CN114842300B - 一种适应雨天环境的农作物病虫害检测方法 - Google Patents
一种适应雨天环境的农作物病虫害检测方法 Download PDFInfo
- Publication number
- CN114842300B CN114842300B CN202210514016.9A CN202210514016A CN114842300B CN 114842300 B CN114842300 B CN 114842300B CN 202210514016 A CN202210514016 A CN 202210514016A CN 114842300 B CN114842300 B CN 114842300B
- Authority
- CN
- China
- Prior art keywords
- model
- image
- rainy
- yolox
- dcd
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 201000010099 disease Diseases 0.000 claims abstract description 40
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 29
- 241000238631 Hexapoda Species 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 18
- 125000004122 cyclic group Chemical group 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 230000007480 spreading Effects 0.000 claims description 2
- 238000003892 spreading Methods 0.000 claims description 2
- 230000008485 antagonism Effects 0.000 claims 1
- 241000209140 Triticum Species 0.000 description 4
- 235000021307 Triticum Nutrition 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种适应雨天环境的农作物病虫害检测方法,包括以下步骤:步骤1、获取有雨、无雨、农作物病虫害图像数据集;步骤2、对数据集进行预处理;步骤3、利用有雨、无雨图像数据集对DCD‑GAN模型进行训练;步骤4、将最优配置参数下的DCD‑GAN模型的输出连接YOLOX模型的输入,得到D‑YOLOX模型;步骤5、利用农作物病虫害图像数据集对D‑YOLOX模型进行训练;步骤6、通过最优配置参数下的D‑YOLOX模型进行雨天环境的农作物病虫害图像处理。本发明能够有效避免因雨天拍摄的图像质量差,雨水干扰对模型性能产生影响。
Description
技术领域
本发明涉及病虫害检测方法领域,具体是一种适应雨天环境的农作物病虫害检测方法。
背景技术
传统的小麦病虫害检测方法包括人工辨别和仪器识别,存在成本高、费时费力的特点,同时技术人员的缺乏和存在误判的风险也使得传统的人工的方法难以在现实中普及。为了满足科学研究和生产需要,将计算机中的机器学习与农业中的病虫害结合起来的病虫害检测模型显得尤为重要。
机器学习可以通过对需要分析的图像进行特征提取,经过特定的算法,输出图像的情况。在检测精度、时间和成本上对比传统的方法具有巨大优势。但传统的机器学习方式对图像的质量有着很高的要求,在复杂的雨天环境下拍摄的图像通常会因雨痕而导致能见度不佳。这些退化的图像通常会影响许多计算机视觉任务(比如图像识别、检测、分割和视频检测),下雨的环境会严重影响检测结果。因此建立一种在雨天的检测模型具有很大意义。
发明内容
本发明的目的是提供一种适应雨天环境的农作物病虫害检测方法,以解决现有技术基于计算机视觉技术的病虫害检测方法存在的在雨天环境下效果不佳、检测速度差的问题。
为了达到上述目的,本发明所采用的技术方案为:
一种适应雨天环境的农作物病虫害检测方法,包括以下步骤:
步骤1、获取有雨、无雨图像数据集,以及农作物病虫害图像数据集;
步骤2、对步骤1得到的有雨、无雨图像数据集以及农作物病虫害图像数据集中的数据分别进行预处理,并对农作物病虫害图像数据集进行加雨处理;
步骤3、采用DCD-GAN模型,利用步骤2预处理后的有雨、无雨图像数据集对DCD-GAN模型进行训练,每次训练后通过计算DCD-GAN模型的损失函数对所述DCD-GAN模型的参数进行学习指导,由此得到DCD-GAN模型的最优配置参数;
步骤4、采用YOLOX模型,将步骤3最优配置参数下的DCD-GAN模型的输出连接YOLOX模型的输入,由此得到D-YOLOX模型;
