CN117011607A - 一种基于注意力残差网络的水稻种子分类方法 - Google Patents
一种基于注意力残差网络的水稻种子分类方法 Download PDFInfo
- Publication number
- CN117011607A CN117011607A CN202310998489.5A CN202310998489A CN117011607A CN 117011607 A CN117011607 A CN 117011607A CN 202310998489 A CN202310998489 A CN 202310998489A CN 117011607 A CN117011607 A CN 117011607A
- Authority
- CN
- China
- Prior art keywords
- image
- rice
- rice seeds
- rice seed
- attention
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 92
- 235000009566 rice Nutrition 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 36
- 240000007594 Oryza sativa Species 0.000 title abstract 2
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 241000209094 Oryza Species 0.000 claims description 90
- 238000012549 training Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 244000184734 Pyrus japonica Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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
- G06V10/764—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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/82—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
- G06V20/60—Type of objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (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)
Abstract
本发明公开了一种基于注意力残差网络的水稻种子分类方法，通过图像预处理的方法，有效避免了图像背景对模型预测的干扰，减少了客观因素对实际应用的影响。在采样过程中获取充分的有效信息，特征提取更加充分；借鉴Res2Net网络的改进模式，引入注意力机制，在不改变网络层数的前提下增加了网络的深度，增强了多尺度特征提取能力，有效解决了相似品种的识别问题，并增加了信息提取能力而不引起计算成本的大量提高。
Description
技术领域
本发明属于深度学习与机器视觉技术领域，具体地说，本发明涉及一种基于注意力残差网络的水稻种子分类方法。
背景技术
水稻是我国重要的粮食作物之一，每年总产量占全国粮食作物总产量的40％以上。我国水稻品种繁多，且随着杂交水稻技术的发展，水稻品种数量逐年增加，许多水稻品种之间在形状、颜色、纹理等外观形态特征差异小，仅依靠育种专家或检查员的肉眼难以区分相似外观特征品种之间的差异，导致水稻品种识别准确度不高。为提高外观形态特征差异小的水稻品种识别准确度，通过人工使用化学试剂对水稻种子进行品种鉴别，但鉴别后的种子因化学试剂产生损伤而不能再次使用，且仍存在着工作量大和耗材较多等缺点。因此，开发一种能在日益增长的水稻品种间快速准确地将水稻种子识别分类的方法很有必要。
随着农业自动化、智能化技术的不断发展，机器视觉技术逐渐用于农作物种子的识别中。传统的基于机器视觉的种子分类方法多通过提取种子图像中几何形状、颜色、纹理等浅层特征来识别种子品种，但浅层特征通常缺乏表达高层语义的能力，在外观形态特征差异小的水稻种子具有局限性，从而导致水稻种子分类准确度下降。相比传统方法，深度学习技术凭借其卓越的特征学习能力，在图像目标分类中取得更好的结果。如专利号：202111287410.5，发明名称：一种基于轻量型卷积神经网络的小麦种子品种鉴定的方法的发明专利，将采集的高光谱数据输入轻量型卷积网络进行小麦种子分类，但基于2D卷积核的轻量卷积网络提取特征能力有限，不能自动关注各类别种子的重要特征，导致分类的准确度难以保证。文献基于深度学习的稻种图像分类算法研究(崔研、吉林大学)中将高光谱成像技术与基于深度学习的图像分类算法相结，构建融合SENet的残差网络的稻种分类方法，以使得网络能自动学习水稻品种类间差异较大的重要特征，但较可见光图像采集设备，高光谱采集设备价格较高，限制了它的应用。因此找到一种能够在可见光图像中自动获取水稻品种类间差异较大的重要特征信息，从而实现水稻种子的准确分类，对于减小种子分类过程中人工的投入具有重要作用。
发明内容
本发明提供一种基于注意力残差网络的水稻种子分类方法，以解决上述背景技术中存在的问题。
为了实现上述目的，本发明采取的技术方案为：一种基于注意力残差网络的水稻种子分类方法，具体包括以下步骤：
