JP6539901B2 - 植物病診断システム、植物病診断方法、及びプログラム - Google Patents
植物病診断システム、植物病診断方法、及びプログラム Download PDFInfo
- Publication number
- JP6539901B2 JP6539901B2 JP2016045492A JP2016045492A JP6539901B2 JP 6539901 B2 JP6539901 B2 JP 6539901B2 JP 2016045492 A JP2016045492 A JP 2016045492A JP 2016045492 A JP2016045492 A JP 2016045492A JP 6539901 B2 JP6539901 B2 JP 6539901B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- plant disease
- diagnosis
- plant
- data
- 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
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Description
このような様々な要因により、植物病の自動診断の実用化は困難であった。
これにより、診断対象物(植物病画像)の向き(回転ずれ)や位置ずれ、拡大ずれ、傾き等に対する画像の撮影条件がより柔軟となり、更に実用性が向上する。
或いは、前記入力部は、ネットワークを介して通信接続されたカメラ機能付き携帯端末により撮影され送信された画像を前記診断対象として入力し、前記解析部は前記診断結果を前記カメラ機能付き携帯端末に送信することが望ましい。
これにより、カメラ機能付き携帯端末を用いて撮影した画像から手軽に診断結果を得ることが可能となる。
また、学習データの量が膨大となった場合等も、ネットワークを介して植物病診断システム(のサーバ)にアクセスすれば、容易に診断結果を得ることが可能となる。
まず図1〜図3を参照して、植物病診断システム1の構成を説明する。
なお、本発明において、「植物病」とは植物病にかかった状態の他、生理障害が生じた状態も含むものとする。生理障害とは、尻腐症、鉄欠乏、葉焼け、生育不良、窒素過多等の症状であり、病原菌や害虫が原因ではないが一見病気のように変化した状態であり、「健常」とは異なる状態である。
図1に示すように、本発明に係る植物病診断システム1は、植物病の画像を入力する入力部3、入力された画像がどの診断結果に分類されるかを識別する解析部4、診断結果を表示する表示部5を備える。
smoothing / normalization)、ガウシアン低域通過フィルタ(Gaussian low
pass filter)、バターワース低域通過フィルタ (Butterworth low pass
filter)等が考えられる。
high pass filter)、ガウシアン高域通過フィルタ (Gaussian high pass
filter)、バターワース高域通過フィルタ(Laplacian high pass filter)等が挙げられる。
なお、ノイズ付加処理、ぼかし処理、高周波成分強調処理は上記のものに限定されず、その他の各種の処理を適用してもよい。
"ImageNet Classification with Deep Convolutional Neural Networks",
Advances In Neural Information Processing Systems, Vol.25, pp.1106 - 1114,
2012.)に示すように、5つの畳込み層と3つの全結合層(出力層を含む)を有する。
一方、図3に示すように、本発明の深層学習器2は、畳込み層を4つ以下(図3の例では3つ)、全結合層(本明細書では、出力層も全結合層と呼ぶものとする)1つとし、従来CNNに比べ、層構造を簡素なものとしている。なお、畳込み層は3つに限定されず、判定対象とする病気の数やデータ数に応じて4つ或いは2つとしてもよい。また、全結合層(出力層を含む)も1つに限定されず、複数としてもよい。
出力yは、y=f(Σwx)となる。
ここで、wは結合荷重のベクトル、xは畳込み層の各ニューロンの値のベクトル、Σwxは、要素毎の掛算の和(結果はスカラ値となる)を意味する。
f()は出力関数で、一般的には以下の式(1)に示すsigmoid関数が用いられる。
f(x)=1/(1+exp(−x)) ・・・(1)
ただし、CNNでは、以下の式(2)に示すReLU(rectified linear unit;整流された線形素子)と呼ばれる関数が一般的に用いられる。
f(x)=max(0,x) ・・・(2)
Memory)、RAM(Random Access Memory)等により構成される。制御部101は、記憶装置102、ROM、記録媒体(メディア)等に格納されるプログラムをRAM上のワークメモリ領域に呼び出して実行し、バス109を介して接続された各部を駆動制御する。ROMは、コンピュータ10のブートプログラムやBIOS等のプログラム、データ等を恒久的に保持する。RAMは、ロードしたプログラムやデータを一時的に保持するとともに、制御部101が後述する各種処理を行うために使用するワークエリアを備える。
なお、入力装置103と表示装置104とが一体的に構成されたタッチパネル式の入出力部としてもよい。
