CN112884025B - 一种基于多特征分段式训练的茶叶病害分类系统 - Google Patents
一种基于多特征分段式训练的茶叶病害分类系统 Download PDFInfo
- Publication number
- CN112884025B CN112884025B CN202110141168.4A CN202110141168A CN112884025B CN 112884025 B CN112884025 B CN 112884025B CN 202110141168 A CN202110141168 A CN 202110141168A CN 112884025 B CN112884025 B CN 112884025B
- Authority
- CN
- China
- Prior art keywords
- disease
- training
- image
- data
- feature
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 80
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 title claims abstract description 55
- 241001122767 Theaceae Species 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 18
- 238000005520 cutting process Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000005096 rolling process Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06N3/047—Probabilistic or stochastic 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
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)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多特征分段式训练的茶叶病害分类系统，包含以下阶段：第一阶段、数据预处理；第二阶段、最优网络训练；第三阶段、图像分类功能；所述的第一阶段、数据预处理包括病害图片的裁切和数据的扩充两步；所述的第二阶段、最优网络训练包括数据划分和特征学习网络迭代训练两步本发明通过深度学习的方法设计了一种茶叶病害特征学习网络对茶叶病害数据进行训练，然后及那个已训练好的网络模型进行迁移，将最终的茶叶病害分类智能化，并且排除人为主观因素，使得到的结果较好。
Description
技术领域
本发明涉及病害分类系统技术领域，具体为一种基于多特征分段式训练的茶叶病害分类系统。
背景技术
在经济飞速发展的今天，我国作为世界上最大的茶叶生产国和消费国，生产总值在逐年的上升。但现阶段对于茶叶病害分类问题通常是依靠相关领域的专家进行勘察后，依据所积累的经验来进行判断。这种传统的方式存在一些缺陷，首先是病害的判别具有专家的主观因素，其次采用这种方法会花费大量的人力和财力。
为了解决传统人为分类存在的不足之处，本发明通过深度学习的方法设计了一种茶叶病害特征学习网络对茶叶病害数据进行训练，然后及那个已训练好的网络模型进行迁移，将最终的茶叶病害分类智能化，并且排除人为主观因素，使得到的结果较好。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于多特征分段式训练的茶叶病害分类系统。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于多特征分段式训练的茶叶病害分类系统，包含以下阶段：第一阶段、数据预处理；第二阶段、最优网络训练；第三阶段、图像分类功能；
所述的第一阶段、数据预处理包括病害图片的裁切和数据的扩充两步；
所述的第二阶段、最优网络训练包括数据划分和特征学习网络迭代训练两步。
优选的，所述的病害图片的裁切：由于拍摄器材以及拍摄环境等因素，所采集到的数据分辨率较大每个大图包含多种病害叶片；因此为了得到所需要能够输入网络的图片，将所拍摄到的图像进行裁剪成单个病害叶片为一幅图像；并且对于裁剪好的大小不已的图像，利用双线性插值法将其都调整到256×256的图像大小，最终得到所需要的茶叶病害图像；
所述的数据的扩充：由于所采集的数据量过少，因此最终得到的裁剪后的图像数量不足；为了避免在模型训练时过拟合，对所裁剪得到的数据进行数据的扩充；扩充的方法有旋转、对称、随机缩放、改变对比度等，在数据扩充后可以使模型的分类结果得到提升。
