CN112784891A - 人工神经网络的番茄病状情况分类方法及装置 - Google Patents
人工神经网络的番茄病状情况分类方法及装置 Download PDFInfo
- Publication number
- CN112784891A CN112784891A CN202110050006.XA CN202110050006A CN112784891A CN 112784891 A CN112784891 A CN 112784891A CN 202110050006 A CN202110050006 A CN 202110050006A CN 112784891 A CN112784891 A CN 112784891A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- tomato
- classification
- pathology
- 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
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
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)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (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
本申请提供了一种基于人工神经网络的番茄病状情况分类方法及装置,应用于采用CCD摄像机获取图像数据的缺陷检测;所述方法包括:获取待测番茄的原始图像,并依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像;利用人工智能的自学习能力,建立所述待测番茄的检测图像与所述待测番茄的病状分类之间的对应关系;获取当前待测番茄的当前检测图像;通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类。通过对所获取的原始图像进行预处理,使得图像的特征更明显,提高了检测的准确性。并且用二值化图像对人工神经网络进行训练,二值化图像只有单通道,相比于RGB图像三通道处理的速度更快。
Description
技术领域
本申请涉及农业检测领域,特别是一种人工神经网络的番茄病状情况分类方法及装置。
背景技术
我国是番茄生产大国,长期以来,番茄的分类主要通过劳动力人工目测进行分类,而人工分类需要耗费大量的人力物力,效率低,并且人工分类是主观的,会因个人身体、情绪等因素所影响。近年来,许多研究是基于机器视觉在农业上对水果进行分类,但是这些方法需要人为的提取水果中的特征,例如体积、重量等,并且不能达到实时分类。
随着机器视觉近几年的迅猛发展,机器视觉在农业的应用已经越来越广泛了。机器视觉在农业生产的应用可以节省大量的劳动力,提高产业链的速度,对农业的自动化发展具有重要意义。在农业应用中,机器视觉一般用于农产品的缺陷检测、农产品的分级与分类、农产品的质量评估等方面。
在传统的农产品分类系统中,最突出的缺点就是分类效果不好,并且耗时长。目前在农产品的应用中,使用较多的是机器学习和深度学习两种方法,使用机器学习方的法,会面临着需要人为提取特征的繁琐过程;而使用深度学习的方法会面临着卷积网络深,并且准确率不高等问题。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种人工神经网络的番茄病状情况分类方法及装置,包括:
一种基于人工神经网络的番茄病状情况分类方法,所述方法应用于通过检测待测番茄的实时图像区分所述待测番茄的病状分类;其中,所述病状分类包括健康、黑斑病、晚疫病和溃疡病;
所述方法包括:
获取待测番茄的原始图像,并依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像;
利用人工智能的自学习能力,建立所述待测番茄的检测图像与所述待测番茄的病状分类之间的对应关系;
获取当前待测番茄的当前检测图像;
通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类;具体地,确定与所述当前检测图像对应的当前病状分类,包括:将所述对应关系中与所述当前检测图像相同的检测图像所对应的病状分类,确定为所述当前病状分类。
进一步地,所述依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像的步骤,包括:
将所述原始图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的检测图像。
进一步地,所述将所述原始图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的检测图像的步骤,包括:
当所获取的所述原始图像为彩色图像时,则生成所述原始图像对应的灰度图像;
将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的所述检测图像;
或;
当所获取的所述原始图像为灰度图像时,则将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的所述检测图像。
进一步地,所述将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的检测图像的步骤,包括:
依据预设的高斯模型参数和所述灰度图像生成去噪声图像;
将所述去噪声图像进行直方图均衡化处理生成特征增强图像;
依据预设的顶帽运算参数和所述特征增强图像生成细节增强图像;
依据预设的二值化阈值和所述细节增强图像生成所述检测图像。
进一步地,所述依据预设的二值化阈值和所述细节增强图像生成所述检测图像的步骤,包括:
将所述灰度图像中像素值小于预设值的像素点的像素值设置为0;
将所述灰度图像中其余像素点的像素值设置为255;
将像素值重新设置后的所述灰度图像设置为所述检测图像。
进一步地,所述建立待测番茄对应的检测图像与所述待测番茄的病状分类之间的对应关系的步骤,包括:
