CN113379727A - 基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法 - Google Patents
基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法 Download PDFInfo
- Publication number
- CN113379727A CN113379727A CN202110743450.XA CN202110743450A CN113379727A CN 113379727 A CN113379727 A CN 113379727A CN 202110743450 A CN202110743450 A CN 202110743450A CN 113379727 A CN113379727 A CN 113379727A
- Authority
- CN
- China
- Prior art keywords
- kiwi fruit
- tiny
- training
- yolov4
- model
- 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
- 244000298697 Actinidia deliciosa Species 0.000 title claims abstract description 58
- 235000009436 Actinidia deliciosa Nutrition 0.000 title claims abstract description 58
- 201000010099 disease Diseases 0.000 title claims abstract description 55
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 6
- 235000009434 Actinidia chinensis Nutrition 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 235000007189 Oryza longistaminata Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000000447 pesticide residue Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- 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
- 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)
- 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)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于改进YOLOv4‑Tiny特征融合的猕猴桃叶面病害检测方法,通过分析猕猴桃叶面病害的数据集特性,从而修改YOLOv4‑Tiny的网络结构,使用上采样的方式,在Head部分额外添加了两层输出;同时,借鉴ResNet的残差学习结构,通过shortcut直接映射,从而实现更加快速的特征融合,而ResNet的直接映射的加入,保证了l+1层的网络一定比l层包含更多的图像信息,仅仅是每一维度的信息增加了,但是描述图像的维度本身并没有增加,这有利于最终的图像的识别,同时达到减小模型的大小,提高识别的速度的效果,从而实现实时性的检测。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法。
背景技术
随着江西省猕猴桃种植面积不断增大,大规模病害发生的可能性不断增加。猕猴桃病害的增加会引起大规模的减产减质,如果没有及时发现病害并做出相应的措施,将会带来严重的经济损失。目前猕猴桃病害诊断和防治存在着以下问题:(1)部分种植人员为了增加产量并提高效率,对不同病害的猕猴桃病害均采取大量喷洒农药的办法,使得猕猴桃成品表面的农药残留超标。
(2)我国农民农业知识普遍较低,大多情况下,我国农户根据经验来对果树病虫害进行识别,经验较少的农户在识别过程中会出现误判,导致盲目用药降低猕猴桃质量和产量并带来环境污染。
(3)专家系统在植物病害防治方面得到了广泛的应用,但专家系统对于植物病害的识别防治主要依赖于各自领域内的专家知识,一些病害的相关信息需要专家进行实地调研,这可能会导致农户无法及时得到病害信息。
发明内容
本发明的目的是解决现有技术的不足,检测成本低、速度快、准确率高的基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法。
为了实现上述目的,本发明采用以下的技术方案:
基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法,包括以下步骤:
获取待测猕猴桃叶面图片,将所述待测猕猴桃叶面图片输入至预先训练好的检测模型中,获取识别预测结果,从而确定所述待测猕猴桃叶面图片的病害检测结果;
所述检测模型通过以下步骤得到:
S1、获取数据集:获取猕猴桃叶面图片,将其图片数据分为训练集、验证集和测试集,训练集占75%,验证集占5%,测试集占20%;
S2、数据预处理:
S2-1、图像数据标记:将S1获取的数据集以COCO数据集的格式,通过labe1Img进行标注,将猕猴桃叶面病害的位置以及病害的名称进行标记,得到后缀为txt的文件,将图片和后缀为txt的文件分别存放于images和labels的文件夹中;
S2-2、数据增强:通过旋转、色调和保护度的变化对图片进行扩增;