优选的，所述的数据划分：将所有的数据集按照7：3的比例进行划分，其中训练集中的所有样本进行训练来得到一个模型，并且将扩充的图像添加到训练集中，这样做的目的是扩充数据的多样性使最终的模型的效果达到最优；训练集的做用是用来对当前得到的模型进行测试来判断模型的好坏，通过不断的测试来遭到最优的网络模型。
优选的，所述的特征学习网络迭代训练：在模型的训练阶段中，将所有训练集的图片按照所设定的批出依次经过卷积块(Convolution+Relu+BN)进行对茶叶病害图像中所包含的病害特征进行提取，然后经过最大池化层(MaxPool)来减少特征图的尺寸大小使得计算量降低，同时还可以增加一定的特征非线性表达；
经过一系列卷积后将特征图的维度变成28×28×512后输入到下一个卷积块，这样一来使得模型能够更好的提取特征；在卷积神经网络中高层特征往往包含更多的语义信息，而低层特征通常包含更多的纹理信息和轮廓信息；然而在茶叶病害图像中纹理信息是在特征表述中占据很重要的地位；因此，我们将主干网路的第三个卷积块进行分流，分流出一个支流后接卷积块和池化块将其维度大小7×7×2048，同样对更深层的第四层也进行同样的分流操作来获取一定的纹理信息；
针对茶叶病害特征，引入HOG特征来提取茶叶病害的边缘信息；对输入的图像提取HOG特征，将得到的HOG特征进行卷积和池化的操作使其维度与三个分支的维度相同，确定维度相同后将HOG特征与三个分支的输出进行融合；
然后将单个支流特征图分别进行池化其特征图维度变为1×1×2048，通过全连接层得到1×1×1024的特征图，并利用损失和反响更新来优化特征；
最后将特征送进SoftMax层来的到最终的概率分布，从而判断输入图片所对应每个类别的概率，概率最大的就是输入图像所对应的茶叶病害类别，并通过测试集来对网络进行测试，不断的对网络进行多次的迭代优化，从而找到最优性能的网络模型以便后续的调用。
优选的，所述的第三阶段、图像分类功能：分类功能是该系统的核心功能；当对该系统输入一张未知类别的茶叶病害图像时，若知道这张输入图像所对应的病害类别是那一类；这时候我们只需要将这张待分类的图像输入到最优网络模型中进行相应的计算，最终利用网络模型中的Softmax层将输入图像对应每个类别的概率输出，从中找到对应类别最大的概率最终得到病害的类别。
优选的，所述的基于多特征分段式训练的茶叶病害分类系统具体操作步骤如下：
S1：移动设备包括手持相机和手机获取病害图片；
S2：将采集到的图送入CPU处理器进行对图像的处理；
S3：在该系统的目录下添加训练得到的最优模型和所处理后的病害图片；
S4：利用系统中的分类功能得到最后的分类结果；
S5：利用系统中的分类功能的到最后的分类结果；
S6：将最终的分类结果在显示窗口中打印出来。
(三)有益效果
本发明提供了一种基于多特征分段式训练的茶叶病害分类系统。具备以下有益效果：
1、本发明利用深度学习的方法将茶叶病害分类工作智能化，通过低成本的逻辑运算就能得到较好的分类结果；相比于人力检索不但方便快捷，而且不需要相关专业的先验知识；在大数据和人工智能的不断发展的推动下，该发明能够减轻茶叶种植用户的工作压力也能最终带来相应的收益提升；
2、本发明，在整个多特征分段式训练网络的优化过程，网络逐渐学习到不同对象的浅层特征(病害轮廓)和深层特征(特征分布)，这个过程可以看成一个相关领域的专家来学习相对应知识的一个过程，当模型通过不断的优化找到最佳的网络模型时，整个网络相当于是一个具有丰富相关知识的专家。此时，该模型具备了能够快速检索出足迹信息的能力。
附图说明
图1为本发明基于多特征分段式训练的茶叶病害分类系统的流程图；
图2为本发明基于多特征分段式训练的茶叶病害分类系统特征学习网络图；
图3为本发明基于多特征分段式训练的茶叶病害分类系统检索流程图；
图4为本发明基于多特征分段式训练的茶叶病害分类系统的系统端到端图。
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。
请参阅图1-4，本发明提供一种技术方案：一种基于多特征分段式训练的茶叶病害分类系统，包含以下阶段：第一阶段、数据预处理；第二阶段、最优网络训练；第三阶段、图像分类功能；
所述的第一阶段、数据预处理包括病害图片的裁切和数据的扩充两步；
所述的第二阶段、最优网络训练包括数据划分和特征学习网络迭代训练两步。
优选的，所述的病害图片的裁切：由于拍摄器材以及拍摄环境等因素，所采集到的数据分辨率较大每个大图包含多种病害叶片；因此为了得到所需要能够输入网络的图片，将所拍摄到的图像进行裁剪成单个病害叶片为一幅图像；并且对于裁剪好的大小不已的图像，利用双线性插值法将其都调整到256×256的图像大小，最终得到所需要的茶叶病害图像；
所述的数据的扩充：由于所采集的数据量过少，因此最终得到的裁剪后的图像数量不足；为了避免在模型训练时过拟合，对所裁剪得到的数据进行数据的扩充；扩充的方法有旋转、对称、随机缩放、改变对比度等，在数据扩充后可以使模型的分类结果得到提升。
