CN113807199B - 一种基于卷积神经网路的生猪常见病害识别方法 - Google Patents
一种基于卷积神经网路的生猪常见病害识别方法 Download PDFInfo
- Publication number
- CN113807199B CN113807199B CN202110984285.7A CN202110984285A CN113807199B CN 113807199 B CN113807199 B CN 113807199B CN 202110984285 A CN202110984285 A CN 202110984285A CN 113807199 B CN113807199 B CN 113807199B
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- extraction module
- image
- disease
- output image
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及的是一种基于卷积神经网路的生猪常见病害识别方法,它包括采集常见生猪病害图像和生猪无病害图像;建立生猪常见病害数据库;建立用于生猪常见病害识别的卷积神经网络swine epidemics net‑5,引入串行分支单独进行通道特征信息的提取,并将提取后的通道特征信息与其他串行特征提取分支提取的空间特征信息进行充分融合;训练swine epidemics net‑5网络;通过优化后的swine epidemics net‑5网络,进行对常见生猪病害的识别。本发明能够有效提高swine epidemics net‑5模型的特征提取能力,提高模型识别精度和泛化性能的目的。
Description
一、技术领域:
本发明涉及畜禽养殖技术领域中病害防治技术,具体涉及的是一种基于卷积神经网路的生猪常见病害识别方法。
二、背景技术:
新时期下,随着我国市场经济体制的不断完善,居民的生活质量获得显著改善,市场对猪肉产品的需求量持续增加,带动了生猪养殖行业的快速发展,行业逐渐趋于规模化和现代化,常见病害是危害养殖经济效益的重要因素,养殖户需要采取有效的措施进行防治。近年来,随着食品安全事件的频发,如何保证养殖业健康发展,避免及预防畜禽发生疾病,并在发生疾病时及时防治十分关键。
三、发明内容:
本发明的目的是提供一种基于卷积神经网路的生猪常见病害识别方法,这种基于卷积神经网路的生猪常见病害识别方法用于为生猪病害的快速智能诊断提供技术支持。
本发明解决其技术问题所采用的技术方案是:这种基于卷积神经网路的生猪常见病害识别方法包括如下步骤:
步骤一、采集常见生猪病害图像和生猪无病害图像,常见生猪病害包括口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病,口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病,每种生猪病害图像至少100张,生猪无病害图像至少100张;
步骤二、建立生猪常见病害数据库;
选择每种生猪病害图像100张,结合生猪日常生活环境中存在的不确定因素对病害数据进行随机扩充,不确定因素包括光照条件、卫生条件、生猪状态;扩充后的每种生猪病害图像达到1000张,并将每种病害分别进行标签标记,标签名称分别依次为0、1、2、3、4;另选择无病害图像100张,使用上述相同数据扩充方法进行数据扩充,扩充后的无病害图像总量达到1000张,并对无病害图像进行标签标注,标签名称为5,最终建立完善生猪病害数据集swine epidemics-6000;
步骤三、建立用于生猪常见病害识别的卷积神经网络swine epidemics net-5;swine epidemics net-5由特征提取网络和分类网络组成,同时还使用上采用、全局最大池化和合并技术,分类网络采用开源softmax分类器进行分类;特征提取网络包括CBR特征提取模块、Resunitn特征提取模块、ZCRn特征提取模块;CBR特征提取模块由2D卷积层、批归一化层和激活函数层组成;Resunitn特征提取模块由若干个CBR特征提取模块和残差边组成,其中残差边由2D卷积层和批归一化层组成;ZCRn特征提取模块由Zeropadding补零、CBR特征提取模块和Resunitn特征提取模块组成;
3.1、利用串行分支单独进行通道特征信息提取,并结合后续合并、全局最大池化和卷积技术,将所提取的空间特征信息和通道特征信息进行充分融合,从而有效提高模型特征提取能力;
通过分支Ⅰ进行,输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后输出图像D,输出图像D的尺寸为28*28*64,再经全局最大池化层充分提取通道特征信息后输出图像E,输出图像E的尺寸为1*1*64;因经过全局最大池化层后每一个特征层中仅保留1个有效权重,即每个特征层中仅包含1*1个特征信息,将输出图像E作为1*1卷积层使用,并将其与其他串行空间特征提取分支所得输出图像进行卷积操作,来实现通道特征信息与空间特征信息的充分融合;
3.2、其他串行空间特征提取分支,通过分支Ⅱ和分支Ⅲ进行;
分支Ⅱ,所述输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后,又经过ZCR4特征提取模块进行下采样输出图像C,输出图像C的尺寸为14*14*128;
分支Ⅲ,所述输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后,又经过ZCR4特征提取模块、ZCR3特征提取模块进行下采样后输出图像B,输出图像B尺寸为7*7*256,输出图像B经双线性差值上采样后与输出图像C进行合并操作得到输出图像F,输出图像F的尺寸为14*14*384;
3.3、将具有空间特征信息的输出图像F与具有通道特征信息的输出图像E进行卷积操作,实现空间特征信息与通道特征信息的充分融合,获得新的输出图像G,输出图像G的尺寸为14*14*64,再将输出图像G经全局最大池化层后得到输出图像H,输出图像H的尺寸为1*1*64,此时使用全局最大池化层代其他统分类模型中常用的全连接层,有效降低模型参数总量,有效避免模型过拟合;
3.4、将输出图像H传入分类网络进行分类,分类网络所使用的分类器是softmax分类器;
步骤四、通过随机采样的方式将swine epidemics-6000数据集分为两部分,训练集和测试集,训练集用于模型进行有监督学习,测试集用于评价模型精确度,其中训练集数据占数据集总量的4/5,测试集数据占数据集总量的1/5;
步骤五、swine epidemics net-5网络的训练,利用步骤四得到的训练集输入到步骤三建立的swine epidemics net-5网络中进行模型训练,训练前对swine epidemicsnet-5网络利用adam优化算法进行优化,获得优化后的swine epidemics net-5网络;
步骤六、将步骤四得到的测试集图像输入到通过步骤五得到的优化后的swineepidemics net-5网络,进行对常见生猪病害的识别。
上述方案中步骤二中随机扩充的方法:
2.1、几何变换:旋转、变行、裁切,针对生猪日常生活中可能存在的生理状态变化对数据图像采集的影响,生理状态变化包括站立、匍匐、侧卧;
2.2、 颜色变换:噪声模糊、亮度变化、颜色扰动,针对生猪日常生活环境变化带来的水汽、猪身卫生条件对数据图像采集的影响,日常生活环境变化包括光照条件变化、猪舍温度变化;
2.3、组合叠加:图像叠加、图像挖空、色块叠加,针对生猪日常生活场景中可能存在的遮挡现象对生猪的遮挡;日常生活场景中可能存在的遮挡现象包括生猪间的相互遮挡、围栏对生猪的遮挡、食槽对生猪的遮挡。
本发明具有以下有益效果:
1、本发明在特征提取网络中,创新性的引入了串行分支单独进行通道特征信息的提取,并将提取后的通道特征信息与其他串行特征提取分支提取的空间特征信息进行充分融合,从而有效提高swine epidemics net-5网络模型的特征提取能力,最终达到提高swine epidemics net-5网络模型识别精度和泛化性能的目的。
2、本发明目前swine epidemics net-5模型在swine epidemics-6000数据集上取得了91.7%的识别结果,采用本发明的技术方案可以为生猪病害的快速智能诊断提供技术支持,具有一定的实用性。
四、附图说明:
图1是本发明的流程图;
图2是本发明步骤二中数据扩充图像;
图3是swine epidemics net-5网络结构图;
图4是CBR特征提取模块;
图5是Resunitn特征提取模块;
图6是ZCRn特征提取模块。
五、具体实施方式:
下面对本发明做进一步说明:
参阅图1,这种基于卷积神经网路的生猪常见病害识别方法包括如下步骤:
步骤一、采集常见生猪病害图像和生猪无病害图像,常见生猪病害包括口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病,口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病,每种生猪病害图像至少100张,生猪无病害图像至少100张。
步骤二、建立生猪常见病害数据库;
选择常见病害5种,每种病害选择图像100张,结合生猪日常生活环境中可能存在的不确定因素(如:光照条件、卫生条件、生猪状态等)对病害数据进行随机扩充,扩充后的每种病害图像达到1000张,并将每种病害分别进行标签标记,标签名称分别依次为0、1、2、3、4,另选择无病害图像100张,使用上述相同数据扩充方法进行数据扩充,扩充后的无病害图像总量达到1000张,并对无病害图像进行标签标注,标签名称为5,最终建立完善生猪病害数据集swine epidemics-6000,如表1所示。
表1:swine epidemics-6000数据分布表
生猪病害种类 | 数量 |
口蹄疫 | 1000 |
蓝耳病 | 1000 |
非洲猪瘟 | 1000 |
猪链球菌病 | 1000 |
猪巴氏杆菌病 | 1000 |
健康 | 1000 |
数据扩充原则及方法:
1. 几何变换:旋转、变行、裁切。主要针对生猪日常生活中可能存在的生理状态变化,如:站立、匍匐、侧卧等情况对数据图像采集的影响。(数据扩充效果如图2所示)
2. 颜色变换:噪声模糊、亮度变化、颜色扰动。主要针对生猪日常生活环境变化,如:光照条件变化、猪舍温度变化带来的水汽、猪身卫生条件等情况对数据图像采集的影响。(数据扩充效果如图2所示)
3. 组合叠加:图像叠加、图像挖空、色块叠加。主要针对生猪日常生活场景中可能存在的遮挡现象,如:生猪间的相互遮挡、围栏、食槽等基础设施对生猪的遮挡。(数据扩充效果如图2所示)
步骤三、建立用于生猪常见病害识别的卷积神经网络swine epidemics net-5(如图3所示)。
swine epidemics net-5网络由特征提取网络和分类网络组成,特征提取网络特征提取网络包括CBR特征提取模块、Resunitn特征提取模块、ZCRn特征提取模块,同时还使用了上采用、全局最大池化和合并技术,分类部分采用开源softmax分类器进行分类。CBR特征提取模块(如图4所示),该模块由2D卷积层、批归一化层和激活函数层组成;Resunitn特征提取模块(如图5所示),该模块由若干个CBR特征提取模块和残差边组成,其中残差边由2D卷积层和批归一化层组成; ZCRn特征提取模块(如图6所示),该模块由Zeropadding补零、CBR特征提取模块和Resunitn特征提取模块组成。
3.1、利用串行分支单独进行通道特征信息提取,并结合后续合并、全局最大池化和卷积技术,将所提取的空间特征信息和通道特征信息进行充分融合,从而有效提高模型特征提取能力;
通过分支Ⅰ进行,输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后输出图像D,输出图像D的尺寸为28*28*64,再经全局最大池化层充分提取通道特征信息后输出图像E,输出图像E的尺寸为1*1*64;因经过全局最大池化层后每一个特征层中仅保留1个有效权重,即每个特征层中仅包含1*1个特征信息,将输出图像E作为1*1卷积层使用,并将其与其他串行空间特征提取分支所得输出图像进行卷积操作,来实现通道特征信息与空间特征信息的充分融合。
3.2、其他串行空间特征提取分支,通过分支Ⅱ和分支Ⅲ进行;
分支Ⅱ,输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后,又经过ZCR4特征提取模块进行下采样输出图像C,输出图像C的尺寸为14*14*128;
分支Ⅲ,输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后,又经过ZCR4特征提取模块、ZCR3特征提取模块进行下采样后输出图像B,输出图像B尺寸为7*7*256,输出图像B经双线性差值上采样后与输出图像C进行合并操作得到输出图像F,输出图像F的尺寸为14*14*384。
3.3、将具有空间特征信息的输出图像F与具有通道特征信息的输出图像E进行卷积操作,实现空间特征信息与通道特征信息的充分融合,获得新的输出图像G,输出图像G的尺寸为14*14*64,再将输出图像G经全局最大池化层后得到输出图像H,输出图像H的尺寸为1*1*64,此时使用全局最大池化层代其他统分类模型中常用的全连接层,有效降低模型参数总量,有效避免模型过拟合。
3.4、将输出图像H传入分类网络进行分类,分类网络所使用的分类器是softmax分类器。
步骤四、通过随机采样的方式将swine epidemics-6000数据集分为两部分,训练集和测试集,训练集用于模型进行有监督学习,测试集用于评价模型精确度,其中训练集数据占数据集总量的4/5,测试集数据占数据集总量的1/5;
步骤五、swine epidemics net-5网络的训练,利用步骤四得到的训练集输入到步骤三建立的swine epidemics net-5网络中进行模型训练,训练前对swine epidemicsnet-5网络利用adam优化算法进行优化,获得优化后的swine epidemics net-5网络;
步骤六、将步骤四得到的测试集图像输入到通过步骤五得到的优化后的swineepidemics net-5网络,进行对常见生猪病害的识别。
本发明创新引入了串行分支单独进行通道征信息提取,目前在卷积神经网络中,图像纹理特征信息往往存在于空间特征信息中,而图像色彩特征信息则往往存在于通道特征信息中,传统的卷积神经网络中,往往将通道特征信息与空间特征信息作为整体进行提取,而本发明结合swine epidemics-6000数据集中各病害色彩信息存在较大差异性的特点,创新性的引入了串行分支单独进行通道特征信息提取,并结合后续合并、全局最大池化和卷积等技术,将所提取的空间特征信息和通道特征信息(即:纹理特征信息与色彩特信息)进行充分融合,从而有效提高模型特征提取能力,具体操作过程如图3中分支Ⅰ所示,输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后输出图像D,输出图像D的尺寸为28*28*64,再经全局最大池化层充分提取通道特征信息后输出图像E,输出图像E的尺寸为1*1*64。因经过全局最大池化层后每一个特征层中仅保留1个有效权重,即每个特征层中仅包含1*1个特征信息,故可以将输出图像E作为1*1卷积层使用,并将其与其他串行空间特征提取分支所得输出图像进行卷积操作,来实现通道特征信息与空间特征信息(即:纹理特征信息与色彩特信息)的充分融合。
Claims (2)
1.一种基于卷积神经网路的生猪常见病害识别方法,其特征在于:步骤一、采集常见生猪病害图像和生猪无病害图像,常见生猪病害包括口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病,口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病,每种生猪病害图像至少100张,生猪无病害图像至少100张;
步骤二、建立生猪常见病害数据库;
选择每种生猪病害图像100张,结合生猪日常生活环境中存在的不确定因素对病害数据进行随机扩充,不确定因素包括光照条件、卫生条件、生猪状态;扩充后的每种生猪病害图像达到1000张,并将每种病害分别进行标签标记,标签名称分别依次为0、1、2、3、4;另选择无病害图像100张,使用上述相同数据扩充方法进行数据扩充,扩充后的无病害图像总量达到1000张,并对无病害图像进行标签标注,标签名称为5,最终建立完善生猪病害数据集swine epidemics-6000;
步骤三、建立用于生猪常见病害识别的卷积神经网络swine epidemics net-5;swineepidemics net-5由特征提取网络和分类网络组成,同时还使用上采用、全局最大池化和合并技术,分类网络采用开源softmax分类器进行分类;特征提取网络包括CBR特征提取模块、Resunitn特征提取模块、ZCRn特征提取模块;CBR特征提取模块由2D卷积层、批归一化层和激活函数层组成;Resunitn特征提取模块由若干个CBR特征提取模块和残差边组成,其中残差边由2D卷积层和批归一化层组成;ZCRn特征提取模块由Zeropadding补零、CBR特征提取模块和Resunitn特征提取模块组成;n为自然数,ZCRn特征提取模块中CBR特征提取模块重复堆叠使用n次;
3.1、利用串行分支单独进行通道特征信息提取,并结合后续合并、全局最大池化和卷积技术,将所提取的空间特征信息和通道特征信息进行充分融合,从而有效提高模型特征提取能力;
通过分支Ⅰ进行,输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后输出图像D,输出图像D的尺寸为28*28*64,再经全局最大池化层充分提取通道特征信息后输出图像E,输出图像E的尺寸为1*1*64;因经过全局最大池化层后每一个特征层中仅保留1个有效权重,即每个特征层中仅包含1*1个特征信息,将输出图像E作为1*1卷积层使用,并将其与其他串行空间特征提取分支所得输出图像进行卷积操作,来实现通道特征信息与空间特征信息的充分融合;
3.2、其他串行空间特征提取分支,通过分支Ⅱ和分支Ⅲ进行;
分支Ⅱ,所述输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后,又经过ZCR4特征提取模块进行下采样输出图像C,输出图像C的尺寸为14*14*128;
分支Ⅲ,所述输入图像A尺寸为224*224*3,经过CBR特征提取模块、ZCR2特征提取模块和ZCR3特征提取模块进行下采样后,又经过ZCR4特征提取模块、ZCR3特征提取模块进行下采样后输出图像B,输出图像B尺寸为7*7*256,输出图像B经双线性差值上采样后与输出图像C进行合并操作得到输出图像F,输出图像F的尺寸为14*14*384;
3.3、将具有空间特征信息的输出图像F与具有通道特征信息的输出图像E进行卷积操作,实现空间特征信息与通道特征信息的充分融合,获得新的输出图像G,输出图像G的尺寸为14*14*64,再将输出图像G经全局最大池化层后得到输出图像H,输出图像H的尺寸为1*1*64,此时使用全局最大池化层代其他统分类模型中常用的全连接层,有效降低模型参数总量,有效避免模型过拟合;