通信I/F106は、通信制御装置、通信ポート等を有し、ネットワークを介して通信接続された外部装置との通信を媒介するインタフェースであり、通信制御を行う。
図7(a)に示すように、ユーザが携帯端末8のカメラを用いて植物を撮影する。撮影は、診断対象とする部位(葉等)が写っていればよく、向きや大きさは厳密な条件を設けない。また解像度等も高解像度とする必要はなく、例えば256×256[pixel]等でよい。
スマートフォン等のように通信機能を有する機器では、インターネット等の広域な通信ネットワークを介して植物病の診断を実行するサーバ(コンピュータ10)にアクセスし、診断結果を得るようにしてもよい。
第1または第2の実施の形態の植物病診断システム1、1Aにおいて、農場等に設置された定点カメラにて撮影された広域画像を対象として、植物病の識別処理を行うようにしてもよい。
広域画像60全体の植物病の分布とは、例えば、各局所領域の画像についての診断結果を元の広域画像60上に示したもの等である。例えば、図10(c)に示すように識別結果に応じて各局所領域を色分け表示する。
前処理部6は、深層学習器2に入力する画像の色空間を主成分分析やカーネル主成分分析等の変換処理によって次元を変換したり、次元数を削減したりし、色空間が変換されたデータを学習データとして用い、元のデータと併せて深層学習器2に入力するようにしてもよい。
ここで、a1,a2,…,aD及びa0は自然数である。
カーネル主成分分析を行うことにより、通常の主成分分析よりも自由度の高い直交軸を求めることができる。
(A)RGBのデータをz1,z2のように直交する別の2次元データで表現する。
(B)RGBのデータをR,G,B,z1,z2のように次元数を追加して5次元で表現する。
(C)RGBのデータをR+αz1、G+βz2、Bγz3のように、3次元のままではあるが、次元の要素が各次元の要素の和のように表現する(α、β、γは定数)。
深層学習器2において、更に重みのドロップアウト(dropout)処理を行ってもよい。ドロップアウト(dropout)処理は素子間または層間の経路を繋ぐか、閉じるかを確率に基づいてランダムに決定するものである。図13に、ドロップアウト(dropout)処理の概念を示している。図13に示す「○」は素子(ニューロン;neuron)である。深層学習器2の各層の中に図13に示すように素子が並んでいると仮定する。層を構成する素子間は全て結合がある。すなわち素子間は重み係数が配置されている。
図14に示すように、第5の実施の形態の解析部4Aは第1の実施の形態の解析部4の構成に加え、学習データ判定部9を備える。また深層学習器2Aはドロップアウト(dropout)処理部22を有するものとする。更に設定部7には、ドロップアウト(dropout)処理に関するデータ(以下、設定データ71という)を保持する。設定データ71は、どのようなデータを入力した場合にどの結合をドロップアウトさせるかを定義したデータである。どの結合をドロップアウトさせるかは乱数で決定してもよいし、なんらかのアルゴリズムを用いて決めてもよい。
図15(a)に示すように、学習する画像が10枚(「1」から「10」)で、画像「2」を学習する場合、画像「2」に対応したニューロン(図15中で「2」と表記)の結合を確率pでドロップアウト(dropout)する。ドロップアウト(dropout)する結合を図15(b)に太線で示す。ただし、ニューロンの両方向(「2」のニューロンに接続された各線)に限定されるものではなく、前段方向(「2」のニューロンの左側の結合)のみや後段方向(「2」のニューロンの右側の結合)のみとしてもよい。
第6の実施の形態では、深層学習器2の複数の層間において、層を跨ぐ結合であるバイパスの経路(結合)r1または層を戻る結合であるフィードバックの経路(結合)r2を設ける。
第1の実施の形態の植物病診断システム1のCNN(深層学習器2)を用い、複数の画像について条件を変えてウイルス(黄化えそウイルス;MYSV)に感染した葉の学習及び識別実験を行った。以下、各条件での実験結果を示す。
識別率:93.0%
感度 :83.5%
特異度:95.9%
識別率: 83.1%
感度 : 50.2%
特異度: 92.9%
識別率: 91.8%
感度 : 75.3%
特異度: 96.6%
識別率: 77.1%
感度 : 0.0%
特異度: 100.0%
また、比較例(従来のCNN)では、すべての対象について「病気なし」と判定され、植物病診断システムとしての使用が困難であった。識別率の値が「77.1%」と高いのは、「病気なし」の入力画像が77%と多く、それらが正解判定されたためである。誤識別の原因としては、過学習が考えられる。
第1の実施の形態の植物病診断システム1のCNN(深層学習器2)を用い、複数の画像について条件を変えてウイルスに感染したことによって生じた植物病の学習及び識別処理を行った。ウイルスの種類は、MYSV(メロン黄化えそウイルス)、ZYMV(ズッキーニ黄斑モザイクウイルス)、CCYV(ウリ類退緑黄化ウイルス)、CMV(キュウリ緑斑モザイクウイルス)、PRSV(パパイヤ輪点ウイルス)、WMV(カボチャモザイクウイルス)、KGMMV(キュウリ緑斑モザイクウイルス)とした。図17に各条件での処理結果を示す。
条件:回転なし、反転なし、色相変化なし、平行移動なし、CNNの層構造は、畳込み層×3+全結合層×1(出力層)(図3の提案手法)
学習画像数:5490枚