优选的，所述的数据划分：将所有的数据集按照7：3的比例进行划分，其中训练集中的所有样本进行训练来得到一个模型，并且将扩充的图像添加到训练集中，这样做的目的是扩充数据的多样性使最终的模型的效果达到最优；训练集的做用是用来对当前得到的模型进行测试来判断模型的好坏，通过不断的测试来遭到最优的网络模型。
优选的，所述的特征学习网络迭代训练：在模型的训练阶段中，将所有训练集的图片按照所设定的批出依次经过卷积块(Convolution+Relu+BN)进行对茶叶病害图像中所包含的病害特征进行提取，然后经过最大池化层(MaxPool)来减少特征图的尺寸大小使得计算量降低，同时还可以增加一定的特征非线性表达；
经过一系列卷积后将特征图的维度变成28×28×512后输入到下一个卷积块，这样一来使得模型能够更好的提取特征；在卷积神经网络中高层特征往往包含更多的语义信息，而低层特征通常包含更多的纹理信息和轮廓信息；然而在茶叶病害图像中纹理信息是在特征表述中占据很重要的地位；因此，我们将主干网路的第三个卷积块进行分流，分流出一个支流后接卷积块和池化块将其维度大小7×7×2048，同样对更深层的第四层也进行同样的分流操作来获取一定的纹理信息；
针对茶叶病害特征，引入HOG特征来提取茶叶病害的边缘信息；对输入的图像提取HOG特征，将得到的HOG特征进行卷积和池化的操作使其维度与三个分支的维度相同，确定维度相同后将HOG特征与三个分支的输出进行融合；
然后将单个支流特征图分别进行池化其特征图维度变为1×1×2048，通过全连接层得到1×1×1024的特征图，并利用损失和反响更新来优化特征；
最后将特征送进SoftMax层来的到最终的概率分布，从而判断输入图片所对应每个类别的概率，概率最大的就是输入图像所对应的茶叶病害类别，并通过测试集来对网络进行测试，不断的对网络进行多次的迭代优化，从而找到最优性能的网络模型以便后续的调用。
优选的，所述的第三阶段、图像分类功能：分类功能是该系统的核心功能；当对该系统输入一张未知类别的茶叶病害图像时，若知道这张输入图像所对应的病害类别是那一类；这时候我们只需要将这张待分类的图像输入到最优网络模型中进行相应的计算，最终利用网络模型中的Softmax层将输入图像对应每个类别的概率输出，从中找到对应类别最大的概率最终得到病害的类别。
优选的，所述的基于多特征分段式训练的茶叶病害分类系统具体操作步骤如下：
S1：移动设备包括手持相机和手机获取病害图片；
S2：将采集到的图送入CPU处理器进行对图像的处理；
S3：在该系统的目录下添加训练得到的最优模型和所处理后的病害图片；
S4：利用系统中的分类功能得到最后的分类结果；
S5：利用系统中的分类功能的到最后的分类结果；
S6：将最终的分类结果在显示窗口中打印出来。
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、物品或者设备中还存在另外的相同要素”。
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 (5)
1.一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的基于多特征分段式训练的茶叶病害分类系统包含以下阶段：第一阶段、数据预处理；第二阶段、最优网络训练；第三阶段、图像分类功能；
所述的第一阶段、数据预处理包括病害图片的裁切和数据的扩充两步；
所述的第二阶段、最优网络训练包括数据划分和特征学习网络迭代训练两步；
所述的特征学习网络迭代训练：在模型的训练阶段中，将所有训练集的图片按照所设定的批次依次经过卷积块+Relu+BN进行对茶叶病害图像中所包含的病害特征进行提取，然后经过最大池化层来减少特征图的尺寸大小使得计算量降低，同时还可以增加一定的特征非线性表达；
经过一系列卷积后将特征图的维度变成28×28×512后输入到下一个卷积块，这样一来使得模型能够更好的提取特征；在卷积神经网络中高层特征往往包含更多的语义信息，而低层特征通常包含更多的纹理信息和轮廓信息；然而在茶叶病害图像中纹理信息是在特征表述中占据很重要的地位；因此，我们将主干网路的第三个卷积块进行分流，分流出一个支流后接卷积块和池化块将其维度大小7×7×2048，同样对更深层的第四层也进行同样的分流操作来获取一定的纹理信息；
针对茶叶病害特征，引入HOG特征来提取茶叶病害的边缘信息；对输入的图像提取HOG特征，将得到的HOG特征进行卷积和池化的操作使其维度与三个分支的维度相同，确定维度相同后将HOG特征与三个分支的输出进行融合；
然后将单个支流特征图分别进行池化其特征图维度变为1×1×2048，通过全连接层得到1×1×1024的特征图，并利用损失和反向更新来优化特征；
最后将特征送进SoftMax层来得 到最终的概率分布，从而判断输入图片所对应每个类别的概率，概率最大的就是输入图像所对应的茶叶病害类别，并通过测试集来对网络进行测试，不断的对网络进行多次的迭代优化，从而找到最优性能的网络模型以便后续的调用。
