CN113052168A - 基于多源特征融合的农作物病虫害图像识别方法 - Google Patents
基于多源特征融合的农作物病虫害图像识别方法 Download PDFInfo
- Publication number
- CN113052168A CN113052168A CN202110272126.4A CN202110272126A CN113052168A CN 113052168 A CN113052168 A CN 113052168A CN 202110272126 A CN202110272126 A CN 202110272126A CN 113052168 A CN113052168 A CN 113052168A
- Authority
- CN
- China
- Prior art keywords
- crop
- pest
- crop leaf
- image
- data set
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 201000010099 disease Diseases 0.000 claims abstract description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 58
- 241000238631 Hexapoda Species 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 6
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000013598 vector Substances 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于多源特征融合的农作物病虫害图像识别方法，获取初始农作物叶片病虫害数据集；通过仿射变换，得到规格化的预处理农作物叶片病虫害数据集；根据深度卷积对抗式生成网络对预处理农作物叶片病虫害数据集进行扩充，得到农作物叶片病虫害图像样本；根据预设候选框，通过三分支结构构建多尺度融合网络模型，提取农作物叶片病虫害图像样本中的农作物叶片病虫害图像候选区域；将多源特征和农作物叶片病虫害图像候选区域融合，采用AlexNet、ResNet50和VGG基准模型，得到农作物病虫害的定位信息和类别信息；根据类别信息，采用Siamese Network模型，判定农作物病虫害的程度。本申请融合多源特征，提升农作物病害识别的普适性和精准率。
Description
技术领域
本申请涉及农业机器视觉领域，尤其涉及一种基于多源特征融合的农作物病虫害图像识别方法。
背景技术
随着深度学习与人工智能技术性能的快速提升，使得农业场景下的基于深度学习的农作物病害识别技术准确率和效率均超过了传统农业专家，极大促进了深度学习技术在农业现场诊断农作物病害应用进程。
目前，深度学习已经在农作物病虫害方面有了较为广泛和深入的研究与应用，深度学习是基于人工神经网络的方法，特别是卷积神经网络，可直接抽取分类特征，且基于交并比(Intersection-over-Union，IoU)匹配方法确定正、负样本的方式，可以识别出占比大的病害特征。然而，对于卷积神经网络，在经过多层卷积处理或交并比匹配后，存在微弱病虫害图像会出现特征消失或占比小的其他病虫害识别和定位被忽略的情况，致使识别模型的浅层网络结果无法提出病虫害信息，无法全面得到农作物病虫害情况。
发明内容
本申请提供了一种基于多源特征融合的农作物病虫害图像识别方法，以解决现有深度学习的方式存在微弱病虫害图像会出现特征消失或占比小的其他病虫害识别和定位被忽略的情况，致使识别模型的浅层网络结果无法提出病虫害信息，无法全面得到农作物病虫害情况的技术问题。
为了达到上述目的，本申请实施例采用以下技术方案：
提供一种基于多源特征融合的农作物病虫害图像识别方法，所述方法包括：
获取初始农作物叶片病虫害数据集，所述初始农作物叶片病虫害数据集包括有效叶片病虫害图像；
通过对所述初始农作物叶片病虫害数据集进行仿射变换，得到规格化的预处理农作物叶片病虫害数据集；
根据深度卷积对抗式生成网络对所述预处理农作物叶片病虫害数据集进行扩充，得到农作物叶片病虫害图像样本；
根据预设候选框，通过三分支结构构建多尺度融合网络模型，提取所述农作物叶片病虫害图像样本中的农作物叶片病虫害图像候选区域；
对所述农作物叶片病虫害图像样本按照多源特征进行独热编码，所述多源特征包括经纬度特征信息、时间特征信息和环境特征信息；
将所述多源特征和所述农作物叶片病虫害图像候选区域融合，采用AlexNet、ResNet50和VGG基准模型，得到农作物病虫害的定位信息和类别信息；
根据所述类别信息，采用Siamese Network模型，判定农作物病虫害的程度。
进一步地，所述得到农作物叶片病虫害图像样本，包括：
根据所述深度卷积对抗式生成网络的生成器模型，得到待处理图像样本；
根据所述深度卷积对抗式生成网络的判别器模型，判定所述待处理图像样本；
当所述待处理图像样本与所述预处理农作物叶片病虫害数据集中图像达到平衡，得到所述农作物叶片病虫害图像样本，所述农作物叶片病虫害图像样本包括所述预处理农作物叶片病虫害数据集和所述待处理图像样本。