步骤5、利用步骤2预处理及加雨处理后的农作物病虫害图像数据集对步骤4得到的D-YOLOX模型进行训练,每次训练后计算D-YOLOX模型输出结果的误差,并将误差反向传播至D-YOLOX模型的参数,直至误差符合预期,由此得到D-YOLOX模型的最优配置参数;
步骤6、将待识别的雨天环境的农作物病虫害图像数据输入至步骤5得到的最优配置参数下的D-YOLOX模型,通过D-YOLOX模型输出病虫害识别结果。
进一步的步骤2中,对有雨、无雨图像数据集中的数据进行的预处理包括去除重复图像处理、删除损坏图像处理。
进一步的步骤2中,对农作物病虫害图像数据集中的数据进行的预处理包括:首先去除重复图像、删除损坏图像和删除不匹配信息;然后使用马赛克数据广增,对图像随机剪裁出一部分作为新的图像,同时以设定的概率进行随机翻转,并从若干种尺度中随机挑选一种以对数据进行缩放。
进一步的步骤2中,采用线性叠加模型将预处理后的农作物病虫害图像数据集,与雨条纹图层进行线性叠加,由此实现对农作物病虫害图像数据集进行加雨处理。
进一步的步骤3中,每次训练后计算的DCD-GAN模型的损失函数为对比损失函数、颜色循环一致性损失函数、对抗损失函数之和。
进一步的步骤4中,所述YOLOX模型中Neck部分的特征金字塔结构为循环特征金字塔结构。
与现有技术相比,本发明的优点为:
本发明基于YOLOX模型进行改进,通过添加DCD-GAN模型得到D-YOLOX模型模型,以实现雨天环境下的适用性,通过将YOLOX中的特征金字塔结构替换成循环金字塔结构实现检测精度的提升。本发明方法能够有效避免因雨天拍摄的图像质量差,雨水干扰对模型性能产生影响,减少误判和少判的情况,同时提高了小麦病虫害的识别精度。本发明方法不仅适用于小麦上,也能够适用于其他农作物的病虫害检测。
附图说明
图1是本发明方法的流程框图。
图2是本发明方法的D-YOLOX模型的结构图。
图3是本发明方法的D-YOLOX模型的循环特征金字塔结构图。
图4是本发明方法的D-YOLOX模型的训练步骤流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,本实施例一种适应雨天环境的小麦病虫害检测方法,包括以下步骤:
(1)准备数据集:
在实地拍摄和网上采集有雨、无雨图像作为有雨、无雨图像数据集。在网上采集农作物病虫害的图像作为农作物病虫害图像数据集。
(2)数据集预处理:
对于步骤(1)中的有雨、无雨图像数据集,使用Python对有雨、无雨图像数据集依次进行去除重复图像预处理、删除损坏图像预处理。
对于步骤(1)中的农作物病虫害图像数据集,首先进行去除重复图像、删除损坏图像和删除标注文件中不匹配的信息预处理。然后,对农作物病虫害图像数据集使用马赛克数据广增处理(随机裁剪四张图像,然后拼接成一张新图像作为新数据),对图像随机剪裁出一部分作为新的图像,同时以设定的概率进行随机翻转处理,并从若干种尺度中随机挑选一种以对训练集中数据进行缩放处理。
最后,将预处理后的农作物病虫害图像数据集按7:2:1的比例划分成训练集、测试集和验证集,并对农作物病虫害图像数据集整体进行加雨处理,以模拟在雨天条件下的图像识别。
由于雨天拍摄的农作物病虫害图像数据集较少,因此本发明采用人工合成的方式来模拟生成雨天的农作物病虫害图像数据集,生成过程由线性叠加模型完成,线性叠加模型的计算公式如下:
O=B+R,
其中,O表示生成的雨天的农作物病虫害图像,B表示清晰的农作物病虫害图像,R表示雨条纹图层。
(3)构建并训练DCD-GAN模型:
DCD-GAN是Cycle GAN类型的机器学习模型,优点是无监督学习,因此数据集不需要成对,只需要提供两种类别下的训练集就能对模型进行训练。
对比损失Lcont(CR2N,GN2R)用来约束图像的特征分布,防止图像丢失输入图像的特征,计算公式如下:
其中,E为特征提取器,作用在各个图像中,GR2N表示去雨的生成器。GN2R表示加雨的生成器。f表示除雨后的样本,有 表示从有雨或无雨图像中采集的特征区域,/>表示从对立分支图像中采集的对应特征区域,/>表示从对立图像中采集的其他特征区域,计算Lcont(CR2N,GN2R)时采样取k个/>进行计算,最后将k个Lcont(CR2N,GN2R)累加作为最终的对比损失。
sim(u,v)函数为余弦相似度函数,用于衡量向量u和向量v的相似性,本实施例中{u=f,v=f+}和
为了避免不同颜色通道的混合,使用颜色循环一致性损失Lcolorcyc,计算公式如下:
其中,r∈IR,n∈IN,IR表示有雨的图像,IN表示无雨的图像,其中r,g,b对应图像的三种颜色通道,对应着三组向量,i表示对应的其中一个通道。和/>表示为特征提取器,分别作用在有雨和无雨的图像中。
对抗损失是为了让产生无雨的图像更接近于现实,DR表示雨辨别器,DN表示无雨辨别器,对应的输出值越大表明其为真的概率越大。去雨的对抗损失Ladv(GR2N,DN)计算公式如下:
Ladv(GR2N,DN)=En~N[log DN(n)]+Er~R[log(1-DN(GR2N(r)))],
加雨的过程同样需要计算此对抗损失,加雨的对抗损失计算公式如下:
Ladv(GN2R,DR)=Er~R[log DR(r)]+En~N[log(1-DR(GN2R(n)))],
总的对抗损失为:
Ladv=Ladv(GR2N,DN)+Ladv(GN2R,DR),
故本发明中DCD-GAN模型总的损失函数为:
Ltotal=λ1Lcont(GR2N,GN2R)+λ2Lcolorcyc+λ3Ladv,
其中λ1=2,λ2=1,λ3=1。
将经过预处理后的有雨、无雨图像数据集输入至DCD-GAN模型中训练,计算每次训练后DCD-GAN模型的总的损失函数,通过总的损失函数对DCD-GAN模型的参数进行学习指导,经过多次训练后得到DCD-GAN模型的最优配置参数。
(4)构建D-YOLOX模型:
将训练好的最优配置参数下的DCD-GAN模型的输出作为YOLOX模型的输入,使DCD-GAN模型连接YOLOX模型构成D-YOLOX模型作为最终的检测模型,D-YOLOX模型的框架如图2所示。
YOLOX模型为目标检测的模型结构,本发明将YOLOX模型中Neck部分的特征金字塔结构采用循环特征金字塔网络结构。循环特征金字塔结构能够提高模型的精度,融合更多层次的信息。
循环特征金字塔网络结构的输出计算定义为:
fi=Fi(fi+1,xi),xi=Bi(xi-1,Ri(fi)),
其中,Bi表示自底向上的第i层结构,Fi表示自顶向下的第i个函数映射,Ri表示自底向上的第i层结构的函数映射,xi表示自底向上结构的第i层的输入,fi表示自底向上结构的第i层的输出。金字塔网络输出为一组特征图{fi|i=1,…,S},其中S是自底向上阶段的数量。在本发明中取S=3。然后再将其连接到自下而上的骨干。
为了让循环金字塔网络网络进行循环计算,本发明将它在空间中展开,循环金字塔网络结构如图3所示,第t次循环的计算公式为:
其中t=1,…T,i=1,…S,T表示为循环结构的次数,本发明中取T为2。最终将通过池化操作获得4,8和12三种大小的分辨率特征图。
(5)训练D-YOLOX模型:
D-YOLOX模型的训练步骤如图4所示。将农作物病虫害图像数据集中的训练集输入至D-YOLOX模型,对D-YOLOX模型进行训练。每次训练后利用农作物病虫害图像数据集中的验证集,与D-YOLOX模型输出的结果进行分类误差和回归误差计算,然后将误差计算结果反向传播到D-YOLOX模型的每个参数中,并更新网络参数,直至D-YOLOX模型的误差计算结果符合预期,从而在此时得到D-YOLOX模型的最优配置参数。
(6)采用D-YOLOX模型进行病虫害检测:
获取待识别的雨天环境的农作物病虫害图像,将其输入至步骤(5)得到的最优配置参数下的D-YOLOX模型,由D-YOLOX模型输出病虫害识别结果。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述,并非对本发明构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域中工程技术人员对本发明的技术方案作出的各种变型和改进,均应落入本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (4)
1.一种适应雨天环境的农作物病虫害检测方法,其特征在于,包括以下步骤:
步骤1、获取有雨、无雨图像数据集,以及农作物病虫害图像数据集;
步骤2、对步骤1得到的有雨、无雨图像数据集以及农作物病虫害图像数据集中的数据分别进行预处理,并对农作物病虫害图像数据集进行加雨处理;
步骤3、采用DCD-GAN模型,利用步骤2预处理后的有雨、无雨图像数据集对DCD-GAN模型进行训练,每次训练后通过计算DCD-GAN模型的损失函数对所述DCD-GAN模型的参数进行学习指导,由此得到DCD-GAN模型的最优配置参数;
步骤4、采用YOLOX模型,将步骤3最优配置参数下的DCD-GAN模型的输出连接YOLOX模型的输入,由此得到D-YOLOX模型;
步骤5、利用步骤2预处理及加雨处理后的农作物病虫害图像数据集对步骤4得到的D-YOLOX模型进行训练,每次训练后计算D-YOLOX模型输出结果的误差,并将误差反向传播至D-YOLOX模型的参数,直至误差符合预期,由此得到D-YOLOX模型的最优配置参数;
步骤6、将待识别的雨天环境的农作物病虫害图像数据输入至步骤5得到的最优配置参数下的D-YOLOX模型,通过D-YOLOX模型输出病虫害识别结果;
步骤3中,每次训练后计算的DCD-GAN模型的损失函数为对比损失函数、颜色循环一致性损失函数、对抗损失函数之和;
步骤4中,所述YOLOX模型中Neck部分的特征金字塔结构为循环特征金字塔结构;
构建并训练DCD-GAN模型:
DCD-GAN是Cycle GAN类型的机器学习模型,优点是无监督学习,因此数据集不需要成对,只需要提供两种类别下的训练集就能对模型进行训练;
对比损失Lcont(GR2N,GN2R)用来约束图像的特征分布,防止图像丢失输入图像的特征,计算公式如下:
其中,E为特征提取器,作用在各个图像中,GR2N表示去雨的生成器,GN2R表示加雨的生成器,f表示除雨后的样本,有 表示从有雨或无雨图像中采集的特征区域,/>表示从对立分支图像中采集的对应特征区域,/>表示从对立图像中采集的其他特征区域,计算Lcont(GR2N,GN2R)时采样取k个/>进行计算,最后将k个Lcont(GR2N,GN2R)累加作为最终的对比损失;
sim(u,v)函数为余弦相似度函数,用于衡量向量u和向量v的相似性,本方法中{u=f,v=f+}和
为了避免不同颜色通道的混合,使用颜色循环一致性损失Lcolorcyc,计算公式如下:
其中,r∈IR,n∈IN,IR表示有雨的图像,IN表示无雨的图像,其中r,g,b对应图像的三种颜色通道,对应着三组向量,i表示对应的其中一个通道,和/>表示为特征提取器,分别作用在有雨和无雨的图像中;
对抗损失是为了让产生无雨的图像更接近于现实,DR表示雨辨别器,DN表示无雨辨别器,对应的输出值越大表明其为真的概率越大,去雨的对抗损失Ladv(GR2N,DN)计算公式如下:
Ladv(GR2N,DN)=En~N[log DN(n)]+Er~R[log(1-DN(GR2N(r)))],
加雨的过程同样需要计算此对抗损失,加雨的对抗损失计算公式如下:
Ladv(GN2R,DR)=Er~R[log DR(r)]+En~N[log(1-DR(GN2R(n)))],
总的对抗损失为:
Ladv=Ladv(GR2N,DN)+Ladv(GN2R,DR),
故DCD-GAN模型总的损失函数为:
Ltotal=λ1Lcont(GR2N,GN2R)+λ2Lcolorcyc+λ3Ladv,
其中λ1=2,λ2=1,λ3=1;
将经过预处理后的有雨、无雨图像数据集输入至DCD-GAN模型中训练,计算每次训练后DCD-GAN模型的总的损失函数,通过总的损失函数对DCD-GAN模型的参数进行学习指导,经过多次训练后得到DCD-GAN模型的最优配置参数。
2.根据权利要求1所述的一种适应雨天环境的农作物病虫害检测方法,其特征在于,步骤2中,对有雨、无雨图像数据集中的数据进行的预处理包括去除重复图像处理、删除损坏图像处理。
3.根据权利要求1所述的一种适应雨天环境的农作物病虫害检测方法,其特征在于,步骤2中,对农作物病虫害图像数据集中的数据进行的预处理包括:首先去除重复图像、删除损坏图像和删除不匹配信息;然后使用马赛克数据广增,对图像随机剪裁出一部分作为新的图像,同时以设定的概率进行随机翻转,并从若干种尺度中随机挑选一种以对数据进行缩放。
4.根据权利要求1所述的一种适应雨天环境的农作物病虫害检测方法,其特征在于,步骤2中,采用线性叠加模型将预处理后的农作物病虫害图像数据集,与雨条纹图层进行线性叠加,由此实现对农作物病虫害图像数据集进行加雨处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210514016.9A CN114842300B (zh) | 2022-05-11 | 2022-05-11 | 一种适应雨天环境的农作物病虫害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210514016.9A CN114842300B (zh) | 2022-05-11 | 2022-05-11 | 一种适应雨天环境的农作物病虫害检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842300A CN114842300A (zh) | 2022-08-02 |
CN114842300B true CN114842300B (zh) | 2024-05-03 |
Family
ID=82569656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210514016.9A Active CN114842300B (zh) | 2022-05-11 | 2022-05-11 | 一种适应雨天环境的农作物病虫害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842300B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686152A (zh) * | 2020-12-30 | 2021-04-20 | 广西慧云信息技术有限公司 | 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法 |
CN113554568A (zh) * | 2021-08-03 | 2021-10-26 | 东南大学 | 一种基于自监督约束和不成对数据的无监督循环去雨网络方法 |
CN114005029A (zh) * | 2021-10-20 | 2022-02-01 | 华南农业大学 | 基于改进yolov5网络的广佛手病虫害识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008842A (zh) * | 2019-03-09 | 2019-07-12 | 同济大学 | 一种基于深度多损失融合模型的行人重识别方法 |
-
2022
- 2022-05-11 CN CN202210514016.9A patent/CN114842300B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686152A (zh) * | 2020-12-30 | 2021-04-20 | 广西慧云信息技术有限公司 | 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法 |
CN113554568A (zh) * | 2021-08-03 | 2021-10-26 | 东南大学 | 一种基于自监督约束和不成对数据的无监督循环去雨网络方法 |
CN114005029A (zh) * | 2021-10-20 | 2022-02-01 | 华南农业大学 | 基于改进yolov5网络的广佛手病虫害识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于CNN的农作物病虫害图像识别模型;史冰莹;李佳琦;张磊;李健;;计算机系统应用;20200615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114842300A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN116071650A (zh) | 一种融合卷积神经网络与Transformer的遥感影像建筑物提取方法 | |
CN113705641A (zh) | 基于富上下文网络的高光谱图像分类方法 | |
CN111126361A (zh) | 基于半监督学习和特征约束的sar目标鉴别方法 | |
CN115578602A (zh) | 一种基于改进YOLOv7的自然树种识别方法 | |
CN114972904B (zh) | 一种基于对抗三元组损失的零样本知识蒸馏方法及系统 | |
CN114898359B (zh) | 一种基于改进EfficientDet的荔枝病虫害检测方法 | |
CN106355210A (zh) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 | |
CN116704188A (zh) | 一种基于改进U-Net网络的不同容重小麦籽粒图像分割算法 | |
Zhao et al. | Mine diversified contents of multispectral cloud images along with geographical information for multilabel classification | |
CN115797808A (zh) | 一种无人机巡检缺陷图像的识别方法、系统、装置及介质 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
CN116704497B (zh) | 一种基于三维点云的油菜表型参数提取方法及系统 | |
CN116883364A (zh) | 一种基于CNN和Transformer的苹果叶片病害识别方法 | |
CN114842300B (zh) | 一种适应雨天环境的农作物病虫害检测方法 | |
CN109558883B (zh) | 叶片特征提取方法及装置 | |
CN111832479A (zh) | 基于改进的自适应锚点r-cnn的视频目标检测方法 | |
CN116665039A (zh) | 基于两阶段因果干预的小样本目标识别方法 | |
CN116258934A (zh) | 基于特征增强的红外-可见光融合方法、系统及可读存储介质 | |
CN112365525B (zh) | 高分辨率遥感影像变化检测网络和方法及装置 | |
CN114972264A (zh) | 一种基于MS-PLNet模型绿豆叶斑病识别方法及装置 | |
CN109785305B (zh) | 一种端元可变的高光谱图像光谱混合分析方法及装置 | |
CN114022906A (zh) | 基于多层次特征与注意力机制的行人再识别方法 |
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 | ||
GR01 | Patent grant |