正解率:50.1
感度(MYSV):41.3
感度(ZYMV):52.3
感度(CCYV):62.3
感度(CMV):29.4
感度(PRSV):38.0
感度(WMV):44.7
感度(KGMMV):48.1
特異度:70.3
条件:回転あり(データ拡張36倍)、反転なし、色相変化なし、平行移動なし、CNNの層構造は、畳込み層×3+全結合層×1(出力層)(図3の提案手法)
学習画像数:197640枚((実験0)に対し、36倍のデータ拡張倍率)
正解率:76.5
感度(MYSV):78.0
感度(ZYMV):75.0
感度(CCYV):92.2
感度(CMV):55.0
感度(PRSV):60.0
感度(WMV):75.0
感度(KGMMV):74.6
特異度:87.0
条件:回転あり(10度ずつ回転;データ拡張36倍)、反転あり(上下左右反転;データ拡張4倍)、色相変化なし、平行移動なし、CNNの層構造は、畳込み層×3+全結合層×1(出力層)(図3の提案手法)
学習画像数:790560枚((実験0)に対し、144倍のデータ拡張倍率)
正解率:78.3
感度(MYSV):82.7
感度(ZYMV):73.9
感度(CCYV):92.9
感度(CMV):57.0
感度(PRSV):68.4
感度(WMV):74.0
感度(KGMMV):77.3
特異度:88.4
条件:回転あり(10度ずつ回転;データ拡張36倍)、反転あり(上下左右反転;データ拡張4倍)、色相変化あり(データ拡張3倍)、平行移動なし、CNNの層構造は、畳込み層×3+全結合層×1(出力層)(図3の提案手法)
学習画像数:2371680枚((実験0)に対し、432倍のデータ拡張倍率)
正解率:78.9
感度(MYSV):82.0
感度(ZYMV):76.8
感度(CCYV):92.8
感度(CMV):52.5
感度(PRSV):72.0
感度(WMV):72.4
感度(KGMMV):72.0
特異度:92.4
条件:回転あり(10度ずつ回転;データ拡張36倍)、反転あり(上下左右反転;データ拡張4倍)、色相変化なし、平行移動なし、CNNの層構造は、畳込み層×4+全結合層×1(出力層)
学習画像数:790560枚((実験0)に対し、144倍のデータ拡張倍率)
正解率:81.1
感度(MYSV)83.4
感度(ZYMV):77.9
感度(CCYV):91.3
感度(CMV):66.3
感度(PRSV):75.8
感度(WMV):77.7
感度(KGMMV):76.0
特異度:90.6
条件:回転あり(10度ずつ回転;データ拡張36倍)、反転あり(上下左右反転;データ拡張4倍)、色相変化なし、平行移動あり(データ拡張5倍)、CNNの層構造は、畳込み層×4+全結合層×1(出力層)
学習画像数:3952800枚((実験0)に対し、720倍のデータ拡張倍率)
正解率:83.2
感度(MYSV):85.4
感度(ZYMV):79.3
感度(CCYV):92.5
感度(CMV):67.8
感度(PRSV):79.9
感度(WMV):81.5
感度(KGMMV):77.5
特異度:91.0
(実験2)と(実験3)(色相変化の追加)を比較すると、全体では0.6%の正解率向上であるが、効果は限定的となっている。
また、(実験2)と(実験4)の結果から、同じ画像データを用いた場合、畳込み層を3層から4層に増加させると、正解率が向上する効果が確認できる。更に、(実験4)と(実験5)(平行移動の追加)を比較すると全体で2.1%の正解率向上となり、平行移動の効果を確認できる。
2、2A、2B、2C・・・深層学習器
21・・・・・・・・・・・画像特徴データ
22・・・・・・・・・・・ドロップアウト処理部
3、3B・・・・・・・・・入力部
4、4A、4B・・・・・・解析部
5・・・・・・・・・・・・表示部
6・・・・・・・・・・・・前処理部
7・・・・・・・・・・・・設定部
71・・・・・・・・・・・設定データ
8・・・・・・・・・・・・カメラ機能付き携帯端末
9・・・・・・・・・・・・学習データ判定部
10・・・・・・・・・・・コンピュータ
101・・・・・・・・・・制御部
102・・・・・・・・・・記憶装置
103・・・・・・・・・・入力装置
104・・・・・・・・・・表示装置
105・・・・・・・・・・メディア入出力装置
106・・・・・・・・・・通信I/F
107・・・・・・・・・・周辺機器I/F
108・・・・・・・・・・GPS受信機
110・・・・・・・・・・GPU
11・・・・・・・・・・・カメラ機能付き携帯端末
12・・・・・・・・・・・通信ネットワーク
13・・・・・・・・・・・サーバ
30・・・・・・・・・・・カメラ
31・・・・・・・・・・・分割部
32・・・・・・・・・・・判定部
41・・・・・・・・・・・植物病分布算出部
conv1〜conv3・・畳込み層
fc1・・・・・・・・・・全結合層
pic・・・・・・・・・・入力画像(入力層)
51・・・・・・・・・・・探索窓
60・・・・・・・・・・・広域画像
60a〜60l・・・・・・局所領域の画像
65・・・・・・・・・・・植物病の分布
r1・・・・・・・・・・・バイパス経路(結合)
r2・・・・・・・・・・・フィードバック経路(結合)
Claims (14)
- 植物病の画像と対応する診断結果とを学習データとして複数取り込み、植物病に関する画像特徴データを作成し、保持する深層学習器と、
診断対象とする画像を入力する入力部と、
前記深層学習器を用いて、入力された画像がどの診断結果に分類されるかを識別する解析部と、