S3、设置改进YOLOv4-Tiny网络模型:
S3-1、修改主干网络最后一层输出通道数:将Head之前的filters修改为24;
S3-2、设置锚框参数:通过K-means聚类得到anchors大小;
S3-3、修改训练次数:将训练次数设为6000;
S3-4、在Head部分额外添加两层输出;
S3-5、采用shortcut直接映射实现特征融合;
S4、训练改进YOLOv4-Tiny网络,获取检测模型:将batch设置为32,subdivisions设置为1,训练后得到后缀为weights的权重文件。
优选地,所述S4之后还包括S5和S6,所述S5为模型转换:将S4获得的检测模型通过Darknet2ncnn转换为后缀为bin和后缀为param的文件,即转为NCNN模型;所述S6为界面显示:使用Android Studio设计界面,将所述S5获得的NCNN模型,通过NCNN计算框架实现猕猴桃叶面病害的Android检测。
优选地,S1中的图片数据的像素为416*416。
优选地,所述改进YOLOv4-Tiny网络模型,利用主干特征提取网络,获得四个shape的有效特征层,即CSPdarknet53-Tiny最后四个shape的有效特征层,传入加强特征提取网络中进行FPN的构建,进而对主干特征提取网络获得的四个shape的有效特征层进行特征融合,具体为,FPN会将最后一个shape的有效特征层卷积后进行上采样,然后与上一个shape的有效特征层进行add操作,重复该操作直至完成四个shape的有效特征层的特征融合。对于输入图像为416*416的图像来说,即可得到13*13、26*26、52*52、104*104四个不同尺度的输出。
优选地,在训练改进YOLOv4-Tiny网络时,设置训练参数-map,用于实时监控损失函数与mAP;采用CIOU作为回归优化loss,CIOU的公式为:
其中,分别代表了预测框和真实框的中心点的欧式距离,c代表了能够同时包含预测框和真实框的最小闭包区域的对角线距离,gt代表真实值,wgt代表真实框的宽,hgt代表真实框的高,w代表预测框的宽,h代表预测框的高,α为权重系数,ν代表预测框与真实框长宽比的距离,α和ν的公式分别为:,,即损失函数为:
设置CIOU的原因在于,常规的IOU无法优化未重叠部分,CIOU能够将目标与anchor之间的距离、重叠率、尺度以及惩罚项均作为影响因素,使得目标框回归变得更加稳定,不会出现IOU和GIOU存在的训练过程中发散等问题,而惩罚因子把预测框长宽比拟合目标框的长宽比考虑进去。其中,如果损失函数很高且mAP很低,则建议在训练命令末端设置-showimgs标志来运行训练,观察是否有正确的边界预测框的目标,若无,则训练发生错误,重新进行训练。
本发明提供一种基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法,并将此方法部署于Android,实现识别猕猴桃叶面病害的功能。通过分析猕猴桃叶面病害的数据集特性,从而修改YOLOv4-Tiny的网络结构,使用上采样的方式,在Head部分额外添加了两层输出。同时,借鉴ResNet的残差学习结构,通过shortcut直接映射,从而实现更加快速的特征融合。从信息论的角度讲,由于DPI(数据处理不等式)的存在,在前向传输的过程中,随着层数的加深,Feature Map包含的图像信息会逐层减少,而ResNet的直接映射的加入,保证了l+1层的网络一定比l层包含更多的图像信息,仅仅是每一维度的信息增加了,但是描述图像的维度本身并没有增加,这有利于最终的图像的识别,同时达到减小模型的大小,提高识别的速度的效果,从而实现实时性的检测。与现有技术相比,本发明具有如下优点:
(1)将本发明提供一种基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法,并将此方法部署于Android,通过用户拍照就可实现猕猴桃叶面病害快速自动检测,并根据检测的病害类别给出合理病害防治建议,从而提高猕猴桃的产量与质量。
(2)采用基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法,能够检测出更多的小目标。
(3)通过shortcut直接映射,从而实现更加快速的特征融合。减小了模型的大小,提高了检测的速度。
附图说明
图1所示为实施例1中检测模型的构建示意图;
图2所示为实施例1中改进YOLOv4-Tiny特征融合的特征结构图;
图3所示为改进YOLOv4-Tiny网络模型在Android部署后的猕猴桃叶面病害检测APP的主页图;
图4所示为原版YOLOv4-Tiny网络模型、改进YOLOv4-Tiny网络模型,分别在检测具体猕猴桃叶面时的对比图;
图5所示为原版YOLOv4-Tiny网络模型、改进YOLOv4-Tiny网络模型,分别在检测猕猴桃叶面时的实时性对比图。
具体实施方式
以下将结合实施例和附图对本发明的构思及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
一种基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法,包括步骤如下:
获取待测猕猴桃叶面图片,将待测猕猴桃叶面图片输入至预先训练好的检测模型中,获取识别预测结果,从而确定待测猕猴桃叶面图片的病害检测结果;
检测模型构建过程如图1所示,通过以下步骤得到:
S1、获取数据集:获取猕猴桃树图片数据,将数据分为训练集、验证集和测试集,训练集部分占75%,验证集占5%,测试集占20%;
S2、数据预处理:
S2-1、图片标记:将S1获取的数据集以COCO数据集的格式,通过labelImg进行标注,将猕猴桃叶面病害的位置以及病害的名称进行标记,得到后缀为txt文件,将图片和后缀为txt文件分别存放于images和labels文件中;
