CN112507770B - 一种水稻病虫害识别方法和系统 - Google Patents
一种水稻病虫害识别方法和系统 Download PDFInfo
- Publication number
- CN112507770B CN112507770B CN202010811336.1A CN202010811336A CN112507770B CN 112507770 B CN112507770 B CN 112507770B CN 202010811336 A CN202010811336 A CN 202010811336A CN 112507770 B CN112507770 B CN 112507770B
- Authority
- CN
- China
- Prior art keywords
- rice
- pest
- disease
- deep learning
- 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.)
- Active
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 143
- 201000010099 disease Diseases 0.000 title claims abstract description 128
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 128
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 115
- 235000009566 rice Nutrition 0.000 title claims abstract description 115
- 241000238631 Hexapoda Species 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 23
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 118
- 238000013135 deep learning Methods 0.000 claims abstract description 54
- 241000196324 Embryophyta Species 0.000 claims abstract description 25
- 230000002265 prevention Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- -1 n Species 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F18/24—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
- G06N3/045—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种水稻病虫害识别方法和系统,该方法包括:S1,采集稻田中的待识别水稻病虫害图像;S2,调用已训练好的深度学习识别模型对待识别水稻病虫害图像进行识别,并输出识别结果;S3,根据识别结果判断待识别水稻是否存在病虫害,若是,则发出报警提示,并输出病虫害的名称和对应的防治措施。本发明可准确对水稻病虫害进行识别,并给出相应的病虫害防治措施,有效控制水稻病虫害对水稻产量和质量的影响,减少农产品的经济损失。
Description
技术领域
本发明涉及计算机视觉领域,具体而言,涉及一种水稻病虫害识别方法和 系统。
背景技术
水稻是中国乃至全世界最主要的粮食作物,提高水稻的产量和品质是当前 粮食生产的重要目标。水稻在生长过程中会受到各种病虫害的侵害,近年来, 由于全球气候变暖、水稻耕作制度的改变、水稻品种选择和不合理用药等多种 原因,水稻病害呈现发生面积大、病害发生种类多和发生程度重等特点,严重 威胁到粮食生产的产量和品质,因此,水稻病虫害的防治在水稻生产和国民经 济发展中占据极其重要的地位。水稻病虫害防治的前提是对病虫害的种类进行 准确地识别。目前病虫害的识别主要依靠人工,具体包括通过已有经验进行识 别、查阅比对病虫害图谱和咨询专家等。对于普通常见的病虫害类型,农民可 直接辨别。然而对于那些不同病害造成的相似病斑和相同病害在不同品种有不 同的病斑等情形,除了有经验的专家,如果单纯通过比对图谱、根据病害的文 字描述来判断病虫害类型,则往往会造成人为的误判。另外,广大的农民朋友 接受的文化教育相对不多,面对病虫害时往往不能及时对治,等到水稻病情严 重时才加大用药量,这样不仅适得其反,还会严重污染环境。
综上,行业内急需研发一种能科学、高效地识别病虫害的类型和防治措施 的方法或者系统。
发明内容
本发明旨在解决现有技术或相关技术中存在的问题。为此,本发明的一个 目的在于提出了一种水稻病虫害识别方法,另一个目的在于提出一种水稻病虫 害识别系统。
一种水稻病虫害识别方法,包括:
S1,采集稻田中的待识别水稻病虫害图像;
S2,调用已训练好的深度学习识别模型对待识别水稻病虫害图像进行识别, 并输出识别结果;
S3,根据识别结果判断待识别水稻是否存在病虫害,若是,则发出报警提 示,并输出病虫害的名称和对应的防治措施。
优选地,步骤S2还包括:将获取的待识别水稻病虫害图像转换成RGB图 像数据并存储,将RGB图像数据输入已训练好的深度学习识别模型。
