CN113076873A - 一种基于多阶段训练的农作物病害长尾图像识别方法 - Google Patents

一种基于多阶段训练的农作物病害长尾图像识别方法 Download PDF

Info

Publication number
CN113076873A
CN113076873A CN202110356903.3A CN202110356903A CN113076873A CN 113076873 A CN113076873 A CN 113076873A CN 202110356903 A CN202110356903 A CN 202110356903A CN 113076873 A CN113076873 A CN 113076873A
Authority
CN
China
Prior art keywords
data set
training
model
stage
training stage
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.)
Granted
Application number
CN202110356903.3A
Other languages
English (en)
Other versions
CN113076873B (zh
Inventor
袁正午
程运兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110356903.3A priority Critical patent/CN113076873B/zh
Publication of CN113076873A publication Critical patent/CN113076873A/zh
Application granted granted Critical
Publication of CN113076873B publication Critical patent/CN113076873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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)
  • 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)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多阶段训练的农作物病害长尾图像识别方法，属于深度学习和图像识别领域。该方法包括：搭建卷积神经网络模型对农作物病虫害进行识别，并采用多阶段训练的方法进行训练提高模型的鲁棒性和对不均衡数据的识别能力。第一阶段训练采用原始的不均衡的数据进行模型训练，让模型学习到原始的数据分布；第二阶段训练采用CutMix增强后的数据集进行模型训练，提升模型的鲁棒性；第三阶段训练采用平衡采样后分布均衡的数据集进行模型训练，训练时冻结卷积模块的参数更新，只更新全连接层参数，在保留前两阶段获得的特征提取能力的同时提升模型对尾部类别的分类能力。本发明能提高自然场景下复杂的不均衡分布的病虫害图像识别准确率。