3.4、将输出图像H传入分类网络进行分类,分类网络所使用的分类器是softmax分类器;
步骤四、通过随机采样的方式将swine epidemics-6000数据集分为两部分,训练集和测试集,其中训练集数据占数据集总量的4/5,测试集数据占数据集总量的1/5;
步骤五、swine epidemics net-5网络的训练,利用步骤四得到的训练集输入到步骤三建立的swine epidemics net-5网络中进行模型训练,训练前对swine epidemics net-5网络利用adam优化算法进行优化,获得优化后的swine epidemics net-5网络;
步骤六、将步骤四得到的测试集图像输入到通过步骤五得到的优化后的swineepidemics net-5网络,进行对常见生猪病害的识别。
2.根据权利要求1所述的基于卷积神经网路的生猪常见病害识别方法,其特征在于:所述的步骤二中随机扩充的方法:
2.1、几何变换:旋转、变行、裁切,针对生猪日常生活中可能存在的生理状态变化对数据图像采集的影响,生理状态变化包括站立、匍匐、侧卧;
2.2、 颜色变换:噪声模糊、亮度变化、颜色扰动,针对生猪日常生活环境变化带来的水汽、猪身卫生条件对数据图像采集的影响,日常生活环境变化包括光照条件变化、猪舍温度变化;
2.3、组合叠加:图像叠加、图像挖空、色块叠加,针对生猪日常生活场景中可能存在的遮挡现象对生猪的遮挡;日常生活场景中可能存在的遮挡现象包括生猪间的相互遮挡、围栏对生猪的遮挡、食槽对生猪的遮挡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984285.7A CN113807199B (zh) | 2021-08-25 | 2021-08-25 | 一种基于卷积神经网路的生猪常见病害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984285.7A CN113807199B (zh) | 2021-08-25 | 2021-08-25 | 一种基于卷积神经网路的生猪常见病害识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807199A CN113807199A (zh) | 2021-12-17 |
CN113807199B true CN113807199B (zh) | 2022-06-03 |
Family
ID=78941955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110984285.7A Active CN113807199B (zh) | 2021-08-25 | 2021-08-25 | 一种基于卷积神经网路的生猪常见病害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807199B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711471A (zh) * | 2018-12-28 | 2019-05-03 | 井冈山大学 | 一种基于深度卷积神经网络的水稻病害图像识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963737B2 (en) * | 2017-08-01 | 2021-03-30 | Retina-Al Health, Inc. | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
-
2021
- 2021-08-25 CN CN202110984285.7A patent/CN113807199B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711471A (zh) * | 2018-12-28 | 2019-05-03 | 井冈山大学 | 一种基于深度卷积神经网络的水稻病害图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113807199A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116778430B (zh) | 肉牛养殖的疾病监测系统及其方法 | |
Bünger et al. | Use of X-ray computed tomography (CT) in UK sheep production and breeding | |
