CN114972852A - 一种植物叶部多种病害检测方法及相关设备 - Google Patents
一种植物叶部多种病害检测方法及相关设备 Download PDFInfo
- Publication number
- CN114972852A CN114972852A CN202210513431.2A CN202210513431A CN114972852A CN 114972852 A CN114972852 A CN 114972852A CN 202210513431 A CN202210513431 A CN 202210513431A CN 114972852 A CN114972852 A CN 114972852A
- Authority
- CN
- China
- Prior art keywords
- plant leaf
- diseases
- efficientnet
- disease
- model
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 17
- 241000196324 Embryophyta Species 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000013526 transfer learning Methods 0.000 abstract description 3
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 abstract description 2
- 101150041570 TOP1 gene Proteins 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 241000209140 Triticum Species 0.000 description 9
- 235000021307 Triticum Nutrition 0.000 description 9
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 8
- 240000003768 Solanum lycopersicum Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 206010039509 Scab Diseases 0.000 description 5
- 240000008042 Zea mays Species 0.000 description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 244000061456 Solanum tuberosum Species 0.000 description 4
- 235000002595 Solanum tuberosum Nutrition 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000001580 bacterial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 241000221785 Erysiphales Species 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241000219094 Vitaceae Species 0.000 description 2
- 235000009754 Vitis X bourquina Nutrition 0.000 description 2
- 235000012333 Vitis X labruscana Nutrition 0.000 description 2
- 240000006365 Vitis vinifera Species 0.000 description 2
- 235000014787 Vitis vinifera Nutrition 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000021021 grapes Nutrition 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241000239290 Araneae Species 0.000 description 1
- 235000000832 Ayote Nutrition 0.000 description 1
- 241000167854 Bourreria succulenta Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241000218645 Cedrus Species 0.000 description 1
- 241000207199 Citrus Species 0.000 description 1
- 240000004244 Cucurbita moschata Species 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 1
- 235000016623 Fragaria vesca Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 201000005505 Measles Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 240000003889 Piper guineense Species 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 240000004713 Pisum sativum Species 0.000 description 1
- 235000010582 Pisum sativum Nutrition 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241001123583 Puccinia striiformis Species 0.000 description 1
- 241001454293 Tetranychus urticae Species 0.000 description 1
- 241000723613 Tomato mosaic virus Species 0.000 description 1
- 241000543828 Tomato yellow leaf curl Sardinia virus Species 0.000 description 1
- 240000006677 Vicia faba Species 0.000 description 1
- 235000010749 Vicia faba Nutrition 0.000 description 1
- 235000002098 Vicia faba var. major Nutrition 0.000 description 1
- 240000004922 Vigna radiata Species 0.000 description 1
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 1
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019693 cherries Nutrition 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement 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
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 235000015136 pumpkin Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种植物叶部多种病害检测的方法，通过卷积神经网络模型来实现对植物叶部病害的诊断并提供对应病害的解决方法。本发明实施例提供一种便携的手持装置，使用摄像头模组采集获取植物叶部病害数据，并且启用软件对植物叶部病害图像进行分析和检测识别，为使用者提供病害信息和解决方法。建立EfficientNet的模型，EfficientNet‑B7在ImageNet上获得了当时最为先进的top1精度和top5精度，在该数据集上具有良好的表现能力，精度达到了当时最高水平84.4％，在达到相同效率的情况下，其模型更小，计算量更少，性能更强；且该网络模型在迁移学习方面也具有巨大优势，具有很强的鲁棒性，易于执行别的机器视觉任务。
Description
技术领域
本发明涉及植物叶部病害识别领域，尤其涉及一种植物叶部多种病害检测的方法和便携手持装置。
背景技术
农业是人类赖以生存的根基，是人类发展过程中不可或缺的重要部分。保证农作物的产量是农业生产中最重要的环节，保产中的重要措施之一则是防治农作物病害。而农作物病害是我国的主要农业灾害之一，它具有种类多、影响大、并时常暴发成灾的特点，其发生范围和严重程度对我国国民经济、特别是农业生产常造成重大损失，造成农业生产质量不高、减产，严重威胁到农民经济收入。比如，小麦赤霉病是典型的气候型病害，发生面积在年际间剧烈波动。2001—2010年的10年年均发生面积为6,000万亩左右，2011—2020年的10年年均发生面积为7,300万亩左右。即近10年来，赤霉病大流行频率明显提高，对农业生产造成了极大的损失。再如，由于近年来小麦与稻/玉米长期轮作，田间菌源丰富，品种普遍不抗病，常发区抽穗扬花期易遇连阴雨天气，2021年小麦赤霉病在长江中下游、江淮麦区将大流行，在黄淮南部麦区偏重流行，其他麦区中等流行。预计全国流行面积9,000万亩，需预防控制面积多达2亿亩次。于是快速、高效识别预防范围是一项重要的工作。再如，由于甘肃陇南等地秋苗发病早而普遍，湖北、河南南部冬季气温正常或偏高，有利于病害冬繁，2021年小麦条锈病将总体偏重发生，重发区域主要在湖北和陕西大部、河南中南部、甘肃南部、四川沿江沿河流域、新疆伊犁河谷和塔城盆地等麦区。预计全国发生面积为6,000万亩，防治面积为7,000万亩次。上述种种情况，都表明病害防治的重要性。谷类作物(小麦，水稻，玉米)、薯类作物(包括甘薯、马铃薯等)及豆类作物(包括大豆、蚕豆、豌豆、绿豆等)作为中国的重要粮食作物，部分同时是重要的饲料、工业甚至医药原料，严重的相关病害可能会威胁到国家的粮食安全，以及无法满足饲料、工业、医药等各方面的需求。因此，植物叶部病害的检测至关重要。通过及时获取、处理病害可以大幅、有效地减少相关经济损失，增加产量，确保我国粮食安全，以及满足各方面对农作物的需要。
研究明确各类病害的不同发病程度对农作物产量损失的影响，以制定出合理的防治指标和防治措施，从而收到最大的经济效益成为一个重要问题。农作物的产量是一个众多因素综合影响的结果，因此估算病害对产量的损失程度也是一个极为复杂的问题。农作物的叶部病害，大多数是由病菌吸取寄主体内的营养，减少寄主的光合叶面积并干扰其有机物质运输积累和水分生理等从而导致减产，而并不直接为害农作物的果、穗等收获部分，所以病害发生的强度和产量的关系就更加复杂，进而根据叶部病状、病征判断病害类型更是难上加难。
目前，在农业方面，农作物病害的识别方法主要是通过种植户观察，相关处理方式则是依靠经验或者向相关专家寻求帮助。这些都需要耗费较大的精力和人力，且存在部分病害相似、难以分辨的问题，导致不能够及时的识别，更不能够执行及时、准确的处理方式，容易造成较大的经济损失。随着机器视觉的迅速发展和深度学习的提出以及广泛使用，大量学者将其应用到病害相关领域，得到了较好的效果，减少了对人工以及相关专家的依赖，具有能够实际减少农户经济损失，增加农作物产量和提高农作物品质的优点。
发明内容
本发明实施例提供一种植物叶部多种病害检测的方法和手持装置，通过卷积神经网络模型来实现对植物叶部病害的诊断并提供对应病害的解决方法，用以解决上述背景技术中提出的技术问题，或至少部分解决上述背景技术中提出的技术问题。
第一方面，本发明实施例提供一种植物叶部多种病害检测方法，包括：获取植物叶部病害相关信息。植物叶部病害信息采集到装置后，通过EfficientNet模型对植物叶部病害图像进行分析和识别。
本发明专利中使用EfficientNet模型执行机器视觉任务。EfficientNet灵感来源于：按比例放大卷积神经网络通常会达到很不错的提升。该网络是google公司在2019年5月发表的一个网络系列，其不管是准确度还是效率都优于之前所有的卷积神经网络。
第二方面，本发明实施例提供一种便携手持电子设备，包括显示屏、摄像头模组、GLSS模块、CPU模块、电池，其特征在于，使用摄像头模组采集植物叶部病害数据，电池用来为电子设备进行供电，CPU是整个电子设备的处理核心。
第三方面，本发明实施例提供相对应的软件APP，该软件可同时采集可见光图片，通过EfficientNet模型检测分析植物叶部病害信息，并且为使用者提供合理的解决方法。
本发明提供一种植物病害识别和检测的方法和手持装置，通过EfficientNet模型实现及时、高精确度的植株病害识别和检测。
(1)本发明中EfficientNet-B7在ImageNet上获得了当时最为先进的top1精度和top5精度，而在大小上较之前最好的卷积神经网络缩小了8.4倍，同时速度还提高了6.1倍。
(2)本发明首先使用NAS(神经网络架构搜索)得到一个较好的Backbone，即EfficientNet-B0，之后对该模型的三大维度同时缩放，得到了B1-B7。EfficientNet结合了卷积神经网络提升的三大维度，即深度、宽度和分辨率，且很好的平衡了这三个维度。深度指增加每一个stage重复的单元，宽度指增加卷积层的通道数量，分辨率指的则是增加输入图片的分辨率。
(3)EfficientNet在ImageNet数据集上具有良好的表现能力，精度达到了当时最高水平：84.4％，在达到相同效率的情况下，其模型更小，计算量更少，性能更强。凭借着高性能和低参数量的特点，该模型在迁移学习方面也具有巨大优势，为了说明这一点，作者在八个使用较频繁的数据集上测试了EfficientNet，其中有在五个数据集中的精度也达到了当时最高水平，如在CIFAR-100数据集上的准确度为91.7％，在Flowers数据集上的准确度达到了98.8％，而且参数相对于其他模型减少了五个数量级，这说明该网络模型具有很强的鲁棒性，易于执行别的机器视觉任务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例中所描述的一种植物叶部多种病害检测方法及手持装置的总流程图；
图2为本发明一实施例中所描述的电子设备结构图；
图3为本发明一实施例中所描述的EfficientNet结合卷积神经网络提升的维度的示意图；
图4为利用DCGAN网络进行图像扩增的网络示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一实施例中所描述的一种植物叶部多种病害检测方法及手持装置的总流程图，如图1所示，首先手持设备采集信息，然后先将采集的图片信息暂存本地，接着启用软件，对采集到的图像信息进行分析和识别。
图2为本发明一实施例所描述的电子设备结构图，如图2所示，该电子设备可以包括：触摸屏幕、高清摄像头、Jetson逻辑板、电池。其中高清摄像头、获取农作物病害的图像数据，Jetson逻辑板实时进行病害分类。
图3为本发明一实施例中所描述的EfficientNet结合卷积神经网络提升的维度的示意图。作者首先使用NAS(神经网络架构搜索)得到一个较好的Backbone，即EfficientNet-B0，之后对该模型的三大维度同时缩放，得到了B1-B7。EfficientNet结合了卷积神经网络提升的三大维度，即深度、宽度和分辨率，且很好的平衡了这三个维度。深度指增加每一个stage重复的单元，宽度指增加卷积层的通道数量，分辨率指的则是增加输入图片的分辨率。具体如图3所示。
在以前的模型中，很多模型都会单独缩放这三个维度中的一个。单独提升深度在人类的直觉上可以捕获到更丰富且深层的特征，但由于存在梯度消失的问题也更加难以训练；单独提升宽度可以博捉到更细的特征，但是宽而浅的神经网络在捕捉高层次的特征的时候是具有很大的困难的；单独提升图像的分辨率被公认为可以博捉到更细粒度的信息特征，从最早的224×224发展到480×480甚至600×600也被广泛应用起来，但大分辨率图像同时又会显著增加计算量。在这三个维度上单独提升时，模型的准确度确实有所提升，但提升很有限。其中一个很重要的原因就是模型的深度、宽度和图片的分辨率三个维度是相互联系、互相关联的，当增加其中一项时，剩余两项要跟着增加才会得到更好的效果。当计算量逐渐增加时，若随机搜索深度、宽度和分辨率三者的组合，那么效率将会非常低，因此作者给出了组合缩放的方法：使网络深度放大d，使网络宽度放大w，使分辨率放大r，其中
d＝αφ，w＝βφ，r＝γφ
s.t.D·β2·γ2≈2α≥1，β≥1，γ≥1
求解过程中，首先令公式中的Φ＝1，然后通过神经网络架构搜索得到α、β、γ的最优值，该值对应的即为基本模型EfficientNet-B0；之后固定住α、β、γ的值，通过改变Φ值的大小，得到EfficientNet-B1、B2直到EfficientNet-B7。EfficientNet在ImageNet数据集上具有良好的表现能力，精度达到了当时最高水平：84.4％，在达到相同效率的情况下，其模型更小，计算量更少，性能更强。凭借着高性能和低参数量的特点，该模型在迁移学习方面也具有巨大优势，为了说明这一点，作者在八个使用较频繁的数据集上测试了EfficientNet，其中有在五个数据集中的精度也达到了当时最高水平，如在CIFAR-100数据集上的准确度为91.7％，在Flowers数据集上的准确度达到了98.8％，而且参数相对于其他模型减少了五个数量级，这说明该网络模型具有很强的鲁棒性，易于执行别的机器视觉任务。
图4为利用DCGAN网络进行图像扩增的网络示意图。
目前本发明可以检测的植物叶部病害包括苹果黑星病、苹果黑腐病、雪松苹果锈病、樱桃(含酸)粉粉病、玉米灰色角叶斑、玉米共锈病、玉米北叶枯萎病、葡萄黑腐病、葡萄的化学光谱(黑麻疹)、葡萄叶枯萎病(等叶叶斑)、橙子长隆病(柑橘类绿化)、桃子色菌斑、胡椒类细菌斑点、马铃薯早疫病、马铃薯晚疫病、南瓜状白粉病、草莓叶焦病、番茄细菌斑点、番茄早枯萎病、番茄晚疫病、番茄叶霉菌、番茄败得陀利亚叶斑点、番茄叶斑病、番茄两只有斑点的蜘蛛螨、番茄斑点蜘蛛螨、番茄轮斑病、番茄轮斑病、番茄黄曲叶病毒、番茄花叶病毒。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员在不脱离本发明的精神和范围的情况下，依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (5)
1.一种植物叶部多种病害检测方法，其特征在于获取植物叶部病害相关信息。
2.根据权利要求1所述一种植物叶部多种病害检测方法，其特征在于相关信息来为模型识别做准备。
3.根据权利要求2所述一种植物叶部多种病害检测方法，其特征在于通过使用EfficientNet模型分析相关信息来检测出植物叶部病害类别信息。
4.一种植物叶部多种病害检测手持装置，其特征在于，包括：
采集模块，根据摄像头模组来收集可见光信息，农作物病害信息采集到装置后，启用软件对农作物病害图像进行分析和识别；
识别模块，相对应的采集APP，运行系统为Android，可采集可见光图片，软件通过加载EfficientNet模型对农作物病害图像进行分析识别。
5.一种便携电子设备，包括显示屏、摄像头、显示屏、CPU、电池，其特征在于，所述便携电子设备执行所述程序时实现如权利要求1至4任一项所述植物叶部病害检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210513431.2A CN114972852A (zh) | 2022-05-12 | 2022-05-12 | 一种植物叶部多种病害检测方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210513431.2A CN114972852A (zh) | 2022-05-12 | 2022-05-12 | 一种植物叶部多种病害检测方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114972852A true CN114972852A (zh) | 2022-08-30 |
Family
ID=82981343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210513431.2A Pending CN114972852A (zh) | 2022-05-12 | 2022-05-12 | 一种植物叶部多种病害检测方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972852A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180043082A (ko) * | 2016-10-19 | 2018-04-27 | 한국전자통신연구원 | 식물병 감지 시스템 및 그 방법 |
| US20180315177A1 (en) * | 2017-04-27 | 2018-11-01 | Hany Elzind | Plant disease photo identifier and treatment |
| CN113627281A (zh) * | 2021-07-23 | 2021-11-09 | 中南民族大学 | 一种基于SK-EfficientNet的轻量级农作物病害识别方法 |
| CN114072853A (zh) * | 2019-05-16 | 2022-02-18 | 巴斯夫欧洲公司 | 用于植物疾病检测支持的系统和方法 |
| CN114359578A (zh) * | 2021-12-31 | 2022-04-15 | 深圳市熠摄科技有限公司 | 病虫害识别智能终端应用方法及系统 |
| CN114445715A (zh) * | 2022-03-24 | 2022-05-06 | 中南大学 | 一种基于卷积神经网络的农作物病害识别方法 |
-
2022
- 2022-05-12 CN CN202210513431.2A patent/CN114972852A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180043082A (ko) * | 2016-10-19 | 2018-04-27 | 한국전자통신연구원 | 식물병 감지 시스템 및 그 방법 |
| US20180315177A1 (en) * | 2017-04-27 | 2018-11-01 | Hany Elzind | Plant disease photo identifier and treatment |
| CN114072853A (zh) * | 2019-05-16 | 2022-02-18 | 巴斯夫欧洲公司 | 用于植物疾病检测支持的系统和方法 |
| CN113627281A (zh) * | 2021-07-23 | 2021-11-09 | 中南民族大学 | 一种基于SK-EfficientNet的轻量级农作物病害识别方法 |
| CN114359578A (zh) * | 2021-12-31 | 2022-04-15 | 深圳市熠摄科技有限公司 | 病虫害识别智能终端应用方法及系统 |
| CN114445715A (zh) * | 2022-03-24 | 2022-05-06 | 中南大学 | 一种基于卷积神经网络的农作物病害识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ushadevi | A survey on plant disease prediction using machine learning and deep learning techniques | |
| Wei et al. | Effect of maize (Zeal mays) and soybean (Glycine max) intercropping on yield and root development in xinjiang, China | |
| Cevallos et al. | Vision-based analysis on leaves of tomato crops for classifying nutrient deficiency using convolutional neural networks | |
| CN108519339A (zh) | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 | |
| Upadhyay et al. | An Accurate and Automated plant disease detection system using transfer learning based Inception V3Model | |
| Akshitha et al. | Paddy crop disease detection using deep learning techniques | |
| Puneeth et al. | A literature review of the detection and categorization of various arecanut diseases using image processing and machine learning approaches | |
| Renuka et al. | Analyzing the image augmentation to find the defect in apple leaf | |
| CN117520968A (zh) | 一种冬小麦赤霉病的预测方法及系统 | |
| Uttam | Grape leaf disease prediction using deep learning | |
| CN114972852A (zh) | 一种植物叶部多种病害检测方法及相关设备 | |
| Kalpana et al. | Diagnosis of major foliar diseases in black gram (vigna mungo l.) using convolution neural network (cnn) | |
| Maheshwari et al. | A review on mango leaf diseases identification using convolution neural network | |
| CN116843960A (zh) | 一种基于Sentinel-2时间序列和ReliefF的面向对象果园分类方法 | |
| Omar et al. | Leaf disease detection using convolutional neural network | |
| Gülmez | Advancements in rice disease detection through convolutional neural networks: a comprehensive review | |
| CN114740004A (zh) | 基于无人机采集玉米高光谱实现检测根腐病和定位的方法 | |
| Anthay et al. | An analysis on micronutrient deficiency in plant leaf and soil using digital image processing | |
| Akbar et al. | Plant Stem Disease Detection Using Machine Learning Approaches | |
| Gupta et al. | Automatic identification of paddy crop diseases using deep learning approach | |
| Manavalan | Automatic Detection of Fungal and Bacterial Plant Leaves Diseases: A Review | |
| Qin et al. | Tobacco top flowering period recognition and detection model based on improved YOLOv4 and Mask R-CNN network | |
| Subramani et al. | Citrus Leaf Disease Detection Using Various Deep Learning Architectures | |
| Wakhare et al. | Machine Learning for Accurate and Efficient Pomegranate Fruit Disease Detection: A Novel Approach to Improve Crop Yield and Quality | |
| Singh et al. | Crop Disease Recognition in Smart Farming Using Deep learning Model |
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 |