Description

一种基于多阶段训练的农作物病害长尾图像识别方法
技术领域
本发明属于深度学习和图像识别领域，涉及一种基于多阶段训练的农作物病害长尾图像识别方法。
背景技术
传统的农作物病害识别方法是使用手工设计的特征去提取病斑，然后再输入到分类器中进行分类，这类方法较为繁琐且鲁棒性较差。
卷积神经网络在计算机视觉领域有着广泛的应用，在目标检测和图像识别等领域发挥着重要的作用，但是需要大量均衡的数据来训练卷积神经网络才可能是使其达到优异的性能。然而在真实世界中，数据的分布是呈现为长尾分布的状态，少数头部类占有大量的数据，其他尾部类只占有少量的数据，卷积神经网络用长尾分布的数据进行训练模型性能会出现大幅的下降。
农作物病害种类繁多且爆发难以预测，收集到的数据多为不均衡长尾分布的，难以收集到大量均衡的数据。卷积神经网络使用均衡的数据集进行训练，对农作物病害的能够达到较高的识别准确率，然而在真实的长尾分布下卷积神经网络的性能显著下降。因此提高卷积神经网络在长尾分布下的识别能力，对将神经深度学习技术部署在实际的生产环境中有巨大的推动作用。
发明内容
有鉴于此，本发明的目的在于提供一种基于多阶段训练的农作物病害长尾图像识别方法，解决自然环境中背景复杂农田环境对农作物病害识别的干扰问题，以及自然真实环境中农作物病害数据分布不均匀使得卷积神经网络模型对尾部类识别精度低的问题，用于提高自然场景下复杂的不均衡分布的病虫害图像识别准确率。
为达到上述目的，本发明提供如下技术方案：
一种基于多阶段训练的农作物病害长尾图像识别方法，具体包括以下步骤：
S1：获取长尾分布的农作物病害数据集，记为原始数据集；
S2：对原始数据集进行处理，使用CutMix进行数据增强，得到增强数据集；
S3：对原始数据集进行处理，使用平衡采样方法进行采样，得到平衡数据集；该平衡数据集每个类别具有相同的样本数量。
S4：搭建深度卷积神经网络模型；
S5：训练第一阶段，先使用原始的数据集输入到步骤S4搭建的深度卷积神经网络模型中进行训练，使CNN模块学习到原始的数据分布，第一阶段训练完成后保留训练后的模型；
S6：训练第二阶段，加载第一阶段训练后保存的模型，将增强数据集输入模型进行第二阶段的训练，由于农作物叶片相互遮挡增加识别的难度，使用CutMix进行数据增强模拟农作物叶片遮挡情况，可提高模型在实际生产环境中的鲁棒性，完成第二阶段的训练后保留模型；
S7：训练第三阶段，加载第二阶段训练后保存的模型，冻结CNN模块的参数更新，只更新DNN全连接层网络参数，使用平衡数据集作为输入进行第三阶段的训练，提升模型的对长尾数据分类性能，完成第三阶段的训练后保存模型。
进一步，步骤S1中，所述原始数据集是在自然农田环境中拍摄的实际数据，未经过人工平衡等处理环节，是不均衡的原始数据集。
进一步，步骤S2中，所述增强数据集是经过CutMix增强后所获得的数据集，表示为：
xmix＝M⊙xa+(1-M)⊙xb
ymix＝λya+(1-λ)yb
其中，xa和xb是采样自同一训练批次的两个图像样本，ya和yb是其对应的标签值；从xa中裁剪一定大小的区域填充到xb中，M为进行裁剪的二进制掩码，裁剪区域为1其他区域为0；λ为服从(0,1)均匀分布的随机数，其中M中裁剪区域的大小随λ进行变化。
进一步，步骤S4中，搭建的深度卷积神经网络模型中，卷积模块使用Resnet网络结构，分类模块使用DNN作为分类器，使用Cross Entropy作为损失函数。
进一步，使用Resnet模型作为骨干网络搭建卷积神经网络模型，第一阶段使用原始数据集进行训练让模型学习到原始的数据分布，第二阶段使用增强数据集进行训练增强模型的鲁棒性，第三阶段训练冻结卷积模块的参数更新，只更新全连接层参数增强模型的分类性能。
使用多阶段训练微调的训练方法，通过多阶段的训练让模型学习到较为全面的特征提取能力和分类能力。
本发明的有益效果在于：本发明方法可以提升模型在复杂农田背景下的鲁棒性，能够改善不均衡长尾数据对模型带来的不良影响。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明基于多阶段训练的农作物病害长尾图像识别方法流程图；