前記解析部により出力された診断結果を表示する表示部と、
を備え、
前記入力部は、
診断対象とする植物が含まれる広域画像を撮影するカメラにより撮影された広域画像を取得し、複数の局所領域の画像に分割する分割部と、
分割された各局所領域について前記解析部における識別の対象とするか否かを判定する判定部と、を備え、
前記解析部は、前記判定部により識別の対象と判定された局所領域の画像を診断対象として前記識別を行う
ことを特徴とする植物病診断システム。 - 前記表示部は、前記診断結果として、各局所領域の診断結果に基づいて算出される広域画像全体の植物病の分布を表示する
請求項1に記載の植物病診断システム。 - 前記深層学習器として畳込みニューラルネットワークを利用することを特徴とする請求項1または請求項2に記載の植物病診断システム。
- 前記学習データとして取り込まれた画像に対し、回転、移動、拡大縮小、色変化、ノイズ付加、ぼかし、高周波成分強調、及び歪みのうち少なくともいずれか1つまたは複数の画像処理を施し、取り込み画像数を増加させる前処理部を更に備え、
前記深層学習器は増加された画像を学習データとして利用することを特徴とする請求項1から請求項3のいずれかに記載の植物病診断システム。 - 前記学習データとして取り込まれた画像の色空間の次元を変換し、または次元数を削減する色空間変換部を更に備え、
前記深層学習器は、前記色空間変換部により変換されたデータを前記学習データに用いることを特徴とする請求項1から請求項4のいずれかに記載の植物病診断システム。 - 前記解析部は、入力された画像がどの診断結果に分類されるかを事後確率として出力することを特徴とする請求項1から請求項5のいずれかに記載の植物病診断システム。
- 当該植物病診断システムは、カメラ機能付き携帯端末に搭載されることを特徴とする請求項1から請求項6のいずれかに記載の植物病診断システム。
- 前記入力部は、ネットワークを介して通信接続されたカメラ機能付き携帯端末により撮影され送信された画像を前記診断対象として入力し、
前記解析部は前記診断結果を前記カメラ機能付き携帯端末に送信することを特徴とする請求項1から請求項6のいずれかに記載の植物病診断システム。 - 前記学習データに応じて前記深層学習器の素子間の結合のドロップアウト処理を適用することを特徴とする請求項1から請求項8のいずれかに記載の植物病診断システム。
- 前記深層学習器の層間にバイパスおよび/またはフィードバックの経路を設けることを特徴とする請求項1から請求項9のいずれかに記載の植物病診断システム。
- コンピュータが、
植物の画像と対応する診断結果とを学習データとして複数取り込み、植物病に関する画像特徴データを深層学習器を用いて作成し、保持するステップと、
診断対象とする画像を入力するステップと、
前記深層学習器を用いて、入力された画像がどの診断結果に分類されるかを識別するステップと、
前記診断結果を表示するステップと、
を含み、
前記入力するステップは、
診断対象とする植物が含まれる広域画像を撮影するカメラにより撮影された広域画像を取得し、複数の局所領域の画像に分割するステップと、
分割された各局所領域について識別の対象とするか否かを判定するステップと、を含み、
前記識別するステップは、識別の対象と判定された局所領域の画像を診断対象として前記識別を行う
ことを特徴とする植物病診断方法。 - 前記深層学習器の層間にバイパスおよび/またはフィードバックの経路を設けることを特徴とする請求項11に記載の植物病診断方法。
- コンピュータにより読み取り可能な形式で記述されたプログラムであって、
植物の画像と対応する診断結果とを学習データとして複数取り込み、植物病に関する画像特徴データを深層学習器を用いて作成し、保持するステップと、
診断対象とする画像を入力するステップと、
前記深層学習器を用いて、入力された画像がどの診断結果に分類されるかを識別するステップと、
前記診断結果を表示するステップと、
を含み、
前記入力するステップは、
診断対象とする植物が含まれる広域画像を撮影するカメラにより撮影された広域画像を取得し、複数の局所領域の画像に分割するステップと、
分割された各局所領域について識別の対象とするか否かを判定するステップと、を含み、
前記識別するステップは、識別の対象と判定された局所領域の画像を診断対象として前記識別を行う
処理をコンピュータに実行させるためのプログラム。 - 前記深層学習器の層間にバイパスおよび/またはフィードバックの経路を設けることを特徴とする請求項13に記載のプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015045540 | 2015-03-09 | ||
JP2015045540 | 2015-03-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016168046A JP2016168046A (ja) | 2016-09-23 |
JP6539901B2 true JP6539901B2 (ja) | 2019-07-10 |
Family
ID=56981629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016045492A Active JP6539901B2 (ja) | 2015-03-09 | 2016-03-09 | 植物病診断システム、植物病診断方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6539901B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10768584B2 (en) | 2017-06-26 | 2020-09-08 | International Business Machines Corporation | Cognitive plant clinic |
JP7029981B2 (ja) | 2018-03-01 | 2022-03-04 | 国立大学法人北海道大学 | 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
US10685231B2 (en) | 2016-10-31 | 2020-06-16 | Optim Corporation | Computer system, and method and program for diagnosing plants |
KR101933657B1 (ko) * | 2016-11-11 | 2019-04-05 | 전북대학교산학협력단 | 딥 러닝을 이용한 작물 병충해 검출 및 진단 방법 및 장치 |
KR101876397B1 (ko) * | 2016-11-23 | 2018-07-09 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
JP2018091640A (ja) * | 2016-11-30 | 2018-06-14 | 株式会社デンソー | 装置の検査装置、および、装置の検査方法 |
JP2018105659A (ja) * | 2016-12-23 | 2018-07-05 | 国立研究開発法人理化学研究所 | 識別装置、識別システム、学習装置、学習方法、識別プログラム、学習プログラム、記録媒体、及び集積回路 |
HUE052985T2 (hu) * | 2017-02-06 | 2021-06-28 | Bilberry Sas | Gyomirtó rendszerek és eljárások, vasúti gyomirtó jármûvek |
US11417089B2 (en) | 2017-03-23 | 2022-08-16 | Nec Corporation | Vegetation index calculation apparatus, vegetation index calculation method, and computer readable recording medium |
CN108881807A (zh) * | 2017-05-09 | 2018-11-23 | 富士通株式会社 | 用于对监控视频中的数据进行扩充的方法和装置 |
JP6307680B1 (ja) * | 2017-05-24 | 2018-04-11 | 節三 田中 | 植物の健康診断システム |
US10902577B2 (en) * | 2017-06-19 | 2021-01-26 | Apeel Technology, Inc. | System and method for hyperspectral image processing to identify object |
CN109406412A (zh) * | 2017-08-18 | 2019-03-01 | 广州极飞科技有限公司 | 一种植物健康状态监控方法及装置 |
JP6971453B2 (ja) * | 2017-10-13 | 2021-11-24 | 有限会社竹内園芸 | 苗データ生成システム、苗判別システム、苗データ生成プログラム、苗判別プログラム、苗データ生成装置、苗判別装置 |
JP7194410B2 (ja) * | 2017-12-08 | 2022-12-22 | 国立大学法人金沢大学 | 診断方法、プログラム、および診断装置 |
JP7170000B2 (ja) * | 2018-01-24 | 2022-11-11 | 富士フイルム株式会社 | 学習システム、方法及びプログラム |
JP7042092B2 (ja) * | 2018-01-26 | 2022-03-25 | 日本放送協会 | 画像情報変換器およびそのプログラム |
JP6961527B2 (ja) * | 2018-04-02 | 2021-11-05 | Kddi株式会社 | 情報処理装置、学習方法、及びプログラム |
CN110363210B (zh) * | 2018-04-10 | 2023-05-05 | 腾讯科技(深圳)有限公司 | 一种图像语义分割模型的训练方法和服务器 |
WO2020044480A1 (ja) | 2018-08-30 | 2020-03-05 | 株式会社エヌ・ティ・ティ・データCcs | 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム |
JP7070308B2 (ja) * | 2018-10-05 | 2022-05-18 | オムロン株式会社 | 推定器生成装置、検査装置、推定器生成方法、及び推定器生成プログラム |
AU2019360153A1 (en) | 2018-10-19 | 2021-05-20 | Climate Llc | Detecting infection of plant diseases by classifying plant photos |
JP7193979B2 (ja) | 2018-10-29 | 2022-12-21 | 富士フイルムヘルスケア株式会社 | 医用撮像装置、画像処理装置、および、画像処理方法 |
CN111178121B (zh) * | 2018-12-25 | 2023-04-07 | 中国科学院合肥物质科学研究院 | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 |
CN109754022B (zh) * | 2019-01-24 | 2023-06-13 | 河池学院 | 一种基于卷积神经网络的甘蔗胚芽分类系统 |
JP2020149307A (ja) * | 2019-03-13 | 2020-09-17 | 株式会社Ingen | 植物病名診断システム、サーバ装置及び植物の病気治療方法の決定方法 |
JP2020151270A (ja) * | 2019-03-20 | 2020-09-24 | 学校法人慶應義塾 | 関節状態値取得装置、関節状態学習装置、関節位置特定装置、関節位置学習装置、関節状態値取得方法、関節状態学習方法、関節位置特定方法、関節位置学習方法及びプログラム |
JP7339234B2 (ja) * | 2019-12-23 | 2023-09-05 | 住友化学株式会社 | 画像分類装置、画像分類方法及び画像分類モデルの生成方法 |
WO2021130816A1 (ja) * | 2019-12-23 | 2021-07-01 | 株式会社ナイルワークス | 散布システムおよび散布管理装置 |
KR102291164B1 (ko) * | 2019-12-31 | 2021-08-18 | 전남대학교산학협력단 | 최대화 또는 최소화 파라미터 수 딥러닝 구조가 적용된 잡초 판별 방법 |
IT202000001561A1 (it) * | 2020-01-28 | 2021-07-28 | Perleuve S R L | Metodo e sistema per il monitoraggio e/o il trattamento di ampelopatie in un vigneto. |
JP2021145557A (ja) * | 2020-03-16 | 2021-09-27 | 株式会社電通国際情報サービス | 罹病木診断システム、罹病木診断方法、及び罹病木診断プログラム |
CN111862190B (zh) * | 2020-07-10 | 2024-04-05 | 北京农业生物技术研究中心 | 自动测量离体植物软腐病斑面积的方法及装置 |
CN112149682B (zh) * | 2020-09-29 | 2023-08-15 | 青海大学 | 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 |
KR102543893B1 (ko) | 2020-11-24 | 2023-06-20 | 손정혁 | 모바일기기를 이용한 농작물의 단계별 장애요인 확인시스템 |
KR20220071586A (ko) | 2020-11-24 | 2022-05-31 | 손정혁 | 빅 데이터 기반의 온라인을 이용한 농작물의 병충해 확인방법 |
CN113096100B (zh) * | 2021-04-15 | 2023-08-22 | 杭州睿胜软件有限公司 | 用于植物病症诊断的方法和植物病症诊断系统 |
JP7216162B2 (ja) * | 2021-06-17 | 2023-01-31 | 楽天グループ株式会社 | ゴルフ場における芝健康状態判定システム、ゴルフ場における芝健康状態判定方法及びプログラム |
JP7248755B1 (ja) | 2021-09-10 | 2023-03-29 | みずほリサーチ&テクノロジーズ株式会社 | 学習データ生成システム、学習データ生成方法及び学習データ生成プログラム |
CN113688959B (zh) * | 2021-10-26 | 2022-02-18 | 寿光得峰生态农业有限公司 | 一种基于人工智能的植物病虫害诊断方法及系统 |
KR102482624B1 (ko) * | 2022-07-05 | 2022-12-30 | 주식회사 경일 | 이동식 배지통을 이용한 작물 생육 모니터링 시스템 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI435234B (zh) * | 2011-11-24 | 2014-04-21 | Inst Information Industry | Plant disease identification method, system and record media |
-
2016
- 2016-03-09 JP JP2016045492A patent/JP6539901B2/ja active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10768584B2 (en) | 2017-06-26 | 2020-09-08 | International Business Machines Corporation | Cognitive plant clinic |
JP7029981B2 (ja) | 2018-03-01 | 2022-03-04 | 国立大学法人北海道大学 | 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2016168046A (ja) | 2016-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6539901B2 (ja) | 植物病診断システム、植物病診断方法、及びプログラム | |
JP6946831B2 (ja) | 人物の視線方向を推定するための情報処理装置及び推定方法、並びに学習装置及び学習方法 | |
CN107169535B (zh) | 生物多光谱图像的深度学习分类方法及装置 | |
CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
CN111931764B (zh) | 一种目标检测方法、目标检测框架及相关设备 | |
JP2023504624A (ja) | 作物の被害を特定するためのシステム及び方法 | |
CN113728335A (zh) | 用于3d图像的分类和可视化的方法和系统 | |
CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
JP6270182B2 (ja) | 属性要因分析方法、装置、およびプログラム | |
CN107133496B (zh) | 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法 | |
CN110752028A (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
KR20190115713A (ko) | 다기능 신경망을 활용한 혈관탐지 및 망막부종진단 장치 및 그 방법 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN109801275B (zh) | 基于图像识别的马铃薯病害检测方法和系统 | |
CN110879982A (zh) | 一种人群计数系统及方法 | |
WO2021057395A1 (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
WO2022117772A1 (en) | System and method for determining damage on plants after herbicide application | |
Uryasheva et al. | Computer vision-based platform for apple leaves segmentation in field conditions to support digital phenotyping | |
CN112329818B (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
KR20170096924A (ko) | 다양한 컬러 공간에서 협동 얼굴 컬러 특징 학습 방법 및 장치 | |
CN116452494A (zh) | 基于自组织映射网络的无监督工业异常检测与定位方法 | |
CN110570417B (zh) | 肺结节分类装置及图像处理设备 | |
CN113032622A (zh) | 一种新型医学视频图像采集和数据管理系统 | |
Islam et al. | QuanCro: a novel framework for quantification of corn crops’ consistency under natural field conditions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170530 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20170530 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180529 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180727 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20181211 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190311 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190319 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20190325 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190507 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190522 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6539901 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |