CN114429583A - 基于神经网络模型的竹种智能识别方法和系统 - Google Patents
基于神经网络模型的竹种智能识别方法和系统 Download PDFInfo
- Publication number
- CN114429583A CN114429583A CN202210032522.4A CN202210032522A CN114429583A CN 114429583 A CN114429583 A CN 114429583A CN 202210032522 A CN202210032522 A CN 202210032522A CN 114429583 A CN114429583 A CN 114429583A
- Authority
- CN
- China
- Prior art keywords
- bamboo
- neural network
- network model
- species
- 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.)
- Pending
Links
- 241001330002 Bambuseae Species 0.000 title claims abstract description 172
- 238000003062 neural network model Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 61
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims abstract description 76
- 235000017491 Bambusa tulda Nutrition 0.000 claims abstract description 76
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims abstract description 76
- 239000011425 bamboo Substances 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000000877 morphologic effect Effects 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 5
- 241000267041 Sasa ramosa Species 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000000843 powder Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 7
- 241000544043 Blyxa aubertii Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于神经网络模型的竹种智能识别方法和系统，所述识别方法获取待测竹种图像；基于神经网络模型对所述待测竹种图像进行识别，获取所述待测竹种图像的竹种识别结果；其中，所述神经网络模型通过训练集数据完成训练，所述训练集数据为标注出形态学特征的竹种图像。通过形态学特征提取和智能识别神经网络模型，实现竹种的机器视觉识别。
Description
技术领域
本发明涉及物种识别技术领域，尤其涉及一种基于神经网络模型的竹种智能识别方法。
背景技术
形态学是植物分类的基础。经典形态学分类是以生殖器官，如花、果实、种子和以植物体营养器官，如根、茎、叶形态和结构特征作为分类依据。竹类植物以无性繁殖为主，只有在生长条件发生重大改变或者自身的某些原因才会导致开花，且开花周期长，花期短。因此，实践中主要依靠竹鞭、竹笋、竹竿、竹叶等营养器官形态学特征作为分类和识别的依据。随着学科的交叉，更有学者利用解剖特征、化学组成和分子生物技术等方法对竹种进行分类，但这些方法采样过程中均须借助于形态学分类方法，不能取代形态分类学，而是作为后者的一个重要补充，与其他生物学科一起，共同促进竹类植物分类学的进一步发展。
竹子由于种类差异和生长环境的影响，同种之间形态可能存在着很大的差异，不同种之间也可能有着较大的相似性，分类和种系鉴定相较于其它植物难度更大，不仅需要依靠经验丰富的专业人员，费时费力，还存在主观性、模糊性与效率低等问题。
发明内容
本发明的目的是提供一种基于神经网络模型的竹种智能识别方法，部分实施例能够用以解决现有技术中主观性、模糊性与效率低的缺陷，实现竹种的机器视觉识别。
本发明提供的一种基于神经网络模型的竹种智能识别方法，所述识别方法包括：
获取待测竹种图像；
基于神经网络模型对所述待测竹种图像进行识别，获取所述待测竹种图像的竹种识别结果；
其中，所述神经网络模型通过训练集数据完成训练，所述训练集数据为标注出形态学特征的竹种图像。
根据本发明提供的一种基于神经网络模型的竹种智能识别方法，所述竹种图像中标注的形态学特征，包括：
竹竿、叶和笋的边缘轮廓特征、纹理特征和颜色特征。
根据本发明提供的一种基于神经网络模型的竹种智能识别方法，所述竹竿、叶和笋的边缘轮廓特征、纹理特征和颜色特征，包括：
竿环的隆起程度特征、颜色特征，箨环的隆起程度特征、被毛与被粉特征、残留物特征，箨舌的形状特征、大小特征、颜色特征、被毛与被粉特征，箨耳的大小特征、形状特征、颜色特征、被毛与被粉特征。
根据本发明提供的一种基于神经网络模型的竹种智能识别方法，所述竹种图像通过标准化程序拍摄获取。
根据本发明提供的一种基于神经网络模型的竹种智能识别方法，所述标准化程序包括：拍摄时，采用预设的相机、镜头，依照大型竹、中型竹、小型竹、地被竹的分级标准，对于不同等级的拍摄对象采用相应的预设的拍摄距离。
根据本发明提供的一种基于神经网络模型的竹种智能识别方法，所述获取所述待测竹种图像的竹种识别结果，之后包括：
获取对竹种识别结果的质疑；
确认对竹种识别结果的质疑为真；
将所述待测竹种图像重新标注形成的样本数据添加入所述训练集数据，触发所述神经网络模型的再训练。
根据本发明提供的一种基于神经网络模型的竹种智能识别方法，所述神经网络模型为YOLO模型。
本发明还提供的一种基于神经网络模型的竹种智能识别系统，所述识别系统包括：
获取模块，所述获取模块获取待测竹种图像；
识别模块，所述识别模块基于神经网络模型对所述待测竹种图像进行识别，获取所述待测竹种图像的竹种识别结果；
其中，所述神经网络模型通过训练集数据完成训练，所述训练集数据为标注出形态学特征的竹种图像。
本发明还提供的一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述基于神经网络模型的竹种智能识别方法的步骤。
本发明还提供的一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于神经网络模型的竹种智能识别方法的步骤。
本发明还提供的一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于神经网络模型的竹种智能识别方法的步骤。
本发明提供的基于神经网络模型的竹种智能识别方法和系统，通过形态学特征提取和智能识别神经网络模型，实现竹种的机器视觉识别。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于神经网络模型的竹种智能识别方法的流程示意图；
图2为本发明提供的基于神经网络模型的竹种智能识别方法的另一流程示意图；
图3为本发明提供的神经网络模型训练流程图；
图4为本发明提供的竹种识别系统架构图；
图5为本发明提供的基于神经网络模型的竹种智能识别系统的结构示意图；
图6为本发明提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的基于神经网络模型的竹种智能识别方法进行详细地说明。
图1为本发明提供的一种基于神经网络模型的竹种智能识别方法的流程示意图，如图1所示，本发明提供的一种基于神经网络模型的竹种智能识别方法，识别方法包括：
步骤100、获取待测竹种图像；
可选地，获取主体为至于智能手机内的app，其通过相机实时拍摄待测竹种图像；
步骤200、基于神经网络模型对待测竹种图像进行识别，获取待测竹种图像的竹种识别结果；
其中，神经网络模型通过训练集数据完成训练，训练集数据为标注出形态学特征的竹种图像；
可选地，神经网络模型通过在先的训练配置好相关参数设置在app中；
可选地，训练好的神经网络模型将通过Docker打包，作为微服务部署到云服务器上，可对微服务进行编排及管理，通过接口层向应用层提供服务；
可选地，对于训练集数据中使用的的竹种图像，先运用画图软件对前景和背景进行分割，再邀请竹子分类学领域的权威专家利用专业化的图像标注软件对分割后的前景图片进行特征标注，最后利用专业软件对标注的特征进行提取；
本实施例通过形态学特征提取，进行特征标注与数据集管理，通过参数的不断优化建立基于神经网络模型的竹类资源识别算法，实现竹种的机器视觉识别，发挥计算机视觉的先进性，引入神经网络模型来辅助甚至替代传统人工进行竹种识别。
进一步地，另一实施例中，本实施例提供一种基于神经网络模型的竹种智能识别方法，竹种图像中标注的形态学特征，包括：
竹竿、叶和笋的边缘轮廓特征、纹理特征和颜色特征。优选地，竹竿、叶和笋的边缘轮廓特征、纹理特征和颜色特征，包括：竿环的隆起程度特征、颜色特征，箨环的隆起程度特征、被毛与被粉特征、残留物特征，箨舌的形状特征、大小特征、颜色特征、被毛与被粉特征，箨耳的大小特征、形状特征、颜色特征、被毛与被粉特征。
本实施例通过对竹子各部位特征图像提取和训练，优化模型参数，提升模型的准确率和检测速率。
进一步地，另一实施例中，图2为本发明提供的基于神经网络模型的竹种智能识别方法的另一流程示意图，如图2所示，本实施例提供一种基于神经网络模型的竹种智能识别方法，竹种图像通过标准化程序拍摄获取，优选地，标准化程序包括：拍摄时，采用预设的相机、镜头，依照大型竹、中型竹、小型竹、地被竹的分级标准，对于不同等级的拍摄对象采用相应的预设的拍摄距离。
可选地，由于拍摄自然生长状态下的竹子，其背景环境十分复杂，拍摄的图像易受竹株大小、拍摄距离及角度、枝叶遮蔽等因素的影响，不易获得主体突出、比例相对一致的照片，因此，在拍摄过程中采取必要的标准化程序显得尤为重要，采用佳能5D3相机，配置50mm定焦镜头，依照大型竹、中型竹、小型竹、地被竹等不同类型竹类植物分级标准，按照0.5-1米拍摄距离，配合三角架和快门线对被摄体的竹笋、竹竿、竹叶等部位进行拍摄，拍摄时用RAW格式以最大分辨率保存拍摄图像，便于后续的图像调整和加工，拍摄时，精心选择没有病虫害，生长良好，且具有代表性的典型植株作为拍摄对象，拍摄时尽量使背景简化，并且对同一特征点选择不同的拍摄方向和角度进行多次拍摄，以获取足够多的高清图片数据；
本实施例通过标准化的图像采集，构建我国主要竹种的形态学特征图像数据库，通过标准化程序拍摄获取优秀的模型训练集数据，从而获得更好的训练效果。
进一步地，另一实施例中，本实施例提供一种基于神经网络模型的竹种智能识别方法，神经网络模型为YOLO模型。
可选地，YOLO为一种新的目标检测方法，该方法的特点是实现快速检测的同时还达到较高的准确率。将目标检测任务看作目标区域预测和类别预测的回归问题，该方法采用单个神经网络直接预测物品边界和类别概率，实现端到端的物品检测，相对于其它目标检测与识别方法(比如Fast R-CNN)将目标识别任务分类目标区域预测和类别预测等多个流程，YOLO将目标区域预测和目标类别预测整合于单个神经网络模型中，实现在准确率较高的情况下快速目标检测与识别，更加适合现场应用环境；
可选地，图3为本发明提供的神经网络模型训练流程图，如图3所示，利用FocalLoss函数解决竹种形态特征数据集样本不均衡问题，Transformer纯注意力机制来提升模型收敛速度以及预测结果的准确性，结合数据维度对模型结构进行优化，然后再利用训练集数据对模型进行训练，通过损失函数和误差反向传播来调控参数，经过反复迭代，可使得模型逐步收敛，从而得到性能较好的YOLO竹种识别模型。
本实施例细化了神经网络模型，提高的训练、识别的效率。
进一步地，另一实施例中，本实施例提供一种基于神经网络模型的竹种智能识别方法，获取待测竹种图像的竹种识别结果，之后包括：
获取对竹种识别结果的质疑；
确认对竹种识别结果的质疑为真；
将待测竹种图像重新标注形成的样本数据添加入训练集数据，触发神经网络模型的再训练。
可选地，图4为本发明提供的竹种识别系统架构图，如图4所示，基于神经网络模型的竹种智能识别方法的实现系统总体可以分为6层，从下到上依次为云基础设施层、数据层、数据处理层、模型算法层、接口层以及应用层；优选地，应用层主要提供三大功能：(1)图像识竹：通过将拍摄的竹子照片上传到系统，系统可以自动返回识别到的竹子种类；(2)新增竹种：通过添加新竹种的高清图片、形态学特征文字以及标签，可以重新训练模型，使得模型具备识别新竹种的能力；(3)挑战结果：如果用户对竹种识别的结果存在质疑，可以挑战结果，后台专家可以对质疑进行审核，校准及回复，并触发样本的重标注以及模型的再训练。
本实施例通过用户的质疑反馈、直接添加新竹种的训练数据等不断完善模型的训练集数据，从而不断提升识别的准确性。
下面对本发明提供的基于神经网络模型的竹种智能识别系统进行描述，下文描述的基于神经网络模型的竹种智能识别系统与上文描述的基于神经网络模型的竹种智能识别方法可相互对应参照。
图5为本发明提供的基于神经网络模型的竹种智能识别系统的结构示意图，如图5所示，本发明还提供的一种基于神经网络模型的竹种智能识别系统，识别系统包括：
获取模块，获取模块获取待测竹种图像；
识别模块，识别模块基于神经网络模型对待测竹种图像进行识别，获取待测竹种图像的竹种识别结果；
其中，神经网络模型通过训练集数据完成训练，训练集数据为标注出形态学特征的竹种图像。
本实施例开发成套的竹种智能识别系统，做到对我国现有主要竹种科学、精准的快速识别。
图6为本发明提供的一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于神经网络模型的竹种智能识别方法，该方法包括：
获取待测竹种图像；
基于神经网络模型对待测竹种图像进行识别，获取待测竹种图像的竹种识别结果；
其中，神经网络模型通过训练集数据完成训练，训练集数据为标注出形态学特征的竹种图像。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于神经网络模型的竹种智能识别方法，该方法包括：
获取待测竹种图像；
基于神经网络模型对待测竹种图像进行识别，获取待测竹种图像的竹种识别结果；
其中，神经网络模型通过训练集数据完成训练，训练集数据为标注出形态学特征的竹种图像。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于神经网络模型的竹种智能识别方法，该方法包括：
获取待测竹种图像；
基于神经网络模型对待测竹种图像进行识别，获取待测竹种图像的竹种识别结果；
其中，神经网络模型通过训练集数据完成训练，训练集数据为标注出形态学特征的竹种图像。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络模型的竹种智能识别方法，其特征在于，所述识别方法包括：
获取待测竹种图像；
基于神经网络模型对所述待测竹种图像进行识别，获取所述待测竹种图像的竹种识别结果；
其中，所述神经网络模型通过训练集数据完成训练，所述训练集数据为标注出形态学特征的竹种图像。
2.根据权利要求1所述的基于神经网络模型的竹种智能识别方法，其特征在于，所述竹种图像中标注的形态学特征，包括：
竹竿、叶和笋的边缘轮廓特征、纹理特征和颜色特征。
3.根据权利要求2所述的基于神经网络模型的竹种智能识别方法，其特征在于，所述竹竿、叶和笋的边缘轮廓特征、纹理特征和颜色特征，包括：
竿环的隆起程度特征、颜色特征，箨环的隆起程度特征、被毛与被粉特征、残留物特征，箨舌的形状特征、大小特征、颜色特征、被毛与被粉特征，箨耳的大小特征、形状特征、颜色特征、被毛与被粉特征。
4.根据权利要求1所述的基于神经网络模型的竹种智能识别方法，其特征在于，所述竹种图像通过标准化程序拍摄获取。
5.根据权利要求4所述的基于神经网络模型的竹种智能识别方法，其特征在于，所述标准化程序包括：拍摄时，采用预设的相机、镜头，依照大型竹、中型竹、小型竹、地被竹的分级标准，对于不同等级的拍摄对象采用相应的预设的拍摄距离。
6.根据权利要求1所述的基于神经网络模型的竹种智能识别方法，其特征在于，所述获取所述待测竹种图像的竹种识别结果，之后包括：
获取对竹种识别结果的质疑；
确认对竹种识别结果的质疑为真；
将所述待测竹种图像重新标注形成的样本数据添加入所述训练集数据，触发所述神经网络模型的再训练。
7.根据权利要求1-6中任一所述的基于神经网络模型的竹种智能识别方法，其特征在于，所述神经网络模型为YOLO模型。
8.一种基于神经网络模型的竹种智能识别系统，其特征在于，所述识别系统包括：
获取模块，所述获取模块获取待测竹种图像；
识别模块，所述识别模块基于神经网络模型对所述待测竹种图像进行识别，获取所述待测竹种图像的竹种识别结果；
其中，所述神经网络模型通过训练集数据完成训练，所述训练集数据为标注出形态学特征的竹种图像。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理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中任一项所述基于神经网络模型的竹种智能识别方法的步骤。
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，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述基于神经网络模型的竹种智能识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032522.4A CN114429583A (zh) | 2022-01-12 | 2022-01-12 | 基于神经网络模型的竹种智能识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032522.4A CN114429583A (zh) | 2022-01-12 | 2022-01-12 | 基于神经网络模型的竹种智能识别方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114429583A true CN114429583A (zh) | 2022-05-03 |
Family
ID=81311682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210032522.4A Pending CN114429583A (zh) | 2022-01-12 | 2022-01-12 | 基于神经网络模型的竹种智能识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114429583A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558892A (zh) * | 2018-10-30 | 2019-04-02 | 银河水滴科技（北京）有限公司 | 一种基于神经网络的目标识别方法及系统 |
| CN109635832A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技（北京）有限公司 | 一种基于云平台的目标识别方法及系统 |
| CN109858521A (zh) * | 2018-12-29 | 2019-06-07 | 国际竹藤中心 | 一种基于人工智能深度学习的竹子种类识别方法 |
| CN111108508A (zh) * | 2019-12-23 | 2020-05-05 | 深圳市优必选科技股份有限公司 | 脸部情感识别方法、智能装置和计算机可读存储介质 |
-
2022
- 2022-01-12 CN CN202210032522.4A patent/CN114429583A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558892A (zh) * | 2018-10-30 | 2019-04-02 | 银河水滴科技（北京）有限公司 | 一种基于神经网络的目标识别方法及系统 |
| CN109635832A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技（北京）有限公司 | 一种基于云平台的目标识别方法及系统 |
| CN109858521A (zh) * | 2018-12-29 | 2019-06-07 | 国际竹藤中心 | 一种基于人工智能深度学习的竹子种类识别方法 |
| CN111108508A (zh) * | 2019-12-23 | 2020-05-05 | 深圳市优必选科技股份有限公司 | 脸部情感识别方法、智能装置和计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220327815A1 (en) | System and method for identification of plant species | |
| Li et al. | A high-precision detection method of hydroponic lettuce seedlings status based on improved Faster RCNN | |
| Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
| Skovsen et al. | The GrassClover image dataset for semantic and hierarchical species understanding in agriculture | |
| Zhu et al. | In-field automatic observation of wheat heading stage using computer vision | |
| Andrea et al. | Precise weed and maize classification through convolutional neuronal networks | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| CN111178197A (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| AU2017262615A1 (en) | Recognition of weed in a natural environment | |
| CN111860330A (zh) | 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 | |
| Tumang | Pests and diseases identification in mango using MATLAB | |
| Keller et al. | Soybean leaf coverage estimation with machine learning and thresholding algorithms for field phenotyping | |
| CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
| Zhang et al. | Biometric facial identification using attention module optimized YOLOv4 for sheep | |
| CN106803093A (zh) | 一种基于叶片纹理特征和iOS平台的植物物种识别方法 | |
| CN110163798A (zh) | 渔场围网破损检测方法及系统 | |
| CN112800982A (zh) | 一种基于遥感场景分类的目标检测方法 | |
| CN108629289A (zh) | 农田的识别方法及系统、应用于农业的无人机 | |
| CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
| Wang et al. | Using an improved YOLOv4 deep learning network for accurate detection of whitefly and thrips on sticky trap images | |
| CN116543386A (zh) | 一种基于卷积神经网络的农业病虫害图像识别方法 | |
| CN113673340B (zh) | 一种害虫种类图像识别方法及系统 | |
| Murugeswari et al. | Automated sugarcane disease detection using faster RCNN with an android application | |
| CN116071653A (zh) | 基于自然图像的树木多级枝干结构自动提取方法 | |
| Yatoo et al. | A novel model for automatic crop disease detection |
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 |