-
公开(公告)号：CN116152198A
公开(公告)日：2023-05-23
申请号：CN202310149965.6
申请日：2023-02-22
申请人： 淮阴工学院
IPC分类号： G06T7/00 , G06N3/08 , G06N3/084 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464
摘要： 本发明公开了一种基于Wave‑SubNet轻量级模型的番茄叶斑病识别方法，预先获取的番茄叶斑病数据图片，人工进行病斑图片分类并制作成数据集，再对数据集的病斑图像进行预处理；构建基于Wave‑SubNet轻量级模型的番茄叶斑病识别网络模型，包括初步特征提取模块，两个Sub模块组成和四个Wave模块；在Sub模块和Wave模块结尾加入改进的注意力机制，并且对Sub和Wave模块进行堆叠；训练已经构建好的网络模型，将训练好的模型用于测试网络中，最终通过softmax激活函数输出分类结果，并多次迭代训练模型去得到最好的模型权重。本发明提出模型识别率高、模型结构简单、具有很大的实际运用价值，在农业作物叶片病虫害识别领域具有较大的前景。
-
公开(公告)号：CN114973005A
公开(公告)日：2022-08-30
申请号：CN202210740190.5
申请日：2022-06-28
摘要： 本发明公开了一种基于RePMMS‑Net的绿豆叶斑病识别方法，预先获取绿豆叶斑病图像，通过人工标注制作绿豆叶斑病数据集；构建并行多分支多尺度卷积核模块PMMS，并重复使用PMMS模块，进行特征重复学习，得到最终图像的特征向量；将图像的特征向量输入全局平均池化层，输出最终的特征向量作为softmax分类器的输入；构建softmax分类器，将输入的特征向量转化为关于类别的概率向量输出；构建RePMMS‑Net网络模型，并训练该网络，即通过不断迭代前向传播过程、反向传播过程优化网络的参数；使用训练好的RePMMS‑Net网络模型对测试图像中的目标进行识别。本发明提出的病斑识别模型，能充分挖掘图像中的特征；增强了模型的适应性，提高了分类精度，具有良好的泛化性能和较好的鲁棒性。
-
公开(公告)号：CN116030348B
公开(公告)日：2024-10-25
申请号：CN202310033251.9
申请日：2023-01-10
IPC分类号： G06V20/10 , G06V10/774 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/084
摘要： 本发明提供了一种基于LS‑YOLOv5网络的绿豆叶斑病病斑检测方法及装置，使用labelimg标注工具对预先获取的原始叶片图像进行标注；采用Mosaic数据增强算法对原始叶片图像进行数据预处理；并划分为训练集、验证集和测试集；构建LS‑YOLOv5叶斑病检测网络，其中的Backbone中均使用B‑CSP模块；Backbone中的最后一个CBL模块后面添加D‑SPP模块；Backbone中的D‑SPP模块前添加ECA注意力模块；Neck搭建方式采用原YOLOv5算法模型相同的方式搭建；训练LS‑YOLOv5叶斑病检测网络，将经过预处理后的叶斑病训练集通过搭建好的LS‑YOLOv5叶斑病检测网络，获得用于叶斑病检测的LS‑YOLOv5模型预训练权重；将待检测叶斑病图片输入最优权重模型进行叶斑病检测。本发明可用于绿豆叶斑病检测，网络体积小，检测效率高，具有较好的鲁棒性与广泛的应用价值。
-
公开(公告)号：CN116342488A
公开(公告)日：2023-06-27
申请号：CN202310149982.X
申请日：2023-02-22
申请人： 淮阴工学院
IPC分类号： G06T7/00 , G06V10/56 , G06V10/44 , G06V10/20 , G06V10/764