优选地,所述深度学习识别模型的训练步骤具体包括:构建水稻病虫害数 据集;将水稻病虫害数据集划分成训练集和测试集;其中,训练集用于训练深 度学习识别模型,测试集用来评估训练好的深度学习识别模型泛化能力的强弱; 基于经典深度学习识别网络ResNet提出FRNet网络;使用训练集对FRNet网络 进行训练,总共对FRNet网络训练N个轮次,每个轮次训练完后都用测试集对 深度学习识别模型的识别精度进行测试,将识别精度最高的模型对应的网络权 值文件作为对待识别水稻病虫害图像进行识别的深度学习识别模型;N≥2。
优选地,所述构建水稻病虫害数据集的步骤,具体包括:编写网络爬虫爬 取有关水稻病虫害的图片并进行筛选;到稻田地实地采集病虫害图像;将筛选 出的水稻病虫害的图片和采集的病虫害图像作为水稻病虫害数据集,其中水稻 病虫害数据集包括病害数据集和虫害数据集。
优选地,若判断识别出的水稻病虫害图像存在病虫害,则发出报警提示后 还包括:自动将水稻病虫害图像进行标记,将已标记的水稻病虫害图像加入到 数据集中,并使用新的数据集对深度学习识别模型进行训练,将训练完的最优 深度学习识别模型覆盖原来的深度学习识别模型。
优选地,所述基于经典深度学习识别网络ResNet提出FRNet网络的步骤, 具体包括:将深度学习识别网络ResNet最后一个残差块输出的每个特征图拉成 一维的特征向量;把每个特征图的特征向量按行排成一个矩阵F,再将矩阵F 与矩阵F的转置矩阵相乘得到权值矩阵W;将权值矩阵W标准化后求出权值矩 阵W所有元素的最大值max,然后将最大值max作为正则项加入到交叉熵损失 函数中,得到FRNet网络。
一种水稻病虫害识别系统,包括:图像采集与处理单元,用于采集稻田中 的待识别水稻病虫害图像,将获取的待识别水稻病虫害图像转换成RGB图像数 据并存储;水稻病虫害识别单元,用于调用已训练好的深度学习识别模型对待 识别水稻病虫害图像进行识别;报警提醒单元,用于根据识别结果判断待识别 水稻是否存在病虫害,若是,则发出报警提示,并输出病虫害的名称和对应的 防治措施。
优选地,所述水稻病虫害识别系统还包括:深度学习识别模型训练单元; 深度学习识别模型训练单元,用于构建水稻病虫害数据集;将水稻病虫害数据 集划分成训练集和测试集;其中,训练集用于训练深度学习识别模型,测试集 用来评估训练好的深度学习识别模型泛化能力的强弱;基于经典深度学习识别 网络ResNet提出FRNet网络;使用训练集对FRNet网络进行训练,总共对FRNet 网络训练N个轮次,每个轮次训练完后都用测试集对深度学习识别模型的识别 精度进行测试,将识别精度最高的模型对应的网络权值文件作为对待识别水稻 病虫害图像进行识别的深度学习识别模型;N≥2。
本发明与现有技术相比,具有如下优点和有益效果:
本发明预选从数据集的搜集入手,数据集有三个来源:使用网络爬虫从互 联网爬取水稻相关的病虫害图片、田间现场拍照和从事水稻研究的老师提供的 水稻病虫害图片,对整理好的数据集采用深度学习相关算法训练出一个有较高 识别率、较强泛化能力的水稻病虫害识别模型。再以此水稻病虫害识别模型为 核心开发出一套集图像采集、图像识别和报警提醒于一体的水稻病虫害识别方 法,以供广大从事农业工作的朋友使用。该方法能实时、高效地获取病虫害的 类型和防治措施,对推动农业的现代化发展具有重要的实践意义。此外,本发 明的优点和有益效果还包括:
1、本发明在训练深度学习识别模型的过程中,使用训练集对FRNet网络进 行训练,而FRNet网络,引入了特征图正则化思想,使得每个特征图学到的特 征尽可能地不一样,提高深度学习识别模型的泛化能力。
2、本发明的水稻病虫害识别方法和系统,通过病虫害图像的定点定时采集, 将计算机视觉识别、CNN卷积神经网络模型集成到识别系统,降低图像的带宽 占用,优化了网络资源,能够快速地进行CNN卷积神经网络模型检测,大大提 升了识别的效率。
3、本发明增加了反馈和更新机制,每次发出报警信号时系统都会自动将被 检测出病虫害的图片进行标记,然后系统会定时地将已标记的图片加入到数据 集中,并使用新的数据集对识别模型进行训练,将训练完的最优模型覆盖原来 的模型,使病虫害的识别准确率持续提升。
附图说明
图1是本发明实施例的水稻病虫害识别方法的流程示意图。
图2是本发明实施例的FRNet网络结构图。
图3本发明实施例的水稻病虫害识别系统的示意框图。
具体实施方式
为了更好的理解本发明的技术方案,下面结合附图详细描述本发明提供的 实施例,但本发明的实施方式不限于此。
实施例1
如图1所示,一种水稻病虫害识别方法,包括以下步骤:
S1.采集稻田中的待识别水稻病虫害图像,将待识别水稻病虫害图像转换成 标准RGB图像数据并存储,转换后获得24位R、G、B彩色空间的真彩色原始 水稻生长图像。
S2.调用已训练好的深度学习识别模型对待识别水稻病虫害图像进行识别, 并输出识别结果;深度学习识别模型的训练离不开数据集的构建,本发明的水 稻病虫害数据集的构建包括以下步骤:
编写网络爬虫爬取有关水稻病虫害的图片并进行筛选;
到云浮和茂名等地进行病虫害图像实地拍摄采集;更进一步的,对所述采集 的病虫害数据集的分辨率进行调整,以减少存储空间和提高模型训练的速度。
将筛选出的水稻病虫害的图片和采集的病虫害图像作为水稻病虫害数据集, 水稻病虫害数据集包括病害数据集和虫害数据集。
水稻病虫害数据集构建完成后,将水稻病虫害数据集划分成训练集和测试集, 比例为6:4。
如图2所示,所述基于经典深度学习识别网络ResNet提出FRNet网络的步 骤包括:
将ResNet网络最后一个残差块输出的每个特征图拉成一维的特征向量;
把每个特征图的特征向量按行排成一个矩阵F,再将矩阵F与矩阵F的转置 矩阵相乘得到权值矩阵W;其中图2的右边为ResNet原始的卷积块。