2.根据权利要求1所述的一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的病害图片的裁切：由于拍摄器材以及拍摄环境因素，所采集到的数据分辨率较大每个大图包含多种病害叶片；因此为了得到所需要能够输入网络的图片，将所拍摄到的图像进行裁剪成单个病害叶片为一幅图像；并且对于裁剪好的大小不 一 的图像，利用双线性插值法将其都调整到256×256的图像大小，最终得到所需要的茶叶病害图像；
所述的数据的扩充：由于所采集的数据量过少，因此最终得到的裁剪后的图像数量不足；为了避免在模型训练时过拟合，对所裁剪得到的数据进行数据的扩充；扩充的方法有旋转、对称、随机缩放、改变对比度，在数据扩充后可以使模型的分类结果得到提升。
3.根据权利要求1所述的一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的数据划分：将所有的数据集按照7：3的比例进行划分，其中训练集中的所有样本进行训练来得到一个模型，并且将扩充的图像添加到训练集中，这样做的目的是扩充数据的多样性使最终的模型的效果达到最优；测试集的作用是用来对当前得到的模型进行测试来判断模型的好坏，通过不断的测试来找到 最优的网络模型。
4.根据权利要求1所述的一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的第三阶段、图像分类功能：分类功能是该系统的核心功能；当对该系统输入一张未知类别的茶叶病害图像时，若知道这张输入图像所对应的病害类别是那一类；这时候我们只需要将这张待分类的图像输入到最优网络模型中进行相应的计算，最终利用网络模型中的Softmax层将输入图像对应每个类别的概率输出，从中找到对应类别最大的概率最终得到病害的类别。
5.根据权利要求4所述的一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的基于多特征分段式训练的茶叶病害分类系统具体操作步骤如下：
S1：移动设备包括手持相机和手机获取病害图片；
S2：将采集到的图送入CPU处理器进行对图像的处理；
S3：在该系统的目录下添加训练得到的最优模型和所处理后的病害图片；
S4：利用系统中的分类功能得到最后的分类结果；
S5：将最终的分类结果在显示窗口中打印出来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110141168.4A CN112884025B (zh) | 2021-02-01 | 2021-02-01 | 一种基于多特征分段式训练的茶叶病害分类系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110141168.4A CN112884025B (zh) | 2021-02-01 | 2021-02-01 | 一种基于多特征分段式训练的茶叶病害分类系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112884025A CN112884025A (zh) | 2021-06-01 |
| CN112884025B true CN112884025B (zh) | 2022-11-04 |
Family
ID=76052557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110141168.4A Active CN112884025B (zh) | 2021-02-01 | 2021-02-01 | 一种基于多特征分段式训练的茶叶病害分类系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112884025B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101830056B1 (ko) * | 2017-07-05 | 2018-02-19 | (주)이지팜 | 딥러닝 기반의 병해 진단 시스템 및 그 이용방법 |
| CN108229413A (zh) * | 2018-01-16 | 2018-06-29 | 宁夏智启连山科技有限公司 | 病虫害类型识别方法及装置 |
| CN108287914A (zh) * | 2018-02-09 | 2018-07-17 | 辽宁工程技术大学 | 一种基于卷积神经网络的果树病害识别与防治方法 |
| CN108647741A (zh) * | 2018-05-18 | 2018-10-12 | 湖北工业大学 | 一种基于迁移学习的图像分类方法和系统 |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN109886357A (zh) * | 2019-03-13 | 2019-06-14 | 哈尔滨工程大学 | 一种基于特征融合的自适应权重深度学习目标分类方法 |
