CN115187814A - 一种基于人工智能的菊花叶病诊断方法及设备 - Google Patents
一种基于人工智能的菊花叶病诊断方法及设备 Download PDFInfo
- Publication number
- CN115187814A CN115187814A CN202210884230.3A CN202210884230A CN115187814A CN 115187814 A CN115187814 A CN 115187814A CN 202210884230 A CN202210884230 A CN 202210884230A CN 115187814 A CN115187814 A CN 115187814A
- Authority
- CN
- China
- Prior art keywords
- feature
- chrysanthemum
- module
- layer
- full
- 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
- 241000723353 Chrysanthemum Species 0.000 title claims abstract description 59
- 235000007516 Chrysanthemum Nutrition 0.000 title claims abstract description 59
- 201000010099 disease Diseases 0.000 title claims abstract description 53
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000011176 pooling Methods 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 101100518501 Mus musculus Spp1 gene Proteins 0.000 claims description 2
- 239000006227 byproduct Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06N3/08—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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Databases & Information Systems (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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于人工智能的菊花叶病诊断方法及设备，诊断方法包括拍摄获得菊花叶图像，获取预先训练完成的菊花叶病识别网络，前置特征映射模块提取菊花叶图像的低阶特征，抽象特征提制模块和层级池化操作层交替对特征图操作处理，次级特征图顺次经过全空间平均池化操作层、全连接映射层和末端分类器，输出得到分类结果等步骤。综合一体注意力模块以抽象特征提制模块中多个位置生成的特征图作为输入，从中学习它们之间的相似性和差异性，最后得到的综合调制图中同时包含了空间方向和通道方向上的特征信息，调制效果比现有的注意力机制更好。测试结果表明，本发明的菊花叶病识别网络识别诊断效果优于现有的模型。
Description
技术领域
本发明属于菊花和深度学习技术领域，具体地说，涉及一种基于人工智能的菊花叶病诊断方法及设备。
背景技术
菊花种植过程中，存在感染多种叶病的风险。而且，作为经济作物种植的菊花，通常大面积密集种植，一旦患病，容易大规模传染，给种植户带来巨大的经济损失。只有及时发现病情，做出正确的诊断，才能选用合适的药物进行治疗，达到控制病情的目的。但是叶病种类众多，普通种植户缺乏相关的专业知识，难以正确诊断叶病类型。
发明内容
针对上述现象，本发明提供一种基于人工智能的菊花叶病诊断方法及设备，将人工智能技术应用于菊花叶病诊断，辅助种植户快速准确地诊断叶病，促进实现农业生产智能化。
为了达到上述目的，本发明采用的解决方案是：一种基于人工智能的菊花叶病诊断方法，包括以下步骤：
S100、拍摄获得需要进行叶病识别的菊花叶图像，获取预先训练完成的菊花叶病识别网络；所述菊花叶病识别网络包括前置特征映射模块、后置特征映射模块、全空间平均池化操作层、全连接映射层和末端分类器，所述前置特征映射模块设置在所述菊花叶病识别网络的头部，所述后置特征映射模块设置在所述菊花叶病识别网络的中部，所述后置特征映射模块包括抽象特征提制模块和层级池化操作层，所述抽象特征提制模块与所述层级池化操作层沿着网络的深度方向交替设置；所述全空间平均池化操作层设置在所述后置特征映射模块的下游端，所述全空间平均池化操作层的输出端通过所述全连接映射层与所述末端分类器的输入端连接；
S200、将所述菊花叶图像输入所述前置特征映射模块，利用所述前置特征映射模块提取所述菊花叶图像的低阶特征，然后输出得到初级特征图；
S300、将所述初级特征图输入所述后置特征映射模块，利用所述抽象特征提制模块和所述层级池化操作层交替对特征图进行操作处理，直到最后一个所述层级池化操作层输出得到次级特征图；
S400、所述次级特征图顺次经过所述全空间平均池化操作层、所述全连接映射层和所述末端分类器，然后所述末端分类器输出得到所述菊花叶图像的分类结果，从而完成对菊花叶病的诊断；
所述抽象特征提制模块内部按照如下数学公式对特征图进行操作处理：
U1＝η1(T1S11(Vn))
U2＝η2(T1S33(Vn))
U3＝T2S11(CAT(U1,U2))
U4＝η3(T3S51(U1))
U5＝η4(T3S52(U2))
U6＝T4S11(CAT(U3,U4,U5))
U7＝η5(T5S33(U6))
其中，Vn代表输入所述抽象特征提制模块的特征图，T1S11、T1S33、T2S11、T3S51、T3S52、T4S11和T5S33均表示对接收到的特征图做卷积运算，然后输出卷积运算后的结果；T1S11、T2S11和T4S11做卷积运算时，卷积核的大小均为1*1；T1S33和T5S33做卷积运算时，卷积核的大小均为3*3；T3S51和T3S52做卷积运算时，卷积核的大小均为5*5；η1、η2、η3、η4和η5均表示激活函数ReLU，CAT表示将特征图拼接起来，CHSZ表示综合一体注意力模块，
表示元素对应乘积运算，Vn+1表示所述抽象特征提制模块输出的特征图。
进一步地，所述综合一体注意力模块内部按照如下数学公式对特征图进行操作处理：
ZT1＝CAT(ZDC(Vn),ZDC(U3),ZDC(U6),ZDC(U7))
ZT2＝CAT(Vn,U3,U6,U7)
ZT3＝ω1(ZDS(TCC11(ZT2)))
其中，特征图Vn、特征图U3、特征图U6和特征图U7同时作为所述综合一体注意力模块的输入；ZDC表示在通道方向上对特征图做全局最大池化，ZDS表示在空间方向上对特征图做全局最大池化，CAT表示将特征图拼接起来；TCC11和TSS11均表示对接收到的特征图做卷积运算，然后输出卷积运算后的结果；TCC11和TSS11做卷积运算时，卷积核的大小均为1*1；
表示元素对应乘积运算，ω1和ω2均表示sigmoid激活函数，ZTM表示所述综合一体注意力模块输出的综合调制图。
进一步地，所述层级池化操作层的池化窗口尺寸为2*2，步长为2。
进一步地，所述层级池化操作层对接收到的矩阵按照如下数学公式进行池化：
其中，Fi表示输入所述层级池化操作层的矩阵，Fi的尺寸为2*2，MeE表示计算得到矩阵中所有元素的平均值，16为Fi矩阵中元素数量的平方值，当池化窗口大小不同时，其值也会改变。MaE表示计算得到矩阵中所有元素的最大值，Fo表示所述层级池化操作层的输出。
本发明还提供了一种基于人工智能的菊花叶病诊断设备，包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如上所述的基于人工智能的菊花叶病诊断方法。
本发明的有益效果是：
(1)在本发明中，综合一体注意力模块以抽象特征提制模块中多个位置生成的特征图作为输入，这些特征图位于网络的不同深度，注意力模块通过利用这些分层特征图之间的映射关系，从中学习它们之间的相似性和差异性，这样注意力机制能够更加准确地忽略掉干扰信息，集中关注其中具有尺度不变性的重要特征，与常规以单一特征图作为注意力模块输入相比，能够更好地提升图像分类效果；
(2)现有技术中，都是将空间注意力机制和通道注意力机制分开设置，空间注意力模块和通道注意力模块都只能获取单一维度(空间方向或通道方向)的特征信息，然后分别从空间方向和通道方向单独对特征图进行调制，这种割裂的调制方式存在计算效率低和调制精度有限的问题；本发明的综合一体注意力模块一方面对各个特征图在通道方向分别全局池化，生成对应的空间预调图(ZT1)，综合一体注意力模块同时还对融合后的特征图在空间方向上全局池化，生成通道预调图(ZT3)，然后通过元素对应乘积使通道预调图与空间预调图融合，实现空间注意力机制与通道注意力机制结合，最后得到的综合调制图(ZTM)中同时包含了空间方向和通道方向上的特征信息，调制效果比现有的注意力机制更好；
(3)利用图像分类来识别菊花叶病种类时，病斑图像中的纹理特征和线条特征同样重要，这点与其他场景的识别任务有所不同，所以本发明的层级池化操作层中，综合利用了输入矩阵内元素的平均值和最大值，这样能更好地兼顾图像中的前景信息和背景信息，层级池化操作层与抽象特征提制模块配合，有利于提高识别叶病种类的准确率。
附图说明
图1为本发明的菊花叶病识别网络的结构示意图；
图2为本发明的抽象特征提制模块内部结构示意图；
图3为本发明的综合一体注意力模块内部结构示意图；
图4为采用CBAM作为注意力模块时抽象特征提制模块的结构示意图；
附图中：
1-菊花叶图像，2-前置特征映射模块，3-后置特征映射模块，31-综合一体注意力模块，4-抽象特征提制模块，5-层级池化操作层，6-全空间平均池化操作层，7-全连接映射层，8-末端分类器，9-分类结果。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
实施例：
图1为本实施例的菊花叶病识别网络结构示意图，其中，后置特征映射模块3内设置了五个抽象特征提制模块4和五个层级池化操作层5。前置特征映射模块2采用常规的卷积层实现，其卷积核大小为3*3，其卷积操作后输出的初级特征图通道数量为12，长宽尺寸与菊花叶图像1的长宽尺寸相同。
如图2所示，对于每个抽象特征提制模块4内部，特征图U1、特征图U2、特征图U3、特征图U4、特征图U5、特征图U6的尺寸均与同一抽象特征提制模块4输入端的Vn尺寸完全相同，而对于特征图U7，其长宽尺寸与Vn相等，通道数量变为Vn的两倍。这样特征图每经过一个抽象特征提制模块4，通道数量都会增加一倍，长宽尺寸则保持不变。
如图3所示，对于综合一体注意力模块31内部，将输入其中的特征图在通道方向分别做全局最大池化操作后，得到四个二维矩阵，拼接后得到空间预调图。另一方面，将输入的特征图拼接，然后利用TCC11卷积将通道数量降为4，在空间方向做全局最大池化后，得到长度为4的一维向量，ω1激活后得到通道预调图。然后将通道预调图与空间预调图做元素对应乘积运算，再通过TSS11卷积将通道数量降为1，最后ω1激活后得到综合调制图。该综合调制图是一个二维矩阵，长宽尺寸与同一抽象特征提制模块4中U7特征图的长宽尺寸相等。
对于层级池化操作层5，其池化窗口尺寸为2*2，步长为2，特征图经过层级池化操作层5后，通道数量保持不变，长宽尺寸均变为输入层级池化操作层5之前的一半。全空间平均池化操作层6用来对特征图的各个图层做全局平均池化，生成长度为384的特征向量。全连接映射层7采用现有的全连接层实现，其输入节点数目为384，以全空间平均池化操作层6输出的特征向量作为输入，输入节点采用ReLU函数激活，输出的节点数量则根据实际需要的分类总数设置。末端分类器8采用现有softmax分类器实现，末端分类器8输出得到图像的分类结果9，每一类对应一种叶病。
为了训练和测试菊花叶病识别网络，先采集获取了900张带有叶病的菊花叶片图像，这些图像中的菊花叶病覆盖了10种最常见的疾病。另外拍摄获得100张不带叶病的正常菊花叶片图像。通过人类专家为这1000张图像标注标签，以0表示不带叶病的菊花叶，以数字1-10分别代表10种叶病。选取1000张图像中的700张图像作为训练集，剩下的300张图像作为测试集，训练集和测试集中都含有正常菊花叶片图像，和所有10种菊花叶病图像。
通过编程，在计算机上搭建菊花叶病识别网络，利用制作完成的训练集对菊花叶病识别网络进行训练。训练过程中，以交叉熵作为损失函数，以Adam作为优化器，学习率为0.002，epoch为700。为了能够横向比较，本实施例还利用上述训练集，训练了现有的VGG19模型和Inception V3模型。三个网络在上述测试集上的测试结果为：
对比上述表格中不同模型的测试结果可以看出，本发明提出的菊花叶病识别网络识别菊花叶病的正确率明显优于现有的VGG19模型和Inception V3模型。
对比例：
为了体现综合一体注意力模块31和层级池化操作层5在本发明的菊花叶病识别网络中的作用，对比例在实施例的基础上对菊花叶病识别网络进行修改。单独将实施例中层级池化操作层5替换为现有的最大池化操作层(池化窗口尺寸和步长均与层级池化操作层5相同)，保持网络其他部分与实施例一样，得到对比例1。单独将实施例中的综合一体注意力模块31替换为现有的CBAM注意力机制，并以U7特征图作为CBAM的输入(如图4所示)，保持网络其他部分与实施例相同，得到对比例2。在相同的上述训练集上训练，也在相同的上述测试集上测试，训练和测试的操作细节也与实施例完全一样，最终测试结果如下：
对比数据可以看出，综合一体注意力模块31和层级池化操作层5均能够提升网络对叶病的识别正确率。与现有的CBAM注意力机制相比，设置综合一体注意力模块31后，网络的识别正确率大幅提升。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (5)
1.一种基于人工智能的菊花叶病诊断方法，其特征是：包括以下步骤：
S100、拍摄获得需要进行叶病识别的菊花叶图像，获取预先训练完成的菊花叶病识别网络；所述菊花叶病识别网络包括前置特征映射模块、后置特征映射模块、全空间平均池化操作层、全连接映射层和末端分类器，所述前置特征映射模块设置在所述菊花叶病识别网络的头部，所述后置特征映射模块设置在所述菊花叶病识别网络的中部，所述后置特征映射模块包括抽象特征提制模块和层级池化操作层，所述抽象特征提制模块与所述层级池化操作层沿着网络的深度方向交替设置；所述全空间平均池化操作层设置在所述后置特征映射模块的下游端，所述全空间平均池化操作层的输出端通过所述全连接映射层与所述末端分类器的输入端连接；
S200、将所述菊花叶图像输入所述前置特征映射模块，利用所述前置特征映射模块提取所述菊花叶图像的低阶特征，然后输出得到初级特征图；
S300、将所述初级特征图输入所述后置特征映射模块，利用所述抽象特征提制模块和所述层级池化操作层交替对特征图进行操作处理，直到最后一个所述层级池化操作层输出得到次级特征图；
S400、所述次级特征图顺次经过所述全空间平均池化操作层、所述全连接映射层和所述末端分类器，然后所述末端分类器输出得到所述菊花叶图像的分类结果，从而完成对菊花叶病的诊断；
所述抽象特征提制模块内部按照如下数学公式对特征图进行操作处理：
U1＝η1(T1S11(Vn))
U2＝η2(T1S33(Vn))
U3＝T2S11(CAT(U1,U2))
U4＝η3(T3S51(U1))
U5＝η4(T3S52(U2))
U6＝T4S11(CAT(U3,U4,U5))
U7＝η5(T5S33(U6))
其中，Vn代表输入所述抽象特征提制模块的特征图，T1S11、T1S33、T2S11、T3S51、T3S52、T4S11和T5S33均表示对接收到的特征图做卷积运算，然后输出卷积运算后的结果；T1S11、T2S11和T4S11做卷积运算时，卷积核的大小均为1*1；T1S33和T5S33做卷积运算时，卷积核的大小均为3*3；T3S51和T3S52做卷积运算时，卷积核的大小均为5*5；η1、η2、η3、η4和η5均表示激活函数ReLU，CAT表示将特征图拼接起来，CHSZ表示综合一体注意力模块，
表示元素对应乘积运算，Vn+1表示所述抽象特征提制模块输出的特征图。
2.根据权利要求1所述的基于人工智能的菊花叶病诊断方法，其特征是：所述综合一体注意力模块内部按照如下数学公式对特征图进行操作处理：
ZT1＝CAT(ZDC(Vn),ZDC(U3),ZDC(U6),ZDC(U7))
ZT2＝CAT(Vn,U3,U6,U7)
ZT3＝ω1(ZDS(TCC11(ZT2)))
其中，特征图Vn、特征图U3、特征图U6和特征图U7同时作为所述综合一体注意力模块的输入；ZDC表示在通道方向上对特征图做全局最大池化，ZDS表示在空间方向上对特征图做全局最大池化，CAT表示将特征图拼接起来；TCC11和TSS11均表示对接收到的特征图做卷积运算，然后输出卷积运算后的结果；TCC11和TSS11做卷积运算时，卷积核的大小均为1*1；
表示元素对应乘积运算，ω1和ω2均表示sigmoid激活函数，ZTM表示所述综合一体注意力模块输出的综合调制图。
3.根据权利要求1所述的基于人工智能的菊花叶病诊断方法，其特征是：所述层级池化操作层的池化窗口尺寸为2*2，步长为2。
4.根据权利要求3所述的基于人工智能的菊花叶病诊断方法，其特征是：所述层级池化操作层对接收到的矩阵按照如下数学公式进行池化：
其中，Fi表示输入所述层级池化操作层的矩阵，Fi的尺寸为2*2，MeE表示计算得到矩阵中所有元素的平均值，MaE表示计算得到矩阵中所有元素的最大值，Fo表示所述层级池化操作层的输出。
5.一种基于人工智能的菊花叶病诊断设备，其特征是：包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如权利要求1-4任一项所述的基于人工智能的菊花叶病诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210884230.3A CN115187814B (zh) | 2022-07-25 | 2022-07-25 | 一种基于人工智能的菊花叶病诊断方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210884230.3A CN115187814B (zh) | 2022-07-25 | 2022-07-25 | 一种基于人工智能的菊花叶病诊断方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115187814A true CN115187814A (zh) | 2022-10-14 |
| CN115187814B CN115187814B (zh) | 2024-05-10 |
Family
ID=83521166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210884230.3A Active CN115187814B (zh) | 2022-07-25 | 2022-07-25 | 一种基于人工智能的菊花叶病诊断方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187814B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190113119A (ko) * | 2018-03-27 | 2019-10-08 | 삼성전자주식회사 | 합성곱 신경망을 위한 주의집중 값 계산 방법 |
| CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
| WO2021018251A1 (zh) * | 2019-07-30 | 2021-02-04 | 华为技术有限公司 | 图像分类方法及装置 |
| CN113822805A (zh) * | 2021-10-13 | 2021-12-21 | 柚皮(重庆)科技有限公司 | 图像超分辨率重建方法、中药植物叶病诊断方法及设备 |
| CN113888412A (zh) * | 2021-11-23 | 2022-01-04 | 钟家兴 | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 |
| CN114360030A (zh) * | 2022-01-17 | 2022-04-15 | 重庆锐云科技有限公司 | 一种基于卷积神经网络的人脸识别方法 |
| US20220121871A1 (en) * | 2020-10-16 | 2022-04-21 | Tsinghua University | Multi-directional scene text recognition method and system based on multi-element attention mechanism |
-
2022
- 2022-07-25 CN CN202210884230.3A patent/CN115187814B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190113119A (ko) * | 2018-03-27 | 2019-10-08 | 삼성전자주식회사 | 합성곱 신경망을 위한 주의집중 값 계산 방법 |
| WO2021018251A1 (zh) * | 2019-07-30 | 2021-02-04 | 华为技术有限公司 | 图像分类方法及装置 |
| CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
| US20220121871A1 (en) * | 2020-10-16 | 2022-04-21 | Tsinghua University | Multi-directional scene text recognition method and system based on multi-element attention mechanism |
| KR20220050758A (ko) * | 2020-10-16 | 2022-04-25 | 현대자동차주식회사 | 다차원 어텐션 메커니즘에 기반한 다방향 장면 텍스트 인식 방법 및 시스템 |
| CN113822805A (zh) * | 2021-10-13 | 2021-12-21 | 柚皮(重庆)科技有限公司 | 图像超分辨率重建方法、中药植物叶病诊断方法及设备 |
| CN113888412A (zh) * | 2021-11-23 | 2022-01-04 | 钟家兴 | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 |
| CN114360030A (zh) * | 2022-01-17 | 2022-04-15 | 重庆锐云科技有限公司 | 一种基于卷积神经网络的人脸识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHIHUI WANG;XING LIU;JIAWEN LIN;CAIFEI YANG;HAOJIE LI;: "Multi-attention based cross-domain beauty product image retrieval", SCIENCE CHINA(INFORMATION SCIENCES), no. 02, 1 February 2020 (2020-02-01) * |
| 张建华;孔繁涛;吴建寨;翟治芬;韩书庆;曹姗姗;: "基于改进VGG卷积神经网络的棉花病害识别模型", 中国农业大学学报, no. 11, 15 November 2018 (2018-11-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115187814B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jang et al. | Learning what and where to transfer | |
| Francis et al. | Disease detection and classification in agricultural plants using convolutional neural networks—a visual understanding | |
| Yang et al. | Graph r-cnn for scene graph generation | |
| Baldominos et al. | Evolutionary convolutional neural networks: An application to handwriting recognition | |
| Zoumpourlis et al. | Non-linear convolution filters for cnn-based learning | |
| RU2641447C1 (ru) | Способ обучения глубоких нейронных сетей на основе распределений попарных мер схожести | |
| US9342781B2 (en) | Signal processing systems | |
| Garcia et al. | A task-and-technique centered survey on visual analytics for deep learning model engineering | |
| Vong et al. | Case-based expert system using wavelet packet transform and kernel-based feature manipulation for engine ignition system diagnosis | |
| Kamrul et al. | Machine vision based rice disease recognition by deep learning | |
| CN113837179B (zh) | 一种处理图像的多判别gan网络构建方法、装置、系统和存储介质 | |
| Monigari et al. | Plant leaf disease prediction | |
| CN106709869A (zh) | 一种深度皮尔逊嵌入的维数约简方法 | |
| CN113361589A (zh) | 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法 | |
| CN110543888B (zh) | 一种基于群集递归神经网络的图像分类方法 | |
| Kumar et al. | Comparative study of self-organizing map and deep self-organizing map using MATLAB | |
| CN115187814A (zh) | 一种基于人工智能的菊花叶病诊断方法及设备 | |
| Mo et al. | Pay attention to convolution filters: towards fast and accurate fine-grained transfer learning | |
| Quazi et al. | Image Classification and Semantic Segmentation with Deep Learning | |
| CN114549962B (zh) | 一种园林植物叶病分类方法 | |
| CN113516670B (zh) | 一种反馈注意力增强的非模式图像分割方法及装置 | |
| CN114049497B (zh) | 基于自适应对比学习的图像深度表征方法 | |
| Yuan et al. | Research on Plant Species Identification Based on Improved Convolutional Neural Network. | |
| Chen et al. | AlexNet Convolutional Neural Network for Disease Detection and Classification of Tomato Leaf. Electronics 2022, 11, 951 | |
| Holmberg | Targeting the zebrafish eye using deep learning-based image segmentation |
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 |