) | 2023-08-15 |
Family
ID=73894527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011054203.0A Active CN112149682B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149682B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016168046A (ja) * | 2015-03-09 | 2016-09-23 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
CN109871833A (zh) * | 2019-03-19 | 2019-06-11 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 |
CN109871885A (zh) * | 2019-01-28 | 2019-06-11 | 南京林业大学 | 一种基于深度学习和植物分类学的植物识别方法 |
CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI653605B (zh) * | 2017-12-25 | 2019-03-11 | 由田新技股份有限公司 | 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統 |
-
2020
- 2020-09-29 CN CN202011054203.0A patent/CN112149682B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016168046A (ja) * | 2015-03-09 | 2016-09-23 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
CN109871885A (zh) * | 2019-01-28 | 2019-06-11 | 南京林业大学 | 一种基于深度学习和植物分类学的植物识别方法 |
CN109871833A (zh) * | 2019-03-19 | 2019-06-11 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 |
CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的花朵品种的识别;杨静亚;李景霞;王振宇;程海;;黑龙江大学工程学报(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149682A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214298B (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN107679507A (zh) | 面部毛孔检测系统及方法 | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN109359569A (zh) | 一种基于cnn的红细胞图像亚分类方法 | |
Chouhan et al. | A deep learning approach for the classification of diseased plant leaf images | |
Hunt | Demography versus plant growth analysis | |
Ferrara et al. | Potential and actual bud fruitfulness: A tool for predicting and managing the yield of table grape varieties | |
CN109620203A (zh) | 一种基于一维卷积神经网络的心电信号特征自动提取方法 | |
CN111784200A (zh) | 一种草莓种苗壮苗指数及其构建方法 | |
Heidary-Sharifabad et al. | An efficient deep learning model for cultivar identification of a pistachio tree | |
CN109540814B (zh) | 一种基于多光谱成像技术的蝴蝶兰灰霉病早期检测方法 | |
CN112149682B (zh) | 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 | |
CN107766695A (zh) | 一种获取外周血基因模型训练数据的方法及装置 | |
CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
Bodó et al. | Soil humus, iron, sulphate and magnesium content affect nectar traits of wild garlic (Allium ursinum L.) | |
CN110533102A (zh) | 基于模糊推理的单类分类方法以及分类器 | |
CN105741173A (zh) | 农业类公司投资价值评估方法及系统 | |
CN113076873A (zh) | 一种基于多阶段训练的农作物病害长尾图像识别方法 | |
Hernández-Ledesma et al. | Comparative stem anatomy of Mirabilis (Nyctaginaceae) | |
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 | |
CN116563714A (zh) | 一种自动化判别水稻生长阶段的方法和系统 | |
CN108647731A (zh) | 基于主动学习的宫颈癌识别模型训练方法 | |
Rudenko et al. | The use of computer vision to improve the affinity of rootstock-graft combinations and identify diseases of grape seedlings | |
CN115266607A (zh) | 基于显微高光谱图像秀珍菇菌种退化无损检测方法 | |
CN113470010A (zh) | 一种基于机器学习的火龙果种植全周期病虫害防治方法 |
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 |