| CN110097107A (zh) * | 2019-04-23 | 2019-08-06 | 安徽大学 | 基于卷积神经网络的苹果树干病害识别与分类方法 |
| 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 |
| CN111400536A (zh) * | 2020-03-11 | 2020-07-10 | 无锡太湖学院 | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 |
| CN111429484A (zh) * | 2020-03-31 | 2020-07-17 | 电子科技大学 | 一种基于交通监控视频的多目标车辆轨迹实时构建方法 |
| CN111626186A (zh) * | 2020-05-25 | 2020-09-04 | 宁波大学 | 一种司机分心检测方法 |
| CN111860330A (zh) * | 2020-07-21 | 2020-10-30 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
| CN112001365A (zh) * | 2020-09-22 | 2020-11-27 | 四川大学 | 一种高精度的农作物病虫害识别方法 |
| AU2020102885A4 (en) * | 2020-10-20 | 2020-12-17 | Xijing University | Disease recognition method of winter jujube based on deep convolutional neural network and disease image |
-
2021
- 2021-02-01 CN CN202110141168.4A patent/CN112884025B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101830056B1 (ko) * | 2017-07-05 | 2018-02-19 | (주)이지팜 | 딥러닝 기반의 병해 진단 시스템 및 그 이용방법 |
| CN108229413A (zh) * | 2018-01-16 | 2018-06-29 | 宁夏智启连山科技有限公司 | 病虫害类型识别方法及装置 |
| CN108287914A (zh) * | 2018-02-09 | 2018-07-17 | 辽宁工程技术大学 | 一种基于卷积神经网络的果树病害识别与防治方法 |
| CN108647741A (zh) * | 2018-05-18 | 2018-10-12 | 湖北工业大学 | 一种基于迁移学习的图像分类方法和系统 |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN109886357A (zh) * | 2019-03-13 | 2019-06-14 | 哈尔滨工程大学 | 一种基于特征融合的自适应权重深度学习目标分类方法 |
| CN110097107A (zh) * | 2019-04-23 | 2019-08-06 | 安徽大学 | 基于卷积神经网络的苹果树干病害识别与分类方法 |
| 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 |
| CN111400536A (zh) * | 2020-03-11 | 2020-07-10 | 无锡太湖学院 | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 |
| CN111429484A (zh) * | 2020-03-31 | 2020-07-17 | 电子科技大学 | 一种基于交通监控视频的多目标车辆轨迹实时构建方法 |
| CN111626186A (zh) * | 2020-05-25 | 2020-09-04 | 宁波大学 | 一种司机分心检测方法 |
| CN111860330A (zh) * | 2020-07-21 | 2020-10-30 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
| CN112001365A (zh) * | 2020-09-22 | 2020-11-27 | 四川大学 | 一种高精度的农作物病虫害识别方法 |