S2-2、数据增强:为了达到比较好的识别效果,收集的图片往往不能满足训练集对于图像数量的要求,此时,可通过旋转,色调,保护度的变化对图片进行扩增;
S3、设置网络模型参数:
S3-1、修改主干网络最后一层输出通道数:将通道数修改为(classes+5)x3,此发明应用于识别猕猴桃叶面病害的前三大类别,因此将通道数修改为24,即将Head之前的filters修改为24;
S3-2、设置锚框参数:通过K-means聚类的方法得到anchors大小;随机指定K个cluster,把点划分到与之最近的一个cluster,由于是随机指定的cluster,需要更新每个cluster为当前cluster点的均值,不断重复此过程,直到cluster中心变化很小;
S3-3、修改训练次数:通常来说,训练次数应大于classes*2000,由于此发明应用于识别猕猴桃叶面病害的前三大类别,故将训练次数设为6000;
S4、改进YOLOv4-Tiny网络模型:
S4-1、额外添加两层Head:由于猕猴桃叶面病害大多数都是小目标,通过YOLOv4-Tiny无法对这些小目标进行精准的检测,通过上采样的方式,在Head部分额外添加了两层输出,从而能检测更多的小目标。
S4-2、shortcut直接映射:借鉴ResNet的残差学习结构,通过shortcut直接映射,从而实现更加快速的特征融合;从信息论的角度讲,由于DPI(数据处理不等式)的存在,在前向传输的过程中,随着层数的加深,Feature Map包含的图像信息会逐层减少,而ResNet的直接映射的加入,保证了l+1层的网络一定比l层包含更多的图像信息,仅仅是每一维度的信息增加了,但是描述图像的维度本身并没有增加,用公式可以表示为:,其中,分成两部分直接映射部分和残差部分;是直接映射;是残差部分,由卷积操作构成;这有利于最终的图像的识别,同时达到减小模型的大小,提高识别的速度的效果,从而实现实时性的检测;
S5、训练网络,获取目标检测模型:将batch设置为32,subdivisions设置为1,使用GeForce RTX 3090显卡进行训练,最终得到后缀为weights的权重文件;
S6、模型转换:要实现Android的部署,单纯的weights权重文件Android手机是无法识别的,必须通过模型转换之后才能被识别;因此,需要选择一种手机端极致优化的高性能神经网络前向计算框架,由于NCNN从设计之初深刻考虑手机端的部署和使用,无第三方依赖,跨平台,手机端CPU的速度快于目前所有已知的开源框架,因此选用NCNN框架;将S5步骤中获得的目标检测模型转为NCNN模型,通过Darknet2ncnn转换为后缀为bin和后缀为param的两个文件;
S7、界面显示:使用Android Studio设计界面,并将S6步骤中转换好的模型通过NCNN计算框架实现猕猴桃叶面病害的Android检测。
参看如表1所示,在速度方面,用红米note7pro手机中测试,打开相机进行猕猴桃叶面病害的检测,原版YOLOv4-Tiny算法的平均FPS为10.041,改进后YOLOv4-Tiny算法的平均FPS为11.547;在模型大小方面,原版YOLOv4-Tiny算法训练出的weights权重大小为23.1MB,改进后YOLOv4-Tiny算法训练出的weights权重大小为19.88MB,改进后YOLOv4-Tiny算法在精度、速度、大小方面都优于原始YOLOv4-Tiny算法。
表1
算法 | 平均置信度(%) | 速度(FPS) | 模型大小(MB) |
原始版YOLOv4-Tiny | 98.18 | 10.041 | 23.11 |
改进版YOLOv4-Tiny | 92.51 | 11.547 | 19.88 |
参看如图2所示,该方法通过修改YOLOv4-Tiny的网络结构,通过上采样的方式,在Head部分额外添加了两层输出;同时,借鉴ResNet的残差学习结构,通过shortcut直接映射,从而实现更加快速的特征融合。从信息论的角度讲,由于DPI(数据处理不等式)的存在,在前向传输的过程中,随着层数的加深,Feature Map包含的图像信息会逐层减少,而ResNet的直接映射的加入,保证了l+1层的网络一定比l层包含更多的图像信息,仅仅是每一维度的信息增加了,但是描述图像的维度本身并没有增加,这有利于最终的图像的识别,同时达到减小模型的大小,提高识别的速度的效果,从而实现实时性的检测。
参看如图3所示,本发明应用于Android,该APP的主页面包括,病害防治介绍、原始版YOLOv4-Tiny算法和改进版的YOLOv4-Tiny算法,用户可以根据猕猴桃叶面病害检测的结果查看猕猴桃病害防治介绍,实现低成本,高精度,实时性的检测,从而对症下药,在前期对猕猴桃叶面病害进行有效防治,从而保证最终猕猴桃果实的数量与质量。
参看如图4所示,在猕猴他叶面病害的检测时,不管在猕猴桃叶面的溃疡病还是猕猴桃叶面的叶斑病检测,改进后的YOLOv4-Tiny算法,检测小目标的能力明显强于原版YOLOv4-Tiny算法。
参看如图5所示,在速度方面,在Redmi Note 7 Pro手机中测试,原版YOLOv4-Tiny算法的平均FPS为10.041,改进后YOLOv4-Tiny算法的平均FPS为11.547,速度方面也优于原来的算法。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法,其特征在于,包括以下步骤:
获取待测猕猴桃叶面图片,将所述待测猕猴桃叶面图片输入至预先训练好的检测模型中,获取识别预测结果,从而确定所述待测猕猴桃叶面图片的病害检测结果;
所述检测模型通过以下步骤得到:
S1、获取数据集:获取猕猴桃叶面图片,将其图片数据分为训练集、验证集和测试集,训练集占75%,验证集占5%,测试集占20%;
S2、数据预处理:
