CN113627258A - 一种苹果叶部病理检测方法 - Google Patents
一种苹果叶部病理检测方法 Download PDFInfo
- Publication number
- CN113627258A CN113627258A CN202110781474.4A CN202110781474A CN113627258A CN 113627258 A CN113627258 A CN 113627258A CN 202110781474 A CN202110781474 A CN 202110781474A CN 113627258 A CN113627258 A CN 113627258A
- Authority
- CN
- China
- Prior art keywords
- weight
- feature
- channel
- function
- formula
- 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
Links
Images
Classifications
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种苹果叶部病理检测的方法,对五类叶部病害:斑点落叶病、褐斑病、花叶病、灰斑病、锈病进行识别检测。针对以下问题:较小的目标难以识别;部分背景区域被识别为目标;重复识别目标。采取步骤包括:采用了轻量级特征融合结构,融合高低层特征图特征,其次引入通道注意力机制,提取更有效的病斑小目标特征信息,同时加入焦点损失函数,减少了训练中大量简单负样本的权值,最后对5类苹果叶部测试公共数据集检验。本发明所提方法FS‑SSD具有可行性和优越性,其性能明显优于其它检测模型,提高了检测的准确性。
Description
技术领域
本发明提出一种苹果叶部病理检测方法,涉及目标检测领域。
背景技术
由于农作物在生长初期容易感染上各种病害,而初期其果实一般还未成形,保果的基础是保叶。苹果的质量与产量一直备受果农的关注。传统的识别苹果病害主要靠果农或农业专家用肉眼去识别,传统上的农作物病害检测识别,主要还是依赖于农民在实际农业生产过程中积累的自身经验,凭感觉来对农作物病害种类进行判断。这种方法完全依赖于个人的肉眼观察,主观性强、速度慢、实时性差、病害面积难以统计、误判率高,往往在作物的病害比较严重时才能识别,这样不仅耽误了病情,且不能根据实际的病害程度来进行相应的防治工作。这显然是一个巨大的工程,耗时耗力不说,效率也十分低下,特别是对于苹果树这种比较大型的果树,想要具体了解病害类型,必须借助梯子攀爬去了解中间层以及顶层叶片的病害情况;而从事果园种植的人群基本是中老年人,他们一般腿脚不便,借助梯子攀爬显然具有一定的危险性。同时,鉴于个人对病害类别的区分能力不同,便得不到一个相对权威的检测结果,这些不够权威的结果明显会导致果树错过病害的最佳治疗时机。面对这样一个具有一定危险性的庞大的工程,很多果农为了在确保安全性的同时能够减少工作量,只能主观估测病害的类型,然后通过大致地喷洒农药来控制病情,但是,不同苹果病害的防治措施有所不同,如果不加区分地处理,不仅会加大环境污染还会影响最终苹果的产量与质量。因此,实时、准确、快速地检测识别农作物的病害种类,并采取有效措施治理农作物病害,对提高农作物产量和质量有着重大的意义。
智慧农业的出现在提高农业生产率、减少环境污染、提高粮食安全系数等方面具有至关重要的作用。在苹果叶部病理模型的检测中,准确、快速地检测识别农作物的病害种类,并采取有效措施治理农作物病害,对提高农作物产量和质量具有重要作用。
本发明提出了一种新的方法,将FS-SSD算法运用于苹果叶部病理的检测方法。针对以往SSD模型对于苹果叶部检测需要面临叶部病斑目标较小,且叶部病斑的背景复杂问题,首先原SSD网络中的主干网络VGG16的conv4_3、fc7、额外层conv7_2做特征融合得到一个合并层,然后BN操作于该合并层,其与另外5个卷积层作为通道注意力网络(SENet)的输入X,经过全局平均池化(Pool)与两个全连接层(Fc),其中第一个全连接层的缩放系数r设置为2,可有效提高计算效率,再通过激活函数Sigmoid得到各通道的权值,与原输入X对应相乘得到最终用于检测的特征,且加入焦点损失函数(Focal loss),最后进行目标检测。本发明所提方法具有可行性和优越性,其性能明显优于原始SSD模型和其它目标检测模型。提高了预测的准确性。
发明内容
有鉴于此,本发明的主要目的在于将特征融合、通道注意力机制的优势集成在一起,利用焦点损失函数(Focal loss)降低了大量简单负样本在训练中所占的权重,将FS-SSD算法模型进行苹果叶部病理检测。从而提高预测精度。
为了达到上述目的,本发明提出的技术方案为:
一种苹果叶部病理检测方法,其特征在于,所述的检测方法包括以下步骤:
步骤1、对数据集进行预处理,利用“Lable Image”进行五类病害的标注;
步骤2、针对小目标识别精度的缺陷,利用融合SSD特征提取网络VGG-16 的高低层特征图的特征;
步骤3、考虑到苹果叶部病害目标易受背景干扰,对用于生成候选区域的不同尺度特征图加入通道注意力机制,减轻背景信息的干扰;
步骤4、解决训练模型正负样本比例失衡的问题,加入焦点损失函数(Focalloss)。
综上所述,本发明将特征融合和注意力机制的优势集成在一起,利用焦点损失函数(Focal loss)降低了大量简单负样本在训练中所占的权重,将算法模型进行苹果叶部病理检测。从而提高检测精度。
附图说明
图1为本发明所述的一种苹果叶部病理检测方法的总体流程示意图;
图2为对数据集预处理的流程示意图;
图3为VGG-16特征融合的流程示意图;
图4为通道注意力机制流程示意图;
图5为利用训练后FS-SSD算法模型进行苹果叶部病理检测流程示意图;
图6为对比算法检测结果示意图,其中线条浅蓝色代表SSD、橘黄色代表 YOLO-V1、灰色代表Faster R-CNN、黄色代表Fast R-CNN、深蓝色代表FS-SSD,图表自左向右中的区域一表示斑点落叶病识别精度、区域二表示褐斑病识别精度、区域三表示花叶病识别精度、区域四表示灰斑病识别精度、区域五表示锈病识别精度、区域六表示平均识别精度。
具体实施方式:
下面将结合本发明的附图,对本发明的技术方案进行清楚、完整地描述,显然,所举实例用于解释说明,并非限定本发明的实施方式,本发明也可以通过其它不同的具体实施方式实施。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。
图1为本发明所述的一种苹果叶部病理检测方法的总体流程示意图,如图1 所示,本发明所述基于FS-SSD算法的苹果叶部病理检测方法,包括如下步骤:
步骤1、对数据集进行预处理,利用“Lable Image”进行五类病害的标注;
步骤2、针对小目标识别精度的缺陷,利用融合SSD特征提取网络的VGG-16的conv4_3、fc7和额外层conv7_2的特征图特征;
步骤3、考虑到苹果叶部病害目标易受背景干扰,对用于生成候选区域的不同尺度特征图加入通道注意力机制,减轻背景信息的干扰;
步骤4、解决训练模型正负样本比例失衡的问题,加入焦点损失函数(Focalloss)。
图2为对数据集预处理特征构造的流程示意图,如图2所示,步骤1中,数据集预处理,包括如下步骤:
步骤12、采集实验数据集,来源于百度AI公共数据集库 (https://aistudio.baidu.com/aistudio/datasetdetail/11591)
步骤11、利用“Lable Image”工具对数据集图像中的五种病害做标注,图片标注格式为PACALVOC;
图3为VGG-16特征融合的流程示意图,如图3所示,步骤2中,针对小目标识别精度的缺陷,利用融合SSD特征提取网络的VGG-16的conv4_3、fc7和额外层conv7_2的特征图特征,包括如下步骤:
步骤21、用于将不同尺度的特征图在合并前做些预处理操作;先使用1*1 卷积降低特征图的通道数,并将VGG-16中conv4_3尺度设置为基准尺度(对应步长为8,尺度:38×38),通过设置Conv6_2的步长为1,则Conv7_2的分辨率也为10*10。对于尺度小于38*38的特征图的FC7和Conv7_2就需要使用双线性插值(Bilinear Interpolation)做上采样操作,使之尺度缩放为38*38;经过以上操作,所有特征图在合并前,保持一致的空间维度信息;
步骤22、将通过尺度变化的VGG16的fc7、额外层conv7_2与Conv4_3连接得到一个合并层,在该步骤中,合并层的尺寸为768(256+256+256);
步骤23、BN操作以正则化得到的合并层,该层的像素数量减小到512,公式如下:
Xf=φf{Ti(Xi)}i∈C (9)
X'p=φp(Xf)p∈P (10)
loc,class=φc,l(∪{X'p})p∈P (11)
式中Xi,i∈C表示原始各层的特征图;Ti表示在融合前,每层特征图的Xi都需要做一个转换函数,也即缩放到同一尺度;φf表示特征融合函数;φp表示基于融合后的Xf,生成新的特征金字塔函数;φc,l表示通过新生成的特征金字塔,预测目标检测的函数。
图4为通道注意力机制流程示意图,如图4所示,考虑到苹果叶部病害目标易受背景干扰,对用于生成候选区域的不同尺度特征图加入通道注意力机制,减轻背景信息的干扰;包括如下步骤:
步骤31、将6种额外层的不同尺寸的特征图(38*38,19×19,10*10,5*5,3*3 和1*1),通过全局平均池化得到每个通道的权重,每一个权重都是通过对特征图在空间维度H*W进行压缩得到,作为通道注意力网络(SENet)的输入X,计算公式如下所示:
其中Z表示压缩通道得到的权重;H×W表示特征空间维度信息。
