CN113128514A - 一种棉花害虫定位与分类识别方法及系统 - Google Patents
一种棉花害虫定位与分类识别方法及系统 Download PDFInfo
- Publication number
- CN113128514A CN113128514A CN202110455254.2A CN202110455254A CN113128514A CN 113128514 A CN113128514 A CN 113128514A CN 202110455254 A CN202110455254 A CN 202110455254A CN 113128514 A CN113128514 A CN 113128514A
- Authority
- CN
- China
- Prior art keywords
- pest
- image
- classification
- cotton
- features
- 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 106
- 238000000034 method Methods 0.000 title claims abstract description 49
- 229920000742 Cotton Polymers 0.000 title claims abstract description 30
- 238000000513 principal component analysis Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本公开提供了一种棉花害虫定位与分类识别方法及系统，包括：获取待分类的害虫图像；对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类为害虫区域和背景区域；对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果；所述方案通过利用超像素分割与梯度提升树对棉花叶片害虫进行定位与分类，并且将同一类害虫的幼虫与成虫作为两个类别处理，有效提高害虫分类的效率和鲁棒性。
Description
技术领域
本公开属于图像定位分割与分类识别技术领域，尤其涉及一种棉花害虫定位与分类识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
棉花是世界上最重要的农业作物之一，棉花收获与虫害的发生密切相关。在农业领域，害虫是农作物生长中的大敌，在农作物整个生长期内都有发生，可造成农作物大量减产，由于不同害虫物种之间的高度相似性与害虫物种的多样性，作物害虫的识别和分类一直是一个主要的挑战。为了保证棉花的生长和品质，有必要及时监测害虫情况，这将有助于农民选择有效的农药或生物防治方法，防止害虫的进一步蔓延。
现行的害虫识别、分类工作主要是依靠少数植保专家和农技人员来完成的。但害虫种类繁多，农业领域广大，每一位植保专家识别害虫的能力与时间是有限的。越来越多的迹象表明，对害虫分类需求的增多与害虫分类专家相对较少的矛盾已日益加剧。
为了解决农业领域的这些问题，近年来许多研究者开发了各种基于视觉的计算机模型。这些模型涵盖了广泛的技术，如传统机器视觉、机器学习、深度学习等。虽然上述方法在过去的研究中取得了较好的准确性，并解决了一些问题，但在这一研究领域仍有改进的空间。
发明人发现，当前害虫图像自动分类方法及系统出现的识别率不高、鲁棒性较差的问题，大多是由于害虫样本的多样性、相似性以及特征复杂度所导致的。在害虫分类中，通常会受到背景部分叶片、茎秆以及地面等因素的影响，同时由于害虫区域相对于背景区域面积一般更小，分类时所受背景因素影响也较大，而由于诸如这些因素的干扰，使用图像直接进行害虫分类具有一定难度。
发明内容
本公开为了解决上述问题，提供了一种棉花害虫定位与分类识别方法及系统，所述方案通过利用超像素分割与梯度提升树对棉花叶片害虫进行定位与分类，并且将同一类害虫的幼虫与成虫作为两个类别处理，有效提高害虫分类的效率和鲁棒性。
根据本公开实施例的第一个方面，提供了一种棉花害虫定位与分类识别方法，包括：
获取待分类的害虫图像；
对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；
对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类为害虫区域和背景区域；
对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；
基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果。
进一步的，在所述梯度提升树的训练过程中，将同一类害虫的幼虫与成虫作为两个类别处理。
进一步的，所述超像素分割具体包括：采用SLIC超像素分割算法对害虫图像进行分割，分别对每个超像素块中所有像素点提取RGB与HSV颜色特征、LBP纹理特征与LM滤波器组的前15个特征以及坐标位置特征，同时，对所有像素点求均值，并对颜色与纹理特征求方差，得到共包含46个特征值的特征向量。
进一步的，对图片中的所有超像素进行层次聚类，具体包括：将每个超像素作为一个单独类别，计算每个类别之间的距离，找出距离最近的两个簇，将这两个簇合并为新的簇；重复迭代上述过程，直至类别数量为两个，终止迭代。
进一步的，根据所述聚类结果，将背景区域消除，置为黑色，只保留害虫区域，然后参照害虫区域的外接矩形对图像进行裁剪，去除周围的无关区域，获得害虫区域图像，并保存分割后的Mask掩模图像。
根据本公开实施例的第二个方面，提供了一种棉花害虫定位与分类识别系统，包括：
数据获取单元，其用于获取待分类的害虫图像；
图像分割单元，其用于对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类分割为害虫区域和背景区域；
特征提取单元，其用于对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；
分类单元，其用于基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果。
根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种棉花害虫定位与分类识别方法。
根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种棉花害虫定位与分类识别方法。
与现有技术相比，本公开的有益效果是：
(1)本公开提出一种基于超像素分割与GBDT梯度提升树对棉花害虫进行定位与分类方法，相比于当下流行的各种深度神经网络的分类方法，本发明中的方法更为轻量与快速，本发明中虽然训练了GBDT模型，但模型的体积远小于深度网络，因此检测速度较快。