获取用于建立所述检测图像与所述病状分类之间的对应关系的样本数据;
分析所述检测图像的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述检测图像与所述病状分类的所述对应关系。
进一步地,所述获取用于建立所述检测图像与所述病状分类之间的对应关系的样本数据的步骤,包括:
收集不同样品的所述检测图像与所述病状分类;
对所述检测图像进行分析、并结合预存的专家经验信息,选取与所述病状分类相关的数据作为所述检测图像;
将所述病状分类、以及选取的所述检测图像构成的数据对,作为样本数据。
进一步地,其特征在于,
对所述网络结构和所述网络参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述检测图像输入到所述网络结构,通过所述网络结构的损失函数,激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应病状分类之间的实际训练误差是否满足预设训练误差;
当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
对所述网络结构和所述网络参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述检测图像输入到所述训练完成的所述网络结构中,以所述损失函数,激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应病状分类之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
进一步地,其特征在于,
对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差损失函数更新所述网络参数;
通过所述网络结构的所述损失函数,激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述网络结构和所述网络参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
一种人工神经网络的番茄病状情况分类装置,所述装置应用于通过检测待测番茄的实时图像区分所述待测番茄的病状分类;其中,所述病状分类包括健康、黑斑病、晚疫病和溃疡病;
具体包括:
检测图像生成模块,用于获取待测番茄的原始图像,并依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像;
对应关系建立模块,用于利用人工智能的自学习能力,建立所述待测番茄的检测图像与所述待测番茄的病状分类之间的对应关系;
当前检测图像获取模块,用于获取当前待测番茄的当前检测图像;
当前病状分类确定模块,用于通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类;具体地,确定与所述当前检测图像对应的当前病状分类,包括:将所述对应关系中与所述当前检测图像相同的检测图像所对应的病状分类,确定为所述当前病状分类。
一种设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的人工神经网络的番茄病状情况分类方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的人工神经网络的番茄病状情况分类方法的步骤。
本申请具有以下优点:
在本申请的实施例中,通过获取待测番茄的原始图像,并依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像;利用人工智能的自学习能力,建立所述待测番茄的检测图像与所述待测番茄的病状分类之间的对应关系;获取当前待测番茄的当前检测图像;通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类;具体地,确定与所述当前检测图像对应的当前病状分类,包括:将所述对应关系中与所述当前检测图像相同的检测图像所对应的病状分类,确定为所述当前病状分类。通过对所获取的原始图像进行预处理,使得图像的特征更明显,提高了检测的准确性。并且用二值化图像对人工神经网络进行训练,二值化图像只有单通道,相比于RGB图像三通道处理的速度更快。并且本方法使用改进的VGG16模型进行提取特征,最后由KNN对提取的特征进行分类,与传统的智能分类方法相比,不需要人为的提取特征,结合了深度学习和机器学习的方法进行分类,耗时少、准确率高,能够实现实时分类。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种人工神经网络的番茄病状情况分类方法的步骤流程图;
图2是本申请一具体实现提供的一种人工神经网络的番茄病状情况分类方法的硬件设备连接示意框图;
图3是本申请一具体实现提供的一种人工神经网络的番茄病状情况分类方法的四种病状的待测番茄原始图像示意图;
图4是本申请一具体实现提供的一种人工神经网络的番茄病状情况分类方法的四种病状的待测番茄灰度图像示意图;
图5是本申请一具体实现提供的一种人工神经网络的番茄病状情况分类方法的四种病状的待测番茄去噪声图像示意图;
图6是本申请一具体实现提供的一种人工神经网络的番茄病状情况分类方法的四种病状的待测番茄特征增强图像示意图;
图7是本申请一具体实现提供的一种人工神经网络的番茄病状情况分类方法的四种病状的待测番茄检测图像示意图;
图8本申请一实施例提供的一种人工神经网络的番茄病状情况分类装置的结构框图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本发明任一实施例中,所述方法获取所述待测番茄的原始图像可以通过CCD摄像机获取图像数据的缺陷检测,其中CCD是Charge Coupled Device(电荷耦合器件)的缩写,它是一种半导体成像器件,因而具有灵敏度高、抗强光、畸变小、体积小、寿命长、抗震动等优点。
在工作时被摄物体的图像经过镜头聚焦至CCD芯片上,CCD根据光的强弱积累相应比例的电荷,各个像素积累的电荷在视频时序的控制下,逐点外移,经滤波、放大处理后,形成视频信号输出。视频信号连接到监视器或电视机的视频输入端便可以看到与原始图像相同的视频图像。它是一种半导体成像器件,为简化CCD摄像机的供电,一般从外部只输入一种电源(12V),而机内其他各种电压值的电源都由电源变换获得。
参照图1,示出了本申请一实施例提供的一种人工神经网络的番茄病状情况分类方法,所述方法应用于通过检测待测番茄的实时图像区分所述待测番茄的病状分类;其中,所述病状分类包括健康、黑斑病、晚疫病和溃疡病;
所述方法包括:
S110、获取待测番茄的原始图像,并依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像;
S120、利用人工智能的自学习能力,建立所述待测番茄的检测图像与所述待测番茄的病状分类之间的对应关系;
S130、获取当前待测番茄的当前检测图像;
S140、通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类;具体地,确定与所述当前检测图像对应的当前病状分类,包括:将所述对应关系中与所述当前检测图像相同的检测图像所对应的病状分类,确定为所述当前病状分类。
在本申请的实施例中,获取待测番茄的原始图像,并依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像;利用人工智能的自学习能力,建立所述待测番茄的检测图像与所述待测番茄的病状分类之间的对应关系;获取当前待测番茄的当前检测图像;通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类;具体地,确定与所述当前检测图像对应的当前病状分类,包括:将所述对应关系中与所述当前检测图像相同的检测图像所对应的病状分类,确定为所述当前病状分类。通过对所获取的原始图像进行预处理,使得图像的特征更明显,提高了检测的准确性。并且用二值化图像对人工神经网络进行训练,二值化图像只有单通道,相比于RGB图像三通道处理的速度更快。并且本方法使用改进的VGG16模型(VGG,Visual Geometry Group Network,视觉几何群网络)进行提取特征,最后由KNN(K-NearestNeighbor,k最邻近分类算法)对提取的特征进行分类,与传统的智能分类方法相比,不需要人为的提取特征,结合了深度学习和机器学习的方法进行分类,耗时少、准确率高,能够实现实时分类。
下面,将对本示例性实施例中人工神经网络的番茄病状情况分类方法作进一步地说明。
如所述步骤S110所述,获取当前待测番茄的原始图像,并确定所述原始图像中的特征区域。
在本发明一实施例中,可以结合下列描述进一步说明步骤S110所述“获取当前待测番茄的原始图像,并确定所述原始图像中的特征区域”的具体过程。
如下列步骤所述:将所述原始图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的检测图像。
需要说明的是,使用图像的二值化,就是将图像上的像素点的灰度值设置为0或255,给定一个阈值,让小于这个阈值的灰度值为255,大于这个阈值的设为0,这样让整个图像就变为只有黑白两种颜色的二值化图像。
在本发明一进阶实施例中,可以结合下列描述进一步说明步骤“确将所述原始图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的检测图像”的具体过程。
可选地:
如下列步骤所述:当所获取的所述原始图像为彩色图像时,则生成所述原始图像对应的灰度图像;
将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的所述检测图像;
可选地:
如下列步骤所述:当所获取的所述原始图像为灰度图像时,则将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的所述检测图像。
需要说明的是,由于CCD摄像机能够获取黑白或彩色图像数据,而本实施例中在进行线段区域的确定时,采用LSD检测算法(Line Segment Detector,直线检测算法)进行线段区域的检测,而该算法所适配的图像数据仅为灰度图像,因此,当本实施例获取的图像数据为彩色时,则进行对彩色图像数据的灰度化处理。
需要说明的是,将彩色图像转化成为灰度图像的过程,即图像的灰度化处理可以为。彩色图像中的每个像素的颜色有Red、Green、Blue(R、G、B)三个分量决定,而每个分量有255种数值可取,这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。
而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像(R=G=B),其一个灰色像素点的变化范围为255种,所以在数字图像处理种一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。
灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
作为一种示例,将图像每个像素点的RGB三个通道根据公式1算出新的像素值,当图像上的每个像素点的RGB值都相等时,彩色图像就会变为单通道的灰度图像,将三通道的彩色图像转换成单通道的灰度图像可以加快图像的处理。
Gray=R*0.299+G*0.587+B*0.114 公式1
在本发明一进阶实施例中,可以结合下列描述进一步说明步骤“将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的所述检测图像”的具体过程。
如下列步骤所述:依据预设的高斯模型参数和所述灰度图像生成去噪声图像;
需要说明的是,由于图像可能存在一些噪声的干扰,需要对图像进行滤波处理,其中使用高斯滤波过滤灰度图像的噪声。选用的高斯模板大小为5*5,标准差σ为1,设中心坐标为(0,0),通过公式2(高斯公式)可以计算得出权重矩阵。权重矩阵跟图像的所有像素进行卷积,每次卷积结果为中心点的高斯滤波值,重复此过程,可得到高斯滤波后的图像。
(-2,2) | (-1,2) | (0,2) | (1,2) | (2,2) |
(-2,1) | (-1,1) | (0,1) | (1,1) | (2,1) |
(-2,0) | (-1,0) | (0,0) | (1,0) | (2,0) |
(-2,-1) | (-1,-1) | (0,-1) | (1,-1) | (2,-1) |
