CN114550165A - 有毒近似物种的识别方法、系统及可读存储介质 - Google Patents
有毒近似物种的识别方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN114550165A CN114550165A CN202210158316.8A CN202210158316A CN114550165A CN 114550165 A CN114550165 A CN 114550165A CN 202210158316 A CN202210158316 A CN 202210158316A CN 114550165 A CN114550165 A CN 114550165A
- Authority
- CN
- China
- Prior art keywords
- species
- toxic
- information
- approximate
- user
- 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
- 231100000331 toxic Toxicity 0.000 title claims abstract description 132
- 230000002588 toxic effect Effects 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012790 confirmation Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 7
- 231100000252 nontoxic Toxicity 0.000 claims description 6
- 230000003000 nontoxic effect Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000002574 poison Substances 0.000 claims 5
- 231100000614 poison Toxicity 0.000 claims 5
- 238000012512 characterization method Methods 0.000 claims 1
- 241000894007 species Species 0.000 description 186
- 238000012549 training Methods 0.000 description 18
- 238000013145 classification model Methods 0.000 description 17
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 15
- 238000012360 testing method Methods 0.000 description 9
- 241000233866 Fungi Species 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000004570 Agaricus campestris Nutrition 0.000 description 2
- 240000007440 Agaricus campestris Species 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007858 starting material Substances 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 241000222350 Pleurotus Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000002816 gill Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种有毒近似物种的识别方法、系统及可读存储介质,所述方法包括:根据物种识别模型对用户提供的物种图像进行识别,获取至少一个物种识别结果;使用所述至少一个物种识别结果在包含至少一组有毒近似物种的物种数据库中进行搜索,以确定是否存在与所述至少一个物种识别结果对应的有毒近似物种;如果所述物种数据库中存在与所述至少一个物种识别结果对应的有毒近似物种,则将所述至少一个物种识别结果以及与其对应的有毒近似物种返回给用户;根据物种部位识别模型对用户提供的物种图像进行识别,获取所述物种的各个部位的识别信息,同时获取所述物种对应的有毒近似物种的各个部位的特征信息,并将所述识别信息和特征信息返回给用户。
Description
技术领域
本发明涉及对象识别技术领域,特别涉及一种有毒近似物种的识别方法、系统及可读存储介质。
背景技术
在计算机视觉领域中,存在对多种物种进行识别的需求。然而,大多数情况下,用户需要自己根据对象的特征,通过搜索引擎、专业字典等辅助工具来自行查找并识别出物种的种类。这种查找非常耗时,并且准确性不高。
近年来,出现了通过拍摄物种的图像,然后将该图像作为输入以得到物种的种类信息的应用。然而,由上述应用识别出的物种的种类可能存在多个相似的结果,无法为用户识别出准确的结果,因此也无法准确识别出有毒物种和有毒近似物种的信息,从而可能会对用户的生命健康造成一定的危害。例如,以野生菌(蘑菇)为例,用户在找到野生菌之后最关心的就是这个菌是什么,有没有毒性,能不能吃。而实际情况中,有一些有毒菌和食用菌长得比较相似(野生菌相互之间的区别特征相较于其他物种之间会更小),可能会造成用户误食引发不好的结果,所以希望在用户找到野生菌时,给用户提示其相似的有毒菌信息。
因此,存在对改进的用于识别有毒近似物种的系统及方法的需求。
发明内容
本公开的目的之一是提供一种有毒近似物种的识别方法,包括:
根据物种识别模型对用户提供的物种图像进行识别,获取至少一个物种识别结果;
使用所述至少一个物种识别结果在包含至少一组有毒近似物种的物种数据库中进行搜索,以确定是否存在与所述至少一个物种识别结果对应的有毒近似物种;
如果所述物种数据库中存在与所述至少一个物种识别结果对应的有毒近似物种,则将所述至少一个物种识别结果以及与其对应的有毒近似物种返回给所述用户;
根据物种部位识别模型对用户提供的物种图像进行识别,获取所述物种的各个部位的识别信息,同时获取所述物种对应的有毒近似物种的各个部位的特征信息,并将所述识别信息和特征信息返回给所述用户。
在一些实施例中,所述将所述识别信息和特征信息返回给所述用户包括:将所述物种各个部位图片分别和对应的相似有毒物种对应的各个部位图片进行对比展示,同时展示两者之间的区别特征信息以及所述有毒近似物种各个部位的特征信息。
在一些实施例中,对于所述物种和其对应的相似有毒物种每个部位的对比展示分别获取用户的确认信息,当大于阈值数量的多个部位由用户确认为一致的特征时,返回有毒提醒信息给所述用户。
在一些实施例中,所述有毒近似物种的识别方法还包括:当存在与所述物种对应的有毒近似物种时,输出与所述有毒近似物种相关联的互动问题,获取所述互动问题的确认信息并根据所述确认信息辅助判断是否返回有毒提醒信息给所述用户。
在一些实施例中,所述有毒提醒信息是通过文字方式、图片方式或者图文结合方式中的一种方式实现的。
在一些实施例中,所述有毒近似物种的物种数据库包含所述至少一组有毒近似物种的名称、所述有毒近似物种的各个部位的图像和特征信息,以及所述物种和其对应的相似有毒物种各个部位的区别特征信息。
在一些实施例中,所述有毒近似物种的识别方法还包括:获取用户提供的物种图像的位置信息,当存在与所述物种对应的有毒近似物种时,记录所述物种图像的位置信息并作为有毒近似物种信息存储,当不存在与所述物种对应的有毒近似物种时,记录所述物种图像的位置信息并作为无毒物种信息存储。
在一些实施例中,所述有毒近似物种的识别方法还包括:获取用户提供的物种图像的环境信息,根据环境识别模型判断所述环境信息属于野外环境或者非野外环境,当所述环境信息属于野外环境时,记录所述物种图像的位置信息。
在一些实施例中,所述有毒近似物种的识别方法还包括:根据记录的所述物种图像的位置信息向一定区域内的用户推送有毒提醒信息。
在一些实施例中,所述有毒近似物种的识别方法还包括:根据用户的位置信息向其推送一定区域内的有毒近似物种信息以及无毒物种信息。
在一些实施例中,所述物种识别模型、物种部位识别模型和环境识别模型采用神经网络模型训练得到。
根据本公开的另一方面,提出了一种可读存储介质,其上存储有程序,所述程序被执行时,实现如上所述的有毒近似物种的识别方法。
根据本公开的另一方面,提出了一种有毒近似物种的识别系统,包括处理器和存储器,所述存储器上存储有程序,所述程序被所述处理器执行时,实现如上所述的有毒近似物种的识别方法。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得更为清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1所示为本发明较佳实施例的有毒近似物种的识别方法流程图;
图2所示为本发明较佳实施例的显示有毒提醒信息和有毒近似物种的示意图;
图3所示为本发明较佳实施例的相似有毒物种各个部位图片进行对比展示的示意图。
注意,在以下说明的实施方式中,有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分,而省略其重复说明。在一些情况中,使用相似的标号和字母表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
为了便于理解,在附图等中所示的各结构的位置、尺寸及范围等有时不表示实际的位置、尺寸及范围等。因此,本公开并不限于附图等所公开的位置、尺寸及范围等。
具体实施方式
下面将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。也就是说,本文中的结构及方法是以示例性的方式示出,来说明本公开中的结构和方法的不同实施例。然而,本领域技术人员将会理解,它们仅仅说明可以用来实施的本公开的示例性方式,而不是穷尽的方式。此外,附图不必按比例绘制,一些特征可能被放大以示出具体组件的细节。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
图1所示为本发明较佳实施例的有毒近似物种的识别方法流程图,该方法可以在例如手机、平板电脑等智能终端上安装的应用程序(app)中实现。如图1所示,该方法包括:
