NL2025810A - Method for classifying and evaluating nitrogen content level of brassica rapa subsp. oleifera (brsro) canopy - Google Patents
Method for classifying and evaluating nitrogen content level of brassica rapa subsp. oleifera (brsro) canopy Download PDFInfo
- Publication number
- NL2025810A NL2025810A NL2025810A NL2025810A NL2025810A NL 2025810 A NL2025810 A NL 2025810A NL 2025810 A NL2025810 A NL 2025810A NL 2025810 A NL2025810 A NL 2025810A NL 2025810 A NL2025810 A NL 2025810A
- Authority
- NL
- Netherlands
- Prior art keywords
- brsro
- hyperspectral
- foliage
- nitrogen
- nitrogen content
- Prior art date
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 130
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 43
- 235000006618 Brassica rapa subsp oleifera Nutrition 0.000 title 1
- 241001301148 Brassica rapa subsp. oleifera Species 0.000 title 1
- 230000003595 spectral effect Effects 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 241000196324 Embryophyta Species 0.000 claims abstract description 13
- 240000008100 Brassica rapa Species 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 6
- 235000011292 Brassica rapa Nutrition 0.000 claims abstract description 5
- 238000012935 Averaging Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 229910052736 halogen Inorganic materials 0.000 claims description 4
- 150000002367 halogens Chemical class 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims 1
- 229910052739 hydrogen Inorganic materials 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 238000000701 chemical imaging Methods 0.000 description 19
- 238000003384 imaging method Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 239000001752 chlorophylls and chlorophyllins Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/845—Objects on a conveyor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
Claims (1)
- CONCLUSIES1. Werkwijze voor het classificeren en evalueren van een stikstofgehalteniveau van een loof van Brassica rapa subsp. Oleifera (BRSRO), omvattende de volgende stap- pen: 1) het verkrijgen van hyperspectrale beeldmonsters van een BRSRO-plant met verschillende stikstofgradienten bij verschillende hoeken, en het markeren van de stikstof- gradienten van alle hyperspectrale beelden; 2) het uitvoeren van spectrale correctie op de ver- kregen hyperspectrale beeldmonsters, het segmenteren van de gecorrigeerde hyperspectrale beeldmonsters om hyper- spectrale data van BRSRO-loof te genereren, en het bewaren in .mat-format; 3) het willekeurig selecteren van de in stap 2) verkregen hyperspectrale data, het middelen van een spec- trum van een gebied dat vele malen willekeurig geselec- teerd is, het genereren van een dataset, het invoeren in een gestapelde autoencoder (SAE) neuraal netwerk voor trai- ning, en het afgeven van een spectraal kenmerk van het BRSRO-1oof onder de best kenmerkende eenheid, die een ba- sis voor het evalueren van een stikstofgehalte van het Loof van de in beeld gebrachte plant verschaft; 4) het verwerken van de te evalueren data volgens de stappen hierboven, het vormen van een voorspellingsda- taset van het BRSRO-loof op basis van verschillende stkstofgradienten onder de best kenmerkende eenheid ver- kregen na de training van het SAE-neurale netwerk, en het construeren van een voorspellingsmodel voor het stikstof- niveau van het BRSRO-loof op basis van het spectrale ken- merk door gebruik van een classificatie- en regressiebo- men (CART) algoritme;5) het verwerken van de te testen hyperspectrale data van het BRSRO-loof volgens stappen 2) en 3), het uit- voeren van categoriebepaling van een kenmerk en een stik- stofgradient op basis van het voorspellingsmodel, en het voltooien van de evaluatie van het stikstofgehalte in het plantenloof dat vertegenwoordigd wordt door het kenmerk.2. Werkwijze voor het classificeren en evalueren van een stikstofgehalteniveau van een BRSRO-loof volgens conclusie 1, waarbij in stap 1) de hyperspectrale beelden van het loof van de BRSRO-plant verkregen worden bij hoe- ken van 0°, 15° en 25°.3. Werkwijze voor het classificeren en evalueren van een stikstofgehalteniveau van een BRSRO-loof volgens conclusie 1, waarbij een standaard witbord en een donkere ruis worden gebruikt om de spectrale correctie uit te voe- ren op de gegenereerde hyperspectrale beelden volgens de volgende vergelijking:LB le = Tg x 100% waarbij I. een gecorrigeerd hyperspectraal beeld is; [, een verkregen origineel hyperspectraal beeld is; B een donker- stroombeeld is; W een witbeeld is dat genomen is van het standaard witbord, en W een stabiele hoge reflectiestan- daard onder een halogeenlamp vertegenwoordigt.4. Werkwijze voor het classificeren en evalueren van een stikstofgehalteniveau van een BRSRO-loof volgens conclusie 1, waarbij het SAE-neurale netwerk een invoer- laag, een verborgen laag en een afgiftelaag omvat; waarbij de invoerlaag een 1 x N-dimensionaal trainingsspectrum heeft, en invoer S is gedefinieerd als een set van S = {s{(l), s(2}, s(3), .., s(n)}, waarbij n = 1, 2, 3, .N; waarbij de verborgen laag een coderingsproces en een deco- deringsproces omvat; waarbij een eerste coderingslaag in- voerdata s(n) codeert als de volgende coderingslaag, die e(s) is, die is berekend als volgt:e(s) = Reluí(ws + De) waarbij ws een coderingsgewichtsmatrix is, be een coderings- afwijkingvector is die gebruikt wordt voor alle coderings- processen totdat het uiteindelijke coderingsproces het uit de invoer geextraheerde kenmerk produceert, Relu een acti- veringsfunctie is; waarbij deze {functie gebruikt wordt voor alle coderings- en decoderingsprocessen voor activa- tie; en het gecodeerde kenmerk gedecodeerd wordt als volgt: d(s) = Relu(wge(s) + bs) waarbij wa een decoderingsgewichtmatrix is, en ba een deco- deringsafwijkingvector is.5. Werkwijze voor het classificeren en evalueren van een stikstofgehalteniveau van een BRSRO-loof volgens conclusie 1, waarbij in stap 3) wanneer de hyperspectrale data willekeurig geselecteerd worden, een gemiddeld spec- trum gekozen in een willekeurig gebied van 4*4 pixels ge- bruikt wordt als een monster, en niet minder dan 4.000 spectrale data gegenereerd worden als dataset.6. Werkwijze voor het classificeren en evalueren van een stikstofgehalteniveau van een BRSRO-loof volgens conclusie 5, waarbij in stap 3) het monster gebruikt wordt als 1 x 120 vector; waarbij de vector invoer is voor het SAE-neurale netwerk om 200 keer getraind te worden en uit- eindelijk gecodeerd te worden in verschillende kenmerkende eenheden, zoals 1 x 100, 1 x 80, 1 x 60, 1 x 40, 1 x 20 en 1 x 5.7. Werkwijze voor het classificeren en evalueren van een stikstofgehalteniveau van een BRSRO-loof volgens conclusie 6, waarbij in stap 3) het aantal van 1 x 100 kenmerkende eenheden is gekozen als een evaluatiecriterium voor het stikstofniveau van BRSRO-loof.—-O-O-Oo-
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910764545.2A CN110555395A (zh) | 2019-08-19 | 2019-08-19 | 一种油菜冠层氮素含量等级分类评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| NL2025810A true NL2025810A (en) | 2021-02-24 |
| NL2025810B1 NL2025810B1 (en) | 2021-08-17 |
Family
ID=68737575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| NL2025810A NL2025810B1 (en) | 2019-08-19 | 2020-06-11 | Method for classifying and evaluating nitrogen content level of brassica rapa subsp. oleifera (brsro) canopy |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110555395A (nl) |
| NL (1) | NL2025810B1 (nl) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191543A (zh) * | 2019-12-20 | 2020-05-22 | 湖南城市学院 | 油菜产量估测方法 |
| CN112149712B (zh) * | 2020-08-19 | 2023-06-06 | 中国地质大学（武汉） | 一种高效的高光谱遥感数据压缩与分类模型的构建方法 |
| CN112084462B (zh) * | 2020-08-27 | 2023-06-23 | 江苏农林职业技术学院 | 一种基于数字图像的作物氮素营养指标估算模型评价方法 |
| CN112381756B (zh) * | 2020-09-30 | 2022-12-16 | 广东省科学院智能制造研究所 | 一种基于块平滑神经网络的高光谱数据分析方法和系统 |
| CN117197062A (zh) * | 2023-08-30 | 2023-12-08 | 武汉大学 | 一种基于rgb图像的叶片氮含量测量方法及系统 |