进一步地，所述时间特征信息按月份划分，所述环境特征信息包括温度和湿度。
进一步地，所述通过三分支结构构建多尺度融合网络模型：
第一分支、第二分支和第三分支的卷积核不同；
采用不同的卷积核对所述农作物叶片病虫害图像样本进行候选区域提取，所述农作物叶片病虫害图像候选区域有不同的候选区域构成。
进一步地，所述Siamese Network模型是基于ResNet基准网络模型，引入Res2Net残差快。
进一步地，所述预处理农作物叶片病虫害数据集还通过亮度调节和归一化处理。
进一步地，提取所述农作物叶片病虫害图像候选区域，还包括：
通过非极大值抑制，确定比预设重叠率小的备用候选框；
通过预设分数阈值对所述备用候选框，确定比预设分数阈值高的最终候选框。
本申请提供一种基于多源特征融合的农作物病虫害图像识别方法，包括：获取初始农作物叶片病虫害数据集，所述初始农作物叶片病虫害数据集包括有效叶片病虫害图像；通过对所述初始农作物叶片病虫害数据集进行仿射变换，得到规格化的预处理农作物叶片病虫害数据集；根据深度卷积对抗式生成网络对所述预处理农作物叶片病虫害数据集进行扩充，得到农作物叶片病虫害图像样本；根据预设候选框，通过三分支结构构建多尺度融合网络模型，提取所述农作物叶片病虫害图像样本中的农作物叶片病虫害图像候选区域；对所述农作物叶片病虫害图像样本按照多源特征进行独热编码，所述多源特征包括经纬度特征信息、时间特征信息和环境特征信息；将所述多源特征和所述农作物叶片病虫害图像候选区域融合，采用AlexNet、ResNet50和VGG基准模型，得到农作物病虫害的定位信息和类别信息；根据所述类别信息，采用Siamese Network模型，判定农作物病虫害的程度。
本申请从数据增强、作物、病害识别及所处程度判定，适用于农作物多种类病虫害识别；采用三层并行投票网络，重整生成候选区域网络的预设候选框的尺寸和特征融合结构，融合多源特征，构建Siamese Network模型，提升农作物病害识别的普适性和精准率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一种基于多源特征融合的农作物病虫害图像识别方法的流程图；
图2为本申请实施例中三分支结构构建多尺度融合网络模型的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本申请做进一步详细描述：
本申请实施例提供一种基于多源特征融合的农作物病虫害图像识别方法，如图1所示，所述方法包括：
S101、获取初始农作物叶片病虫害数据集，所述初始农作物叶片病虫害数据集包括有效叶片病虫害图像，有效叶片病虫害图像是通过对叶片图像进行数据清洗后得到的。
S102、通过对所述初始农作物叶片病虫害数据集进行仿射变换，得到规格化的预处理农作物叶片病虫害数据集；预处理农作物叶片病虫害数据集具有统一的尺寸。所述预处理农作物叶片病虫害数据集还通过亮度调节和归一化处理。其中放射变化通过如下公式：
式中，[x,y]表示变换前图像坐标，[X,Y]表示变换后图像坐标，参数α反映图像翻转、缩放等变化，β表示图像平移量。
S103、根据深度卷积对抗式生成网络对所述预处理农作物叶片病虫害数据集进行扩充，得到农作物叶片病虫害图像样本。包括：
根据所述深度卷积对抗式生成网络(DCGAN，Deep convolutional GAN)的生成器模型，得到待处理图像样本；可将100维(高斯分布的概率密度噪声作为输入，通过一个全连接层进行维度转换成(8,8,512)的三维张量，之后通过两个卷积核为3×3像素步幅为2的转置卷积层输出(32，32，128)的三维张量，经过卷积核为3×3像素，步长为4的转置卷积层，输出再次经过3×3像素，步长为2的转置卷积层输出(256，256,3)的三维张量，tanh激活，得到待处理图像样本。
根据所述深度卷积对抗式生成网络的判别器模型，判定所述待处理图像样本；以(256,256,3)的三维张量作为输入，经过一个卷积核为3×3像素步幅为2的卷积层输出维(128,128,32)的三维张量，然后经过卷积核为3×3像素，步长为4的卷积层，输出再次经过两个卷积核为3×3像素，步长为2的卷积层输出(4,4,512)的三维张量，最后通过一个全连接层输1维的结果。
当所述待处理图像样本与所述预处理农作物叶片病虫害数据集中图像达到平衡，得到所述农作物叶片病虫害图像样本，所述农作物叶片病虫害图像样本包括所述预处理农作物叶片病虫害数据集和所述待处理图像样本。
S104、根据预设候选框，通过三分支结构构建多尺度融合网络模型，提取所述农作物叶片病虫害图像样本中的农作物叶片病虫害图像候选区域；调整农作物叶片病虫害候选区域生成网络(RPN，region proposal network)中候选框尺寸和特征融合结构，将候选框的面积尺寸修改为{85*85，120*120，256*256，512*512}，候选框的长宽比修改为{2∶1，1∶1，1∶2}；所述通过三分支结构构建多尺度融合网络模型：第一分支、第二分支和第三分支的卷积核不同；采用不同的卷积核对所述农作物叶片病虫害图像样本进行候选区域提取，所述农作物叶片病虫害图像候选区域有不同的候选区域构成。
本实施例提供的三分支结构构建多尺度融合网络模型，如图2所示，第一个分支采用一个1×1的卷积核对特征图进行候选区域提取；第二个分支采用一个3×3的卷积核对特征图进行候选区域提取；第三个分支采用5×5的卷积核进行候选区域提取，三分支特征信息融合实现小尺寸、多尺度宽视野、高效率目标。
提取所述农作物叶片病虫害图像候选区域，还通过非极大值抑制(NMS，Non-Maximum Suppression)，确定比预设重叠率小的备用候选框；通过预设分数阈值对所述备用候选框，确定比预设分数阈值高的最终候选框；去除所述农作物叶片病虫害图像候选区域的框选损失以及分类损失。
S105、对所述农作物叶片病虫害图像样本按照多源特征进行独热编码，所述多源特征包括经纬度特征信息、时间特征信息和环境特征信息；所述时间特征信息按月份划分，所述环境特征信息包括温度和湿度。本实施例中按照经纬度进行标注划分为20类，时间特征信息按照月份划分，全面分为12类，环境特征信息包括温度和湿度，温度从0度到40度，每5度划分为一类，湿度采用相对湿度，范围从10％到80％，间隔为10％，划分为8类。对以上地理、时间、环境等多源特征进行独热编码，独热编码的方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效
S106、将所述多源特征和所述农作物叶片病虫害图像候选区域融合，采用AlexNet、ResNet50和VGG基准模型，得到农作物病虫害的定位信息和类别信息；其中，农作物病虫害的定位信息和类别信息通过网络输出层采用Softmax函数得到。
S107、根据所述类别信息，采用Siamese Network模型，判定农作物病虫害的程度。所述Siamese Network模型是基于ResNet基准网络模型，引入Res2Net残差快。
其中，输入层以类别信息为输入信息，其中，可根据类别信息的关键程度，选择关键程度强的类别信息，作为类别特征信息，进行如下操作，卷积核尺寸为(7,7)，步长为(2,2)，padding为(3,3)的卷积层，然后进行BatchNorm2d归一化和relu作为激活函数，经过卷积核尺寸为7，步长为2，MaxPool2d池化输出。
第二层采以类别信息为输入信息，选取其中的类别特征信息，进行如下操作，卷积核尺寸为(7,7)，步长为(2,2)，padding为(3,3)的卷积层进行低层次特征提取，通过BatchNorm2d归一化、AvgPool2d均值池化，然后应用Res2Net残差块在更细粒度层次上利用了多尺度作用提取特征向量。
从第二层开始采用Res2Net残差块提取小尺寸、多尺度病害特征，通过卷积核、归一化和激活函数进行图像高层次特征提取与融合，最后采用自适应均值池化和线性回归输出。
本申请提供一种基于多源特征融合的农作物病虫害图像识别方法，包括：获取初始农作物叶片病虫害数据集，所述初始农作物叶片病虫害数据集包括有效叶片病虫害图像；通过对所述初始农作物叶片病虫害数据集进行仿射变换，得到规格化的预处理农作物叶片病虫害数据集；根据深度卷积对抗式生成网络对所述预处理农作物叶片病虫害数据集进行扩充，得到农作物叶片病虫害图像样本；根据预设候选框，通过三分支结构构建多尺度融合网络模型，提取所述农作物叶片病虫害图像样本中的农作物叶片病虫害图像候选区域；对所述农作物叶片病虫害图像样本按照多源特征进行独热编码，所述多源特征包括经纬度特征信息、时间特征信息和环境特征信息；将所述多源特征和所述农作物叶片病虫害图像候选区域融合，采用AlexNet、ResNet50和VGG基准模型，得到农作物病虫害的定位信息和类别信息；根据所述类别信息，采用Siamese Network模型，判定农作物病虫害的程度。
本申请从数据增强、作物、病害识别及所处程度判定，适用于农作物多种类病虫害识别；采用三层并行投票网络，重整生成候选区域网络的预设候选框的尺寸和特征融合结构，融合多源特征，提升普适性和识别率；构建Siamese Network模型，提高了农作物病害程度判定精准率。
以上内容仅为说明本申请的技术思想，不能以此限定本申请的保护范围，凡是按照本申请提出的技术思想，在技术方案基础上所做的任何改动，均落入本申请权利要求书的保护范围之内。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
Claims (7)
1.一种基于多源特征融合的农作物病虫害图像识别方法，其特征在于，所述方法包括：
获取初始农作物叶片病虫害数据集，所述初始农作物叶片病虫害数据集包括有效叶片病虫害图像；
通过对所述初始农作物叶片病虫害数据集进行仿射变换，得到规格化的预处理农作物叶片病虫害数据集；
根据深度卷积对抗式生成网络对所述预处理农作物叶片病虫害数据集进行扩充，得到农作物叶片病虫害图像样本；
根据预设候选框，通过三分支结构构建多尺度融合网络模型，提取所述农作物叶片病虫害图像样本中的农作物叶片病虫害图像候选区域；
对所述农作物叶片病虫害图像样本按照多源特征进行独热编码，所述多源特征包括经纬度特征信息、时间特征信息和环境特征信息；
将所述多源特征和所述农作物叶片病虫害图像候选区域融合，采用AlexNet、ResNet50和VGG基准模型，得到农作物病虫害的定位信息和类别信息；
根据所述类别信息，采用Siamese Network模型，判定农作物病虫害的程度。
2.根据权利要求1所述的一种基于多源特征融合的农作物病虫害图像识别方法，其特征在于，所述得到农作物叶片病虫害图像样本，包括：