步骤S1：采集水稻种子图像；
步骤S2：对采集的水稻种子图像进行预处理；
步骤S3：基于预处理后的水稻种子图像制作水稻种子图像数据集；
步骤S4：构建以ResNet为主干网络，结合注意力机制构建水稻种子的分类模型；
步骤S5：对所述的水稻种子的分类模型进行训练；
步骤S6：对水稻种子图片进行分类；
所述步骤S4中，具体步骤包括：
步骤S40：基于数据集定义模型的输入部分；
步骤S41：构建ResNet神经网络模型部分并定义其包含ECA注意力模块；
步骤S42：构建基于多卷积核的特征融合部分；
步骤S43：选择损失函数定义模型的输出部分。
优选的，所述步骤S2中，对采集的水稻种子图像进行预处理具体包括：调整步骤S1中拍摄目标水稻种子图像大小，并对其进行中心剪裁为一定大小的正方形。
优选的，所述步骤S2中，对采集的水稻种子图像进行预处理具体包括：调整步骤S1中拍摄目标水稻种子图像大小，并对其进行中心剪裁为一定大小的正方形。
优选的，所述步骤S3中，制作水稻种子图像数据集具体步骤包括：
步骤S30：通过旋转和亮度增强调整的数据扩增方式，对获取的水稻种子图像进行处理，将样本数扩增至原来的数倍；
步骤S31：通过大小调增和中心剪裁，对扩增后的数据集进行处理，得到大小相同且填满水稻种子的正方形图像；
步骤S32：将数据划分为训练集和测试集。
优选的，所述步骤S40中，基于数据集定义模型的输入部分包括：采用归一化处理，使训练得到更好的收敛效果。
优选的，所述步骤S41中，具体为：构建ResNet神经网络模型并定义其包含Input部分、Bottleneck部分。
优选的，所述步骤S42中，所述ECA注意力模块是基于SENet的改进网络，使用一维卷积替换掉SENet中的两个全连接层组成的瓶颈结构，提出不降维的局部跨信道交互策略和自适应选择卷积核大小。
优选的，所述步骤S43中，选择Cross Entropy Loss作为损失函数；所述CrossEntropy Loss是利用交叉熵的大小表示两个概率分布之间的差异，通过最小化交叉熵来得到目标概率分布的近似分布。
优选的，所述步骤S6中，对需要预测的水稻种子图片进行预处理并放入上述训练完成后的模型中进行水稻种子的分类，具体为：首先对输入图像进行边缘检测并将其等比剪裁为n份，通过计算n份图像中白色像素在二值化图像中的占比，经比较后将占比最大者的图像大小调整为与训练集中图像大小相同，最终输入模型中预测。
采用以上技术方案的有益效果是：
1、本发明的基于注意力残差网络的水稻种子分类方法，通过图像预处理的方法，有效避免了图像背景对模型预测的干扰，减少了客观因素对实际应用的影响。
2、本发明的基于注意力残差网络的水稻种子分类方法，在采样过程中获取充分的有效信息，特征提取更加充分；借鉴Res2Net网络的改进模式，引入注意力机制，在不改变网络层数的前提下增加了网络的深度，增强了多尺度特征提取能力，有效解决了相似品种的识别问题，并增加了信息提取能力而不引起计算成本的大量提高。
附图说明
图1为本发明的基于注意力残差网络的水稻种子分类方示意图；
图2为本发明实施例1中的水稻种子图像示例图；
图3为本发明实施例1中的水稻种子数据集中的图像示例图；
图4为本发明实施例1中的ResNet网络模型结构图；
图5为本发明实施例1中的ResNet50网络模型中的单元结构图；
图6为本发明实施例1中的改进后Bottleneck结构图；
图7为本发明实施例1中的ECA注意力模块结构图；
图8为本发明实施例1中的边缘检测后水稻种子图像及各部分白色点占比；
具体实施方式
下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，目的是帮助本领域的技术人员对本发明的构思、技术方案有更完整、准确和深入的理解，并有助于其实施。
如图1至图8所示，本发明是一种基于注意力残差网络的水稻种子分类方法，以下用具体实施例对具体工作方式进行阐述：
实施例1：
本发明提供一种基于注意力残差网络的水稻种子分类方法，具体包括以下步骤：
步骤S1：采集水稻种子图像；
本实施例1中的水稻种子取自水稻试验基地，对收集到的4种水稻种子进行随机取样，在白色背景板上堆叠水稻种子，通过固定相机距11cm处进行拍摄，以九宫格为分界线确保中心正方形能够被填充完全，图像大小为3024×3024。图2为本发明实施例1中的水稻种子图像示例图。
步骤S2：对采集的水稻种子图像进行预处理；
对采集到的图像进行大小调整，变为768×768，在进行九分之一大小的中心剪裁后得到256×256的图像。图3为本发明实施例1中的水稻种子数据集中的图像示例图。
步骤S3：制作水稻种子图像数据集；
对中心剪裁后的图像进行翻转和亮度增强操作，对数据进行扩展至原来的三倍共2112张图片，在打乱后按照9：1的比例将数据划分为训练集和测试集。表1为本发明实施例1中的水稻种子数据集中每个类别图像数量的统计图。
表1
| 十九香 | 玉针香 | 93-11 | 当粳8号 | 总计 | |
| 原图 | 176 | 176 | 176 | 176 | 704 |
| 增强后 | 528 | 528 | 528 | 528 | 2112 |
| 训练集 | 476 | 476 | 476 | 476 | 1904 |
| 测试集 | 52 | 52 | 52 | 52 | 208 |
步骤S4：建以ResNet为主干网络，结合注意力机制构建水稻种子的分类模型；
根据数据集构建的融合注意力机制的ResNet植物种子分类检测模型包括三部分：Input、Backbone、Output三个部分；如图4所示为本发明实施例1中的ResNet网络模型结构图。
Input部分采用PyTorch中transforms来对输入图像像素进行归一化，以基于imagenet训练集中抽样计算得出的平均值：[0.485,0.456,0.406],[0.229,0.224,0.225]来确定三通道大小。在Input阶段使用归一化可以使模型训练得到更好的收敛效果。在Input阶段中相较于基于图像算法的预处理来使图像模式相同且不受背景干扰，使用上述中心剪裁后的图像能够做到规定输入图像的格式，而且也帮助使用者更好地制作数据集。
如图5所示为本发明实施例1中的ResNet50网络模型中的单元结构图，Backbone由五个stage(阶段)组成，其中阶段一为对Input部分的预处理，包括Conv卷积层、BN层、ReLU激活函数、Maxpool最大池化层。后四个阶段分别包含3、4、6、3个Bottleneck。
Bottleneck改进后在1×1卷积之前加入ECA注意力模块，并将1×1卷积后的输入特征组均分为两组，在两组分别进行3×3卷积后，将这两组的输出在通道维度进行拼接，最后进行1×1的卷积操作。图6为本发明实施例1中的改进后Bottleneck结构图。
如图5所示中Conv层是卷积(Convolution)的缩写，7×7为卷积核大小，64为卷积核的数量；BN层是Batch Normalization的缩写，指对输入部分进行归一化；ReLU激活函数指把激活的神经元的特征通过函数把特征保留并映射出来；Maxpool最大池化层是指提取出指定窗口的特征数据，使之显著减少特征张量的大小。
如图6所示ECA注意力模块是指有效通道注意力网络ECANet(Efficient ChannelAttention Networks)，是基于SENet的改进网络，使用一维卷积替换掉SENet中的两个全连接层组成的瓶颈结构，提出了不降维的局部跨信道交互策略和自适应选择卷积核大小的方法，显著降低模型复杂度的同时保持性能。如图7所示为ECA注意力模块结构图。
Output部分对模型输出结果进行预测，选择Cross Entropy Loss作为损失函数用于衡量两个概率分布之间的差异，它能够很好地反映模型的预测精度，并且它对异常值的敏感性较低。公式如下：
其中，yi表示真实标签，a表示模型预测的概率，N表示训练样本数量，C即为损失值。
步骤S5：对所述的水稻种子的分类模型进行训练；通过调整参数来获取最佳效果，如表2所示为不同模型在相同参数下实验结果对比。
表2
| 模型 | Params | Accuracy |
| ResNet50 | 25557032 | 94.8 |
| ResNet50-SE | 25557544 | 97.6 |
| ResNet50-ECA | 9272171 | 98.4 |
步骤S6：水稻种子图片预处理输入模型进行分类；
基于Canny算子对图像进行边缘检测，后将图像进行九等分分割，通过比较计算各部分白色像素占比，通过比较得出白色占比最大者为最大填充区域，从而输入该部分进行预测。如图8所示为边缘检测后水稻种子图像及各部分白色点占比。
本发明的基于注意力残差网络的水稻种子分类方法，通过图像预处理的方法，有效避免了图像背景对模型预测的干扰，减少了客观因素对实际应用的影响。
本发明的基于注意力残差网络的水稻种子分类方法，在采样过程中获取充分的有效信息，特征提取更加充分；借鉴Res2Net网络的改进模式，引入注意力机制，在不改变网络层数的前提下增加了网络的深度，增强了多尺度特征提取能力，有效解决了相似品种的识别问题，并增加了信息提取能力而不引起计算成本的大量提高。
以上结合附图对本发明进行了示例性描述，显然，本发明具体实现并不受上述方式的限制，只要是采用了本发明的方法构思和技术方案进行的各种非实质性的改进；或未经改进，将本发明的上述构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (9)
1.一种基于注意力残差网络的水稻种子分类方法，其特征在于：具体包括以下步骤：
步骤S1：采集水稻种子图像；
步骤S2：对采集的水稻种子图像进行预处理；
步骤S3：基于预处理后的水稻种子图像制作水稻种子图像数据集；
步骤S4：构建以ResNet为主干网络，结合注意力机制构建水稻种子的分类模型；
步骤S5：对所述的水稻种子的分类模型进行训练；
步骤S6：对水稻种子图片进行分类；
所述步骤S4中，具体步骤包括：
步骤S40：基于数据集定义模型的输入部分；
步骤S41：构建ResNet神经网络模型部分并定义其包含ECA注意力模块；
步骤S42：构建基于多卷积核的特征融合部分；
步骤S43：选择损失函数定义模型的输出部分。
2.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤S1中，采集水稻种子图像具体包括：通过图像采集设备拍摄目标水稻种子图像，所述图像中包含的是由一类水稻种子堆叠而成的，其中拍摄的图像中心水稻种子应填满一定大小的正方形，不包含拍摄背景。
3.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤S2中，对采集的水稻种子图像进行预处理具体包括：调整步骤S1中拍摄目标水稻种子图像大小，并对其进行中心剪裁为一定大小的正方形。
4.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤S3中，制作水稻种子图像数据集具体步骤包括：
步骤S30：通过旋转和亮度增强调整的数据扩增方式，对获取的水稻种子图像进行处理，将样本数扩增至原来的数倍；
步骤S31：通过大小调增和中心剪裁，对扩增后的数据集进行处理，得到大小相同且填满水稻种子的正方形图像；
步骤S32：将数据划分为训练集和测试集。
5.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤S40中，基于数据集定义模型的输入部分包括：采用归一化处理，使训练得到更好的收敛效果。
6.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤S41中，具体为：构建ResNet神经网络模型并定义其包含Input部分、Bottleneck部分。
7.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤S42中，所述ECA注意力模块是基于SENet的改进网络，使用一维卷积替换掉SENet中的两个全连接层组成的瓶颈结构，提出不降维的局部跨信道交互策略和自适应选择卷积核大小。
8.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤S43中，选择Cross Entropy Loss作为损失函数；所述Cross Entropy Loss是利用交叉熵的大小表示两个概率分布之间的差异，通过最小化交叉熵来得到目标概率分布的近似分布。
9.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤S6中，对需要预测的水稻种子图片进行预处理并放入上述训练完成后的模型中进行水稻种子的分类，具体为：首先对输入图像进行边缘检测并将其等比剪裁为n份，通过计算n份图像中白色像素在二值化图像中的占比，经比较后将占比最大者的图像大小调整为与训练集中图像大小相同，最终输入模型中预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310998489.5A CN117011607A (zh) | 2023-08-08 | 2023-08-08 | 一种基于注意力残差网络的水稻种子分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310998489.5A CN117011607A (zh) | 2023-08-08 | 2023-08-08 | 一种基于注意力残差网络的水稻种子分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117011607A true CN117011607A (zh) | 2023-11-07 |
Family
ID=88567009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310998489.5A Pending CN117011607A (zh) | 2023-08-08 | 2023-08-08 | 一种基于注意力残差网络的水稻种子分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011607A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858436A (zh) * | 2019-01-29 | 2019-06-07 | 中国科学院自动化研究所 | 基于视频动态前景掩膜的目标类别修正方法、检测方法 |
| CN110991511A (zh) * | 2019-11-26 | 2020-04-10 | 中原工学院 | 一种基于深度卷积神经网络的向日葵作物种子分拣方法 |
| CN111833311A (zh) * | 2020-06-18 | 2020-10-27 | 安徽农业大学 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
| CN114548208A (zh) * | 2021-12-22 | 2022-05-27 | 上海辰山植物园 | 一种基于YOLOv5改进的植物种子实时分类检测方法 |
| CN114677325A (zh) * | 2022-01-25 | 2022-06-28 | 安徽农业大学 | 水稻茎秆截面分割模型的构建方法及基于该模型的检测方法 |
| CN115393715A (zh) * | 2022-08-24 | 2022-11-25 | 山东省计算中心（国家超级计算济南中心） | 一种基于机器视觉的穴盘种子漏播检测方法 |
| CN116051586A (zh) * | 2023-01-18 | 2023-05-02 | 广东工业大学 | 一种适用于检测浅色系胶水轮廓的检测方法 |
| CN116152524A (zh) * | 2023-03-06 | 2023-05-23 | 河南科技学院 | 一种小麦种子分类方法 |
-
2023
- 2023-08-08 CN CN202310998489.5A patent/CN117011607A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858436A (zh) * | 2019-01-29 | 2019-06-07 | 中国科学院自动化研究所 | 基于视频动态前景掩膜的目标类别修正方法、检测方法 |
| CN110991511A (zh) * | 2019-11-26 | 2020-04-10 | 中原工学院 | 一种基于深度卷积神经网络的向日葵作物种子分拣方法 |
| CN111833311A (zh) * | 2020-06-18 | 2020-10-27 | 安徽农业大学 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
| CN114548208A (zh) * | 2021-12-22 | 2022-05-27 | 上海辰山植物园 | 一种基于YOLOv5改进的植物种子实时分类检测方法 |
| CN114677325A (zh) * | 2022-01-25 | 2022-06-28 | 安徽农业大学 | 水稻茎秆截面分割模型的构建方法及基于该模型的检测方法 |
| CN115393715A (zh) * | 2022-08-24 | 2022-11-25 | 山东省计算中心（国家超级计算济南中心） | 一种基于机器视觉的穴盘种子漏播检测方法 |
| CN116051586A (zh) * | 2023-01-18 | 2023-05-02 | 广东工业大学 | 一种适用于检测浅色系胶水轮廓的检测方法 |
| CN116152524A (zh) * | 2023-03-06 | 2023-05-23 | 河南科技学院 | 一种小麦种子分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| EP3832524A1 (en) | System and method for determining damage on crops | |
| CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
| CN111400536B (zh) | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 | |
| Wang et al. | Mobile smart device-based vegetable disease and insect pest recognition method | |
| CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
| CN111860330A (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 | |
| CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
| Shaikh et al. | Citrus leaf unhealthy region detection by using image processing technique | |
| Netto et al. | Segmentation of RGB images using different vegetation indices and thresholding methods | |
| CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
| CN112528947B (zh) | 一种通过增加方向维度的假菌丝检测方法、设备及存储介质 | |
| Sahoo et al. | Automatic Dead zone detection in 2-D leaf image using clustering and segmentation technique | |
| Ban et al. | A lightweight model based on YOLOv8n in wheat spike detection | |
| CN117011607A (zh) | 一种基于注意力残差网络的水稻种子分类方法 | |
| Bharadwaj | Classification and grading of arecanut using texture based block-wise local binary patterns | |
| Dhole et al. | Review of leaf unhealthy region detection using image processing techniques | |
| Benlachmi et al. | Fruits Disease Classification using Machine Learning Techniques | |
| Yang et al. | Intelligent collection of rice disease images based on convolutional neural network and feature matching | |
| Rony et al. | BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification | |
| Yousuf et al. | Classification of dates (Phoenix dactylifera L.) varieties using texture feature analysis | |
| CN111967357A (zh) | 一种基于机器视觉的高粱病害智能识别系统及识别方法 | |
| Yang et al. | Multi-Growth Period Tomato Fruit Detection Using Improved Yolov5 | |
| CN115170542B (zh) | 一种基于glcm特征提取的马铃薯早晚疫病分类模型构建方法 | |
| CN112381662B (zh) | 花粉可育率评估方法及装置 |
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 |