| CN117804547A (zh) * | 2024-01-17 | 2024-04-02 | 广州市建筑科学研究院集团有限公司 | 一种植株品质评价装置及其评价方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101424637A (zh) * | 2008-12-04 | 2009-05-06 | 浙江大学 | 一种油菜叶片氮素含量遥感估算模型方法 |
| CN103278467A (zh) * | 2013-05-07 | 2013-09-04 | 江苏大学 | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 |
| CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
| CN108898156A (zh) * | 2018-05-28 | 2018-11-27 | 江苏大学 | 一种基于高光谱图像的绿色青椒识别方法 |
-
2019
- 2019-08-19 CN CN201910764545.2A patent/CN110555395A/zh active Pending
-
2020
- 2020-06-11 NL NL2025810A patent/NL2025810B1/en not_active IP Right Cessation
Non-Patent Citations (2)
| Title |
|---|
| YU XINJIE ET AL: "Deep-learning-based regression model and hyperspectral imaging for rapid detection of nitrogen concentration in oilseed rape (Brassica napus L.) leaf", CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, vol. 172, 19 December 2017 (2017-12-19), pages 188 - 193, XP002802006, ISSN: 0169-7439, DOI: 10.1016/j.chemolab.2017.12.010 * |
| YU XINJIE ET AL: "Nondestructive Freshness Discriminating of Shrimp Using Visible/Near-Infrared Hyperspectral Imaging Technique and Deep Learning Algorithm", FOOD ANALYTICAL METHODS, SPRINGER NEW YORK LLC, US, vol. 11, no. 3, 5 October 2017 (2017-10-05), pages 768 - 780, XP036410918, ISSN: 1936-9751, [retrieved on 20171005], DOI: 10.1007/S12161-017-1050-8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110555395A (zh) | 2019-12-10 |
| NL2025810B1 (en) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| NL2025810B1 (en) | Method for classifying and evaluating nitrogen content level of brassica rapa subsp. oleifera (brsro) canopy | |
| Qureshi et al. | Machine vision for counting fruit on mango tree canopies | |
| Ramesh et al. | Plant disease detection using machine learning | |
| Zhao et al. | Detecting tomatoes in greenhouse scenes by combining AdaBoost classifier and colour analysis | |
| KR101830056B1 (ko) | 딥러닝 기반의 병해 진단 시스템 및 그 이용방법 | |
| Kim et al. | Classification of grapefruit peel diseases using color texture feature analysis | |
| Al-Hiary et al. | Fast and accurate detection and classification of plant diseases | |
| CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
| CN110348357B (zh) | 一种基于深度卷积神经网络的快速目标检测方法 | |
| Agrawal et al. | Grape leaf disease detection and classification using multi-class support vector machine | |
| CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
| Banerjee et al. | Precision Agriculture: Classifying Banana Leaf Diseases with Hybrid Deep Learning Models | |
| KR101687217B1 (ko) | 인터벌 타입-2 rbf 신경회로망 기반 ct 기법을 이용한 강인한 얼굴 인식 패턴 분류 방법 및 이를 실행하기 위한 시스템 | |
| CN115294404A (zh) | 一种基于随机森林算法的底栖动物高光谱数据分类方法 | |
| Sakhamuri et al. | RETRACTED: An Overview on Prediction of Plant Leaves Disease using Image Processing Techniques | |
| Sehree et al. | Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery | |
| Aravind et al. | Classification of healthy and rot leaves of apple using gradient boosting and support vector classifier | |
| Lucca et al. | Applying aggregation and pre-aggregation functions in the classification of grape berries | |
| Moshou et al. | Crop and weed species recognition based on hyperspectral sensing and active learning | |
| Das et al. | Detection of diseases on visible part of plant—A review | |
| Zhang et al. | Iris image classification based on color information | |
| Jumarlis | Detecting Diseases on Clove Leaves Using GLCM and Clustering K-Means | |
| Al Haque et al. | A computer vision system for bangladeshi local mango breed detection using convolutional neural network (cnn) models | |
| Liu et al. | Green plant segmentation in hyperspectral images using SVM and hyper-hue | |
| US20240185419A1 (en) | Systems and processes for automated detection and characterization of skin features using machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM | Lapsed because of non-payment of the annual fee |
Effective date: 20230701 |