将权值矩阵W标准化后求出W所有元素的最大值max,然后将最大值max 作为正则项加入到交叉熵损失函数中。
将ResNet网络最后一个残差块输出的每个特征图进行正则化,使得每个特 征图学到的特征尽可能地不一样,而两个特征图之间的相似程度可以用两个特 征图分别拉成一维向量后的乘积来衡量。如果两个向量的乘积越大,说明两个 向量越相似;如果两个向量的乘积为零,说明两个向量是线性无关的;如果乘 积为负数,则两个特征图分别代表相似度很小的两个不同特征。权值矩阵W的 第i行第j列代表着第i个特征向量与第j个特征向量的乘积,这里我们选取乘 积最大(即最相似)的两个特征向量作为代表,将该乘积加入到损失函数中。 通过优化器最小化该乘积,即使得相似度最高的两个特征图变得不那么相似, 这样它们就能提取出差异性更大的特征。
本发明的深度学习识别模型采用PyTorch深度学习框架,硬件设备的配置为: CPU采用CoreTMi5-8400 CPU@2.80GHz×6,内存为16GB,GPU选用 GeForce GTX 1080Ti显存11G,NVIDIA驱动版本为535.21,CUDA版本选用 9.0.176,CUDNN 7.0.5神经网络加速库,操作系统为Linux Ubuntu18.04 LTS, 使用500G机械硬盘存储。
本发明的识别网络采用分批次随机梯度下降算法,送入网络的每个批次的图 片数量为16张以减少显存过载导致的模型训练失败;每次传入的图片大小为 224x224、3通道的RGB彩色图;动量因子设为0.9;衰减系数设为0.0005;学 习率初始设为0.001;训练100个批次即停止训练,训练策略为每30个批次学 习率下降10倍,以获得更小损失。本发明提出的FRNet网络和基础网络ResNet 的识别准确率如表1所示:
表1
表1表明:经改进后的算法,获得比经典ResNet网络更好的效果,对于病 害,FRNet比ResNet高出了0.24%;对于虫害,FRNet比ResNet高出了1.03%。 FRNet网络结构图如图2所示:
S3.根据识别结果判断待识别水稻是否存在病虫害,若是,则发出报警提示, 并给出病虫害的名称和防治措施等详情。判断待识别水稻是否存在病虫害的步 骤如下:
将待识别水稻病虫害图像分别按病害和虫害送入对应的训练好的深度学习 识别模型进行识别;
深度学习识别模型输出相应的识别结果;
判断识别结果是否存在病虫害;若存在,则发出报警提醒,并到病虫害信息 库检索病虫害识别结果列出的病虫害名称,将检索出的防治措施等信息呈现出 来。
如图3所示,一种水稻病虫害识别系统,包括:
图像采集与处理单元,用于采集稻田中的待识别水稻病虫害图像,将获取 的待识别水稻病虫害图像转换成RGB图像数据;水稻病虫害识别单元,用于调 用已训练好的深度学习识别模型对待识别水稻病虫害图像进行识别;也即使用 深度学习算法对RGB图像数据进行自动分析,得到病虫害图像分类;报警提醒 单元,用于根据识别结果判断待识别水稻是否存在病虫害,若是,则发出报警 提示,并输出病虫害的名称和对应的防治措施。
在该实施例中,通过手机摄像头拍摄田间水稻照片,并将照片解析成RGB 格式(RGB格式为一种对颜色进行编码的方法,统称为“颜色空间”或“色域”) 的像素数据,使用ResNet算法得到病虫害的分类,并发出报警提示。其中,图 像采集与处理单元在手机端,水稻病虫害识别单元和报警提醒单元在云服务器。
通过本发明的实施例,有效识别水稻病虫害并及时的提醒相关人员进行病 虫害防治,避免由于病虫害导致的农业减产、农产品质量下降、经济损失等问 题。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施 例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、 替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种水稻病虫害识别方法,其特征在于,包括:
S1,采集稻田中的待识别水稻病虫害图像;
S2,调用已训练好的深度学习识别模型对待识别水稻病虫害图像进行识别,并输出识别结果;
所述深度学习识别模型的训练步骤具体包括:
构建水稻病虫害数据集;
将水稻病虫害数据集划分成训练集和测试集;其中,训练集用于训练深度学习识别模型,测试集用来评估训练好的深度学习识别模型泛化能力的强弱;
基于经典深度学习识别网络ResNet提出FRNet网络,具体包括:将深度学习识别网络ResNet最后一个残差块输出的每个特征图拉成一维的特征向量;把每个特征图的特征向量按行排成一个矩阵F,再将矩阵F与矩阵F的转置矩阵相乘得到权值矩阵W;将权值矩阵W标准化后求出权值矩阵W所有元素的最大值max,然后将最大值max作为正则项加入到交叉熵损失函数中,得到FRNet网络;
使用训练集对FRNet网络进行训练,总共对FRNet网络训练N个轮次,每个轮次训练完后都用测试集对深度学习识别模型的识别精度进行测试,将识别精度最高的模型对应的网络权值文件作为对待识别水稻病虫害图像进行识别的深度学习识别模型;N≥2;
S3,根据识别结果判断待识别水稻是否存在病虫害,若是,则发出报警提示,并输出病虫害的名称和对应的防治措施。
2.根据权利要求1所述的水稻病虫害识别方法,其特征在于,步骤S2还包括:将获取的待识别水稻病虫害图像转换成RGB图像数据并存储,将RGB图像数据输入已训练好的深度学习识别模型。
3.根据权利要求1所述的水稻病虫害识别方法,其特征在于,所述构建水稻病虫害数据集的步骤,具体包括:
编写网络爬虫爬取有关水稻病虫害的图片并进行筛选;