(-2,-2) | (-1,-2) | (0,-2) | (1,-2) | (2,-2) |
如下列步骤所述:将所述去噪声图像进行直方图均衡化处理生成特征增强图像;
需要说民的是,图像增强所使用的方法是灰度直方图均衡化,基本思想是把原始图的直方图变通过映射,将其分布变换为均匀分布的形式,这样就增加了像素灰度值的动态范围,该方法可以增强图像中番茄所在的区域。灰度图像直方图均衡化步骤如下:
(1)根据公式3计算灰度图像的直方图,n为图片像素总数,nk为灰度级Sk的像素个数。
(2)根据公式4计算灰度图像的累计直方图。
(3)根据公式5进行累计直方图区间转换,Dj为目标像素,L为图像中的最大灰度值。
Dj=L·cdf(Si) 公式5
(4)在累计直方图中,概率相近的原始值,会被处理为相同的值,处理完所有像素点就能够把原始图像变换为灰度均衡的图像。
如下列步骤所述:依据预设的顶帽运算参数和所述特征增强图像生成细节增强图像;
需要说用的是,顶帽操作是原图像和开运算结果图的差,开运算放大了局部低亮度的区域,因此,从原图中减去开运算后的图,得到的结果图突出了比原图轮廓周围的区域更明亮的区域,可以提取图像中的微小特征。
如下列步骤所述:依据预设的二值化阈值和所述细节增强图像生成所述检测图像;
在本发明一进阶实施例中,可以结合下列描述进一步说明步骤“依据预设的二值化阈值和所述细节增强图像生成所述检测图像”的具体过程。
如下列步骤所述:将所述灰度图像中像素值小于预设值的像素点的像素值设置为0;
如下列步骤所述:将所述灰度图像中其余像素点的像素值设置为255;
如下列步骤所述:将像素值重新设置后的所述灰度图像设置为所述检测图像。
需要说明的是,图像的二值化,就是将图像上的像素点的灰度值设置为0或255,给定一个阈值,让小于这个阈值的灰度值为255,大于这个阈值的设为0,这样让整个图像就变为只有黑白两种颜色的二值化图像。
如所述步骤S120所述,利用人工智能的自学习能力,建立待测番茄对应的检测图像与所述待测番茄的病状分类之间的对应关系;其中,所述病状分类包括健康、黑斑病、晚疫病和溃疡病。
例如:利用人工神经网络算法来分析不同病状分类对应的待测番茄的外观状态规律,通过人工神经网络的自学习、自适应特性找到待测番茄对应的检测图像与所述待测番茄的病状分类间的映射规律。
例如:可以利用人工神经网络算法,通过对大量不同状况(包括但不限于如下的一种或多种:病况,尺寸等)的待测番茄对应的检测图像汇总收集,选取若干状况的待测番茄对应的检测图像及病状分类作为样本数据,对神经网络进行学习和训练,通过调整网络结构及网络节点间的权值,使神经网络拟合待测番茄对应的检测图像及病状分类之间的关系,最终使神经网络能准确拟合出不同状况的待测番茄对应的检测图像及病状分类的对应关系。
在一实施例中,所述对应关系,包括:函数关系。
优选地,所述检测图像为所述函数关系的输入参数,所述病状分类为所述函数关系的输出参数;
确定与所述当前检测图像对应的当前病状分类,还包括:
当所述对应关系包括函数关系时,将所述当前检测图像输入所述函数关系中,确定所述函数关系的输出参数为当前病状分类。
由此,通过多种形式的对应关系,可以提升对当前检测图像确定的灵活性和便捷性。
需要说明的是,所采用的人工神经网络可以采用经典的VGG16卷积神经网络。其中,经典的VGG16是卷积神经网络中的一种,它一共有16层卷积网络,由C1、C2卷积层、S1最大池化层、C3、C4卷积层、S2最大池化层、C5、C6、C7卷积层、S3最大池化层、C8、C9、C10卷积层、S4最大池化层、C11、C12、C13卷积层、S5最大池化层、F1、F2、F3全连接层,以及最后的Softmax输出层所构成,采用的激活函数为ReLU函数。
参照图2,作为一种示例,所采用的人工神经网络可以为基于经典的VGG16卷积神经网络进行修改的改进的VGG16卷积神经网络,
具体地,改进后的VGG16由C1、C2卷积层、S1最大池化层、C3、C4卷积层、S2最大池化层、C5、C6、C7卷积层、S3最大池化层、C8、C9、C10卷积层、S4最大池化层、Dropout层、F1全连接层、Dropout层、F2全连接层、Dropout层、F3全连接层,以及最后的Softmax输出层所构成。改进的VGG16删除了C11、C12、C13卷积层、S5最大池化层,减少了网络的运算时间,并且增加了三层Dropout层,Dropout的值为0.2,Dropout层能够防止网络模型的过拟合,提高网络的泛化能力。激活函数改为LeakyReLU函数,表达式为公式6,x为输入的值,a为常数,ReLU函数在输入小于0时,梯度值为0,导致在之后的训练中一直为0,训练参数无法得到更新,LeakyReLU函数避免了这种现象,当输入值小于0时,会有一个小梯度的非0值输出,避免了参数不更新的情况。
需要说明的是,在进行人工神经网络对图像的特征进行提取后优选采用KNN对提取特征进行分类,KNN是机器学习中的一种算法,在已知训练样本的数据和标签的条件下,输入测试样本,在训练样本中找到与测试样本距离最近的K个样本,K个样本中出现次数最多的类别为该测试样本的类别,KNN算法最重要的是K值的确定以及距离的计算。KNN算法实现流程如下:
计算训练样本与测试样本之间的距离,采用欧式距离公式计算,表达式为公式7,其中N为特征维数,xk为测试样本的第k维特征,yk为训练样本的第k维特征。
由(1)所计算的距离按从小到大的顺序排序。
选取与测试样本距离最小的K个邻近样本。
确定K个邻近样本中各个类别出现的概率。
频率出现最高的类别为该测试样本的预测类别。
需要说明的是,在通过KNN得出分类结果后通过K-Fold进行交叉验证,具体地,首先将数据集随机打乱,将打乱后的数据集均分为K组数据,对于每一组数据,分别将该组作为测试集,剩下的K-1组数据作为训练集,训练集数据用于训练模型,测试集用于对训练后的模型进行评估,重复k次,得到k次的误差平均求和作为该模型训练的结果。
需要说明的是,验证结果的损失值通过交叉熵损失函数进行获取,其中,交叉熵损失函数是损失函数中的一种,损失函数用于测量预测类别与真实类别间的差距,
在本发明一实施例中,可以结合下列描述进一步说明步骤S110所述“利用人工智能的自学习能力,建立待测番茄对应的检测图像与所述待测番茄的病状分类之间的对应关系;其中,所述病状分类包括健康、黑斑病、晚疫病和溃疡病”的具体过程。
