CN114781483B - 一种基于卷积神经网络的草菇生长状态识别方法 - Google Patents
一种基于卷积神经网络的草菇生长状态识别方法 Download PDFInfo
- Publication number
- CN114781483B CN114781483B CN202210269865.2A CN202210269865A CN114781483B CN 114781483 B CN114781483 B CN 114781483B CN 202210269865 A CN202210269865 A CN 202210269865A CN 114781483 B CN114781483 B CN 114781483B
- Authority
- CN
- China
- Prior art keywords
- model
- training
- network
- input
- data set
- 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
- 240000006794 Volvariella volvacea Species 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 235000001674 Agaricus brunnescens Nutrition 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000035800 maturation Effects 0.000 claims 1
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 241000233866 Fungi Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的草菇生长状态识别方法,包括:1)收集温室内种植的草菇的图像,并根据图像中草菇的生长状态进行分类,构建原始数据集;2)根据温室内环境与草菇的生长特点,使用数据增强手段对原始数据集进行数据增强,构建训练数据集;3)对训练数据集进行尺寸转换和数据归一化处理;4)对卷积神经网络ResNet模型进行改进;5)对改进后的ResNet模型设定训练参数,并使用训练数据集进行训练,保存最优的模型;6)对待识别的图像进行尺寸转换和数据归一化处理后,将其输入保存好的模型中进行向前推理,模型能推理出待识别的图像中草菇整体的生长状态,完成对草菇生长状态的识别。本发明可实现高精度的草菇生长状态识别。
Description
技术领域
本发明涉及模式识别与人工智能的技术领域,尤其是指一种基于卷积神经网络的草菇生长状态识别方法。
背景技术
草菇是产于炎热夏季的一种食用菌,营养丰富,是一种栽培周期短、经济效益高、发展前景非常广阔的一种食用菌。草菇在生长过程中对环境的要求极为严格,对温室菇房中的温度、湿度、氧气和二氧化碳尤其敏感,故而需要在草菇的栽培过程中准确识别草菇的生长状态,严格控制温室菇房的温度、湿度、氧气和二氧化碳,在草菇的不同生长阶段提供适宜的环境条件。
随着现代化农业的发展,温室种植技术日益普遍。温室菇房的环境,诸如温度、湿度、氧气浓度以及二氧化碳浓度,都可以通过监测设备和调控设备进行精准调控,而草菇的生长状态的识别,却仍然停留在种植户人工识别的阶段,这种判断方式这不仅效率低下,而且人工识别的准确率不高,难以达到草菇种植业精准调控的要求。近年来随着智慧农业的发展,计算机视觉技术与人工智能技术逐步设计农业领域,草菇种植业也可引进相关技术,来解决目前人工识别草菇生长状态的效率低下与准确率不高的问题。
综合以上论述,发明一种高精度的草菇生长状态识别方法具有较高的实际应用价值。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于卷积神经网络的草菇生长状态识别方法,主要利用工业相机拍摄草菇生长阶段的图像以构建草菇的原始数据集,并利用数据增强手段扩充原始数据集,再改进现有的卷积神经网络ResNet,以适用于温室培养基种植的草菇数据集,最后通过训练卷积神经网络,保存最佳的模型以实现对草菇生长状态的精确识别。
为实现上述目标,本发明所提供的技术方案为:一种基于卷积神经网络的草菇生长状态识别方法,包括以下步骤:
1)收集温室内种植的草菇的图像,并根据图像中草菇的生长状态进行分类,构建原始数据集;
2)根据温室内环境与草菇的生长特点,使用数据增强手段对原始数据集进行数据增强,构建训练数据集;
3)对训练数据集进行尺寸转换和数据归一化处理,以加快后续训练过程中网络的收敛速度;
4)对卷积神经网络ResNet模型进行改进,在原有的34层模型基础上对其中的第二系列和第三系列的残差结构进行删减,减少部分冗余的残差结构以减少训练过程的时间花销;同时增加两个辅助分类器,使模型能够利用网络中层特征并解决训练过程的过拟合的问题,以更好地匹配温室种植场景下的训练数据集;
5)对改进后的ResNet模型设定训练参数,并使用训练数据集进行训练,保存最优的模型;
6)对待识别的图像进行尺寸转换和数据归一化处理后,将其输入保存好的模型中进行向前推理,模型能推理出待识别的图像中草菇整体的生长状态,完成对草菇生长状态的识别。
进一步,在步骤1)中,将草菇的整个生长周期划分为蛋形期(egg_stage)、采摘期(pick_stage)、过度成熟期(over_stage)以及生长异常(abnormal)四种不同的生长状态,并增加草菇出菇前的生长状态作为背景图像(background),采集五种类型的图像,构建原始数据集。
进一步,在步骤2)中,根据温室菇房的环境特点以及草菇的生长特点,使用数据增强的手段对原始数据集进行数据增强,构建训练数据集;在此步骤使用的数据增强手段包括:
a、裁剪:对原始图像进行裁剪;
b、旋转:对裁剪后的图像进行顺时针90°、180°、270°旋转;
c、翻转:对裁剪后的图像进行水平翻转和竖直翻转。
进一步,在步骤3)中,通过尺寸转换将输入网络的图片转换为适合网络大小的图像,再通过数据归一化处理对图像进行标准化,以加快模型的收敛。
进一步,在步骤4)中,在卷积神经网络ResNet模型的34层模型原有的基础上,对其中的第二系列和第三系列的残差结构进行删减,减少部分冗余的残差结构,以减少训练过程的时间花销;同时增加两个辅助分类器,使模型能够更好地利用中层特征,并解决了训练过程的过拟合的问题,总体实现了模型的性能提升,提高了模型的精度以及泛化能力;改进后的模型具体情况如下:
a、网络结构
网络的输入大小为224×224×3;
网络结构分为六个首尾相连的部分以及两个辅助分类器,各个部分的结构具体如下:
第一部分由一个卷积层和一个最大池化层组成;
第二部分由三个输入输出通道数相同的残差结构组成;
第三部分由一个输入输出通道数不同的残差结构和两个输入输出通道数相同的残差结构组成;
第四部分由一个输入输出通道数不同的残差结构和四个输入输出通道数相同的残差结构组成;
第五部分由一个输入输出通道数不同的残差结构和两个输入输出通道数相同的残差结构组成;
第六部分由一个平均池化层和两个全连接层组成;
两个辅助分类器均是由一个平均池化层、一个卷积层和两个全连接层组成;其中,第一个辅助分类器的输入为网络第三部分的输出,第二个辅助分类器的输入为网络第四部分的输出;
b、网络损失函数
在网络训练过程中,网络总体损失函数Loss包括三部分,分别是网络主分类器的损失函数loss0以及两个辅助分类器的损失函数loss1和loss2,其中主分类器和辅助分类器损失函数的定义都是交叉熵损失函数,描述的是实际输出与期望输出分布的距离,也就是交叉熵的值越小,两个概率分布就越接近,交叉熵损失函数loss定义如下:
loss=-∑xp(x)log(q(x)),x=1,2,...,N
式中,x为随机变量,对应所有可能的输出的索引的集合,N为分类类别数,对应训练数据集的类别数,p(x)为真实概率分布,q(x)为预测概率分布;
网络总体损失函数综合考虑主分类器和辅助分类器的损失函数,给予辅助分类器一个0.3的权重,其定义如下:
Loss=loss0+0.3loss1+0.3loss2。
进一步,在步骤5)中,对改进的ResNet模型设定参数,使用训练数据集进行训练,并保存最优模型,具体如下:
a、设置训练参数
设置实验优化器为Adam,批次大小为16,总迭代次数为20个epoch,学习率为0.0001;
b、设置训练完成标志
训练完成标志为达到设置的最大迭代次数;
c、保存模型
训练完成后保存识别准确率最高的模型,保存该模型的权重参数。
进一步,在步骤6)中,将待识别的图像进行尺寸变换以及数据归一化处理后,输入保存好的模型中进行向前推理,得到最终的分类结果,完成对草菇生长状态的识别。
本发明与现有技术相比,具有如下优点与有益效果:
1、针对性地通过数据增强手段有效扩充了草菇的原始数据集,解决了卷积神经网络容易过拟合的问题,并提高了卷积神经网络的泛化能力。
2、对ResNet模型的网络结构改进,减少了模型训练过程的时间花销,增强了模型的拟合能力,提高了模型对草菇图像的识别精确度。
3、设计的辅助分类器能够辅助训练,使模型能够更好地利用中层特征,防止网络过拟合的同时提高了模型的识别精确度。
4、卷积神经网络ResNet模型自身有特征学习的功能,无需人为设计复杂的草菇特征。
5、与传统的图像处理方法相比,卷积神经网络ResNet模型具有更高的鲁棒性和识别精确度。
附图说明
图1为本发明方法的流程示意图。
图2为改进后的卷积神经网络ResNet模型结构图。
图3a为输入输出通道数相同的残差结构图。
图3b为输入输出通道数不同的残差结构图。
图4为待识别的草菇图像。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例提供了一种基于卷积神经网络的草菇生长状态识别方法,包括以下步骤:
1)收集温室内种植的草菇的图像,并根据图像中草菇的生长状态进行分类,构建原始数据集。
计算机视觉与人工智能在农业领域的运用尚未普及,目前草菇分类识别这一领域的研究者比较少,也尚未有大规模公开数据集,因此需要自行采集草菇生长过程的图像来制作草菇图像原始数据集。将草菇的整个生长周期划分为蛋形期(egg_stage)、采摘期(pick_stage)、过度成熟期(over_stage)以及生长异常(abnormal)四种不同的生长状态,并增加草菇出菇前的生长状态作为背景图像(background),采集五种类型的图像,构建原始数据集。
2)根据温室内环境与草菇的生长特点,使用数据增强手段对原始数据集进行数据增强,构建训练数据集。使用的数据增强手段包括:
a、裁剪
对原始图像进行裁剪;
b、旋转
对裁剪后的图像进行顺时针90°、180°、270°旋转;
c、翻转
对裁剪后的图像进行水平翻转和竖直翻转。
3)在训练之前对训练集数据进行尺寸转换以及数据归一化处理,以加快后续训练过程中网络的收敛速度。其中,通过尺寸转换处理将输入网络的图片转换为适合网络的224×224×3大小的图片;通过数据归一化处理逐通道地对图像进行标准化,以加快模型的收敛,其中各通道的均值设置为[0.485,0.456,0.406],各通道的标准差设置为[0.229,0.224,0.225]。
4)对卷积神经网络ResNet模型进行改进,如图2所示,具体改进是在原有的34层模型基础上对其中的第二系列和第三系列的残差结构进行删减,减少部分冗余的残差结构以减少训练过程的时间花销;同时增加两个辅助分类器,使模型能够利用网络中层特征并解决训练过程的过拟合的问题,以更好地匹配温室种植场景下的训练数据集,综合来说提高了模型的精度以及泛化能力,改进后的具体模型如下:
a、网络结构
网络的输入大小为224×224×3;
网络结构可分为六个首尾相连的部分以及两个辅助分类器,各个部分具体如下:
第一部分由一个卷积层和一个最大池化层组成。卷积层的卷积核大小为7×7,卷积核个数为64,步距stride为2,填充padding为3;最大池化层的卷积核为3×3,卷积核数量为64,步距stride为2,填充padding为1。第一部分的输出为56×56×64。
第二部分至第五部分皆由一系列残差结构组成,其中残差结构分为两种类型,分别是输入输出通道数相同的残差结构和输入输出通道数不同的残差结构。输入输出通道数相同的残差结构如图3a所示,由两个卷积层和两个激活层组成,卷积层的卷积核大小为3×3,卷积核个数与输入通道数X相同,步距stride都为1,激活函数为线性整流函数(Linearrectification function,ReLU函数);输入输出通道数不同的残差结构如图3b所示,由三个卷积层核两个激活层组成,主通道卷积层的卷积核大小是3×3,第一层卷积层步距stride为2,第二层卷积层步距stride为1,支路通道卷积核大小为1×1,步距stride为1,所有卷积层的卷积核个数均为输入通道数X的两倍,激活函数为ReLU函数。
第二部分由三个输入输出通道数相同的残差结构组成,残差结构的卷积核个数为64,第二部分的输出为56×56×64。
第三部分由一个输入输出通道数不同的残差结构和两个输入输出通道数相同的残差结构组成,残差结构的卷积核个数为128,第三部分的输出为28×28×128。
第四部分由一个输入输出通道数不同的残差结构和四个输入输出通道数相同的残差结构组成,残差结构的卷积核个数为256,第四部分的输出为14×14×256。
第五部分由一个输入输出通道数不同的残差结构和两个输入输出通道数相同的残差结构组成残差结构的卷积核个数为512,第四部分的输出为7×7×512。
第六部分由一个平均池化层和两个全连接层组成,平均池化层的卷积核大小为5×5,卷积核数量为128,步距stride为3;第一个全连接层神经元数量为1024,第二个全连接层神经元数量为5。
两个辅助分类器均是由一个平均池化层、一个卷积层和两个全连接层组成。平均池化层的卷积核大小为3×3,卷积核个数为512,步距stride为2;第一个全连接层神经元个数为1024,第二个全连接层神经元个数为5。其中,辅助分类器1的输入为网络第三部分的输出,辅助分类器2的输入为网络第四部分的输出。
b、网络损失函数
在网络训练过程中,网络总体损失函数包括三部分,分别是网络主分类器的损失函数loss0以及两个辅助分类器的损失函数loss1和loss2,其中主分类器和辅助分类器损失函数的定义都是交叉熵损失函数,描述的是实际输出与期望输出分布的距离,也就是交叉熵的值越小,两个概率分布就越接近。交叉熵损失函数定义如下:
loss=-∑xp(x)log(q(x)),x=1,2,...,N
式中,x为随机变量,对应所有可能的输出的索引的集合,N为分类类别数,对应训练数据集的类别数,p(x)为真实概率分布,q(x)为预测概率分布;
网络总体损失函数综合考虑主分类器和辅助分类器的损失函数,给予辅助分类器一个较小的权重,其定义如下:
Loss=loss0+0.3loss1+0.3loss2。
5)对改进后的ResNet模型设定训练参数,并使用训练数据集进行训练,并保存最优的模型,具体如下:
a、设置训练参数
设置实验优化器为Adam,批次大小为16,总迭代次数为20个epoch,学习率为0.0001;
b、设置训练完成标志
训练完成标志为达到设置的最大迭代次数;
c、保存模型
训练完成后保存识别准确率最高的模型,保存该模型的权重参数。
通过图像采集设备采集温室菇房内草菇种植情况的图像,如图4所示,将待识别的图像经过尺寸变换转化为适合网络的224×224×3大小的图片;再通过数据归一化处理逐通道地对图像进行标准化,其中各通道的均值设置为[0.485,0.456,0.406],各通道的标准差设置为[0.229,0.224,0.225];最后将处理后的图像输入到保存好的模型中进行向前推理,模型把草菇图像正确识别为采摘期(pick_stage),完成对草菇生长状态的识别。
综上所述,在采用以上方案后,本发明为草菇的生长状态识别提供了新的方法,能够克服人工判断效率低下且准确率无法保障的弊端,具有潜在经济效益与实际推广价值,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种基于卷积神经网络的草菇生长状态识别方法,其特征在于,包括以下步骤:
1)收集温室内种植的草菇的图像,并根据图像中草菇的生长状态进行分类,构建原始数据集;
2)根据温室菇房的环境特点以及草菇的生长特点,使用数据增强的手段对原始数据集进行数据增强,构建训练数据集;在此步骤使用的数据增强手段包括:
a、裁剪:对原始图像进行裁剪;
b、旋转:对裁剪后的图像进行顺时针90°、180°、270°旋转;
c、翻转:对裁剪后的图像进行水平翻转和竖直翻转;
3)对训练数据集进行尺寸转换和数据归一化处理,以加快后续训练过程中网络的收敛速度;
4)对卷积神经网络ResNet模型进行改进,在原有的34层模型基础上对其中的第二系列和第三系列的残差结构进行删减,减少部分冗余的残差结构以减少训练过程的时间花销;同时增加两个辅助分类器,使模型能够利用网络中层特征并解决训练过程的过拟合的问题,以更好地匹配温室种植场景下的训练数据集;
改进后的模型具体情况如下:
a、网络结构
网络的输入大小为224×224×3;
网络结构分为六个首尾相连的部分以及两个辅助分类器,各个部分的结构具体如下:
第一部分由一个卷积层和一个最大池化层组成;
第二部分由三个输入输出通道数相同的残差结构组成;
第三部分由一个输入输出通道数不同的残差结构和两个输入输出通道数相同的残差结构组成;
第四部分由一个输入输出通道数不同的残差结构和四个输入输出通道数相同的残差结构组成;
第五部分由一个输入输出通道数不同的残差结构和两个输入输出通道数相同的残差结构组成;
第六部分由一个平均池化层和两个全连接层组成;
两个辅助分类器均是由一个平均池化层、一个卷积层和两个全连接层组成;其中,第一个辅助分类器的输入为网络第三部分的输出,第二个辅助分类器的输入为网络第四部分的输出;
b、网络损失函数
在网络训练过程中,网络总体损失函数Loss包括三部分,分别是网络主分类器的损失函数loss0以及两个辅助分类器的损失函数loss1和loss2,其中主分类器和辅助分类器损失函数的定义都是交叉熵损失函数,描述的是实际输出与期望输出分布的距离,也就是交叉熵的值越小,两个概率分布就越接近,交叉熵损失函数loss定义如下:
loss=-∑xp(x)log(q(x)),x=1,2,...,N
式中,x为随机变量,对应所有可能的输出的索引的集合,N为分类类别数,对应训练数据集的类别数,p(x)为真实概率分布,q(x)为预测概率分布;
网络总体损失函数综合考虑主分类器和辅助分类器的损失函数,给予辅助分类器一个0.3的权重,其定义如下:
Loss=loss0+0.3loss1+0.3loss2
5)对改进后的ResNet模型设定训练参数,并使用训练数据集进行训练,保存最优的模型;
6)对待识别的图像进行尺寸转换和数据归一化处理后,将其输入保存好的模型中进行向前推理,模型能推理出待识别的图像中草菇整体的生长状态,完成对草菇生长状态的识别。
2.根据权利要求1所述的一种基于卷积神经网络的草菇生长状态识别方法,其特征在于,在步骤1)中,将草菇的整个生长周期划分为蛋形期、采摘期、过度成熟期以及生长异常四种不同的生长状态,并增加草菇出菇前的生长状态作为背景图像,采集五种类型的图像,构建原始数据集。
3.根据权利要求1所述的一种基于卷积神经网络的草菇生长状态识别方法,其特征在于,在步骤3)中,通过尺寸转换将输入网络的图片转换为适合网络大小的图像,再通过数据归一化处理对图像进行标准化,以加快模型的收敛。
4.根据权利要求1所述的一种基于卷积神经网络的草菇生长状态识别方法,其特征在于,在步骤5)中,对改进的ResNet模型设定参数,使用训练数据集进行训练,并保存最优模型,具体如下:
a、设置训练参数
设置实验优化器为Adam,批次大小为16,总迭代次数为20个epoch,学习率为0.0001;
b、设置训练完成标志
训练完成标志为达到设置的最大迭代次数;
c、保存模型
训练完成后保存识别准确率最高的模型,保存该模型的权重参数。
5.根据权利要求1所述的一种基于卷积神经网络的草菇生长状态识别方法,其特征在于,在步骤6)中,将待识别的图像进行尺寸变换以及数据归一化处理后,输入保存好的模型中进行向前推理,得到最终的分类结果,完成对草菇生长状态的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269865.2A CN114781483B (zh) | 2022-03-18 | 2022-03-18 | 一种基于卷积神经网络的草菇生长状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269865.2A CN114781483B (zh) | 2022-03-18 | 2022-03-18 | 一种基于卷积神经网络的草菇生长状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781483A CN114781483A (zh) | 2022-07-22 |
CN114781483B true CN114781483B (zh) | 2024-05-28 |
Family
ID=82426000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210269865.2A Active CN114781483B (zh) | 2022-03-18 | 2022-03-18 | 一种基于卷积神经网络的草菇生长状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781483B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN111476283A (zh) * | 2020-03-31 | 2020-07-31 | 上海海事大学 | 基于迁移学习的青光眼眼底图像识别方法 |
CN112164065A (zh) * | 2020-09-27 | 2021-01-01 | 华南理工大学 | 一种基于轻量化卷积神经网络的实时图像语义分割方法 |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN113221911A (zh) * | 2021-04-09 | 2021-08-06 | 华南理工大学 | 一种基于双重注意力机制的车辆重识别方法及系统 |
CN113673508A (zh) * | 2021-07-28 | 2021-11-19 | 华南理工大学 | 一种指针式仪表图像数据合成方法 |
-
2022
- 2022-03-18 CN CN202210269865.2A patent/CN114781483B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN111476283A (zh) * | 2020-03-31 | 2020-07-31 | 上海海事大学 | 基于迁移学习的青光眼眼底图像识别方法 |
CN112164065A (zh) * | 2020-09-27 | 2021-01-01 | 华南理工大学 | 一种基于轻量化卷积神经网络的实时图像语义分割方法 |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN113221911A (zh) * | 2021-04-09 | 2021-08-06 | 华南理工大学 | 一种基于双重注意力机制的车辆重识别方法及系统 |
CN113673508A (zh) * | 2021-07-28 | 2021-11-19 | 华南理工大学 | 一种指针式仪表图像数据合成方法 |
Non-Patent Citations (1)
Title |
---|
基于深度卷积神经网络的农作物病害识别;龙吟 等;《武汉轻工大学学报》;20200630;第39卷(第3期);第17页-第22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114781483A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476713B (zh) | 基于多深度卷积神经网络融合的天气图像智能识别方法及系统 | |
CN111860330B (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 | |
CN111709489A (zh) | 一种基于改进YOLOv4的柑橘识别方法 | |
CN110084417B (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
CN110378435B (zh) | 一种基于卷积神经网络的苹果叶片病害识别的方法 | |
CN112197819A (zh) | 一种基于生产基地的植物生长精准控制方法 | |
CN109325495B (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
CN111127423B (zh) | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 | |
CN109816714B (zh) | 一种基于三维卷积神经网络的点云物体类型识别方法 | |
CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN110827273A (zh) | 一种基于区域卷积神经网络的茶叶病害检测方法 | |
CN113158750A (zh) | 一种基于卷积神经网络的植物长势模型的自反馈学习评估方法 | |
US20240013380A1 (en) | Cigar tobacco leaf harvesting maturity identification method and system based on integrated learning | |
CN115909070A (zh) | 一种基于改进yolov5网络的杂草检测方法 | |
CN114821321A (zh) | 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法 | |
CN113505856B (zh) | 一种高光谱影像无监督自适应分类方法 | |
CN111563542A (zh) | 一种基于卷积神经网络的植物自动分类方法 | |
CN114781483B (zh) | 一种基于卷积神经网络的草菇生长状态识别方法 | |
CN117541422A (zh) | 一种基于农业环境数据的农业生产管理系统 | |
Kumar et al. | Analysis of apple plant leaf diseases detection and classification: A review | |
CN116863403B (zh) | 一种农作物大数据环境监测方法、装置及电子设备 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN114511850B (zh) | 一种阳光玫瑰葡萄果实大小粒图像识别方法 | |
CN111144464B (zh) | 基于CNN-Kmeans算法水果自动识别方法 | |
CN115453868A (zh) | 基于番茄光响应差分特征的全生长期光强调控方法 |
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 |