步骤32、为了可以自适应生成各通道的注意力权重,使用具有一个隐含层的多层感知机,隐含层的神经元个数为C/r,r为缩放比例,合适的r可以提高计算效率。使用Sigmoid得到最终的权重。计算公式如下:
sc=Fex(Z,W)=σ(g(Z,W))=σ(W2δ(W1Z)) (13)
其中,δ函数是ReLU激活函数,σ是Sigmoid激活函数,Sc的维度是1×1×C,Sc对应生成的通道注意力权重;
步骤33、使用得到Sc对输入通道进行调整,通道注意力加权公式为:
4、图5为利用焦点损失函数(Focal Loss)训练FS-SSD算法模型后进行苹果叶部病理检测流程示意图,如图5所示,步骤4中,利用加入的焦点损失函数(Focal Loss)对模型进行训练,包括如下步骤:
步骤41、焦点损失函数(Focal Loss)是通过对交叉熵损失(cross-entropy loss)函数的基础上进行的修改。二分类交叉熵公式如下:
式中L表示二分类交叉熵的损失值,y表示真实分类,y'表示预测分类。
步骤42、焦点损失函数(Focal Loss)在交叉熵损失的原有基础上,增加了一个因子γ,自动降低简单负样本的损失,帮助模型集中于训练更加困难的样本,焦点损失函数(Focal Loss)定义公式如下:
FL(pt)=-at(1-pt)γlog(pt) (16)
式中pt表示不同类别t的概率;平衡因子at表示积极和消极的比例,用来平衡样本不均衡;γ表示为聚焦参数,来调节简单和困难样本权重降低的速率;pt越大,通过增大γ,权重(1-pt)γ就越小,通过权重对简单样本进行抑制,当γ增加时,平衡因子at也在增加。根据实验经验,本发明中的参数at、γ分别取0.25和2。步骤43、进行苹果叶部图像病理检测识别,本发明中设定的阈值IOU为0.5,当时,IOU>=0.5时,表示目标被检测成功,反之,则目标没有被检测成功。
实施例
本实例采用斑点落叶病(alternaria)、褐斑病(brown)、花叶病(mosaic)、灰斑病(grey)、锈病(rust)五类苹果叶部病害的实验数据源于百度AI公共数据集库(https://aistudio.baidu.com/aistudio/datasetdetail/11591)使用基于FS-SSD 算法的苹果叶部病理检测方法对苹果叶部病斑进行检测,具体步骤如下所示:
1.对数据集进行预处理,利用“Lable Image”工具对数据集图像中的五种病害做标注,图片标注格式为PACALVOC;
2.使用VGG16的conv4_3、fc7,额外层conv7_2做特征融合,先使用 1*1Conv降低特征图的通道数变为256,并将Conv4_3而来的特征设置基础尺度为38*38对应步长8,通过设置Conv6_2的步长为1,则Conv7_2的分辨率也为 10*10。对于尺度小于38*38的特征图的FC7和Conv7_2就需要使用双线性插值(Bilinear Interpolation)做上采样操作,使之尺度缩放为38*38,空间维度信息就保持一致;
3.然后将fc7、conv7_2与Conv4_3连接得到一个合并层
4.BN操作以正则化得到的合并层,该层的像素数量减小到512;
5.将得到的合并层与另外使用的5个卷积层,每个卷积层都能够减小特征图的尺寸,获得6种不同尺寸的特征图(38*38,19×19,10*10,5*5,3*3和1*1),然后将这6种额外层作为通道注意力网络(SENet)的输入X,经过全局平均池化 (Pool)与两个全连接层(Fc),其中第一个全连接层的缩放系数r设置为2,可有效提高计算效率,再通过激活函数Sigmoid得到各通道的权值,与原输入X对应相乘得到最终用于检测的特征图
6.加入焦点损失函数(Focal Loss),参数at、γ分别取0.25和2对网络进行训练。
7.用训练好的模型对苹果叶部病害图像进行检测,同时将其它检测模型作为对比。采用的评价指标为每一类别的检测精度的评价指标AP和平均准确率均值(MeanAverage Precision,mAP)来评价模型的有效性。原始SSD模型的斑点落叶病(alternaria)、褐斑病(brown)、花叶病(mosaic)、灰斑病(grey)、锈病(rust)AP分别为70.80%、74.87%、90.32%、62.50%、79.17%,maP为75.53%, YOLO-V1模型五类病害AP为70.55%、58.20%、90.24%、67.85%、89.54%, maP为75.28%,Faster R-CNN模型五类病害AP为71.64%、75.67%、81.66%、 63.44%、90.35%,maP为76.55%,Fast R-CNN模型五类病害AP为66.71%、 71.94%、77.76%、59.21%、85.63%,maP为72.25%。对比其它检测模型,FS-SSD模型的检测准确度较高。证明该模型可以对苹果叶部病理进行检测,具有良好的可靠性。
Claims (5)