如下列步骤所述:获取用于建立所述检测图像与所述病状分类之间的对应关系的样本数据;
在一进阶实施例中,可以结合下列描述进一步说明“获取用于建立所述检测图像与所述病状分类之间的对应关系的样本数据”的具体过程。
如下列步骤所述:收集不同样品的所述检测图像与所述病状分类;
例如:数据搜集:搜集不同颜色的待测番茄对应的检测图像及对应的病状分类;以及,搜集不同尺寸的待测番茄对应的检测图像及对应的病状分类;以及,搜集不同透明度的待测番茄对应的检测图像及对应的病状分类。
由此,通过多种途径收集运行数据,有利于增加运行数据的量,提升人工神经网络的学习能力,进而提升确定的对应关系的精准性和可靠性。
如下列步骤所述:对所述检测图像进行分析、并结合预存的专家经验信息,选取与所述病状分类相关的数据作为所述检测图像(例如:选取对病状分类有影响的检测图像作为输入参数,将指定参数作为输出参数);
例如:通过将已确定了病状分类后的待测番茄的相关数据中的检测图像作为输入参数,将其相关数据中的病状分类作为输出参数。
如下列步骤所述:将所述病状分类、以及选取的所述检测图像构成的数据对,作为样本数据。
例如:将得到的输入、输出参数对,一部分用作训练本样数据,一部分用作测试样本数据。
由此,通过对收集到的检测图像进行分析及处理,进而得到样本数据,操作过程简单,操作结果可靠性高。
如下列步骤所述:分析所述检测图像的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
例如:分析待测番茄对应的检测图像与所述待测番茄的病状分类,可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述检测图像与所述病状分类的所述对应关系”中对所述网络结构和所述网络参数进行训练的具体过程。
如下列步骤所述:选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述检测图像输入到所述网络结构,通过所述网络结构的损失函数,激活函数和所述网络参数进行训练,得到实际训练结果;
具体地,通过梯度下降算法最小化损失函数,更新网络参数,训练当前神经网络模型,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应病状分类之间的实际训练误差是否满足预设训练误差;当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
具体地,当所述实际训练误差满足所述预设训练误差时,且在当前训练的模型收敛,确定对所述网络结构和所述网络参数的所述训练完成。
更可选地,对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差损失函数更新所述网络参数;通过所述网络结构的所述损失函数,激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
例如:若测试误差满足要求,则网络训练测试完成。
由此,通过将测试样本用于训练得到的网络结构和网络参数进行测试,以进一步验证网络结构及网络参数的可靠性。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述检测图像与所述病状分类的所述对应关系”中对所述网络结构和所述网络参数进行测试的具体过程。
如下列步骤所述:选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述检测图像输入到所述训练完成的所述网络结构中,以所述损失函数,激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;确定所述实际测试结果与所述测试样本中的相应病状分类之间的实际测试误差是否满足设定测试误差;当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
如所述步骤S130所述,获取当前待测番茄的当前检测图像。
如所述步骤S140所述,通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类;具体地,确定与所述当前检测图像对应的当前病状分类,包括:将所述对应关系中与所述当前检测图像相同的检测图像所对应的病状分类,确定为所述当前病状分类。
参照图2-7,在一具体实现中,获取所述待测番茄图像的设备可以包括摄像头、红外传感器和传送带都与PC端连接,摄像头和红外传感器在传送带上方,红外传感器在摄像头前边。
步骤1:当样品到达红外传感器下方时,红外传感器给PC端发送信号,PC端处理信号之后,适当延迟地控制传送带,当样品到达摄像机下方时传送带停止,摄像机捕获图像,获取番茄图片的数据。
步骤2:由步骤1摄像头所捕获的番茄图像传送给PC端保存。
步骤3:PC端处理由步骤2所保存的番茄图片为RGB彩色图像,R、G、B分别对应图片的红绿蓝三个颜色通道,根据公式1将步骤1所获得的RGB彩色图像转为单通道的灰度图像,能够减少运算量,加快图像的处理速度。四种番茄灰度图的图像如图3所示。
步骤4:对步骤3所获得的灰度图片使用高斯滤波过滤掉图像的噪声。本方法所选用的高斯模板大小为5*5,标准差为1,中心坐标(0,0)。根据公式2算出权重矩阵,对图像进行卷积运算,去除图像中噪声的干扰。四种番茄高斯滤波后的图像如图4所示。
步骤5:对步骤4所获得的图像使用直方图均衡化的方法增强图像,使番茄的病态特征更明显。四种番茄直方图均衡化后的图像如图5所示。
步骤6:对步骤5所获得的图像进行顶帽运算,顶帽运算的核大小为5*5,值为1,顶帽运算能够使图像中番茄区域的亮度增强,并突出番茄中的病状细节。四种番茄顶帽运算后的图像如图6所示。
步骤7:对步骤6所获得的图像进行二值化处理,设定阈值为55,图像中像素点的像素值小于55的置为255,像素值大于55的置为0,二值化图像能够更清楚地反应番茄的病状特征。四种番茄二值化后的图像如图7所示。
步骤8:将步骤7所处理好的数据按照7:3的比例划分为训练样本和测试样本。
步骤9:建立改进的VGG16模型和训练。
