CN114463741A - 一种基于深度学习的荔枝病虫害识别方法 - Google Patents
一种基于深度学习的荔枝病虫害识别方法 Download PDFInfo
- Publication number
- CN114463741A CN114463741A CN202210108805.2A CN202210108805A CN114463741A CN 114463741 A CN114463741 A CN 114463741A CN 202210108805 A CN202210108805 A CN 202210108805A CN 114463741 A CN114463741 A CN 114463741A
- Authority
- CN
- China
- Prior art keywords
- litchi
- pest
- image
- disease
- deep learning
- 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
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
- 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
- G06N3/04—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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明针对现有技术的局限性,提出了一种基于深度学习的荔枝病虫害识别方法。该方法运用了深度学习训练的结果,能够自动识别多种荔枝病虫害,解决传统人工识别病虫害方法效率低下、识别效果不佳等问题;方案中使用的荔枝病虫害识别模型在轻量型卷积神经网络ShuffleNetV2的基础上引入了注意力机制SimAM、使用了激活函数Hardswish,并在全连接层中采用了Dropout正则化方法;该荔枝病虫害识别模型不仅能够有效提取重要特征,抑制非重要特征的干扰,提高网络分类识别性能,而且不额外增加网络模型参数数量,降低了模型的存储和计算开销。
Description
技术领域
本发明涉及农业病虫害识别技术领域,具体涉及深度学习以及图像识别技术在农业病虫害识别技术领域的应用,更具体,涉及一种基于深度学习的荔枝病虫害识别方法。
背景技术
荔枝作为我国华南地区最重要的经济林果树之一,富有较高的药用价值,素有“果中之王”的美称。随着荔枝的大面积种植以及栽培品种的日益增多,荔枝病虫害的发生也日趋严重。荔枝病虫害不仅种类繁多,而且发病周期长、防治困难,严重影响荔枝果品的质量和产量。
现有的荔枝病虫害识别方法主要通过种植人员检测识别,这种方法完全依赖于种植人员的观察经验以及种植经验,其识别速度较慢、主观性较强、人工成本较高,且容易出现误认误诊的现象。目前已有将现有深度学习算法应用在荔枝病虫害识别中,以期减少工作量,提高识别荔枝病虫害的精度并且缩短识别时间。
但是,以公开日为2021.11.30的中国发明申请:基于视觉transformer的水稻病害识别方法为例,其利用两种transformer架构作为特征提取器,分别是视觉transformerViT和蒸馏后的transformer DeiT,将两种transformer对输入图像特征提取后进行Pooling操作,再对Pooling操作后的特征做残差连接,并与原Pooling后的两种特征进行特征拼接(concatenate),随后再将concatenate后的特征输入到MLPHead层进行病害种类预测。可见,现有的基于深度学习的病虫害识别技术研究主要集中在水稻、小麦等常见农作物,而以荔枝为研究对象的病虫害识别技术的研究成果较少。
目前,在现有的荔枝病虫害识别技术中尚且有许多待解决的问题:如仍缺乏大型且种类齐全的荔枝病虫害图像数据集;同时,现有的荔枝病虫害识别技术一般局限于特定的场景,泛化能力较弱,病虫害图像特征提取能力较差,建立的荔枝病虫害识别模型效果不佳。因此,现有技术仍有一定的局限性。
发明内容
针对现有技术的局限,本发明提出一种基于深度学习的荔枝病虫害识别方法,本发明采用的技术方案是:
一种基于深度学习的荔枝病虫害识别方法,包括以下步骤:
S1,获取待识别图像;
S2,将所述待识别图像输入到预设的荔枝病虫害识别模型中,获得所述待识别图像的荔枝病虫害识别结果;
其中,所述荔枝病虫害识别模型由包括样本图像的荔枝病虫害数据集对以轻量型卷积神经网络ShuffleNetV2作为基础网络、引入了注意力机制SimAM、以Hardswish作为激活函数并在全连接层中增加了Dropout正则化处理的网络模型训练获得。
相较于现有技术,本发明运用了深度学习训练的结果,能够自动识别多种荔枝病虫害,解决传统人工识别病虫害方法效率低下、识别效果不佳等问题;方案中使用的荔枝病虫害识别模型在轻量型卷积神经网络ShuffleNetV2的基础上引入了注意力机制SimAM、使用了激活函数Hardswish,并在全连接层中采用了Dropout正则化方法;该荔枝病虫害识别模型不仅能够有效提取重要特征,抑制非重要特征的干扰,提高网络分类识别性能,而且不额外增加网络模型参数数量,降低了模型的存储和计算开销。
作为一种优选方案,所述荔枝病虫害数据集的样本图像所涵盖的荔枝病害包括毛毡病、白粉病、溃疡病以及炭疽病。
作为一种优选方案,所述荔枝病虫害数据集的样本图像所涵盖的荔枝虫害包括荔枝蝽象、尺蠖、卷叶蛾、金龟子、白蛾蜡蝉、堆蜡粉蚧、瘿螨、蚱蝉以及尖细蛾。
进一步的,所述农作物虫害图像数据集在用于对所述网络模型进行训练前,经过以下数据预处理:
通过对所述样本图像进行几何变换类以及颜色变换类的数据增强,扩充所述农作物虫害图像数据集。
更进一步的,所述几何变换类的数据增强包括垂直翻转、水平翻转以及随机缩放。
更进一步的,所述颜色变换类的数据增强包括随机颜色变换、颜色抖动以及随机亮度变换。
更进一步的,所述农作物虫害图像数据集在用于对所述网络模型进行训练前,还经过以下数据预处理:对所述样本图像进行图像尺寸的归一化操作。
本发明还提供以下内容:
一种基于深度学习的荔枝病虫害识别系统,包括图像获取模块以及连接所述图像获取模块的图像识别模块:
所述图像获取模块用于获取待识别图像;
所述图像识别模块用于将所述待识别图像输入到预设的荔枝病虫害识别模型中,获得所述待识别图像的荔枝病虫害识别结果;
其中,所述荔枝病虫害识别模型由包括样本图像的荔枝病虫害数据集对以轻量型卷积神经网络ShuffleNetV2作为基础网络、引入了注意力机制SimAM、以Hardswish作为激活函数并在全连接层中增加了Dropout正则化处理的网络模型训练获得。
一种存储介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现前述的基于深度学习的荔枝病虫害识别方法的步骤。
一种计算机设备,包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序,所述计算机程序被处理器执行时前述的基于深度学习的荔枝病虫害识别方法的步骤。
附图说明
图1为本发明实施例1提供的基于深度学习的荔枝病虫害识别方法的步骤示意图;
图2为本发明实施例1的原理框图;
图3为本发明实施例1提供的网络模型的原理示意图;
图4为本发明ShuffleNetV2模型引入注意力机制SimAM的激活热力图对比示例;
图5本发明实施例1采用数据增强后的荔枝病虫害图像效果图;
图6本发明实施例2提供的基于深度学习的荔枝病虫害识别系统示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,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它实施例,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。
为了解决现有技术的局限性,本实施例提供了一种技术方案,下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
请参考图1,一种基于深度学习的荔枝病虫害识别方法,包括以下步骤:
S1,获取待识别图像;
S2,将所述待识别图像输入到预设的荔枝病虫害识别模型中,获得所述待识别图像的荔枝病虫害识别结果;
其中,所述荔枝病虫害识别模型由包括样本图像的荔枝病虫害数据集对以轻量型卷积神经网络ShuffleNetV2作为基础网络、引入了注意力机制SimAM、以Hardswish作为激活函数并在全连接层中增加了Dropout正则化处理的网络模型训练获得。
相较于现有技术,本发明运用了深度学习训练的结果,能够自动识别多种荔枝病虫害,解决传统人工识别病虫害方法效率低下、识别效果不佳等问题;方案中使用的荔枝病虫害识别模型在轻量型卷积神经网络ShuffleNetV2的基础上引入了注意力机制SimAM、使用了激活函数Hardswish,并在全连接层中采用了Dropout正则化方法;该荔枝病虫害识别模型不仅能够有效提取重要特征,抑制非重要特征的干扰,提高网络分类识别性能,而且不额外增加网络模型参数数量,降低了模型的存储和计算开销。
具体的,请参阅图3,本实施例使用到的网络模型,在轻量型卷积神经网络ShuffleNetV2的下采样层(DownsampleUnit)中,将注意力机制SimAM分别添加到左右分支的1x1卷积层(Conv)之后,利用激活热力图对引入注意力机制SimAM后的ShuffleNetV2模型的识别效果进行可视化展示。
请参阅图4,可见,引入注意力机制SimAM后的模型更有效提取重要特征,强化荔枝病虫害特征并抑制非重要特征。
而在确保网络模型的准确性前提下,本实施例将原始ShuffleNetV2中的激活函数替换为了Hardswish激活函数,计算公式如下:
Hardswish激活函数可以实现分段函数优化,节省网络模型计算量并加快计算速度以减少内存访问次数,从而大幅降低延迟成本。
另外,本实施例在网络模型的全连接层中采用Dropout正则化方法,更具体的,其舍弃概率值设置为0.8。Dropout正则化方法可以使网络模型在训练时,随机丢弃部分参数,进而降低参数的改变对输出结构的影响。
特别的,本实施例在网络模型的分类层中的输出神经元个数设置为13,使输出符合所述荔枝病虫害数据集的要求。
作为一种可选实施例,在网络训练过程中,可以使用SGD优化器进行参数更新,并设置损失函数为交叉熵函数(Cross Entropy),迭代次数为500次,批尺寸为64。
在一种可选实施例中,所述荔枝病虫害数据集的样本图像主要是利用网络爬虫方法收集,并在农业专家帮助下对图像进行科学的筛选和整理。在本实施例中,荔枝病虫害数据集共收集到了2896张样本图片。
作为一种优选实施例,所述荔枝病虫害数据集的样本图像所涵盖的荔枝病害包括毛毡病、白粉病、溃疡病以及炭疽病。
作为一种优选实施例,所述荔枝病虫害数据集的样本图像所涵盖的荔枝虫害包括荔枝蝽象、尺蠖、卷叶蛾、金龟子、白蛾蜡蝉、堆蜡粉蚧、瘿螨、蚱蝉以及尖细蛾。
作为一种可选的实施例,可以将所述荔枝病虫害数据集以7:3的比例将数据集划分为训练集和测试集,则得到的训练集样本图片数量为2034张,测试集样本图片数量为862张。
进一步的,请参阅图5,所述农作物虫害图像数据集在用于对所述网络模型进行训练前,经过以下数据预处理:
通过对所述样本图像进行几何变换类以及颜色变换类的数据增强,扩充所述农作物虫害图像数据集。
更进一步的,所述几何变换类的数据增强包括垂直翻转、水平翻转以及随机缩放。
更进一步的,所述颜色变换类的数据增强包括随机颜色变换、颜色抖动以及随机亮度变换。
具体的,上述数据增强操作主要针对所述训练集进行。
进一步的,所述农作物虫害图像数据集在用于对所述网络模型进行训练前,还经过以下数据预处理:对所述样本图像进行图像尺寸的归一化操作。
具体的,测试集以及扩充后的训练集均需执行上述归一化操作;作为一种优选实施例,经过上述归一化操作后各样本图像以及由样本图像数据增强得到的伪图像尺寸大小均为224x224像素。
接下来将本实施例提供的方案与现有基于原始ShuffleNetV2的方案进行实验对比,并通过准确率(Accuracy)、精确率(Precision)和召回率(Recall)等衡量指标对方案的效果进行比较:
其中,准确率代表模型所有预测正确(TP+TN)占总(TP+TN+FP+FN)的比重;精确率代表模型正确预测为正(TP)占全部预测为正(TP+FP)的比例;召回率代表模型正确预测为正(TP)的占全部实际为正(TP+FN)的比例;
准确率的计算公式为:
精确率的计算公式为:
召回率的计算公式为:
其中,TP为正类判定为正类数量;TN为正类判定为负类数量;FP为负类判定为正类数量;FN为正类判定为负类数量;
实验结果如下:
表1网络模型的实验结果对比
与原始ShuffleNetV2网络模型相比,本实施例提供的荔枝病虫害识别模型准确率达到了82.1%,提高了3.8%;精确率达到了76.9%,提升了6.2%;召回率达到了71.1%,提高了2%;通过实验对比可见,本实施提供的方案相较于现有技术具有较高的识别精度和较强的泛化能力,对荔枝病虫害识别具有可行性。
实施例2
一种基于深度学习的荔枝病虫害识别系统,请参阅图6,包括图像获取模块1以及连接所述图像获取模块1的图像识别模块2:
所述图像获取模块1用于获取待识别图像;
所述图像识别模块2用于将所述待识别图像输入到预设的荔枝病虫害识别模型中,获得所述待识别图像的荔枝病虫害识别结果;
其中,所述荔枝病虫害识别模型由包括样本图像的荔枝病虫害数据集对以轻量型卷积神经网络ShuffleNetV2作为基础网络、引入了注意力机制SimAM、以Hardswish作为激活函数并在全连接层中增加了Dropout正则化处理的网络模型训练获得。
实施例3
一种存储介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现实施例1中的基于深度学习的荔枝病虫害识别方法的步骤。
实施例4
一种计算机设备,包括存储介质、处理器以及储存在所述介质中并可被所述处理器执行的计算机程序,所述计算机程序被处理器执行时实现实施例1中的基于深度学习的荔枝病虫害识别方法的步骤。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于深度学习的荔枝病虫害识别方法,其特征在于,包括以下步骤:
S1,获取待识别图像;
S2,将所述待识别图像输入到预设的荔枝病虫害识别模型中,获得所述待识别图像的荔枝病虫害识别结果;
其中,所述荔枝病虫害识别模型由包括样本图像的荔枝病虫害数据集对以轻量型卷积神经网络ShuffleNetV2作为基础网络、引入了注意力机制SimAM、以Hardswish作为激活函数并在全连接层中增加了Dropout正则化处理的网络模型训练获得。
2.根据权利要求1所述的基于深度学习的荔枝病虫害识别方法,其特征在于,所述荔枝病虫害数据集的样本图像所涵盖的荔枝病害包括毛毡病、白粉病、溃疡病以及炭疽病。
3.根据权利要求1所述的基于深度学习的荔枝病虫害识别方法,其特征在于,所述荔枝病虫害数据集的样本图像所涵盖的荔枝虫害包括荔枝蝽象、尺蠖、卷叶蛾、金龟子、白蛾蜡蝉、堆蜡粉蚧、瘿螨、蚱蝉以及尖细蛾。
4.根据权利要求1至3任一项所述的基于深度学习的荔枝病虫害识别方法,其特征在于,所述农作物虫害图像数据集在用于对所述网络模型进行训练前,经过以下数据预处理:
通过对所述样本图像进行几何变换类以及颜色变换类的数据增强,扩充所述农作物虫害图像数据集。
5.根据权利要求4所述的基于深度学习的荔枝病虫害识别方法,其特征在于,所述几何变换类的数据增强包括垂直翻转、水平翻转以及随机缩放。
6.根据权利要求4所述的基于深度学习的荔枝病虫害识别方法,其特征在于,所述颜色变换类的数据增强包括随机颜色变换、颜色抖动以及随机亮度变换。
7.根据权利要求4所述的基于深度学习的荔枝病虫害识别方法,其特征在于,所述农作物虫害图像数据集在用于对所述网络模型进行训练前,经过以下数据预处理:对所述样本图像进行图像尺寸的归一化操作。
8.一种基于深度学习的荔枝病虫害识别系统,其特征在于,包括图像获取模块(1)以及连接所述图像获取模块(1)的图像识别模块(2):
所述图像获取模块(1)用于获取待识别图像;
所述图像识别模块(2)用于将所述待识别图像输入到预设的荔枝病虫害识别模型中,获得所述待识别图像的荔枝病虫害识别结果;
其中,所述荔枝病虫害识别模型由包括样本图像的荔枝病虫害数据集对以轻量型卷积神经网络ShuffleNetV2作为基础网络、引入了注意力机制SimAM、以Hardswish作为激活函数并在全连接层中增加了Dropout正则化处理的网络模型训练获得。
9.一种存储介质,其上储存有计算机程序,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至7所述的基于深度学习的荔枝病虫害识别方法的步骤。
10.一种计算机设备,其特征在于:包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7所述的基于深度学习的荔枝病虫害识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108805.2A CN114463741A (zh) | 2022-01-28 | 2022-01-28 | 一种基于深度学习的荔枝病虫害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108805.2A CN114463741A (zh) | 2022-01-28 | 2022-01-28 | 一种基于深度学习的荔枝病虫害识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463741A true CN114463741A (zh) | 2022-05-10 |
Family
ID=81411893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210108805.2A Pending CN114463741A (zh) | 2022-01-28 | 2022-01-28 | 一种基于深度学习的荔枝病虫害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463741A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937021A (zh) * | 2022-05-31 | 2022-08-23 | 哈尔滨工业大学 | 一种基于Swin-Transformer的农作物病害细粒度分类方法 |
-
2022
- 2022-01-28 CN CN202210108805.2A patent/CN114463741A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937021A (zh) * | 2022-05-31 | 2022-08-23 | 哈尔滨工业大学 | 一种基于Swin-Transformer的农作物病害细粒度分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN106650795B (zh) | 酒店房型图像的排序方法 | |
CN110245720B (zh) | 一种基于深度学习的柑橘病虫害智能诊断方法及系统 | |
CN106650804B (zh) | 一种基于深度学习特征的人脸样本清洗方法及系统 | |
CN108256486B (zh) | 一种基于非负低秩和半监督学习的图像识别方法及装置 | |
CN111091109A (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
CN111400536A (zh) | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 | |
CN112270681B (zh) | 一种黄板害虫深度检测与计数方法与系统 | |
CN116058195B (zh) | 一种叶菜生长环境光照调控方法、系统及装置 | |
Chen et al. | Segmentation of field grape bunches via an improved pyramid scene parsing network | |
CN112651381A (zh) | 基于卷积神经网络的视频图像中家畜识别方法及装置 | |
CN112966621A (zh) | 一种基于深度卷积网络与迁移学习的柑橘虫害识别方法 | |
CN114676769A (zh) | 一种基于视觉Transformer的小样本昆虫图像识别方法 | |
CN114463741A (zh) | 一种基于深度学习的荔枝病虫害识别方法 | |
Javer et al. | Identification of C. elegans strains using a fully convolutional neural network on behavioural dynamics | |
Li et al. | Detection and identification of peach leaf diseases based on YOLO v5 improved model | |
KR102393265B1 (ko) | 버섯 병해충 검출 시스템 | |
CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
Liu et al. | “Is this blueberry ripe?”: a blueberry ripeness detection algorithm for use on picking robots | |
CN114937172A (zh) | 一种基于改进yolov3的葡萄病害识别方法及系统 | |
Song et al. | CNN based Wildlife Recognition with Super-pixel Segmentation for Ecological Surveillance | |
CN114359727B (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
Li et al. | MCFF: Plant leaf detection based on multi-scale CNN feature fusion | |
Yang et al. | Multi-Growth Period Tomato Fruit Detection Using Improved Yolov5 |
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 |