S2-1、图像数据标记:将S1获取的数据集以COCO数据集的格式,通过labe1Img进行标注,将猕猴桃叶面病害的位置以及病害的名称进行标记,得到后缀为txt的文件,将图片和后缀为txt的文件分别存放于images和labels的文件夹中;
S2-2、数据增强:通过旋转、色调和保护度的变化对图片进行扩增;
S3、设置改进YOLOv4-Tiny网络模型:
S3-1、修改主干网络最后一层输出通道数:将Head之前的filters修改为24;
S3-2、设置锚框参数:通过K-means聚类得到anchors大小;
S3-3、修改训练次数:将训练次数设为6000;
S3-4、在Head部分额外添加两层输出;
S3-5、采用shortcut直接映射实现特征融合;
S4、训练改进YOLOv4-Tiny网络,获取检测模型:将batch设置为32,subdivisions设置为1,训练后得到后缀为weights的权重文件。
2.根据权利要求1所述的猕猴桃叶面病害检测方法,其特征在于,所述S4之后还包括S5和S6,所述S5为模型转换:将S4获得的检测模型通过Darknet2ncnn转换为后缀为bin和后缀为param的文件,即转为NCNN模型;所述S6为界面显示:使用Android Studio设计界面,将所述S5获得的NCNN模型,通过NCNN计算框架实现猕猴桃叶面病害的Android检测。
3.根据权利要求1所述的猕猴桃叶面病害检测方法,其特征在于,S1中的图片数据的像素为416*416。
4.根据权利要求1所述的猕猴桃叶面病害检测方法,其特征在于,所述改进YOLOv4-Tiny网络模型,利用主干特征提取网络,获得四个shape的有效特征层,即CSPdarknet53-Tiny最后四个shape的有效特征层,传入加强特征提取网络中进行FPN的构建,进而对主干特征提取网络获得的四个shape的有效特征层进行特征融合,具体为,FPN会将最后一个shape的有效特征层卷积后进行上采样,然后与上一个shape的有效特征层进行add操作,重复该操作直至完成四个shape的有效特征层的特征融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743450.XA CN113379727A (zh) | 2021-07-01 | 2021-07-01 | 基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743450.XA CN113379727A (zh) | 2021-07-01 | 2021-07-01 | 基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379727A true CN113379727A (zh) | 2021-09-10 |
Family
ID=77580488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110743450.XA Pending CN113379727A (zh) | 2021-07-01 | 2021-07-01 | 基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379727A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI804060B (zh) * | 2021-11-19 | 2023-06-01 | 國立成功大學 | 植物病蟲害監控方法及植物病蟲害監控系統 |
WO2024025488A1 (en) * | 2022-07-29 | 2024-02-01 | İstanbul Geli̇şi̇m Üni̇versi̇tesi̇ | A new system that detects the health status of leaves by analyzing tree leaves |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926685A (zh) * | 2021-03-30 | 2021-06-08 | 济南大学 | 一种工业中钢材氧化带目标检测方法、系统及设备 |
CN112990325A (zh) * | 2021-03-24 | 2021-06-18 | 南通大学 | 一种面向嵌入式实时视觉目标检测的轻型网络构建方法 |
-
2021
- 2021-07-01 CN CN202110743450.XA patent/CN113379727A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990325A (zh) * | 2021-03-24 | 2021-06-18 | 南通大学 | 一种面向嵌入式实时视觉目标检测的轻型网络构建方法 |
CN112926685A (zh) * | 2021-03-30 | 2021-06-08 | 济南大学 | 一种工业中钢材氧化带目标检测方法、系统及设备 |
Non-Patent Citations (3)
Title |
---|
LIUWEI: "《yolov3-tiny:Android端基于darknet2ncnn之实现一》", 《知乎 HTTPS://ZHUANLAN.ZHIHU.COM/P/99904596》 * |
周威: "《YOLO V4 — 损失函数解析(特详细!)》", 《知乎 HTTPS://ZHUANLAN.ZHIHU.COM/P/159209199》 * |
开坦克的贝塔: "《YOLOV4 pytorch实现流程》", 《知乎 HTTPS://ZHUANLAN.ZHIHU.COM/P/372402239》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI804060B (zh) * | 2021-11-19 | 2023-06-01 | 國立成功大學 | 植物病蟲害監控方法及植物病蟲害監控系統 |