步骤10:改进的VGG16模型,包括C1、C2卷积层、S1最大池化层、C3、C4卷积层、S2最大池化层、C5、C6、C7卷积层、S3最大池化层、C8、C9、C10卷积层、S4最大池化层、Dropout层、F1全连接层、Dropout层、F2全连接层、Dropout层、F3全连接层,以及最后的Softmax输出层。
步骤11:将激活函数由ReLU函数改为LeakyReLU函数,LeakyReLU函数表达式为公式6。
步骤12:将步骤8得到的训练样本和测试样本对步骤10建立的改进的VGG16模型进行训练和测试,得到训练后的VGG16模型。
步骤13:将步骤7处理好的图片数据送入步骤12所得到的训练好的改进的VGG16模型,在网络的F3全连接层输出图片的特征向量,并保存。
步骤14:构建KNN分类器。
步骤15:将步骤13所得到的特征向量(总数为N)进行M次划分,每次随机分成k组数据,每组数据的样本个数为N/k个,每次选取k-1组数据用做训练,剩下的一组数据用作测试,重复k次,每次使用交叉熵函数计算损失值,表达式为公式8,式中N为数据样本的总数,为第i个样本的真实值,为第i个样本的预测值,将k次的损失值求均值作为损失结果。
步骤16:对步骤14所构建的KNN分类器进行训练,使用步骤15所划分的数据对步骤14所构建的KNN使用K-Fold交叉验证法进行训练,一共训练M次,得到M个模型,得到M个模型的损失值,挑选出损失值最小的分类器为最优的KNN分类器。
步骤17:步骤16所得到的最优的KNN模型,能够对要预测的番茄分为健康、黑斑病、晚疫病、溃疡病四种类别。
本发明使用摄像头采集图片数据,传送到PC端对所采集的数据进行分类。对所采集的数据进行高斯滤波操作,过滤掉图片噪声的干扰。使用直方图均衡化增强图片中的番茄区域的信息,使用顶帽操作增强图像中番茄的病状特征,并用图像二值化处理去除图像的背景并只留下番茄表面的病状特征。对VGG16模型进行改进,减少了卷积层和池化层,减少了图像特征的丢失并加快了网络的训练速度,增加了Dropout层避免网络过拟合的现象,并且将网络的激活函数由ReLU改为LeakyReLU,避免网络训练时参数不更新的情况,改进后的VGG16更有鲁棒性。对改进后的VGG16模型进行训练,然后在F3全连接输出图像的特征向量,省去了人为提取的过程。将改进的VGG16模型所提取的特征向量对KNN使用K-Fold交叉验证进行训练,使用K-Fold交叉验证进行训练能够评估模型的泛化能力,从而选择最优的KNN模型。所选的最优的KNN模型能够将番茄分为健康、黑斑病、晚疫病、溃疡病四种类别。该方法耗时低、准确率高,并且能够达到实时检测的效果。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图8,示出了本申请一实施例提供的一种人工神经网络的番茄病状情况分类装置,所述装置应用于通过检测待测番茄的实时图像区分所述待测番茄的病状分类;其中,所述病状分类包括健康、黑斑病、晚疫病和溃疡病;
具体包括:
检测图像生成模块810,用于获取待测番茄的原始图像,并依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像;
对应关系建立模块820,用于利用人工智能的自学习能力,建立所述待测番茄的检测图像与所述待测番茄的病状分类之间的对应关系;
当前检测图像获取模块830,用于获取当前待测番茄的当前检测图像;
当前病状分类确定模块840,用于通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类;具体地,确定与所述当前检测图像对应的当前病状分类,包括:将所述对应关系中与所述当前检测图像相同的检测图像所对应的病状分类,确定为所述当前病状分类。
在本发明一实施例中,所述检测图像生成模块810,包括:
二值化处理子模块,用于将所述原始图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的检测图像。
在本发明一实施例中,所述二值化处理子模块,包括:
灰度图像生成子模块,用于当所获取的所述原始图像为彩色图像时,则生成所述原始图像对应的灰度图像;
第一检测图像生成子模块,用于将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的所述检测图像;
或;
第二检测图像生成子模块,用于当所获取的所述原始图像为灰度图像时,则将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的所述检测图像。
在本发明一实施例中,所述第一检测图像生成子模块,包括:
第一去噪声图像生成子模块,用于依据预设的高斯模型参数和所述灰度图像生成去噪声图像;
第一特征增强图像生成子模块,用于将所述去噪声图像进行直方图均衡化处理生成特征增强图像;
第一细节增强图像生成子模块,用于依据预设的顶帽运算参数和所述特征增强图像生成细节增强图像;
第一二值检测图像生成子模块,用于依据预设的二值化阈值和所述细节增强图像生成所述检测图像。
在本发明一实施例中,所述第二检测图像生成子模块,包括:
第二去噪声图像生成子模块,用于依据预设的高斯模型参数和所述灰度图像生成去噪声图像;
第二特征增强图像生成子模块,用于将所述去噪声图像进行直方图均衡化处理生成特征增强图像;
第二细节增强图像生成子模块,用于依据预设的顶帽运算参数和所述特征增强图像生成细节增强图像;
第二二值检测图像生成子模块,用于依据预设的二值化阈值和所述细节增强图像生成所述检测图像。
在本发明一实施例中,所述第一二值检测图像生成子模块,包括:
第一0像素值设置子模块,用于将所述灰度图像中像素值小于预设值的像素点的像素值设置为0;
第一255像素值设置子模块,用于将所述灰度图像中其余像素点的像素值设置为255;
第一检测图像设置子模块,用于将像素值重新设置后的所述灰度图像设置为所述检测图像。
在本发明一实施例中,所述第二二值检测图像生成子模块,包括:
第二0像素值设置子模块,用于将所述灰度图像中像素值小于预设值的像素点的像素值设置为0;
第二255像素值设置子模块,用于将所述灰度图像中其余像素点的像素值设置为255;
第二检测图像设置子模块,用于将像素值重新设置后的所述灰度图像设置为所述检测图像。
在本发明一实施例中,所述对应关系建立模块810,包括:
获取子模块,用于获取用于建立所述检测图像与所述病状分类之间的对应关系的样本数据;