到稻田地实地采集病虫害图像;
将筛选出的水稻病虫害的图片和采集的病虫害图像作为水稻病虫害数据集,其中水稻病虫害数据集包括病害数据集和虫害数据集。
4.根据权利要求3所述的水稻病虫害识别方法,其特征在于,若判断识别出的水稻病虫害图像存在病虫害,则发出报警提示后还包括:
自动将水稻病虫害图像进行标记,将已标记的水稻病虫害图像加入到数据集中,并使用新的数据集对深度学习识别模型进行训练,将训练完的最优深度学习识别模型覆盖原来的深度学习识别模型。
5.一种水稻病虫害识别系统,其特征在于,应用于权利要求1-4中任一项所述的水稻病虫害识别方法,包括:
图像采集与处理单元,用于采集稻田中的待识别水稻病虫害图像,将获取的待识别水稻病虫害图像转换成RGB图像数据并存储;
水稻病虫害识别单元,用于调用已训练好的深度学习识别模型对待识别水稻病虫害图像进行识别;
报警提醒单元,用于根据识别结果判断待识别水稻是否存在病虫害,若是,则发出报警提示,并输出病虫害的名称和对应的防治措施。
6.根据权利要求5所述的水稻病虫害识别系统,其特征在于,还包括:深度学习识别模型训练单元;
深度学习识别模型训练单元,用于构建水稻病虫害数据集;将水稻病虫害数据集划分成训练集和测试集;其中,训练集用于训练深度学习识别模型,测试集用来评估训练好的深度学习识别模型泛化能力的强弱;基于经典深度学习识别网络ResNet提出FRNet网络;使用训练集对FRNet网络进行训练,总共对FRNet网络训练N个轮次,每个轮次训练完后都用测试集对深度学习识别模型的识别精度进行测试,将识别精度最高的模型对应的网络权值文件作为对待识别水稻病虫害图像进行识别的深度学习识别模型;N≥2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010811336.1A CN112507770B (zh) | 2020-08-13 | 2020-08-13 | 一种水稻病虫害识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010811336.1A CN112507770B (zh) | 2020-08-13 | 2020-08-13 | 一种水稻病虫害识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507770A CN112507770A (zh) | 2021-03-16 |
CN112507770B true CN112507770B (zh) | 2022-08-12 |
Family
ID=74954016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010811336.1A Active CN112507770B (zh) | 2020-08-13 | 2020-08-13 | 一种水稻病虫害识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507770B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863340A (zh) * | 2023-08-16 | 2023-10-10 | 安徽荃银超大种业有限公司 | 基于深度学习的水稻叶片病害识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472252A (zh) * | 2018-12-28 | 2019-03-15 | 华南农业大学 | 一种田间作物虫害自动识别及作业管理系统 |
CN109919239A (zh) * | 2019-03-15 | 2019-06-21 | 尹显东 | 一种基于深度学习的农作物病虫害智能检测方法 |
CN110163302A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于正则化注意力卷积神经网络的示功图识别方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111127423B (zh) * | 2019-12-23 | 2023-04-07 | 金陵科技学院 | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 |
-
2020
- 2020-08-13 CN CN202010811336.1A patent/CN112507770B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472252A (zh) * | 2018-12-28 | 2019-03-15 | 华南农业大学 | 一种田间作物虫害自动识别及作业管理系统 |
CN109919239A (zh) * | 2019-03-15 | 2019-06-21 | 尹显东 | 一种基于深度学习的农作物病虫害智能检测方法 |
CN110163302A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于正则化注意力卷积神经网络的示功图识别方法 |
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 |
Non-Patent Citations (1)
Title |
---|