步骤S1:根据物种识别模型对用户提供的物种图像进行识别,获取至少一个物种识别结果;
步骤S2:使用所述至少一个物种识别结果在包含至少一组有毒近似物种的物种数据库中进行搜索,以确定是否存在与所述至少一个物种识别结果对应的有毒近似物种;
步骤S3:如果所述物种数据库中存在与所述至少一个物种识别结果对应的有毒近似物种,则将所述至少一个物种识别结果以及与其对应的有毒近似物种返回给所述用户;
步骤S4:根据物种部位识别模型对用户提供的物种图像进行识别,获取所述物种的各个部位的识别信息,同时获取所述物种对应的有毒近似物种的各个部位的特征信息,并将所述识别信息和特征信息返回给所述用户。
所述物种识别模型和物种部位识别模型可以是神经网络模型,具体可以是卷积神经网络模型或残差网络模型。卷积神经网络模型为深度前馈神经网络,其利用卷积核扫描物种图像,提取出物种图像中多个待识别的特征,进而对物种待识别的特征进行识别。另外,在对物种图像进行识别的过程中,可以直接将原始的物种图像输入卷积神经网络模型,而无需对物种图像进行预处理。卷积神经网络模型相比于其他的识别模型,具备更高的识别准确率以及识别效率。
残差网络模型相比于卷积神经网络模型多了恒等映射层,可以避免随着网络深度(网络中叠层的数量)的增加而导致的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足:恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后,残差网络模型对输出的变化更加明显,因此可以大大提高物种的特征识别准确率和识别效率。
在一些实施例中,训练特征分类模型可以包括:
获取具有预设数量的标注有多个特征信息的物种图像的第一样本集;
从第一样本集中确定一定比例的物种图像作为第一训练集;
利用第一训练集训练特征分类模型;以及
在第一训练准确率大于或者等于第一预设准确率时训练结束,得到训练后的特征分类模型。
具体地,在第一样本集中,可以包括大量的物种图像,并且每幅物种图像都对应标注有其对应的多个特征。将物种图像输入特征分类模型以产生输出的特征信息,然后根据输出的特征信息和标注的特征信息之间的比较结果,可以对特征分类模型中的相关参数进行调节,即对特征分类模型进行训练,直至特征分类模型的第一训练准确率大于或者等于第一预设准确率时训练结束,从而得到训练后的特征分类模型。根据一幅物种图像,特征分类模型也可以输出多个候选特征,其中每个候选特征可以具有其相应的特征置信度,以待进一步的分析筛选。
进一步的,还可以对训练得到的特征分类模型进行测试,具体可以包括:
从第一样本集中确定一定比例的物种图像作为第一测试集;
利用第一测试集确定训练后的特征分类模型的第一模型准确率;以及
在第一模型准确率小于第二预设准确率时,调整第一训练集和/或特征分类模型进行重新训练。
一般情况下,第一测试集和第一训练集中的物种图像并不完全相同,因而可以用第一测试集来测试特征分类模型是否对第一训练集之外的物种图像也有很好的识别效果。在测试过程中,通过比较根据第一测试集中的物种图像所产生的输出的特征信息和标注的特征信息,来计算特征分类模型的第一模型准确率。在一些示例中,第一模型准确率的计算方法可以与第一训练准确率的计算方法相同。当测试得到的第一模型准确率小于第二预设准确率时,表明特征分类模型的识别效果还不够好,因而可以调整第一训练集,具体例如可以增加第一训练集中的标注有特征信息的物种图像的数量,或者调整特征分类模型本身,或者对上述两者均进行调整,然后重新训练特征分类模型来改善其识别效果。在一些实施例中,第二预设准确率可以被设置为等于第一预设准确率。
在获取到所述物种图像的至少一个物种识别结果后,使用其在包含至少一组有毒近似物种的物种数据库中进行搜索,以确定是否存在与其对应的有毒近似物种,其中所述有毒近似物种的物种数据库为预先建立的包含有至少一组有毒近似物种的名称、所述有毒近似物种的各个部位的图像和特征信息,以及所述物种和其对应的相似有毒物种各个部位的区别特征信息等。
如果所述物种数据库中存在与所述至少一个物种识别结果对应的有毒近似物种,则将所述至少一个物种识别结果以及与其对应的有毒近似物种返回给所述用户。
请参考图2,图2所示为本发明较佳实施例的显示有毒提醒信息和有毒近似物种的示意图,在获取到至少一个物种识别结果后,显示与其对应的有毒近似物种信息,例如图中草地蘑菇Meadow mushroom的物种识别结果下方显示有黄斑菇Yellow stainer等有毒近似物种(具有Toxic标签)。
再请参考图3,图3所示为本发明较佳实施例的相似有毒物种各个部位图片进行对比展示的示意图,根据物种部位识别模型对用户提供的物种图像进行识别,获取所述物种的各个部位的识别信息,同时获取有毒近似物种的物种数据库中所述物种对应的有毒近似物种的各个部位的特征信息,并将所述特征信息返回显示给所述用户。在一些实施例中,将所述物种各个部位图片分别和对应的相似有毒物种对应的各个部位图片进行对比展示,同时展示两者之间的区别特征信息以及所述有毒近似物种各个部位的特征信息。如图3所示,展示草地蘑菇Meadow mushroom和黄斑菇Yellow stainer这一组有毒近似物种各个部位图片的对比显示,例如子实体Fruiting Body、未成熟的子实体Immature Fruiting Body、菌盖Cap等部位对比展示,同时在下方显示各个部位的特征信息,以便用户进行查看和分辨。
在一些实施例中,对于所述物种和其对应的相似有毒物种每个部位的对比展示分别获取用户的确认信息,当大于阈值数量的多个部位由用户确认为一致的特征时,返回有毒提醒信息给所述用户。例如在某一种野生菌物种识别结果草地蘑菇Meadow mushroom的菌盖Cap、菌褶Gills、菌柄Stem、菌环Ring、菌托Volva、菌丝mycelium等6个部位中有4个部位和其有毒近似物种Yellow stainer是一致的,用户在每个一致部位的对比展示下方点击确认按钮进行信息确认,即判断此物种很有可能是有毒近似物种黄斑菇Yellow stainer,从而返回有毒提醒信息给所述用户,输出有毒提醒信息告知用户其极有可能是有毒蘑菇,需要特别注意避免食用和皮肤接触。所述阈值例如可以设置为全部部位数量的一半以上或者直接设置为3个以上。
在一些实施例中,所述有毒近似物种的识别方法还包括:当存在与所述物种对应的有毒近似物种时,输出与所述有毒近似物种相关联的互动问题,获取所述互动问题的确认信息并根据所述确认信息辅助判断是否返回有毒提醒信息给所述用户。例如针对草地蘑菇Meadow mushroom和黄斑菇Yellow stainer这一组有毒近似物种,可以弹出互动问题“受伤处是否迅速变为金黄色”来获取用户的确认信息,例如可以提供:1-Yes;2-No两个选择按钮,用户将在该两个选择按钮中点击提交确认信息,若用户选择1-Yes则确定所述野生菌很有可能是黄斑菇Yellow stainer,输出有毒提醒信息告知用户其极有可能是有毒蘑菇,需要特别注意避免食用和皮肤接触。在一些实施例中,所述有毒提醒信息是通过文字方式、图片方式或者图文结合方式中的一种方式实现的。
在一些实施例中,所述有毒近似物种的识别方法还包括:获取用户提供的物种图像的位置信息,当存在与所述物种对应的有毒近似物种时,记录所述物种图像的位置信息并作为有毒近似物种信息存储,当不存在与所述物种对应的有毒近似物种时,记录所述物种图像的位置信息并作为无毒物种信息存储。
在一些实施例中,所述有毒近似物种的识别方法还包括:获取用户提供的物种图像的环境信息,根据环境识别模型判断所述环境信息属于野外环境或者非野外环境,当所述环境信息属于野外环境时,记录所述物种图像的位置信息。所述环境识别模型识别到用户图片上物种生长环境有例如草地,树木等野外环境,即可以认定其位置属于野外,将其位置信息进行记录,而如果识别到室内(房间内或大棚内等)或者是桌子、餐具等非野外环境的背景信息,则可以认定其位置属于非野外,因此不需要记录其位置信息。所述环境识别模型也可以采用神经网络模型训练得到,关于神经网络模型的训练和测试已在上面进行了详细描述,这里不再重复说明。
在一些实施例中,所述有毒近似物种的识别方法还包括:根据记录的所述物种图像的位置信息向一定区域内的用户推送有毒提醒信息。以便区域内的其他用户注意避免食用和皮肤接触此位置信息的有毒近似物种,或者是对此位置信息的物种进行重点关注和辨认区分。
在一些实施例中,所述有毒近似物种的识别方法还包括:根据用户的位置信息向其推送一定区域内的有毒近似物种信息以及无毒物种信息。用户可以按照不同物种,是否可食用或者是否有毒来在当前区域范围内进行筛选查看物种信息,还可以按照当前时间段生长的物种来进行筛选查看。
根据本公开的另一方面,提出了一种可读存储介质,其上存储有程序,所述程序被执行时,实现如上所述的有毒近似物种的识别方法。
进一步的,根据本公开的另一方面,提出了一种有毒近似物种的识别系统,包括处理器和存储器,所述存储器上存储有程序,所述程序被所述处理器执行时,实现如上所述的有毒近似物种的识别方法。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。在此公开的各实施例可以任意组合,而不脱离本公开的精神和范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本公开的范围和精神。本公开的范围由所附权利要求来限定。
Claims (13)
1.一种有毒近似物种的识别方法,其特征在于,包括:
根据物种识别模型对用户提供的物种图像进行识别,获取至少一个物种识别结果;
使用所述至少一个物种识别结果在包含至少一组有毒近似物种的物种数据库中进行搜索,以确定是否存在与所述至少一个物种识别结果对应的有毒近似物种;如果所述物种数据库中存在与所述至少一个物种识别结果对应的有毒近似物种,则将所述至少一个物种识别结果以及与其对应的有毒近似物种返回给所述用户;根据物种部位识别模型对用户提供的物种图像进行识别,获取所述物种的各个部位的识别信息,同时获取所述物种对应的有毒近似物种的各个部位的特征信息,并将所述识别信息和特征信息返回给所述用户。
2.根据权利要求1所述的有毒近似物种的识别方法,其特征在于,所述将所述识别信息和特征信息返回给所述用户包括:将所述物种各个部位图片分别和对应的相似有毒物种对应的各个部位图片进行对比展示,同时展示两者之间的区别特征信息以及所述有毒近似物种各个部位的特征信息。
3.根据权利要求2所述的有毒近似物种的识别方法,其特征在于,对于所述物种和其对应的相似有毒物种每个部位的对比展示分别获取用户的确认信息,当大于阈值数量的多个部位由用户确认为一致的特征时,返回有毒提醒信息给所述用户。
4.根据权利要求3所述的有毒近似物种的识别方法,其特征在于,所述有毒近似物种的识别方法还包括:当存在与所述物种对应的有毒近似物种时,输出与所述有毒近似物种相关联的互动问题,获取所述互动问题的确认信息并根据所述确认信息辅助判断是否返回有毒提醒信息给所述用户。
5.根据权利要求3所述的有毒近似物种的识别方法,其特征在于,所述有毒提醒信息是通过文字方式、图片方式或者图文结合方式中的一种方式实现的。
6.根据权利要求1所述的有毒近似物种的识别方法,其特征在于,所述有毒近似物种的物种数据库包含所述至少一组有毒近似物种的名称、所述有毒近似物种的各个部位的图像和特征信息,以及所述物种和其对应的相似有毒物种各个部位的区别特征信息。
7.根据权利要求1所述的有毒近似物种的识别方法,其特征在于,所述有毒近似物种的识别方法还包括:获取用户提供的物种图像的位置信息,当存在与所述物种对应的有毒近似物种时,记录所述物种图像的位置信息并作为有毒近似物种信息存储,当不存在与所述物种对应的有毒近似物种时,记录所述物种图像的位置信息并作为无毒物种信息存储。
8.根据权利要求7所述的有毒近似物种的识别方法,其特征在于,所述有毒近似物种的识别方法还包括:获取用户提供的物种图像的环境信息,根据环境识别模型判断所述环境信息属于野外环境或者非野外环境,当所述环境信息属于野外环境时,记录所述物种图像的位置信息。
9.根据权利要求7所述的有毒近似物种的识别方法,其特征在于,所述有毒近似物种的识别方法还包括:根据记录的所述物种图像的位置信息向一定区域内的用户推送有毒提醒信息。
10.根据权利要求7所述的有毒近似物种的识别方法,其特征在于,所述有毒近似物种的识别方法还包括:根据用户的位置信息向其推送一定区域内的有毒近似物种信息以及无毒物种信息。
11.根据权利要求7所述的有毒近似物种的识别方法,其特征在于,所述物种识别模型、物种部位识别模型和环境识别模型采用神经网络模型训练得到。
12.一种可读存储介质,其上存储有程序,其特征在于,所述程序被执行时实现根据权利要求1~11中任一项所述的有毒近似物种的识别方法。
13.一种有毒近似物种的识别系统,其特征在于,包括处理器和存储器,所述存储器上存储有程序,所述程序被所述处理器执行时,实现根据权利要求1~11中任一项所述的有毒近似物种的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210158316.8A CN114550165B (zh) | 2022-02-21 | 2022-02-21 | 有毒近似物种的识别方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210158316.8A CN114550165B (zh) | 2022-02-21 | 2022-02-21 | 有毒近似物种的识别方法、系统及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114550165A true CN114550165A (zh) | 2022-05-27 |
CN114550165B CN114550165B (zh) | 2024-06-18 |
Family
ID=81677288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210158316.8A Active CN114550165B (zh) | 2022-02-21 | 2022-02-21 | 有毒近似物种的识别方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550165B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559705A (zh) * | 2013-10-23 | 2014-02-05 | 浙江工业大学 | 一种比较不同植物形态相似度的计算机方法 |
CN106910313A (zh) * | 2017-03-22 | 2017-06-30 | 广东小天才科技有限公司 | 一种提醒方法及装置 |
CN107688597A (zh) * | 2017-06-16 | 2018-02-13 | 湖北民族学院 | 一种大型真菌识别方法 |
CN111611924A (zh) * | 2020-05-21 | 2020-09-01 | 东北林业大学 | 一种基于深度迁移学习模型的蘑菇识别方法 |
CN112699260A (zh) * | 2019-10-22 | 2021-04-23 | 杭州睿琪软件有限公司 | 物种识别方法及装置 |
KR20210092347A (ko) * | 2020-01-15 | 2021-07-26 | 박영 | 식물사진 이미지를 이용한 식물 정보 제공 방법 및 시스템 |
-
2022
- 2022-02-21 CN CN202210158316.8A patent/CN114550165B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559705A (zh) * | 2013-10-23 | 2014-02-05 | 浙江工业大学 | 一种比较不同植物形态相似度的计算机方法 |
CN106910313A (zh) * | 2017-03-22 | 2017-06-30 | 广东小天才科技有限公司 | 一种提醒方法及装置 |
CN107688597A (zh) * | 2017-06-16 | 2018-02-13 | 湖北民族学院 | 一种大型真菌识别方法 |
CN112699260A (zh) * | 2019-10-22 | 2021-04-23 | 杭州睿琪软件有限公司 | 物种识别方法及装置 |
KR20210092347A (ko) * | 2020-01-15 | 2021-07-26 | 박영 | 식물사진 이미지를 이용한 식물 정보 제공 방법 및 시스템 |
CN111611924A (zh) * | 2020-05-21 | 2020-09-01 | 东北林业大学 | 一种基于深度迁移学习模型的蘑菇识别方法 |
Non-Patent Citations (1)
Title |
---|
樊帅昌;易晓梅;李剑;惠国华;郜园园;: "基于深度残差网络与迁移学习的毒蕈图像识别", 传感技术学报, no. 01, 15 January 2020 (2020-01-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN114550165B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ashby | Multidimensional models of categorization | |
US20210158381A1 (en) | Methods and apparatus to facilitate dynamic classification for market research | |
CN110717534B (zh) | 一种基于网络监督的目标分类和定位方法 | |
US11238374B2 (en) | Method for verifying training data, training system, and computer readable medium | |
US8532377B2 (en) | Image ranking based on abstract concepts | |
US8625885B2 (en) | Methods and systems for data analysis and feature recognition | |
WO2008012537A1 (en) | Searching methods | |
JP2005535952A (ja) | 画像内容検索法 | |
US20050036712A1 (en) | Image retrieving apparatus and image retrieving program | |
CN117972057A (zh) | 对话内容处理方法、设备、存储介质及产品 | |
US20070244844A1 (en) | Methods and systems for data analysis and feature recognition | |
JP2013504795A (ja) | データベース検索方法、システムおよびコントローラ | |
US20220269721A1 (en) | Method and system for acquiring species identification names and readable storage medium | |
WO2023065989A1 (zh) | 植物病虫害诊断方法、诊断系统及可读存储介质 | |
US7492938B2 (en) | Methods and systems for creating data samples for data analysis | |
CN111475628B (zh) | 会话数据处理方法、装置、计算机设备和存储介质 | |
US20240153267A1 (en) | Display method and display system for plant disease diagnosis information, and readable storage medium | |
KR102560276B1 (ko) | 이미지 검색 기반 감성 색채 배색 추천 장치 및 방법 | |
CN114550165B (zh) | 有毒近似物种的识别方法、系统及可读存储介质 | |
CN113821296A (zh) | 可视化界面生成方法、电子设备及存储介质 | |
Wang et al. | SpecVAT: Enhanced visual cluster analysis | |
WO2023093480A1 (zh) | 物种游览方法、游览系统及可读存储介质 | |
CN114417040A (zh) | 物种识别结果名称显示方法、系统及可读存储介质 | |
US20220207584A1 (en) | Learning device, computer-readable information storage medium, and learning method | |
JP2000048041A (ja) | データ検索システム及びこれに用いる装置 |
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 |