分析子模块,用于分析所述检测图像的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
训练子模块,用于使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述检测图像与所述病状分类的所述对应关系。
在本发明一实施例中,所述获取子模块,包括:
收集子模块,用于收集不同样品的所述检测图像与所述病状分类;
分析子模块,用于对所述检测图像进行分析、并结合预存的专家经验信息,选取与所述病状分类相关的数据作为所述检测图像;
样本数据生成子模块,用于将所述病状分类、以及选取的所述检测图像构成的数据对,作为样本数据。
在本发明一实施例中,
所述训练子模块,包括:
训练结果生成子模块,用于选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述检测图像输入到所述网络结构,通过所述网络结构的损失函数,激活函数和所述网络参数进行训练,得到实际训练结果;
训练结果误差判断子模块,用于确定所述实际训练结果与所述训练样本中的相应病状分类之间的实际训练误差是否满足预设训练误差;
训练完成判定子模块,用于当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
测试子模块,用于对所述网络结构和所述网络参数进行测试,包括:
测试结果生成子模块,用于选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述检测图像输入到所述训练完成的所述网络结构中,以所述损失函数,激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
测试结果误差判断子模块,用于确定所述实际测试结果与所述测试样本中的相应病状分类之间的实际测试误差是否满足设定测试误差;
测试完成判定子模块,用于当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
在本发明一实施例中,
所述训练子模块,还包括:
网络参数更新子模块,用于当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差损失函数更新所述网络参数;
第一重训练子模块,用于通过所述网络结构的所述损失函数,激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
所述测试子模块,还包括:
第二重训练子模块,用于当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
在本发明实施例中,本发明还提供一种设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的人工神经网络的番茄病状情况分类方法的步骤。
在本发明实施例中,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的人工神经网络的番茄病状情况分类方法的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的人工神经网络的番茄病状情况分类方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于人工神经网络的番茄病状情况分类方法,其特征在于,所述方法应用于通过检测待测番茄的实时图像区分所述待测番茄的病状分类;其中,所述病状分类包括健康、黑斑病、晚疫病和溃疡病;
所述方法包括:
获取待测番茄的原始图像,并依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像;
利用人工智能的自学习能力,建立所述待测番茄的检测图像与所述待测番茄的病状分类之间的对应关系;
获取当前待测番茄的当前检测图像;
通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类;具体地,确定与所述当前检测图像对应的当前病状分类,包括:将所述对应关系中与所述当前检测图像相同的检测图像所对应的病状分类,确定为所述当前病状分类。
2.根据权利要求1所述的方法,其特征在于,所述依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像的步骤,包括:
将所述原始图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的检测图像。
3.根据权利要求2所述的方法,其特征在于,所述将所述原始图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的检测图像的步骤,包括:
当所获取的所述原始图像为彩色图像时,则生成所述原始图像对应的灰度图像;
将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的所述检测图像;
或;
当所获取的所述原始图像为灰度图像时,则将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的所述检测图像。
4.根据权利要求3所述的方法,其特征在于,所述将所述灰度图像进行二值化处理生成包含有分类特征的对应于所述待测番茄的检测图像的步骤,包括:
依据预设的高斯模型参数和所述灰度图像生成去噪声图像;
将所述去噪声图像进行直方图均衡化处理生成特征增强图像;
依据预设的顶帽运算参数和所述特征增强图像生成细节增强图像;
依据预设的二值化阈值和所述细节增强图像生成所述检测图像。
5.根据权利要求4所述的方法,其特征在于,所述依据预设的二值化阈值和所述细节增强图像生成所述检测图像的步骤,包括:
将所述灰度图像中像素值小于预设值的像素点的像素值设置为0;
将所述灰度图像中其余像素点的像素值设置为255;
将像素值重新设置后的所述灰度图像设置为所述检测图像。
6.根据权利要求1所述的方法,其特征在于,所述建立待测番茄对应的检测图像与所述待测番茄的病状分类之间的对应关系的步骤,包括:
获取用于建立所述检测图像与所述病状分类之间的对应关系的样本数据;