根据所述深度卷积对抗式生成网络的生成器模型，得到待处理图像样本；
根据所述深度卷积对抗式生成网络的判别器模型，判定所述待处理图像样本；
当所述待处理图像样本与所述预处理农作物叶片病虫害数据集中图像达到平衡，得到所述农作物叶片病虫害图像样本，所述农作物叶片病虫害图像样本包括所述预处理农作物叶片病虫害数据集和所述待处理图像样本。
3.根据权利要求1所述的一种基于多源特征融合的农作物病虫害图像识别方法，其特征在于，所述时间特征信息按月份划分，所述环境特征信息包括温度和湿度。
4.根据权利要求1所述的一种基于多源特征融合的农作物病虫害图像识别方法，其特征在于，所述通过三分支结构构建多尺度融合网络模型：
第一分支、第二分支和第三分支的卷积核不同；
采用不同的卷积核对所述农作物叶片病虫害图像样本进行候选区域提取，所述农作物叶片病虫害图像候选区域有不同的候选区域构成。
5.根据权利要求1所述的一种基于多源特征融合的农作物病虫害图像识别方法，其特征在于，所述Siamese Network模型是基于ResNet基准网络模型，引入Res2Net残差快。
6.根据权利要求1所述的一种基于多源特征融合的农作物病虫害图像识别方法，其特征在于，所述预处理农作物叶片病虫害数据集还通过亮度调节和归一化处理。
7.根据权利要求1所述的一种基于多源特征融合的农作物病虫害图像识别方法，其特征在于，提取所述农作物叶片病虫害图像候选区域，还包括：
通过非极大值抑制，确定比预设重叠率小的备用候选框；
通过预设分数阈值对所述备用候选框，确定比预设分数阈值高的最终候选框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110272126.4A CN113052168A (zh) | 2021-03-12 | 2021-03-12 | 基于多源特征融合的农作物病虫害图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110272126.4A CN113052168A (zh) | 2021-03-12 | 2021-03-12 | 基于多源特征融合的农作物病虫害图像识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052168A true CN113052168A (zh) | 2021-06-29 |
Family
ID=76512422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110272126.4A Pending CN113052168A (zh) | 2021-03-12 | 2021-03-12 | 基于多源特征融合的农作物病虫害图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052168A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114239756A (zh) * | 2022-02-25 | 2022-03-25 | 科大天工智能装备技术（天津）有限公司 | 一种虫害检测方法及系统 |
| CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
| CN117557914A (zh) * | 2024-01-08 | 2024-02-13 | 成都大学 | 一种基于深度学习的农作物病虫害识别方法 |
| CN118134388A (zh) * | 2024-03-18 | 2024-06-04 | 江门职业技术学院 | 一种基于物联网的农产品仓储管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191455A (zh) * | 2018-09-18 | 2019-01-11 | 西京学院 | 一种基于ssd卷积网络的大田作物病虫害检测方法 |
| CN110717903A (zh) * | 2019-09-30 | 2020-01-21 | 天津大学 | 一种利用计算机视觉技术进行农作物病害检测的方法 |
| CN111179216A (zh) * | 2019-12-03 | 2020-05-19 | 中国地质大学（武汉） | 一种基于图像处理与卷积神经网络的作物病害识别方法 |
-
2021
- 2021-03-12 CN CN202110272126.4A patent/CN113052168A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191455A (zh) * | 2018-09-18 | 2019-01-11 | 西京学院 | 一种基于ssd卷积网络的大田作物病虫害检测方法 |
| CN110717903A (zh) * | 2019-09-30 | 2020-01-21 | 天津大学 | 一种利用计算机视觉技术进行农作物病害检测的方法 |
