CN113627274A - 基于图像识别的可视化病虫害识别设备 - Google Patents
基于图像识别的可视化病虫害识别设备 Download PDFInfo
- Publication number
- CN113627274A CN113627274A CN202110816883.3A CN202110816883A CN113627274A CN 113627274 A CN113627274 A CN 113627274A CN 202110816883 A CN202110816883 A CN 202110816883A CN 113627274 A CN113627274 A CN 113627274A
- Authority
- CN
- China
- Prior art keywords
- rod
- image
- data
- fixedly connected
- pest
- 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 34
- 201000010099 disease Diseases 0.000 title claims abstract description 33
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 33
- 230000000007 visual effect Effects 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 11
- 241000238631 Hexapoda Species 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 241001464837 Viridiplantae Species 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
- F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
- F16M11/02—Heads
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
- F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
- F16M11/20—Undercarriages with or without wheels
- F16M11/2007—Undercarriages with or without wheels comprising means allowing pivoting adjustment
- F16M11/2014—Undercarriages with or without wheels comprising means allowing pivoting adjustment around a vertical axis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
- F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
- F16M11/20—Undercarriages with or without wheels
- F16M11/22—Undercarriages with or without wheels with approximately constant height, e.g. with constant length of column or of legs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及病虫害识别技术领域,且公开了基于图像识别的可视化病虫害识别设备,包括底板,所述底板的上端中心处通过转轴转动连接有旋转板,所述旋转板的上端固定连接有立杆,所述立杆的上端固定安装有数据采集器,所述立杆的杆壁通过螺栓固定卡套有套环,所述套环的侧壁固定连接有固定杆,所述固定杆远离套环的一端固定卡接有调节杆,所述调节杆远离固定杆的一端固定卡接有连接杆,所述连接杆的一端固定连接有固定筒,所述固定筒内通过螺栓固定安装有红外识别器。本发明能够便于对装置的快速调节,且能够实现对红外识别器的快速固定安装,结构稳固性好。
Description
技术领域
本发明涉及病虫害识别技术领域,尤其涉及基于图像识别的可视化病虫害识别设备。
背景技术
近年来,随着电子信息技术、计算机可视化技术和互联网技术的迅速发展,传统的农业管理方式正逐渐被新型的农业信息化管理方法所替代,当前,基于数字图像处理技术的智慧农业已经成为新型农业信息化中的关键研究领域,具体来说,利用数字平台获取的农作物图像可以为专家提供非常丰富的信息,比如,农作物的长势,农作物病虫害情况等,但是,值得注意的是,获取这些有价值信息的前提是数字平台拍摄的农作物图像具有足够的清晰度,即没有出现严重失真,基于此,以农作物图像的质量为研究对象,提出了基于图像识别的可视化病虫害识别设备,在梯度域提取了方向直方图特征来刻画图像质量的变化,实验结果表明,该方法能够很好地识别农作物的种类以及虫害图像质量,保证了后续高层次信息提取的有效性。
发明内容
本发明的目的是为了解决现有技术中的基于图像识别的可视化病虫害识别设备,在梯度域提取了方向直方图特征来刻画图像质量的变化,实验结果表明,该方法能够很好地识别农作物的种类以及虫害图像质量,保证了后续高层次信息提取的有效性的问题,而提出的基于图像识别的可视化病虫害识别设备。
为了实现上述目的,本发明采用了如下技术方案:
基于图像识别的可视化病虫害识别设备,包括底板,所述底板的上端中心处通过转轴转动连接有旋转板,所述旋转板的上端固定连接有立杆,所述立杆的上端固定安装有数据采集器,所述立杆的杆壁通过螺栓固定卡套有套环,所述套环的侧壁固定连接有固定杆,所述固定杆远离套环的一端固定卡接有调节杆,所述调节杆远离固定杆的一端固定卡接有连接杆,所述连接杆的一端固定连接有固定筒,所述固定筒内通过螺栓固定安装有红外识别器;
所述连接杆和调节杆的右端均固定连接有定位螺柱,所述调节杆和固定杆的左端开设有与定位螺柱匹配连接的定位螺槽,所述固定杆和调节杆的左端外壁均固定套接有连接筒,所述连接杆和调节杆的右端外壁固定套接有与连接筒抵挡接触的限位环板,所述限位环板的表面均匀插设有多个限位插杆,所述连接筒的一端开设有与限位插杆对应插接的限位插槽,多根所述限位插杆的一端固定连接有同一个拉板,所述拉板和限位环板相向一侧固定连接有多个限位弹簧。
进一步的,所述旋转板和底板的表面对称开设有多个定位螺孔且通过定位螺栓固定连接。
进一步的,所述红外识别器通过导线与数据采集器电性连接。
进一步的,所述立杆和套环为对应的矩形结构。
进一步的,所述固定筒的内壁固定连接有一层防滑耐磨橡胶垫。
进一步的,所述数据采集器具有以下方法步骤:
S1.首先在相关网站及数据库搜集大量植物病虫害的图像样本,
S2.在样本准备完毕后,对图像进行预处理,通过图像降噪、直方图均衡化、灰度变化等模糊图像细节、保留了原本植物的轮廓与形状信息,
S3.对图像数据进行归一化得到正则样本,卷积神经网络能够面向具有多通道的图像数据,很好的提取正则数据特征,进行多次迭代训练,根据训练样本输出结果不断调整网络内各神经元节点的权值与偏移,最终获得训练有素的识别网络。
进一步的,所述卷积神经网络包括三部分,第一部分和最后一部分分别是输入、输出层,所述中间部分为隐含层,所述隐含层与传统神经网络有些不同,由卷积层,全连接层和池化层组成,其中卷积层和池化层是不同于深度神经网络的一种结构层。卷积层可以从输入的高维的数据中提取要素并以特征图的方式进行反馈,它包含多个卷积内核,能够以固定步长提取数据集的空间特征,并通过一个非线性激活函数表达特征,池化层夹在连续的卷积层中间,它的主要作用是将特征图中特征点的结果替换为邻近区域的特征统计信息,能够在保留输入数据特征的同时适当压缩特征图。
进一步的,所述卷积神经网络的输入层可以处理多维数据,能够很好的契合无线网络中复杂的信道增益矩阵,并且卷积神经网络是数据驱动的,只需要充足的样本就可以很好的学习复杂系统的输入输出关系,当卷积神经网络得到训练后,将其固化入智能设备即可发挥作用,当设备通过摄像头或直接传入数据获得植物局部病害图像后,网络前端对图像进行处理得到可被卷积神经网络接纳的数据,随后输入网络中,经过各个节点简单快速的计算即可在ms级时间精度上快速作出分类,识别出当前植物所属的病虫害类别,并触发后台二级响应。
与现有技术相比,本发明提供了基于图像识别的可视化病虫害识别设备,具备以下有益效果:
1.该基于图像识别的可视化病虫害识别设备,通过设有的红外识别器能够进行实时绿植监测,且红外识别器监测的数据反馈至数据采集器中经互联网上传能够及时反馈绿植信息,且在安装红外识别器的时候将红外识别器通过螺栓固定安装在固定筒内,根据红外识别器需要安装的位置选择合适数量的调节杆,利用定位螺柱和定位螺槽的配合使得固定杆、调节杆和连接杆相对快速的连接在一起,此时连接筒套设在调节杆和连接杆的右端外部并与限位环板抵挡接触,使得限位插杆对准限位插槽,限位弹簧回拉拉板,拉板将限位插杆推进限位插槽内,能够实现对连接筒的稳固限位,避免连接筒旋转,进而能够对定位螺柱进行有效限位,避免其旋转影响连接稳固性。
2.该基于图像识别的可视化病虫害识别设备,通过设有的红外识别器能够进行实时绿植监测,且红外识别器监测,通过设有的旋转板,能够实现对整个装置的快速旋转调节,使得在固定好底板的位置后也能方便根据需求进行调节操作,极大的方便了人们的操作使用。
3.该基于图像识别的可视化病虫害识别设备,通过数据采集器,当设备通过摄像头或直接传入数据获得植物局部病害图像后,网络前端对图像进行处理得到可被卷积神经网络接纳的数据,随后输入网络中,经过各个节点简单快速的计算即可在ms级时间精度上快速作出分类,识别出当前植物所属的病虫害类别,并触发后台二级响应,将页面指向与该病虫害相关的后台服务器,为用户提供更多样的资料、参考链接。
而且该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现,本发明能够便于对装置的快速调节,且能够实现对红外识别器的快速固定安装,结构稳固性好。
附图说明
图1为本发明提出的基于图像识别的可视化病虫害识别设备的结构示意图;
图2为本发明提出的基于图像识别的可视化病虫害识别设备A部分的结构示意图。
图3为本发明提出的基于图像识别的可视化病虫害识别设备操作步骤的结构示意图