分析所述检测图像的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述检测图像与所述病状分类的所述对应关系。
7.根据权利要求6所述的方法,其特征在于,所述获取用于建立所述检测图像与所述病状分类之间的对应关系的样本数据的步骤,包括:
收集不同样品的所述检测图像与所述病状分类;
对所述检测图像进行分析、并结合预存的专家经验信息,选取与所述病状分类相关的数据作为所述检测图像;
将所述病状分类、以及选取的所述检测图像构成的数据对,作为样本数据。
8.一种人工神经网络的番茄病状情况分类装置,其特征在于,所述装置应用于通过检测待测番茄的实时图像区分所述待测番茄的病状分类;其中,所述病状分类包括健康、黑斑病、晚疫病和溃疡病;
具体包括:
检测图像生成模块,用于获取待测番茄的原始图像,并依据所述原始图像生成包含有分类特征的对应于所述待测番茄的检测图像;
对应关系建立模块,用于利用人工智能的自学习能力,建立所述待测番茄的检测图像与所述待测番茄的病状分类之间的对应关系;
当前检测图像获取模块,用于获取当前待测番茄的当前检测图像;
当前病状分类确定模块,用于通过所述对应关系,确定与所述当前检测图像所对应的当前病状分类;具体地,确定与所述当前检测图像对应的当前病状分类,包括:将所述对应关系中与所述当前检测图像相同的检测图像所对应的病状分类,确定为所述当前病状分类。
9.一种设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050006.XA CN112784891A (zh) | 2021-01-14 | 2021-01-14 | 人工神经网络的番茄病状情况分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050006.XA CN112784891A (zh) | 2021-01-14 | 2021-01-14 | 人工神经网络的番茄病状情况分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784891A true CN112784891A (zh) | 2021-05-11 |
Family
ID=75756753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110050006.XA Pending CN112784891A (zh) | 2021-01-14 | 2021-01-14 | 人工神经网络的番茄病状情况分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784891A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596201A (zh) * | 2018-03-06 | 2018-09-28 | 深圳市农博创新科技有限公司 | 一种基于图片识别果蔬病害的方法及装置 |
-
2021
- 2021-01-14 CN CN202110050006.XA patent/CN112784891A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596201A (zh) * | 2018-03-06 | 2018-09-28 | 深圳市农博创新科技有限公司 | 一种基于图片识别果蔬病害的方法及装置 |
Non-Patent Citations (2)
Title |
---|
ARAVIND KRISHNASWAMY RANGARAJAN等: "Tomato crop disease classification using pre-trained deep learning algorithm", 《PROCEDIA COMPUTER SCIENCE》 * |
吕权: "基于神经网络的番茄叶部病害识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757900B (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
CN109255344B (zh) | 一种基于机器视觉的数显式仪表定位与读数识别方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN113222959B (zh) | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 | |
CN115082451A (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN115620066B (zh) | 一种基于x光图像的物品检测方法、装置及电子设备 | |
Saidane et al. | Robust binarization for video text recognition | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN112419278A (zh) | 一种基于深度学习的实木地板分类方法 | |
KR102430946B1 (ko) | 소장 정결도를 진단하는 시스템 및 방법 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN116596891A (zh) | 基于半监督多任务检测的木地板颜色分类及缺陷检测方法 | |
CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
JP2840347B2 (ja) | 基板実装検査装置 | |
CN115082449B (zh) | 一种电子元器件缺陷检测方法 | |
CN112784891A (zh) | 人工神经网络的番茄病状情况分类方法及装置 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN112115824A (zh) | 果蔬检测方法、装置、电子设备以及计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |