CN114462596A - 一种工业大麻生长期的病虫害监测方法及监测系统 - Google Patents
一种工业大麻生长期的病虫害监测方法及监测系统 Download PDFInfo
- Publication number
- CN114462596A CN114462596A CN202210125412.2A CN202210125412A CN114462596A CN 114462596 A CN114462596 A CN 114462596A CN 202210125412 A CN202210125412 A CN 202210125412A CN 114462596 A CN114462596 A CN 114462596A
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- industrial hemp
- growth period
- monitoring
- 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
- 244000025254 Cannabis sativa Species 0.000 title claims abstract description 73
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 title claims abstract description 73
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 title claims abstract description 73
- 235000009120 camo Nutrition 0.000 title claims abstract description 72
- 235000005607 chanvre indien Nutrition 0.000 title claims abstract description 72
- 239000011487 hemp Substances 0.000 title claims abstract description 72
- 201000010099 disease Diseases 0.000 title claims abstract description 49
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 49
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000238631 Hexapoda Species 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 241000196324 Embryophyta Species 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 244000198134 Agave sisalana Species 0.000 description 5
- 235000011624 Agave sisalana Nutrition 0.000 description 5
- 240000004308 marijuana Species 0.000 description 4
- 241000256602 Isoptera Species 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 241000218475 Agrotis segetum Species 0.000 description 2
- 240000008564 Boehmeria nivea Species 0.000 description 2
- 241000255777 Lepidoptera Species 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 2
- 241000233679 Peronosporaceae Species 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 206010058314 Dysplasia Diseases 0.000 description 1
- 241001312741 Gekko swinhonis Species 0.000 description 1
- 241000256248 Spodoptera Species 0.000 description 1
- 240000000377 Tussilago farfara Species 0.000 description 1
- 235000004869 Tussilago farfara Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 231100000053 low toxicity Toxicity 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 210000004894 snout Anatomy 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000003462 vein Anatomy 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
- G06F18/21—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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Animal Husbandry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Catching Or Destruction (AREA)
Abstract
一种工业大麻生长期的病虫害监测方法及监测系统,本发明涉及工业大麻生长期的病虫害监测方法及监测系统。本发明的目的是为了解决现有方法对工业大麻生长周期中植株是否被侵蚀,以及因何种病虫害侵蚀的判断缺乏统一的标准、时效性低、准确性差、工作效率低的问题。一种工业大麻生长期的病虫害监测方法具体过程为:一、采集工业大麻生长期图像数据集和相对应的标签文件数据集,组成样本数据集;二、建立神经网络模型;三、得到最优网络模型;四、获得待测工业大麻生长期图像的类型。一种工业大麻生长期的病虫害监测系统用于执行一种工业大麻生长期的病虫害监测方法。本发明用于工业大麻生长期的病虫害监测领域。
Description
技术领域
本发明涉及工业大麻生长期的病虫害监测方法及监测系统。
背景技术
获准合法种植的工业大麻,均是低含毒量的品种,THC值均低于0.3%。这些工业大麻(THC<0.3%)被认为不具备毒品利用价值,但依旧全身是宝,其应用至少包括纺织、造纸、食品、医药、卫生、日化、皮革、汽车、建筑、装饰、包装等领域。是经典的生产资料。
由于该植物广泛的适应性及世界范围的栽培和易生,通常认为大麻无病害,实际上大麻可患100多种病害,工业大麻主要病害有大麻霜霉病、大麻褐斑病和大麻黑斑病,工业大麻主要虫害有大麻款冬螟、小地老虎和黄翅大白蚁;
大麻霜霉病症状:主要危害大麻叶、茎,叶片上的病斑不规则形,呈褐色,沿叶脉延展,不会横穿pt-脉。受害叶正面着生黄色斑点,背西病斑E有灰黑色霉层,茎部产生轮廓不明显的病斑。发病后造成叶片萎缩,严重时脱落,生长受阻或枯死。
大麻褐斑病症状:此病在大麻产区普遍发生,主要发生于叶片上,初期产生暗褐色小点,以后扩大成近圆形不规则的小病斑,病斑中部淡褐色,周边暗黄色,在叶上方看病斑为橄榄色。发病严重时,叶片萎蔫、卷缩脱落。后期病斑背面散发许多黑色粒状物,在潮湿条件下为灰色霉层,即病原的分生孢子梗和分生孢子。病原菌为弱寄生,麻株在发育不良的情况下发病严重,荫蔽低湿的麻地发病较多。由于每年6—7月昆明地区湿度较大,大麻正值快速生长期,叶褐斑病危害叶片,严重时造成早期落叶。
大麻黑斑病症状:该病常在大麻生长后期的植株上发生,叶面最初出现暗紫色小斑点,后扩展呈圆形或近圆形不规则病斑,有轮纹,中央褐色或灰白色,边缘为黑褐色,后期病斑上密生许多灰褐色小丛霉,即分生孢子及分生孢子梗。
大麻款冬螟,属鳞翅目,螟蛾科;危害情况:该虫以幼虫从叶柄、茎部钻蛀产生虫洞进行危害。根据调查最多的1株大麻茎杆内有26只幼虫,其余多为10余只,对茎杆蛀食产生大量的虫洞,使大麻植株易折断,营养运输受阻。
小地老虎,属鳞翅目,夜蛾科;危害情况:小地老虎主要以幼虫危害,低龄阶段在大麻嫩叶、嫩头上取食,咬成凹斑、孔洞或缺刻。3龄后幼虫潜入土表,咬断根、地下茎或近地面嫩茎,使幼苗萎蔫死亡,造成缺苗断垄。一只幼虫可危害1株至数株大麻。
黄翅大白蚁,属等翅目,白蚁科;危害情况:危害幼苗和成熟植株,咬食根部、韧皮部、茎基部,导致植株死亡,拔起植株,可看见受害根部有明显虫眼。
可见,工业大麻无论是遭遇病害还是虫害,都会令工业大麻植株本身受损,想要判断工业大麻植株是否被侵蚀,以及因何种病虫害侵蚀,一般需要资深的农业技术人员去现场查看,这样虽然可以利用专家知识来获知工业大麻植株是否被侵蚀,以及因何种病虫害侵蚀,但如果每天对每个地块区域都进行现场观察则代价巨大,而且一个专家也不一定对多种病虫害侵蚀都熟悉,对操作人员的专业技术要求高,加上诸多主观因素,致使这种工作模式产生的结果缺乏统一的标准、时效性低、准确性差、工作效率低,极大的限制了其在农业生产中的推广应用,所以急需一种智能的判断方法对工业大麻生长期是否被病虫害侵蚀以及被何种病虫害侵蚀进行判断,进而采取正确的治疗方法。
发明内容
本发明的目的是为了解决现有方法对工业大麻生长周期中植株是否被侵蚀,以及因何种病虫害侵蚀的判断缺乏统一的标准、时效性低、准确性差、工作效率低的问题,而提出一种工业大麻生长期的病虫害监测方法及监测系统。
一种工业大麻生长期的病虫害监测方法具体过程为:
步骤一、采集工业大麻生长期图像数据集和相对应的标签文件数据集,组成样本数据集;
所述工业大麻生长期图像的类型包括被病虫害侵蚀的工业大麻的生长期图像和未被病虫害侵蚀的工业大麻的生长期图像;
步骤二、建立神经网络模型;
步骤三、将步骤一的样本数据集输入到建立的神经网络模型中,采用Adam算法进行迭代优化,得到最优网络模型;
步骤四、向最优网络模型中输入待测工业大麻生长期图像数据进行结果预测,获得待测工业大麻生长期图像的类型,类型分为被病虫害侵蚀的工业大麻的生长期图像和未被病虫害侵蚀的工业大麻的生长期图像。
一种工业大麻生长期的病虫害监测系统用于执行一种工业大麻生长期的病虫害监测方法。
本发明的有益效果为:
本发明提出了神经网络模型,其中包括空间注意力块和光谱注意力块,该种注意力机制通过探索空间的垂直方向与水平方向上的长距离关系和光谱维的波段重要性的差异,从而得到3D协同注意力图。
本发明为了更好的提取重要的特征,且抑制无用的特征,采用具有强调波段有效性的光谱注意力块,能够提取具有强大判别能力的特征,具有较强的鲁棒性。
本发明采用单位卷积既能满足图像特征图尺寸不变,又能满足非线性特性的增加,使网络参数减小,深度更深,降低计算量,模型更容易训练和收敛,提高了训练精度;本发明采用的单位卷积接在三维卷积层的后面,配合激活函数,实现了network in network的结构。
附图说明
图1为本发明流程图。
具体实施方式
具体实施方式一:本实施方式一种工业大麻生长期的病虫害监测方法具体过程为:
步骤一、采集工业大麻生长期图像数据集和相对应的标签文件数据集,组成样本数据集;
所述工业大麻生长期图像的类型包括被病虫害侵蚀的工业大麻的生长期图像和未被病虫害侵蚀的工业大麻的生长期图像;
步骤二、建立神经网络模型;
步骤三、将步骤一的样本数据集输入到建立的神经网络模型中,采用Adam算法进行迭代优化,得到最优网络模型;
步骤四、向最优网络模型中输入待测工业大麻生长期图像数据进行结果预测,获得待测工业大麻生长期图像的类型,类型分为被病虫害侵蚀的工业大麻的生长期图像和未被病虫害侵蚀的工业大麻的生长期图像。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一中采集工业大麻生长期图像数据集和相对应的标签文件数据集,组成样本数据集;具体过程为:
给定高光谱图像Z={X,Y},其中X为图像所有像元数据的集合,Y为所有像元对应标签的集合;高光谱图像Z={X,Y}输入第一输入层,对输入图像进行逐像素处理并填充,得到N个大小为S∈RH×W×L的立方体;
其中,H×W为是为立方体的空间大小,L为光谱波段的数量。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述建立神经网络模型;具体过程为:
神经网络模型包括:输入层、第一三维卷积层、第一批归一化层BN层、第一ReLU 激活层、空间注意力块、光谱注意力块、第二批归一化层BN层、第二ReLU激活层、第一Dropout、第一全局最大池化层、FC全连接层、Softmax函数分类器和输出层;
所述神经网络模型的连接关系为:
输入层连接第一三维卷积层,第一三维卷积层连接第一批归一化层BN层,第一批归一化层BN层连接第一ReLU激活层,第一ReLU激活层分别连接空间注意力块和光谱注意力块;
将空间注意力块的输出和光谱注意力块的输出进行乘积操作,乘积后结果输入第二批归一化层BN层,第二批归一化层BN层的输出连接第二ReLU激活层,第二ReLU激活层的输出连接第一Dropout,第一Dropout的输出连接第一全局最大池化层,第一全局最大池化层的输出连接FC全连接层、FC全连接层的输出连接Softmax函数分类器,Softmax 函数分类器的输出结果经输出层输出。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述空间注意力块包括第一全局平均池化层、第二全局平均池化层、第一单位卷积、第三批归一化层BN层、第一Sigmoid激活函数层、第二Sigmoid激活函数层;
所述空间注意力块的连接关系为:
第一ReLU激活层的输出分别连接第一全局平均池化层和第二全局平均池化层,第一全局平均池化层的输出和第二全局平均池化层的输出级联后输入第一单位卷积,第一单位卷积连接第三批归一化层BN层,第三批归一化层BN层分别连接第一Sigmoid激活函数层和第二Sigmoid激活函数层。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述光谱注意力块的连接关系为:
第一ReLU激活层的输出输入光谱注意力块,光谱注意力块对第一ReLU激活层的输出进行变形,变形后进行转置得到X1;
光谱注意力块SAB对第一ReLU激活层的输出进行变形,得到X2;
光谱注意力块SAB对第一ReLU激活层的输出进行变形,得到X3;
对X1和X2进行矩阵乘法,矩阵乘法后输入激活函数层f(·),得到G;
G的输出、X2的输出和X3的输出进行矩阵乘法,矩阵乘法后进行变形,将变形后输出与第一ReLU激活层的输出进行矩阵相加,输出图像;
输出图像输入第三全局平均池化层,第三全局平均池化层的输出输入第一单位卷积,第三单位卷积的输出输入第四批归一化层BN层,第四批归一化层BN层的输出输入第三Sigmoid激活函数层。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述第一Sigmoid激活函数层的输出、第二Sigmoid激活函数层的输出和第三Sigmoid激活函数层的输出进行乘积操作,乘积后结果输入第二批归一化层BN层。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述空间注意力块的损失定义为:
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述第一全局最大池化连接FC全连接层、FC全连接层对第三全局平均池化的输出结果进行分类得到S,S=[s1,s2,...,si,...,sN];
所述FC全连接层的分类数为N;
FC全连接层连接SoftMax函数分类器,SoftMax函数分类器的输出结果是 Q=[q1,q2,...,qi,...,qN];
输出结果Q表示如下:
式中,si-1表示S中的第i-1个元素,sk表示S中的第k个元素。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式一种工业大麻生长期的病虫害监测系统用于执行具体实施方式一至具体实施方式八中任意一项一种工业大麻生长期的病虫害监测方法。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种工业大麻生长期的病虫害监测方法,其特征在于:所述方法具体过程为:
步骤一、采集工业大麻生长期图像数据集和相对应的标签文件数据集,组成样本数据集;
所述工业大麻生长期图像的类型包括被病虫害侵蚀的工业大麻的生长期图像和未被病虫害侵蚀的工业大麻的生长期图像;
步骤二、建立神经网络模型;
步骤三、将步骤一的样本数据集输入到建立的神经网络模型中,采用Adam算法进行迭代优化,得到最优网络模型;
步骤四、向最优网络模型中输入待测工业大麻生长期图像数据进行结果预测,获得待测工业大麻生长期图像的类型,类型分为被病虫害侵蚀的工业大麻的生长期图像和未被病虫害侵蚀的工业大麻的生长期图像。
2.根据权利要求1所述一种工业大麻生长期的病虫害监测方法,其特征在于:所述步骤一中采集工业大麻生长期图像数据集和相对应的标签文件数据集,组成样本数据集;具体过程为:
给定高光谱图像Z={X,Y},其中X为图像所有像元数据的集合,Y为所有像元对应标签的集合;高光谱图像Z={X,Y}输入第一输入层,对输入图像进行逐像素处理并填充,得到N个大小为S∈RH×W×L的立方体;
其中,H×W为是为立方体的空间大小,L为光谱波段的数量。
3.根据权利要求1或2所述一种工业大麻生长期的病虫害监测方法,其特征在于:所述建立神经网络模型;具体过程为:
神经网络模型包括:输入层、第一三维卷积层、第一批归一化层BN层、第一ReLU激活层、空间注意力块、光谱注意力块、第二批归一化层BN层、第二ReLU激活层、第一Dropout、第一全局最大池化层、FC全连接层、Softmax函数分类器和输出层;
所述神经网络模型的连接关系为:
输入层连接第一三维卷积层,第一三维卷积层连接第一批归一化层BN层,第一批归一化层BN层连接第一ReLU激活层,第一ReLU激活层分别连接空间注意力块和光谱注意力块;
将空间注意力块的输出和光谱注意力块的输出进行乘积操作,乘积后结果输入第二批归一化层BN层,第二批归一化层BN层的输出连接第二ReLU激活层,第二ReLU激活层的输出连接第一Dropout,第一Dropout的输出连接第一全局最大池化层,第一全局最大池化层的输出连接FC全连接层、FC全连接层的输出连接Softmax函数分类器,Softmax函数分类器的输出结果经输出层输出。
4.根据权利要求3所述一种工业大麻生长期的病虫害监测方法,其特征在于:所述空间注意力块包括第一全局平均池化层、第二全局平均池化层、第一单位卷积、第三批归一化层BN层、第一Sigmoid激活函数层、第二Sigmoid激活函数层;
所述空间注意力块的连接关系为:
第一ReLU激活层的输出分别连接第一全局平均池化层和第二全局平均池化层,第一全局平均池化层的输出和第二全局平均池化层的输出级联后输入第一单位卷积,第一单位卷积连接第三批归一化层BN层,第三批归一化层BN层分别连接第一Sigmoid激活函数层和第二Sigmoid激活函数层。
5.根据权利要求4所述一种工业大麻生长期的病虫害监测方法,其特征在于:所述光谱注意力块的连接关系为:
第一ReLU激活层的输出输入光谱注意力块,光谱注意力块对第一ReLU激活层的输出进行变形,变形后进行转置得到X1;
光谱注意力块SAB对第一ReLU激活层的输出进行变形,得到X2;
光谱注意力块SAB对第一ReLU激活层的输出进行变形,得到X3;
对X1和X2进行矩阵乘法,矩阵乘法后输入激活函数层f(·),得到G;
G的输出、X2的输出和X3的输出进行矩阵乘法,矩阵乘法后进行变形,将变形后输出与第一ReLU激活层的输出进行矩阵相加,输出图像;
输出图像输入第三全局平均池化层,第三全局平均池化层的输出输入第一单位卷积,第三单位卷积的输出输入第四批归一化层BN层,第四批归一化层BN层的输出输入第三Sigmoid激活函数层。
6.根据权利要求5所述一种工业大麻生长期的病虫害监测方法,其特征在于:所述第一Sigmoid激活函数层的输出、第二Sigmoid激活函数层的输出和第三Sigmoid激活函数层的输出进行乘积操作,乘积后结果输入第二批归一化层BN层。
9.基于权利要求1一种工业大麻生长期的病虫害监测方法的监测系统,其特征在于:一种工业大麻生长期的病虫害监测系统用于执行权利要求1至权利要求8中任意一项一种工业大麻生长期的病虫害监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210125412.2A CN114462596B (zh) | 2022-02-10 | 2022-02-10 | 一种工业大麻生长期的病虫害监测方法及监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210125412.2A CN114462596B (zh) | 2022-02-10 | 2022-02-10 | 一种工业大麻生长期的病虫害监测方法及监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114462596A true CN114462596A (zh) | 2022-05-10 |
CN114462596B CN114462596B (zh) | 2023-04-07 |
Family
ID=81412834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210125412.2A Active CN114462596B (zh) | 2022-02-10 | 2022-02-10 | 一种工业大麻生长期的病虫害监测方法及监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462596B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516596A (zh) * | 2019-08-27 | 2019-11-29 | 西安电子科技大学 | 基于Octave卷积的空谱注意力高光谱图像分类方法 |
CN111563520A (zh) * | 2020-01-16 | 2020-08-21 | 北京航空航天大学 | 一种基于空间-光谱联合注意力机制的高光谱图像分类方法 |
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 |
CN111814622A (zh) * | 2020-06-29 | 2020-10-23 | 华南农业大学 | 农作物病虫害类型识别方法、系统、设备和介质 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN112836773A (zh) * | 2021-04-08 | 2021-05-25 | 河海大学 | 一种基于全局注意力残差网络的高光谱图像分类方法 |
CN113486851A (zh) * | 2021-07-28 | 2021-10-08 | 齐齐哈尔大学 | 基于双分支光谱多尺度注意力网络的高光谱图像分类方法 |
-
2022
- 2022-02-10 CN CN202210125412.2A patent/CN114462596B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516596A (zh) * | 2019-08-27 | 2019-11-29 | 西安电子科技大学 | 基于Octave卷积的空谱注意力高光谱图像分类方法 |
CN111563520A (zh) * | 2020-01-16 | 2020-08-21 | 北京航空航天大学 | 一种基于空间-光谱联合注意力机制的高光谱图像分类方法 |
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 |
CN111814622A (zh) * | 2020-06-29 | 2020-10-23 | 华南农业大学 | 农作物病虫害类型识别方法、系统、设备和介质 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN112836773A (zh) * | 2021-04-08 | 2021-05-25 | 河海大学 | 一种基于全局注意力残差网络的高光谱图像分类方法 |
CN113486851A (zh) * | 2021-07-28 | 2021-10-08 | 齐齐哈尔大学 | 基于双分支光谱多尺度注意力网络的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114462596B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113826109A (zh) | 用于稻米颗粒识别的工业化系统及其方法 | |
CN110110595A (zh) | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 | |
Nemec et al. | Vesicular—arbuscular mycorrhizal fungi associated with citrus in Florida and California and notes on their distribution and ecology | |
Bishaw et al. | Assessment of on-farm diversity of wheat varieties and landraces: Evidence from farmer’s fields in Ethiopia | |
Yang et al. | Airborne multispectral imagery for mapping variable growing conditions and yields of cotton, grain sorghum, and corn | |
Upadhyaya et al. | Phenotypic diversity in Cajanus species and identification of promising sources for agronomic traits and seed protein content | |
Pandey et al. | Smart agriculture: Technological advancements on agriculture—A systematical review | |
Islam et al. | Evaluation of tropical sugarbeet (Beta vulgaris L.) genotypes under Bangladesh condition. | |
Kumar et al. | Rice cultivation and its disease classification in precision agriculture | |
Anikwe et al. | Agronomic evaluation of four exotic tropical varieties of watermelon (Citrullus lanatus L.) in two agro-environments in Nigeria | |
CN114462596B (zh) | 一种工业大麻生长期的病虫害监测方法及监测系统 | |
CN117033810B (zh) | 一种基于大数据的农业数据分析管理系统及方法 | |
CN112633705A (zh) | 一种分析农事活动行为的算法 | |
Aktar-Uz-Zaman et al. | Characterization of chickpea germplasm | |
Kshirsagar et al. | Diversity of rice cultivars in a rainfed village in the Orissa state of India | |
Hamid et al. | Genetic variability in pigeonpea (Cajanus cajan L. Millspaugh) | |
Anbumozhi et al. | Leaf diseases identification and classification of self-collected dataset on groundnut crop using progressive convolutional neural network (PGCNN) | |
Adugna et al. | Cluster and canonical variate analyses in multilocation trials of linseed | |
Sarwar et al. | Agro-morphological characterization and genetic dissection of linseed (Linum usitatissimum L.) genotypes. | |
Qureshi et al. | Intelligent resistant source detection against stalk rot disease of maize using deep learning technique | |
Subchan et al. | Classification of maize genotype using logistic regression | |
El Amine Kouadri et al. | Lentil rust in north-west of Algeria caused byUromyces viciae-fabae | |
IBPGR | Descriptors for groundnut | |
Peter | DETERMINATION OF THE OPTIMUM MATURITY OF NEW RICE FOR AFRICA USING ARTIFICIAL NEURAL NETWORK | |
Ferreira et al. | Neural network and canonical interrelationships for the physiological aspects of soybean seedlings: effects of seed treatment |
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 |