| AU2020102885A4 (en) * | 2020-10-20 | 2020-12-17 | Xijing University | Disease recognition method of winter jujube based on deep convolutional neural network and disease image |
Non-Patent Citations (4)
| Title |
|---|
| A Method of Corn Disease Identification Based on Convolutional Neural Network;Jiya Tian等;《2019 12th International Symposium on Computational Intelligence and Design (ISCID)》;20200522;245-248 * |
| Plant Disease detection for paddy crop using Ensemble of CNNs;Abhijit Acharya;《2020 IEEE International Conference for Innovation in Technology (INOCON)》;20210101;1-6 * |
| 基于多特征优化和改进关系网络的茶叶病害识别;孟树林;《中国优秀硕士学位论文全文数据库 农业科技辑》;20200715;第2020年卷(第7期);D046-56 * |
| 融合CNN多卷积特征与HOG的番茄叶部病害检测算法;刘君等;《北方园艺》;20201231;第2020年卷(第4期);147-152 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112884025A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111274865A (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
| CN109308696B (zh) | 基于层级特征融合网络的无参考图像质量评价方法 | |
| CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
| CN109615604B (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
| CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
| CN112232328A (zh) | 基于卷积神经网络的遥感影像建筑区提取方法、装置 | |
| CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
| CN112750129A (zh) | 一种基于特征增强位置注意力机制的图像语义分割模型 | |
| CN111160389A (zh) | 一种基于融合vgg的岩性识别方法 | |
| CN112365511A (zh) | 基于重叠区域检索与对齐的点云分割方法 | |
| CN112487938A (zh) | 一种利用深度学习算法实现垃圾分类的方法 | |
| CN110599458A (zh) | 基于卷积神经网络的地下管网检测评估云系统 | |
| CN115375672A (zh) | 一种基于改进型YOLOv4算法的煤矸检测方法 | |
| CN115984632A (zh) | 一种高光谱塑料垃圾材质快速分类方法、装置及存储介质 | |
| CN114882497A (zh) | 一种基于深度学习算法实现水果分类识别的方法 | |
| CN115631186A (zh) | 一种基于双分支神经网络的工业元件表面缺陷检测方法 | |
| CN111652307A (zh) | 基于卷积神经网络的红木家具智能无损鉴定方法及装置 | |
| CN113657472B (zh) | 一种基于子空间学习的多源遥感数据融合方法 | |
| CN111462090A (zh) | 一种多尺度图像目标检测方法 | |
| CN113888477A (zh) | 网络模型的训练方法、金属表面缺陷检测方法及电子设备 | |
| CN112884025B (zh) | 一种基于多特征分段式训练的茶叶病害分类系统 | |
| CN110414338B (zh) | 基于稀疏注意力网络的行人再辨识方法 | |
| CN111461135A (zh) | 利用卷积神经网络集成的数字图像局部滤波取证方法 | |
| CN111523503A (zh) | 基于改进ssd算法的苹果目标检测方法 | |
| CN115830054A (zh) | 基于多窗口高低频视觉变换器的裂缝图像分割方法 |
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 |