(2)所述方案在分类前先对图像进行聚类分割，去除了对分类效果有一定影响的背景无关区域，并且裁剪仅留下害虫区域，大大提高了后续特征提取与最终分类任务的效率；后面的特征提取得到了较多的特征数量，随后使用PCA主成分分析法对特征进行降维处理操作，可以进一步提高分类的速度和准确度。最终使用贝叶斯优化搜索梯度提升树的最优参数组合，使得梯度提升树可以在本发明的任务中进一步达到更好的效果。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例一中所述的一种棉花害虫定位与分类识别方法流程图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是一种棉花害虫定位与分类识别方法。
如图1所示，一种棉花害虫定位与分类识别方法，包括：
步骤1：获取待分类的害虫图像；
步骤2：对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；
其中，所述超像素分割的具体步骤如下：
将害虫图像输入，对输入图像进行超像素分割。本发明中使用SLIC超像素分割算法，平均超像素大小设置为30，平滑度为10。经过分割后，分别对每个超像素块中所有像素点提取颜色特征(RGB与HSV颜色特征)、纹理特征(LBP纹理特征与LM(Leung-Malik)滤波器组的前15个特征)、坐标位置特征，再对所有像素点求均值，并对颜色与纹理特征求方差，得到的特征向量共包含46个特征值。
步骤3：对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类为害虫区域和背景区域；
其中，所述层次聚类的具体步骤为：
本实施例中，采用Python机器学习库Sklearn聚类算法中的AgglomerativeClustering算法，该算法是一种自下而上的层次聚类算法。本公开所述方案使用该聚类算法，将每一张图像中的所有超像素逐步聚为两类，即害虫区域类与背景类。该算法步骤如下：
Step1初始化：将每个样本都作为一个单独的类别。
Step2迭代：计算每个类别之间的距离，找出距离最近的两个簇，将这两个簇合并。
Step3重复迭代过程，直到类别的数量为指定数量K，终止迭代。
本发明在层次聚类算法迭代过程中，计算每个类别之间距离时，采用了类间最小距离法，公式如下：
dmin(Ci，Cj)＝min(distance(xi，xj)，xi∈Ci，xj∈Cj) (1)
根据聚类结果，将背景区域消除，置为黑色，只保留害虫区域。之后参照害虫区域的外接矩形对图像进行裁剪，去除周围的无关区域，最大限度的保留害虫区域，同时保存分割后的Mask掩模图像。
步骤4：对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；
具体的，本发明中对害虫图像共设计提取了两种特征，即颜色特征以及纹理特征。具体描述如下：
(1)颜色特征：提取RGB颜色空间三个通道的分量，同时将原图像转为灰度图像，分别统计颜色直方图特征(使用Mask掩模图仅统计害虫区域)。
(2)纹理特征：LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子，其具有旋转不变性和灰度不变性等显著的优点。本发明中首先提取害虫图像的LBP特征；LM(Leung-Malik)滤波器组是一个多尺度，多方向滤波器组，共含有48个滤波器，其在图像处理和特征提取中得到了较好的应用效果，因此使用该滤波器继续进行特征提取。
连接各个特征分量，生成该害虫图像的特征向量v＝[x0，x1，...，xN-1]。特征向量v中特征个数较多，同时还存在冗余信息，因此通过PCA主成分分析算法去除这些冗余信息，提取出主要特征成分，进行特征降维，以进一步提高识别速度。PCA具体过程如下：
给定训练集D＝{v1，v2，...，vm}，包含类别数目为m：
Step1求均值向量
样本中心化：vi←vi-η
Step2计算协方差矩阵：VVT
Step3对协方差矩阵VVT做特征值分解
Step4取最大的前d个特征值对应的特征向量，构成投影矩阵S＝(u1，u1，...，ud)
求得投影矩阵S和均值向量η之后，对于给定的测试样本v，通过公式(2)投影到更低维的空间，本发明设定投影到2000维。
v′＝ST(v-η) (2)
步骤5：基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果。
其中，所述利用预训练的梯度提升树进行分类，具体包括：
将上一步得到的所有图像的特征向量作为数据，按照80％与20％的比例划分训练集与测试集，图像的类别作为标签值。由于同一类害虫的幼虫与成虫形态差异较大，因此在本发明中，将同一类害虫的幼虫与成虫作为两个类别处理，以提高分类的效果。
梯度提升树GBDT(Gradient Boosting Decision Tree)是Boosting算法中的一种，其是一个集成模型，可以表示为许多基模型的线性组合，其中的基模型限定了只能是CART决策树，所有树的结论累加起来做最终答案，提升树表示为公式如下：
其中T(x；θm)表示决策树，θm为决策树m的参数，M为决策树个数。
将训练数据输入梯度提升树，训练梯度提升树模型进行数据的拟合。提升树树的训练是一个迭代的过程，见公式如下：
fm(x)＝fm-1(x)+T(x；θm) (4)
即当前的提升树模型等于上一轮迭代得到的提升树模型其中加入一棵新的决策树，而本轮迭代的目标便是寻找这样一棵新的决策树，使本轮迭代的损失最小。迭代完成得到最终的提升树模型。
机器学习中的模型训练是由许多超参数决定的，梯度提升树有着许多的超参数，包括基模型个数，子采样率，最大特征数等，为了寻找一个合适的参数组合，使得模型的分类效果最好，本发明使用了贝叶斯优化方法进行参数组合的搜索，从而得到梯度提升树在害虫分类上的最优参数组合，实现在给定的参数空间上最好的分类效果。
本公开所述方案基于超像素分割与GBDT梯度提升树对棉花害虫进行定位与分类方法，相比于当下流行的各种深度神经网络的分类方法，本发明中的方法更为轻量与快速，本发明中训练了GBDT模型，但模型的体积远小于深度网络，因此检测速度较快。
此外在分类前先对图像进行聚类分割，去除了对分类效果有一定影响的背景无关区域，并且裁剪仅留下害虫区域，大大提高了后续特征提取与最终分类任务的效率。后面的特征提取得到了较多的特征数量，随后使用PCA主成分分析法对特征进行降维处理操作，可以进一步提高分类的速度和准确度。最终使用贝叶斯优化搜索梯度提升树的最优参数组合，使得梯度提升树可以在本发明的任务中进一步达到更好的效果。
实施例二：
本实施例的目的是提供一种棉花害虫定位与分类识别系统。
数据获取单元，其用于获取待分类的害虫图像；
图像分割单元，其用于对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类分割为害虫区域和背景区域；
特征提取单元，其用于对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；
分类单元，其用于基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述实施例提供的一种棉花害虫定位与分类识别方法及系统可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种棉花害虫定位与分类识别方法，其特征在于，包括：