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1，本发明属于长尾图像识别方法，设计思路为：使用多阶段训练的方法让模型获得良好的整体性能，提升其特征提取能力和分类能力。研究发现重采样平衡数据集的方法能够有效提升模型对长尾数据的识别准确率，但是会损害模型的特征提取能力，使用重采样平衡后的平衡数据集进行训练会造成模型对尾部类过拟合。故本发明采用多阶段训练的方法，在第一阶段训练中使用原始的数据集进行训练，让模型先学习到数据的原始分布避免过拟合问题的发生，在第二阶段的训练中使用增强数据集进行训练提升模型的鲁棒性，在第三阶段使用重采样平衡后的数据集进行训练。因为第一阶段和第二阶段的训练模型已经学习到了较好的特征提取能力，故在第三阶段模型训练的时候冻结CNN卷积模块的参数更新，保留前两阶段训练后获得的特征提取能力，只对DNN全连接层的参数进行更新提升模型的分类能力。经过三个阶段的训练后，模型能够获得一个整体的性能提升，在原始数据集和增强数据集上的训练中提升了模型的特征提取能力，在平衡数据集的训练中提升了模型的分类能力。
如图1所示，本发明优选了一种基于多阶段训练的农作物病害长尾图像识别方法，具体包括以下步骤：
步骤1：使用终端设备采集真实的农田病害数据集。
步骤2：对数据进行预处理，使用CutMix技术进行数据增强获得增强数据集，使用平衡采样技术进行采样获得平衡数据集，未进行处理的保留为原始数据集。
步骤3：搭建深度卷积神经网络模型，卷积模块使用Resnet网络结构，分类模块使用DNN作为分类器，使用Cross Entropy作为损失函数。
步骤4：使用原始农作物病害数据集进行第一阶段的训练，训练后将生成模型保存。
步骤5：加载第一阶段训练后保存的模型，使用增强农作物病害数据集进行第二阶段的训练，训练完后将生成模型保存。
步骤6：加载第二阶段训练后保存的模型，使用平衡农作物病害数据集进行第三阶段的训练，训练时冻结卷积层的参数更新，只让DNN全连接层的参数更新，训练完后保存生成模型，完成训练。
步骤7：加载模型对农作物病害进行识别。
作为其他实施方式，卷积神经网络的结构也可以根据实际需要进行设计，不局限于本实施例所使用的Resnet网络。
作为其他实施方式，DNN也可以替换为其他类型的分类器。
作为其他实施方式，不平衡的农作物病害数据也可以根据应用需求替换为其他领域的长尾图像数据。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于多阶段训练的农作物病害长尾图像识别方法，其特征在于，该方法具体包括以下步骤：
S1：获取长尾分布的农作物病害数据集，记为原始数据集；
S2：对原始数据集进行处理，使用CutMix进行数据增强，得到增强数据集；
S3：对原始数据集进行处理，使用平衡采样方法进行采样，得到平衡数据集；
S4：搭建深度卷积神经网络模型；
S5：训练第一阶段，先使用原始的数据集输入到步骤S4搭建的深度卷积神经网络模型中进行训练，使CNN模块学习到原始的数据分布，第一阶段训练完成后保留训练后的模型；
S6：训练第二阶段，加载第一阶段训练后保存的模型，将增强数据集输入模型进行第二阶段的训练，完成第二阶段的训练后保留模型；
S7：训练第三阶段，加载第二阶段训练后保存的模型，冻结CNN模块的参数更新，只更新DNN全连接层网络参数，使用平衡数据集作为输入进行第三阶段的训练，完成第三阶段的训练后保存模型。
2.根据权利要求1所述的农作物病害长尾图像识别方法，其特征在于，步骤S1中，所述原始数据集是在自然环境中拍摄的实际数据，未经过人工平衡等处理环节，是不均衡的原始数据集。
3.根据权利要求1所述的农作物病害长尾图像识别方法，其特征在于，步骤S2中，所述增强数据集是经过CutMix增强后所获得的数据集，表示为：
xmix＝M⊙xa+(1-M)⊙xb
ymix＝λya+(1-λ)yb
其中，xa和xb是采样自同一训练批次的两个图像样本，ya和yb是其对应的标签值；从xa中裁剪一定大小的区域填充到xb中，M为进行裁剪的二进制掩码，裁剪区域为1其他区域为0；λ为服从(0,1)均匀分布的随机数，其中M中裁剪区域的大小随λ进行变化。
4.根据权利要求1所述的农作物病害长尾图像识别方法，其特征在于，步骤S4中，搭建的深度卷积神经网络模型中，卷积模块使用Resnet网络结构，分类模块使用DNN作为分类器，使用Cross Entropy作为损失函数。
CN202110356903.3A 2021-04-01 2021-04-01 一种基于多阶段训练的农作物病害长尾图像识别方法 Active CN113076873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110356903.3A CN113076873B (zh) 2021-04-01 2021-04-01 一种基于多阶段训练的农作物病害长尾图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110356903.3A CN113076873B (zh) 2021-04-01 2021-04-01 一种基于多阶段训练的农作物病害长尾图像识别方法