| CN111179216A (zh) * | 2019-12-03 | 2020-05-19 | 中国地质大学（武汉） | 一种基于图像处理与卷积神经网络的作物病害识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯平等: "《PCB自动光学检测数字图像处理技术》", pages: 93 * |
| 王芳元: "非结构环境下病虫害识别方法研究", 《中国优秀硕士学术论文全文数据库》, 15 January 2021 (2021-01-15), pages 3 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114239756A (zh) * | 2022-02-25 | 2022-03-25 | 科大天工智能装备技术（天津）有限公司 | 一种虫害检测方法及系统 |
| CN114239756B (zh) * | 2022-02-25 | 2022-05-17 | 科大天工智能装备技术（天津）有限公司 | 一种虫害检测方法及系统 |
| CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
| CN117557914A (zh) * | 2024-01-08 | 2024-02-13 | 成都大学 | 一种基于深度学习的农作物病虫害识别方法 |
| CN117557914B (zh) * | 2024-01-08 | 2024-04-02 | 成都大学 | 一种基于深度学习的农作物病虫害识别方法 |
| CN118134388A (zh) * | 2024-03-18 | 2024-06-04 | 江门职业技术学院 | 一种基于物联网的农产品仓储管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113052168A (zh) | 基于多源特征融合的农作物病虫害图像识别方法 | |
| US20200401870A1 (en) | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions | |
| CN110135406B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN107358262B (zh) | 一种高分辨率图像的分类方法及分类装置 | |
| Rehman et al. | Face recognition: A novel un-supervised convolutional neural network method | |
| CN111079639A (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
| CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
| CN107679546A (zh) | 人脸图像数据采集方法、装置、终端设备及存储介质 | |
| CN112464865A (zh) | 一种基于像素和几何混合特征的人脸表情识别方法 | |
| CN111860147A (zh) | 行人重识别模型优化处理方法、装置和计算机设备 | |
| CN110245621B (zh) | 人脸识别装置及图像处理方法、特征提取模型、存储介质 | |
| CN107871103B (zh) | 一种人脸认证方法和装置 | |
| CN111860046B (zh) | 一种改进MobileNet模型的人脸表情识别方法 | |
| Oh et al. | An analytic Gabor feedforward network for single-sample and pose-invariant face recognition | |
| CN113870283B (zh) | 人像抠图方法、装置、计算机设备及可读存储介质 | |
| CN110807463B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| CN112861718A (zh) | 一种轻量级特征融合人群计数方法及系统 | |
| CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
| CN110210503A (zh) | 一种印章识别方法和装置以及设备 | |
| CN114387656B (zh) | 基于人工智能的换脸方法、装置、设备及存储介质 | |
| CN111639537A (zh) | 人脸动作单元识别方法、装置、电子设备及存储介质 | |
| CN111178495A (zh) | 用于检测图像中极小物体的轻量卷积神经网络 | |
| Chartier et al. | FEBAM: A feature-extracting bidirectional associative memory | |
| CN110490876B (zh) | 一种基于轻量级神经网络的图像分割方法 | |
| CN116704206A (zh) | 图像处理方法、装置、计算机设备和存储介质 |
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: 20210629 |