Frnet: Flattened Residual Network for Infant MRI Skull Stripping;Qian Zhang et al;《2019 IEEE 16th International Symposium on Biomedical Imaging》;20191231;第999-1002页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112507770A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3798901A1 (en) | Quantifying plant infestation by estimating the number of insects on leaves, by convolutional neural networks that use training images obtained by a semi-supervised approach | |
CN107330403B (zh) | 一种基于视频数据的牦牛计数方法 | |
US20210383149A1 (en) | Method for identifying individuals of oplegnathus punctatus based on convolutional neural network | |
Zeng et al. | Identification of maize leaf diseases by using the SKPSNet-50 convolutional neural network model | |
SE1930281A1 (en) | METHOD FOR CALCULATING DEVIATION RELATIONS OF A POPULATION | |
CN115099297B (zh) | 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法 | |
Silver et al. | In vino veritas: Estimating vineyard grape yield from images using deep learning | |
CN116912674A (zh) | 基于改进的YOLOv5s网络模型复杂水环境下目标检测方法及系统 | |
CN112507770B (zh) | 一种水稻病虫害识别方法和系统 | |
CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
CN113822198A (zh) | 基于uav-rgb图像和深度学习的花生生长监测方法、系统及介质 | |
Singh et al. | Performance evaluation of plant leaf disease detection using deep learning models | |
CN110598841A (zh) | 一种基于多输入卷积神经网络的花卉疾病分析方法 | |
Yuan et al. | Sensitivity examination of YOLOv4 regarding test image distortion and training dataset attribute for apple flower bud classification | |
CN114973024A (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 | |
Singh et al. | Comparison of RSNET model with existing models for potato leaf disease detection | |
CN117789037A (zh) | 作物生长期预测方法及装置 | |
CN113763196A (zh) | 一种基于改进YOLOv3的果园产量测定系统 | |
Menezes et al. | Pseudo-label semi-supervised learning for soybean monitoring | |
Rößle et al. | Efficient noninvasive FHB estimation using RGB images from a novel multiyear, multirater dataset | |
Deng et al. | Estimating the severity of sugarcane aphids infestation on sorghum with machine vision | |
CN110826691A (zh) | 基于yolo和lstm的地震速度谱智能拾取方法 | |
CN116310541A (zh) | 基于卷积网络多维度学习的昆虫分类方法及系统 | |
Omer et al. | An image dataset construction for flower recognition using convolutional neural network | |
Sari et al. | The Effect of Batch Size and Epoch on Performance of ShuffleNet-CNN Architecture for Vegetation Density Classification |
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 |