1.一种苹果叶部病理检测方法,其特征在于,所述的苹果叶部病理方法包括以下步骤:
步骤1、数据集预处理,利用“Lable Image”进行五类病害的标注;
步骤2、将单点多盒探测器(Single Shot MultiBox Detector,SSD)网络中的浅层细节与高层语义结合起来,补充细节信息在基本不增加原有模型计算量的情况下进行特征融合;
步骤3、加入注意力机制中的通道注意力机制,不再平均考虑特征图中所有通道的特征信息,而是对特征图的各通道赋予不同的权值,根据权值大小对特征通道进行筛选,使模型聚焦于更有效的特征;
步骤4、加入焦点损失函数(Focal Loss),降低了大量简单负样本在训练中所占的权重进而改善误检的情况。
2.根据权利要求1所述的一种苹果叶部病理检测方法,其特征在于,步骤1中,数据集预处理,利用“Lable Image”进行五类病害的标注,包括如下步骤:
步骤11、利用“Lable Image”工具对数据集图像中的五种病害做标注,图片标注格式为PACAL VOC。
3.根据权利要求1所述的一种苹果叶部病理检测方法,其特征在于,步骤2中,融合SSD网络中的某些浅层细节与高层语义的特征,补充细节信息,包括如下步骤:
步骤21、用于将不同尺度的特征图在合并前做些预处理操作;先使用1*1卷积降低特征图的通道数,并将VGG-16中conv4_3尺度设置为基准尺度(对应步长为8,尺度:38×38),通过设置Conv6_2的步长1,则Conv7_2的分辨率也为10*10。对于尺度小于38*38的特征图的FC7和Conv7_2就需要使用双线性插值(Bilinear Interpolation)做上采样操作,使之尺度缩放为38*38pix;经过以上操作,所有特征图在合并前,空间维度信息就保持一致了;步骤22、将通过尺度变化的VGG16的fc7、额外层conv7_2与Conv4_3 接得到一个合并层,在该步骤中,合并层的尺寸为768(256+256+256);
步骤23、BN操作以正则化得到的合并层,该层的像素数量减小到512,公式如下:
Xf=φf{Ti(Xi)}i∈C (1)
X'p=φp(Xf)p∈P (2)
loc,class=φc,l(∪{X'p})p∈P (3)
式中Xi,i∈C表示原始各层的特征图;Ti表示在融合前,每层特征图的Xi都需要做一个转换函数,也即缩放到同一尺度;φf表示特征融合函数;φp表示基于融合后的Xf,生成新的特征金字塔函数;φc,l表示通过新生成的特征金字塔,预测目标检测的函数。
4.根据权利要求1所述的一种苹果叶部病理检测方法,其特征在于,步骤3中,对用于生成候选区域的不同尺度特征图引入通道注意力机制,包括如下步骤:
步骤31、将6种额外层的不同尺寸的特征图(38*38,19×19,10*10,5*5,3*3和1*1),通过全局平均池化得到每个通道的权重,每一个权重都是通过对特征图在空间维度H*W进行压缩得到,作为通道注意力网络(SENet)的输入X,计算公式如下所示:
其中Z表示压缩通道得到的权重;H×W表示特征空间维度信息。
步骤32、为了可以自适应生成各通道的注意力权重,使用具有一个隐含层的多层感知机,隐含层的神经元个数为C/r,r为缩放比例,合适的r可以提高计算效率。使用Sigmoid得到最终的权重。计算公式如下:
sc=Fex(Z,W)=σ(g(Z,W))=σ(W2δ(W1Z)) (5)
其中,δ函数是ReLU激活函数,σ是Sigmoid激活函数,Sc的维度是1×1×C,Sc对应生成的通道注意力权重;
步骤33、使用得到Sc对输入通道进行调整,通道注意力加权公式为:
5.根据权利要求1所述的一种苹果叶部病理检测方法,其特征在于,步骤4中,加入焦点损失函数(Focal Loss)包括如下步骤:
步骤41、焦点损失函数(Focal Loss)是通过对交叉熵损失(cross-entropy loss)函数的基础上进行的修改。二分类交叉熵公式如下:
式中L表示二分类交叉熵的损失值,y表示真实分类,y'表示预测分类。
步骤42、焦点损失函数(Focal Loss)在交叉熵损失的原有基础上,增加了一个因子γ,自动降低简单负样本的损失,帮助模型集中于训练更加困难的样本,焦点损失函数(FocalLoss)定义公式如下:
FL(pt)=-at(1-pt)γlog(pt) (8)
式中pt表示不同类别t的概率;平衡因子at表示积极和消极的比例,用来平衡样本不均衡;γ表示为聚焦参数,来调节简单和困难样本权重降低的速率;pt越大,通过增大γ,权重(1-pt)γ就越小,通过权重对简单样本进行抑制,当γ增加时,平衡因子at也在增加。根据实验经验,本发明中的参数at、γ分别取0.25和2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110781474.4A CN113627258B (zh) | 2021-07-12 | 2021-07-12 | 一种苹果叶部病理检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110781474.4A CN113627258B (zh) | 2021-07-12 | 2021-07-12 | 一种苹果叶部病理检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627258A true CN113627258A (zh) | 2021-11-09 |
CN113627258B CN113627258B (zh) | 2023-09-26 |
Family
ID=78379381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110781474.4A Active CN113627258B (zh) | 2021-07-12 | 2021-07-12 | 一种苹果叶部病理检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627258B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359727B (zh) * | 2021-12-31 | 2024-06-04 | 华南农业大学 | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929578A (zh) * | 2019-10-25 | 2020-03-27 | 南京航空航天大学 | 一种基于注意力机制的抗遮挡行人检测方法 |
CN111179270A (zh) * | 2019-11-21 | 2020-05-19 | 北京航空航天大学 | 基于注意力机制的图像共分割方法和装置 |
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 |
CN112200161A (zh) * | 2020-12-03 | 2021-01-08 | 北京电信易通信息技术股份有限公司 | 一种基于混合注意力机制的人脸识别检测方法 |
CN112801942A (zh) * | 2020-12-31 | 2021-05-14 | 广西慧云信息技术有限公司 | 一种基于注意力机制的柑橘黄龙病图像识别方法 |
CN112949673A (zh) * | 2019-12-11 | 2021-06-11 | 四川大学 | 一种基于全局注意力的特征融合目标检测与识别方法 |
-
2021
- 2021-07-12 CN CN202110781474.4A patent/CN113627258B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929578A (zh) * | 2019-10-25 | 2020-03-27 | 南京航空航天大学 | 一种基于注意力机制的抗遮挡行人检测方法 |
CN111179270A (zh) * | 2019-11-21 | 2020-05-19 | 北京航空航天大学 | 基于注意力机制的图像共分割方法和装置 |
CN112949673A (zh) * | 2019-12-11 | 2021-06-11 | 四川大学 | 一种基于全局注意力的特征融合目标检测与识别方法 |
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 |
CN112200161A (zh) * | 2020-12-03 | 2021-01-08 | 北京电信易通信息技术股份有限公司 | 一种基于混合注意力机制的人脸识别检测方法 |
CN112801942A (zh) * | 2020-12-31 | 2021-05-14 | 广西慧云信息技术有限公司 | 一种基于注意力机制的柑橘黄龙病图像识别方法 |
Non-Patent Citations (2)
Title |
---|
周幸;陈立福;: "基于双注意力机制的遥感图像目标检测", 计算机与现代化, no. 08, pages 1 - 2 * |
熊宽;: "一种基于嵌入式注意力机制的文本分类方法", 软件, no. 06, pages 1 - 5 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359727B (zh) * | 2021-12-31 | 2024-06-04 | 华南农业大学 | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113627258B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhakate et al. | Diagnosis of pomegranate plant diseases using neural network | |
Nachtigall et al. | Classification of apple tree disorders using convolutional neural networks | |
AU2020102885A4 (en) | Disease recognition method of winter jujube based on deep convolutional neural network and disease image | |
Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
Gokulnath | Identifying and classifying plant disease using resilient LF-CNN | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
CN113657294B (zh) | 一种基于计算机视觉的作物病虫害检测方法及系统 | |
CN114972208A (zh) | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 | |
Monigari et al. | Plant leaf disease prediction | |
Sagarika et al. | Paddy plant disease classification and prediction using convolutional neural network | |
Suo et al. | Casm-amfmnet: A network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases | |
Kalim et al. | Citrus leaf disease detection using hybrid cnn-rf model | |
Brar et al. | A smart approach to coconut leaf spot disease classification using computer vision and deep learning technique | |
Banerjee et al. | CNN-SVM Model for Accurate Detection of Bacterial Diseases in Cucumber Leaves | |
CN112528726A (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
Venal et al. | Plant stress classification for smart agriculture utilizing convolutional neural network-support vector machine | |
CN116704335A (zh) | 一种猕猴桃溃疡监测方法、系统、设备及介质 | |
CN113627258B (zh) | 一种苹果叶部病理检测方法 | |
Nirmal et al. | Farmer Friendly Smart App for Pomegranate Disease Identification | |
Rony et al. | BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification | |
Parasa et al. | Identification of Diseases in Paddy Crops Using CNN | |
Kundur et al. | Ensemble Efficient Net and ResNet model for Crop Disease Identification | |
Valarmathi et al. | Fruit Disease Prediction with Fertilizer Recommendation for Citrus Family using Deep Learning | |
Dahiya et al. | An Effective Detection of Litchi Disease using Deep Learning | |
Indukuri et al. | Paddy Disease Classifier using Deep learning Techniques |
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 |