获取待分类的害虫图像；
对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；
对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类为害虫区域和背景区域；
对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；
基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果。
2.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，在所述梯度提升树的训练过程中，将同一类害虫的幼虫与成虫作为两个类别处理。
3.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，所述超像素分割具体包括：采用SLIC超像素分割算法对害虫图像进行分割，分别对每个超像素块中所有像素点提取RGB与HSV颜色特征、LBP纹理特征与LM滤波器组的前15个特征以及坐标位置特征，同时，对所有像素点求均值，并对颜色与纹理特征求方差，得到共包含46个特征值的特征向量。
4.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，对图片中的所有超像素进行层次聚类，具体包括：将每个超像素作为一个单独类别，计算每个类别之间的距离，找出距离最近的两个簇，将这两个簇合并为新的簇；重复迭代上述过程，直至类别数量为两个，终止迭代。
5.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，根据所述聚类结果，将背景区域消除，置为黑色，只保留害虫区域，然后参照害虫区域的外接矩形对图像进行裁剪，去除周围的无关区域，获得害虫区域图像，并保存分割后的Mask掩模图像。
6.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，所述颜色特征的提取，具体为：提取RGB颜色空间三个通道的分量，同时将原图像转为灰度图像，分别统计颜色直方图特征。
7.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，所述纹理特征的提取，具体为：首先提取害虫图像的LBP特征，并利用LM滤波器组进行特征提取，获得图像的纹理特征。
8.一种棉花害虫定位与分类识别系统，其特征在于，包括：
数据获取单元，其用于获取待分类的害虫图像；
图像分割单元，其用于对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类分割为害虫区域和背景区域；
特征提取单元，其用于对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；
分类单元，其用于基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种棉花害虫定位与分类识别方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种棉花害虫定位与分类识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110455254.2A CN113128514A (zh) | 2021-04-26 | 2021-04-26 | 一种棉花害虫定位与分类识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110455254.2A CN113128514A (zh) | 2021-04-26 | 2021-04-26 | 一种棉花害虫定位与分类识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113128514A true CN113128514A (zh) | 2021-07-16 |
Family
ID=76780017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110455254.2A Pending CN113128514A (zh) | 2021-04-26 | 2021-04-26 | 一种棉花害虫定位与分类识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128514A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116206208A (zh) * | 2023-05-05 | 2023-06-02 | 河东区志远苗木种植专业合作社 | 一种基于人工智能的林业病虫害快速分析系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718934A (zh) * | 2016-01-25 | 2016-06-29 | 无锡中科富农物联科技有限公司 | 一种基于低秩稀疏编码技术的害虫图像特征学习与识别方法 |
| CN107392892A (zh) * | 2017-06-30 | 2017-11-24 | 天津大学 | 基于图像的玉米生育前期干旱胁迫自动识别方法 |
| CN108345850A (zh) * | 2018-01-23 | 2018-07-31 | 哈尔滨工业大学 | 基于超像素的笔画特征变换和深度学习的区域分类的场景文本检测方法 |
| CN110120042A (zh) * | 2019-05-13 | 2019-08-13 | 哈尔滨工业大学 | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 |
-
2021
- 2021-04-26 CN CN202110455254.2A patent/CN113128514A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718934A (zh) * | 2016-01-25 | 2016-06-29 | 无锡中科富农物联科技有限公司 | 一种基于低秩稀疏编码技术的害虫图像特征学习与识别方法 |
| CN107392892A (zh) * | 2017-06-30 | 2017-11-24 | 天津大学 | 基于图像的玉米生育前期干旱胁迫自动识别方法 |
| CN108345850A (zh) * | 2018-01-23 | 2018-07-31 | 哈尔滨工业大学 | 基于超像素的笔画特征变换和深度学习的区域分类的场景文本检测方法 |