摘要： 本发明提供了一种基于普通叶片灰度值的绿豆叶斑病识别方法，获取用于验证和测试的绿豆叶片数据集，并且对数据集进行图像预处理；提取叶片图像的灰度值，根据叶片、病斑和背景灰度值的不同来处理图片并提取轮廓，获取到分类所需的病斑图和叶片图及其所占面积，再进行一些细节处理将图像的断点闭合，检测叶片轮廓凹陷并补全凹陷轮廓，减少面积读取错误的情况，获取更为准确的病斑与叶片面积；通过病斑面积占叶片总面积的比值来对叶片图像进行分类，将普通叶片图像分类至高抗、抗、中抗、中感、感病五个类别之中。本发明能够对绿豆叶斑病斑大小占比进行有效的提取并进行病级分类，识别率高，且具有较好的鲁棒性与广泛的应用价值。
-
公开(公告)号：CN116342487A
公开(公告)日：2023-06-27
申请号：CN202310149978.3
申请日：2023-02-22
IPC分类号： G06T7/00 , G06V10/82 , G06N3/08 , G06N3/0464
摘要： 本发明公开了一种基于叶绿素荧光成像及DB‑YOLOv7的绿豆叶斑病检测方法，预先获取绿豆叶斑病图像，通过人工标注制作绿豆叶斑病数据集，并划分为训练集、验证集和测试集；构建基于DB‑YOLOv7的绿豆叶斑病检测模型；在YOLOv7模型的基础上重构了SPPCSPC模块，使其能够更有效的捕捉有效信息，增强对小病斑的提取能力；其次引入了GFPN模块并在其基础上进行了改进，缩短了高层级与低层级之间的距离，解决了路径过长导致的特征丢失问题；另外引入了CA注意力机制模块，提高了模型的鲁棒性；基于训练集和验证集对DB‑YOLOv7模型进行训练和评价；将所述测试集图像输入至训练后的DB‑YOLOv7模型进行识别，实现绿豆叶斑病检测。本发明能够有效地提高绿豆叶斑病检测的精度，具有广阔的应用前景。
-
公开(公告)号：CN116030348A
公开(公告)日：2023-04-28
申请号：CN202310033251.9
申请日：2023-01-10
IPC分类号： G06V20/10 , G06V10/774 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/084
摘要： 本发明提供了一种基于LS‑YOLOv5网络的绿豆叶斑病病斑检测方法及装置，使用labelimg标注工具对预先获取的原始叶片图像进行标注；采用Mosaic数据增强算法对原始叶片图像进行数据预处理；并划分为训练集、验证集和测试集；构建LS‑YOLOv5叶斑病检测网络，其中的Backbone中均使用B‑CSP模块；Backbone中的最后一个CBL模块后面添加D‑SPP模块；Backbone中的D‑SPP模块前添加ECA注意力模块；Neck搭建方式采用原YOLOv5算法模型相同的方式搭建；训练LS‑YOLOv5叶斑病检测网络，将经过预处理后的叶斑病训练集通过搭建好的LS‑YOLOv5叶斑病检测网络，获得用于叶斑病检测的LS‑YOLOv5模型预训练权重；将待检测叶斑病图片输入最优权重模型进行叶斑病检测。本发明可用于绿豆叶斑病检测，网络体积小，检测效率高，具有较好的鲁棒性与广泛的应用价值。
-
公开(公告)号：CN114972264A
公开(公告)日：2022-08-30
申请号：CN202210598574.8
申请日：2022-05-30
摘要： 本发明提供了一种基于MS‑PLNet模型绿豆叶斑病识别方法及装置，包括以下步骤：(1)获取用于训练、验证和测试的绿豆叶片数据集，并且对数据集进行图像预处理；(2)构建用于绿豆叶斑病识别的MS‑PLNet网络模型，模型中的骨干网络使用普通卷积和改进的深度可分离卷积进行搭建，并在搭建过程中进行通道数先增加再减少最后再增加的三阶段策略，减小网络参数；在特征融合阶段使用通道注意力机制，根据通道的重要程度，关注重要通道，抑制冗余通道；(3)使用搭建的模型进行训练，获得用于绿豆叶斑病检测的分类器。本发明可用于绿豆叶斑病和其他农作物叶斑病的检测，识别率高，且具有较好的鲁棒性与广泛的应用价值。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.02 秒)