WO2024025488A1 (en) * | 2022-07-29 | 2024-02-01 | İstanbul Geli̇şi̇m Üni̇versi̇tesi̇ | A new system that detects the health status of leaves by analyzing tree leaves |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Applications of deep learning for dense scenes analysis in agriculture: A review | |
Fu et al. | Fast and accurate detection of kiwifruit in orchard using improved YOLOv3-tiny model | |
Azlah et al. | Review on techniques for plant leaf classification and recognition | |
Sa et al. | Deepfruits: A fruit detection system using deep neural networks | |
Cheng et al. | Early yield prediction using image analysis of apple fruit and tree canopy features with neural networks | |
Pereira et al. | Deep learning techniques for grape plant species identification in natural images | |
Han et al. | An efficient and robust integrated geospatial object detection framework for high spatial resolution remote sensing imagery | |
Mu et al. | Intact detection of highly occluded immature tomatoes on plants using deep learning techniques | |
CN110770752A (zh) | 多尺度特征融合网络结合定位模型的害虫自动计数方法 | |
CN112446388A (zh) | 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 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
CN114220035A (zh) | 一种基于改进yolo v4的快速害虫检测方法 | |
CN111553200A (zh) | 一种图像检测识别方法及装置 | |
Luo et al. | Target detection method of UAV aerial imagery based on improved YOLOv5 | |
Palacios et al. | A non-invasive method based on computer vision for grapevine cluster compactness assessment using a mobile sensing platform under field conditions | |
Wang et al. | Precision detection of dense plums in orchards using the improved YOLOv4 model | |
CN113379727A (zh) | 基于改进YOLOv4-Tiny特征融合的猕猴桃叶面病害检测方法 | |
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 | |
Xiao et al. | Fruit detection and recognition based on deep learning for automatic harvesting: an overview and review | |
Lin et al. | Development of navigation system for tea field machine using semantic segmentation | |
Luo et al. | YOLOD: A target detection method for UAV aerial imagery | |
CN108133235A (zh) | 一种基于神经网络多尺度特征图的行人检测方法 | |
Hong et al. | A lightweight model for wheat ear fusarium head blight detection based on RGB images | |
WO2020232942A1 (zh) | 基于农田图像的卷积神经网络构建方法及其系统 |
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: 20210910 |
|
RJ01 | Rejection of invention patent application after publication |