| CN110120042A (zh) * | 2019-05-13 | 2019-08-13 | 哈尔滨工业大学 | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陆泉等: "《基于大数据挖掘的医疗健康公共服务》" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116206208A (zh) * | 2023-05-05 | 2023-06-02 | 河东区志远苗木种植专业合作社 | 一种基于人工智能的林业病虫害快速分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Recognising blueberry fruit of different maturity using histogram oriented gradients and colour features in outdoor scenes | |
| Wang et al. | A review on weed detection using ground-based machine vision and image processing techniques | |
| Dhingra et al. | Study of digital image processing techniques for leaf disease detection and classification | |
| dos Santos Ferreira et al. | Unsupervised deep learning and semi-automatic data labeling in weed discrimination | |
| Mardanisamani et al. | Crop lodging prediction from UAV-acquired images of wheat and canola using a DCNN augmented with handcrafted texture features | |
| Islam et al. | Rice leaf disease recognition using local threshold based segmentation and deep CNN | |
| CN109002851A (zh) | 一种基于图像多特征融合的水果分类方法及应用 | |
| Villaruz | Deep convolutional neural network feature extraction for berry trees classification | |
| Al-Badri et al. | Classification of weed using machine learning techniques: a review—challenges, current and future potential techniques | |
| Kirola et al. | Plants diseases prediction framework: a image-based system using deep learning | |
| Kumar et al. | Apple Sweetness Measurement and Fruit Disease Prediction Using Image Processing Techniques Based on Human-Computer Interaction for Industry 4.0 | |
| Xing et al. | Machine learning and its application in microscopic image analysis | |
| Dange et al. | Grape vision: a CNN-based system for yield component analysis of grape clusters | |
| Juwono et al. | Machine learning for weed–plant discrimination in agriculture 5.0: An in-depth review | |
| CN113128514A (zh) | 一种棉花害虫定位与分类识别方法及系统 | |
| Umamaheswari et al. | Encoder–decoder architecture for crop-weed classification using pixel-wise labelling | |
| Bhadur et al. | Agricultural crops disease identification and classification through leaf images using machine learning and deep learning technique: a review | |
| Lu et al. | Joint crop and tassel segmentation in the wild | |
| CN112446417A (zh) | 基于多层超像素分割的纺锤形果实图像分割方法及系统 | |
| Koushik et al. | Detection and classification of diseased mangoes | |
| Poojari et al. | Identification and solutions for grape leaf disease using convolutional neural network (CNN) | |
| Pareek et al. | Clustering based segmentation with 1D-CNN model for grape fruit disease detection | |
| Lu et al. | Feature-set characterization for target detection based on artificial color contrast and principal component analysis with robotic tealeaf harvesting applications | |
| Kanwal et al. | Overlapped apple fruit yield estimation using pixel classification and hough transform | |
| Zainorzuli et al. | Paddy Leaf Diseases Image Classification using Convolution Neural Network (CNN) Technique |
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 |
Application publication date: 20210716 |
|
| RJ01 | Rejection of invention patent application after publication |