Publications (2)

Publication Number Publication Date
CN113076873A true CN113076873A (zh) 2021-07-06
CN113076873B CN113076873B (zh) 2022-02-22

Family

ID=76614571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110356903.3A Active CN113076873B (zh) 2021-04-01 2021-04-01 一种基于多阶段训练的农作物病害长尾图像识别方法

Country Status (1)

Country Link
CN (1) CN113076873B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953631A (zh) * 2023-01-30 2023-04-11 南开大学 基于深度迁移学习的长尾小样本声纳图像分类方法及系统
CN116433989A (zh) * 2023-06-08 2023-07-14 深圳大学 特征增强方法、装置、计算机设备和存储介质
CN118486054A (zh) * 2024-07-12 2024-08-13 四川互慧软件有限公司 一种蛇种识别方法、蛇种识别神经网络训练方法及介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563389A (zh) * 2017-09-11 2018-01-09 合肥工业大学 一种基于深度学习的农作物病害识别方法
CN108399378A (zh) * 2018-02-08 2018-08-14 北京理工雷科电子信息技术有限公司 一种基于vgg深度卷积网络的自然场景图像识别方法
CN108846444A (zh) * 2018-06-23 2018-11-20 重庆大学 面向多源数据挖掘的多阶段深度迁移学习方法
CN110188824A (zh) * 2019-05-31 2019-08-30 重庆大学 一种小样本植物病害识别方法及系统
CN110659659A (zh) * 2018-07-19 2020-01-07 清华珠三角研究院 一种智能识别和预警害虫的方法及系统
CN110929610A (zh) * 2019-11-12 2020-03-27 上海五零盛同信息科技有限公司 基于cnn模型和迁移学习的植物病害识别方法及系统
US10722180B2 (en) * 2017-10-13 2020-07-28 Ai Technologies Inc. Deep learning-based diagnosis and referral of ophthalmic diseases and disorders
CN111476283A (zh) * 2020-03-31 2020-07-31 上海海事大学 基于迁移学习的青光眼眼底图像识别方法
CN111738301A (zh) * 2020-05-28 2020-10-02 华南理工大学 一种基于双通道学习的长尾分布图像数据识别方法
CN111833311A (zh) * 2020-06-18 2020-10-27 安徽农业大学 基于深度学习的图像识别方法及在水稻病害识别上的应用
CN111950630A (zh) * 2020-08-12 2020-11-17 深圳市烨嘉为技术有限公司 基于两阶段迁移学习的小样本工业产品缺陷分类方法
CN112034310A (zh) * 2020-07-31 2020-12-04 国网山东省电力公司东营供电公司 一种组合电器局部放电缺陷诊断方法及系统
CN112052904A (zh) * 2020-09-09 2020-12-08 陕西理工大学 一种基于迁移学习和卷积神经网络病虫害的识别方法
CN112381165A (zh) * 2020-11-20 2021-02-19 河南爱比特科技有限公司 一种基于rsp模型的管道缺陷智能检测方法
CN112446388A (zh) * 2020-12-05 2021-03-05 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563389A (zh) * 2017-09-11 2018-01-09 合肥工业大学 一种基于深度学习的农作物病害识别方法
US10722180B2 (en) * 2017-10-13 2020-07-28 Ai Technologies Inc. Deep learning-based diagnosis and referral of ophthalmic diseases and disorders
CN108399378A (zh) * 2018-02-08 2018-08-14 北京理工雷科电子信息技术有限公司 一种基于vgg深度卷积网络的自然场景图像识别方法
CN108846444A (zh) * 2018-06-23 2018-11-20 重庆大学 面向多源数据挖掘的多阶段深度迁移学习方法
CN110659659A (zh) * 2018-07-19 2020-01-07 清华珠三角研究院 一种智能识别和预警害虫的方法及系统
CN110188824A (zh) * 2019-05-31 2019-08-30 重庆大学 一种小样本植物病害识别方法及系统
CN110929610A (zh) * 2019-11-12 2020-03-27 上海五零盛同信息科技有限公司 基于cnn模型和迁移学习的植物病害识别方法及系统
CN111476283A (zh) * 2020-03-31 2020-07-31 上海海事大学 基于迁移学习的青光眼眼底图像识别方法
CN111738301A (zh) * 2020-05-28 2020-10-02 华南理工大学 一种基于双通道学习的长尾分布图像数据识别方法
CN111833311A (zh) * 2020-06-18 2020-10-27 安徽农业大学 基于深度学习的图像识别方法及在水稻病害识别上的应用
CN112034310A (zh) * 2020-07-31 2020-12-04 国网山东省电力公司东营供电公司 一种组合电器局部放电缺陷诊断方法及系统
CN111950630A (zh) * 2020-08-12 2020-11-17 深圳市烨嘉为技术有限公司 基于两阶段迁移学习的小样本工业产品缺陷分类方法
CN112052904A (zh) * 2020-09-09 2020-12-08 陕西理工大学 一种基于迁移学习和卷积神经网络病虫害的识别方法
CN112381165A (zh) * 2020-11-20 2021-02-19 河南爱比特科技有限公司 一种基于rsp模型的管道缺陷智能检测方法
CN112446388A (zh) * 2020-12-05 2021-03-05 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SANGDOO YUN 等: "CutMix: Regularization Strategy to Train Strong Classifiers With Localizable Features", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 *
YIN CUI 等: "Large Scale Fine-Grained Categorization and Domain-Specific Transfer Learning", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953631A (zh) * 2023-01-30 2023-04-11 南开大学 基于深度迁移学习的长尾小样本声纳图像分类方法及系统
CN115953631B (zh) * 2023-01-30 2023-09-15 南开大学 基于深度迁移学习的长尾小样本声纳图像分类方法及系统
CN116433989A (zh) * 2023-06-08 2023-07-14 深圳大学 特征增强方法、装置、计算机设备和存储介质
CN116433989B (zh) * 2023-06-08 2023-12-01 深圳大学 特征增强方法、装置、计算机设备和存储介质
CN118486054A (zh) * 2024-07-12 2024-08-13 四川互慧软件有限公司 一种蛇种识别方法、蛇种识别神经网络训练方法及介质

Also Published As

Publication number Publication date
CN113076873B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN113076873B (zh) 一种基于多阶段训练的农作物病害长尾图像识别方法
CN110148120B (zh) 一种基于cnn与迁移学习的病害智能识别方法及系统
CN111178197B (zh) 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法
CN110929610B (zh) 基于cnn模型和迁移学习的植物病害识别方法及系统
CN111652326B (zh) 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统
CN113919443B (zh) 一种基于图像分析烟叶成熟度状态概率计算方法
CN112464766B (zh) 一种农田地头自动识别方法及系统
CN110479636B (zh) 基于神经网络自动分拣烟叶的方法及装置
CN111400536B (zh) 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
CN110991349B (zh) 一种基于度量学习的轻量级车辆属性识别方法
CN111126361B (zh) 基于半监督学习和特征约束的sar目标鉴别方法
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
CN111062441A (zh) 基于自监督机制和区域建议网络的场景分类方法及装置
CN112001901A (zh) 基于卷积神经网络的苹果缺陷检测方法及系统
CN112633257A (zh) 基于改良卷积神经网络的马铃薯病害识别方法
CN112085017A (zh) 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法
CN112749675A (zh) 一种基于卷积神经网络的马铃薯病害识别方法
CN113420794A (zh) 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法
CN111563542A (zh) 一种基于卷积神经网络的植物自动分类方法
CN113221913A (zh) 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置
CN113344009B (zh) 一种轻小型网络自适应番茄病害特征提取方法
Liu et al. “Is this blueberry ripe?”: a blueberry ripeness detection algorithm for use on picking robots
CN114818931A (zh) 一种基于小样本元学习的水果图像分类方法
CN110852398B (zh) 一种基于卷积神经网络的棉蚜识别方法
CN117475492A (zh) 一种面部表情识别的方法、系统、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
GR01 Patent grant
GR01 Patent grant