图中:1、底板;2、旋转板;3、立杆;4、数据采集器;5、套环;6、固定杆;7、调节杆;8、连接杆;9、固定筒;10、红外识别器;11、定位螺柱;12、定位螺槽;13、连接筒;14、限位环板;15、限位插杆;16、限位插槽;17、拉板;18、限位弹簧。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
参照图1-3,基于图像识别的可视化病虫害识别设备,包括底板1,其特征在于,底板1的上端中心处通过转轴转动连接有旋转板2,旋转板2的上端固定连接有立杆3,立杆3的上端固定安装有数据采集器4,立杆3的杆壁通过螺栓固定卡套有套环5,套环5的侧壁固定连接有固定杆6,固定杆6远离套环5的一端固定卡接有调节杆7,调节杆7远离固定杆6的一端固定卡接有连接杆8,连接杆8的一端固定连接有固定筒9,固定筒9内通过螺栓固定安装有红外识别器10,连接杆8和调节杆7的右端均固定连接有定位螺柱11,调节杆7和固定杆6的左端开设有与定位螺柱11匹配连接的定位螺槽12,固定杆6和调节杆7的左端外壁均固定套接有连接筒13,连接杆8和调节杆7的右端外壁固定套接有与连接筒13抵挡接触的限位环板14,限位环板14的表面均匀插设有多个限位插杆15,连接筒13的一端开设有与限位插杆15对应插接的限位插槽16,多根限位插杆15的一端固定连接有同一个拉板17,拉板17和限位环板14相向一侧固定连接有多个限位弹簧18。
旋转板2和底板1的表面对称开设有多个定位螺孔且通过定位螺栓固定连接。
红外识别器10通过导线与数据采集器4电性连接。
立杆3和套环5为对应的矩形结构。
固定筒9的内壁固定连接有一层防滑耐磨橡胶垫。
数据采集器4具有以下方法步骤:
S1.首先在相关网站及数据库搜集大量植物病虫害的图像样本,
S2.在样本准备完毕后,对图像进行预处理,通过图像降噪、直方图均衡化、灰度变化等模糊图像细节、保留了原本植物的轮廓与形状信息,
S3.对图像数据进行归一化得到正则样本,卷积神经网络能够面向具有多通道的图像数据,很好的提取正则数据特征,进行多次迭代训练,根据训练样本输出结果不断调整网络内各神经元节点的权值与偏移,最终获得训练有素的识别网络。
卷积神经网络包括三部分,第一部分和最后一部分分别是输入、输出层,中间部分为隐含层,隐含层与传统神经网络有些不同,由卷积层,全连接层和池化层组成,其中卷积层和池化层是不同于深度神经网络的一种结构层。卷积层可以从输入的高维的数据中提取要素并以特征图的方式进行反馈,它包含多个卷积内核,能够以固定步长提取数据集的空间特征,并通过一个非线性激活函数表达特征,池化层夹在连续的卷积层中间,它的主要作用是将特征图中特征点的结果替换为邻近区域的特征统计信息,能够在保留输入数据特征的同时适当压缩特征图。
卷积神经网络的输入层可以处理多维数据,能够很好的契合无线网络中复杂的信道增益矩阵,并且卷积神经网络是数据驱动的,只需要充足的样本就可以很好的学习复杂系统的输入输出关系,当卷积神经网络得到训练后,将其固化入智能设备即可发挥作用,当设备通过摄像头或直接传入数据获得植物局部病害图像后,网络前端对图像进行处理得到可被卷积神经网络接纳的数据,随后输入网络中,经过各个节点简单快速的计算即可在ms级时间精度上快速作出分类,识别出当前植物所属的病虫害类别,并触发后台二级响应。
本发明中,使用时,通过设有的红外识别器10能够进行实时绿植监测,且红外识别器10监测的数据反馈至数据采集器4中经互联网上传能够及时反馈绿植信息,且在安装红外识别器10的时候将红外识别器10通过螺栓固定安装在固定筒9内,根据红外识别器10需要安装的位置选择合适数量的调节杆7,利用定位螺柱11和定位螺槽12的配合使得固定杆6、调节杆7和连接杆8相对快速的连接在一起,此时连接筒13套设在调节杆7和连接杆8的右端外部并与限位环板14抵挡接触,使得限位插杆15对准限位插槽16,限位弹簧18回拉拉板17,拉板17将限位插杆15推进限位插槽16内,能够实现对连接筒13的稳固限位,避免连接筒13旋转,进而能够对定位螺柱11进行有效限位,避免其旋转影响连接稳固性,通过设有的旋转板,能够实现对整个装置的快速旋转调节,使得在固定好底板的位置后也能方便根据需求进行调节操作,极大的方便了人们的操作使用,数据采集器4,当设备通过摄像头或直接传入数据获得植物局部病害图像后,网络前端对图像进行处理得到可被卷积神经网络接纳的数据,随后输入网络中,经过各个节点简单快速的计算即可在ms级时间精度上快速作出分类,识别出当前植物所属的病虫害类别,并触发后台二级响应,将页面指向与该病虫害相关的后台服务器,为用户提供更多样的资料、参考链接。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.基于图像识别的可视化病虫害识别设备,包括底板(1),其特征在于,所述底板(1)的上端中心处通过转轴转动连接有旋转板(2),所述旋转板(2)的上端固定连接有立杆(3),所述立杆(3)的上端固定安装有数据采集器(4),所述立杆(3)的杆壁通过螺栓固定卡套有套环(5),所述套环(5)的侧壁固定连接有固定杆(6),所述固定杆(6)远离套环(5)的一端固定卡接有调节杆(7),所述调节杆(7)远离固定杆(6)的一端固定卡接有连接杆(8),所述连接杆(8)的一端固定连接有固定筒(9),所述固定筒(9)内通过螺栓固定安装有红外识别器(10);
所述连接杆(8)和调节杆(7)的右端均固定连接有定位螺柱(11),所述调节杆(7)和固定杆(6)的左端开设有与定位螺柱(11)匹配连接的定位螺槽(12),所述固定杆(6)和调节杆(7)的左端外壁均固定套接有连接筒(13),所述连接杆(8)和调节杆(7)的右端外壁固定套接有与连接筒(13)抵挡接触的限位环板(14),所述限位环板(14)的表面均匀插设有多个限位插杆(15),所述连接筒(13)的一端开设有与限位插杆(15)对应插接的限位插槽(16),多根所述限位插杆(15)的一端固定连接有同一个拉板(17),所述拉板(17)和限位环板(14)相向一侧固定连接有多个限位弹簧(18)。
2.根据权利要求1所述的基于图像识别的可视化病虫害识别设备,其特征在于,所述旋转板(2)和底板(1)的表面对称开设有多个定位螺孔且通过定位螺栓固定连接。
3.根据权利要求1所述的基于图像识别的可视化病虫害识别设备,其特征在于,所述红外识别器(10)通过导线与数据采集器(4)电性连接。
4.根据权利要求1所述的基于图像识别的可视化病虫害识别设备,其特征在于,所述立杆(3)和套环(5)为对应的矩形结构。
5.根据权利要求1所述的基于图像识别的可视化病虫害识别设备,其特征在于,所述固定筒(9)的内壁固定连接有一层防滑耐磨橡胶垫。
6.根据权利要求1所述的基于图像识别的可视化病虫害识别设备,其特征在于,所述数据采集器(4)具有以下方法步骤:
S1.首先在相关网站及数据库搜集大量植物病虫害的图像样本,
S2.在样本准备完毕后,对图像进行预处理,通过图像降噪、直方图均衡化、灰度变化等模糊图像细节、保留了原本植物的轮廓与形状信息,
S3.对图像数据进行归一化得到正则样本,卷积神经网络能够面向具有多通道的图像数据,很好的提取正则数据特征,进行多次迭代训练,根据训练样本输出结果不断调整网络内各神经元节点的权值与偏移,最终获得训练有素的识别网络。
7.根据权利要求6所述的基于图像识别的可视化病虫害识别设备,其特征在于,所述卷积神经网络包括三部分,第一部分和最后一部分分别是输入、输出层,所述中间部分为隐含层,所述隐含层与传统神经网络有些不同,由卷积层,全连接层和池化层组成,其中卷积层和池化层是不同于深度神经网络的一种结构层。卷积层可以从输入的高维的数据中提取要素并以特征图的方式进行反馈,它包含多个卷积内核,能够以固定步长提取数据集的空间特征,并通过一个非线性激活函数表达特征,池化层夹在连续的卷积层中间,它的主要作用是将特征图中特征点的结果替换为邻近区域的特征统计信息,能够在保留输入数据特征的同时适当压缩特征图。
8.根据权利要求6所述的基于图像识别的可视化病虫害识别设备,其特征在于,所述卷积神经网络的输入层可以处理多维数据,能够很好的契合无线网络中复杂的信道增益矩阵,并且卷积神经网络是数据驱动的,只需要充足的样本就可以很好的学习复杂系统的输入输出关系,当卷积神经网络得到训练后,将其固化入智能设备即可发挥作用,当设备通过摄像头或直接传入数据获得植物局部病害图像后,网络前端对图像进行处理得到可被卷积神经网络接纳的数据,随后输入网络中,经过各个节点简单快速的计算即可在ms级时间精度上快速作出分类,识别出当前植物所属的病虫害类别,并触发后台二级响应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816883.3A CN113627274A (zh) | 2021-07-20 | 2021-07-20 | 基于图像识别的可视化病虫害识别设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816883.3A CN113627274A (zh) | 2021-07-20 | 2021-07-20 | 基于图像识别的可视化病虫害识别设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627274A true CN113627274A (zh) | 2021-11-09 |
Family
ID=78380213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110816883.3A Pending CN113627274A (zh) | 2021-07-20 | 2021-07-20 | 基于图像识别的可视化病虫害识别设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627274A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726989A (zh) * | 2022-04-07 | 2022-07-08 | 福建省农业科学院科技干部培训中心 | 水稻病虫害拍摄杆 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083796A1 (en) * | 2015-09-18 | 2017-03-23 | Panasonic Intellectual Property Corporation Of America | Image recognition method |
CN107153840A (zh) * | 2017-04-21 | 2017-09-12 | 防城港市丰禾曲辰农业科技有限公司 | 一种基于卷积神经的农作物害虫图像识别方法 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
CN111563431A (zh) * | 2020-04-24 | 2020-08-21 | 空间信息产业发展股份有限公司 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
CN212432285U (zh) * | 2020-06-22 | 2021-01-29 | 韩兰兰 | 一种改良的物联网水务保障设备 |
-
2021
- 2021-07-20 CN CN202110816883.3A patent/CN113627274A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083796A1 (en) * | 2015-09-18 | 2017-03-23 | Panasonic Intellectual Property Corporation Of America | Image recognition method |
CN107153840A (zh) * | 2017-04-21 | 2017-09-12 | 防城港市丰禾曲辰农业科技有限公司 | 一种基于卷积神经的农作物害虫图像识别方法 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
CN111563431A (zh) * | 2020-04-24 | 2020-08-21 | 空间信息产业发展股份有限公司 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
CN212432285U (zh) * | 2020-06-22 | 2021-01-29 | 韩兰兰 | 一种改良的物联网水务保障设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726989A (zh) * | 2022-04-07 | 2022-07-08 | 福建省农业科学院科技干部培训中心 | 水稻病虫害拍摄杆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734208B (zh) | 基于多模态深度迁移学习机制的多源异构数据融合系统 | |
Shaheen et al. | Impact of automatic feature extraction in deep learning architecture | |
CN111127423B (zh) | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 | |
CN114359727B (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN110148120A (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
CN108520206A (zh) | 一种基于全卷积神经网络的真菌显微图像识别方法 | |
CN106997475B (zh) | 一种基于并行卷积神经网络的害虫图像识别方法 | |
CN113627274A (zh) | 基于图像识别的可视化病虫害识别设备 | |
CN109583507A (zh) | 一种基于深度卷积神经网络的猪体识别方法 | |
Roldán-Serrato et al. | Automatic pest detection on bean and potato crops by applying neural classifiers | |
CN111652247A (zh) | 一种基于深度卷积神经网络的双翅目昆虫识别方法 | |
CN112016392A (zh) | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 | |
CN105868784A (zh) | 一种基于sae-svm的病虫害检测系统 | |
CN107145826A (zh) | 基于双约束度量学习和样本重排序的行人再识别方法 | |
CN111507295B (zh) | 一种水产养殖管理系统 | |
CN111160414B (zh) | 一种高精度农作物病虫害图像的识别方法 | |
CN108280516A (zh) | 一种多组卷积神经网络之间互博智能进化的优化方法 | |
CN112085032A (zh) | 基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 | |
CN116310369A (zh) | 一种基于多图像注意力特征融合的农作物虫害最优视角识别方法 | |
CN115379150B (zh) | 可远程自动化生成水稻生长过程动态视频的系统和方法 | |
CN115019162A (zh) | 一种基于深度学习的桑蚕检测方法 | |
CN111638216A (zh) | 一种用于监测病虫害的无人机系统的甜菜相关病症分析方法 | |
CN111191510A (zh) | 基于关系网络的复杂场景下遥感图像小样本目标识别方法 | |
CN112161173B (zh) | 一种电网布线参数检测装置及检测方法 | |
CN114049500A (zh) | 基于元学习重加权网络伪标签训练的图像评价方法及系统 |
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 |