Alejandrino et al. | Visual classification of lettuce growth stage based on morphological attributes using unsupervised machine learning models | |
Rangstrup-Christensen et al. | Sow-level risk factors for stillbirth of piglets in organic sow herds | |
Zhang et al. | Algorithm of sheep body dimension measurement and its applications based on image analysis | |
CN113938503A (zh) | 一种通过生猪行为体征监测对疾病的预警系统及构建方法 | |
US20220335721A1 (en) | Methods and systems for diagnosing disease, physiological changes, or other internal conditions in crustaceans through non-invasive means | |
CN112183448B (zh) | 一种基于三级分类和多尺度fcn的脱荚大豆图像分割方法 | |
CN113807199B (zh) | 一种基于卷积神经网路的生猪常见病害识别方法 | |
CN115019391A (zh) | 基于YOLOv5和C3D的仔猪吃奶行为检测系统 | |
Singh et al. | Proposed CNN model for tea leaf disease classification | |
Ambrose | Prospects for stable isotopic analysis of later Pleistocene hominid diets in West Asia and Europe | |
CN108511064A (zh) | 基于深度学习自动分析人体健康数据的系统 | |
Saputro et al. | Comparison ADAM-optimizer and SGDM for Classification Images of Rice Leaf Disease | |
Pacheco et al. | Deep learning-based model classifies thermal conditions in dairy cows using infrared thermography | |
CN111241908B (zh) | 幼禽生物特征识别装置及方法 | |
Caccamo et al. | Variance components for test-day milk, fat, and protein yield, and somatic cell score for analyzing management information | |
CN110598724B (zh) | 一种基于卷积神经网络的细胞低分辨率图像融合方法 | |
CN112419322A (zh) | 一种基于3d多尺度多池化特征融合网络的颞骨外半规管分割方法 | |
CN116543462A (zh) | 基于视频骨骼的奶牛行为识别判断奶牛健康状况的方法 | |
Zhou et al. | Detection of abnormal chicken droppings based on improved Faster R-CNN | |
Nagpal et al. | Multiclassification of Seven citrus fruits diseases using the Deep Learning Approach | |
Junior et al. | Fingerlings mass estimation: A comparison between deep and shallow learning algorithms | |
Chaimanee et al. | Improved Fuzzy C-means Clustering for Grape Leaf Disease Detection using Mathematical Morphology | |
Oishi et al. | Effect of culling age of does on milk and meat production in Japanese-Saanen goats |
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 |