【笔记】基于轻量和积网络及无人机遥感图像的大豆田杂草识别

最新推荐文章于 2024-06-18 21:01:26 发布
最新推荐文章于 2024-06-18 21:01:26 发布
阅读量841 收藏 9
点赞数 3
分类专栏： 文献笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/YaoYee_21/article/details/109472557
版权

在这里插入图片描述

《基于轻量和积网络及无人机遥感图像的大豆田杂草识别》

单位：吉林大学计算机科学与技术学院
作者：王生生

数据获取

设备：大疆 DJI 精灵3
相机：EXMOR 1/2.3 RGB 相机
拍照：飞行高度4m，上午8点至10点之间，每周拍一次
照片：最大分辨率 4000pixel×3000 pixel，JPG 格式
注：数据使用在 Mendeley 平台公开的大豆杂草数据集。

建模流程

在这里插入图片描述

模型评价

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

猜你喜欢：👇🏻
⭐【笔记】基于边缘检测和BP神经网络的大豆杂草识别研究
⭐【笔记】基于低空无人机影像和 YOLOv3 实现棉田杂草检测

在这里插入图片描述

YaoYee_7
关注
  • 3
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
无人机图像深度学习的大豆害虫检测与分类
慕云
11-25 1994
无人机图像深度学习的大豆害虫检测与分类 1、研究内容 实验比较了Inception-v3, Resnet-50, VGG-16, VGG-19 and Xception ，用了微调和迁移学习。 2、创新方法 采用SLIC超像素方法分割图像中的害虫。SLIC方法采用k-means算法生成类似的区域，称为超像素。 该方法包括五个步骤: (1)图像采集 (2)切片分割 (3)图像数据集 (4)特征学习 (5)害虫分类。 3、实验内容 使用了两种不同的方法收集实验场中存在的害虫的图像。使用作为Keras模块的一部分
【笔记】基于边缘检测和BP神经网络的大豆杂草识别研究
YaoYee_21的博客
11-06 661
首先采用改进后的Canny算法对图像进行特征提取，然后将提取到的结果转化为特征矩阵向量，作为BP神经网络的输入层，最后通过BP神经网络进行大豆杂草图像识别，区分出不同种类的杂草。
【目标检测数据集】大豆质量品质分类检测数据集5400张5类别VOC+YOLO格式
lwx666sl的博客
06-18 1117
特等大豆色泽鲜亮，粒形整齐，无损伤、裂纹、霉斑等，蛋白质含量高，含水量和杂质率均控制在较低水平。标注类别名称:["Broken_Soybeans","Immature_Soybeans","Intact_Soybeans","Skin_damaged_Soybeans","Spotted_Soybeans"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注数量(txt文件个数)：5401。
YOLO植物识别：大豆杂草数据集
m0_73878864的博客
01-16 775
大豆杂草数据集：1300多张，包含大豆和杂草两类，标注完整，未应用数据增强，已经划分好，直接训练。
纵览轻量化卷积神经网络SqueezeNet，MobileNet，ShuffleNet
dl_007的博客
10-29 794
1. SqueezeNet 具体如下图所示：   Fire module 输入的 feature map 为 H*W*M 的，输出的 feature map 为 H*M*(e1+e3)，可以看到 feature map 的分辨率是不变的，变的仅是维数，也就是通道数，这一点和 VGG 的思想一致。 SqueezeNet提出了3点网络结构设计策略： 策略 1.将3x3卷积核替换为1x1卷...
一个强大的玉米/大豆杂草数据集-目标检测与分割
weixin_45208996的博客
11-07 452
一个强大的玉米/杂草数据集
《基于神经网络的监督和半监督学习方法与遥感图像智能解译》读书笔记模板.pptx
09-16
本资源摘要信息是基于神经网络的监督和半监督学习方法与遥感图像智能解译读书笔记模板，主要介绍了基于神经网络的监督和半监督学习方法的理论和应用，以及遥感图像智能解译的实际问题和解决方案。 一、监督学习方法...
深度学习基于卷积神经网络实现的猫狗图像分类识别项目源码+数据集+教程.zip
12-01
深度学习基于卷积神经网络实现的猫狗图像分类识别项目源码+数据集+教程.zip附带自己的深度学习学习笔记，大作业文档以及相关答辩PPT。由于数据集中图片数量太多，所以将图片数据打包存在了 cats_and_dogs.zip 里面。...
猫狗数据集+基于卷积神经网络实现的猫狗图像分类项目源码+深度学习笔记答辩PPT.zip
06-22
猫狗数据集+基于卷积神经网络实现的猫狗图像分类项目源码+深度学习笔记答辩PPT+大作业文档。 由于数据集中图片数量太多，所以将图片数据打包存在了 cats_and_dogs.zip 里面。 该数据集包含25000张猫狗图像(每个类别...
基于OpenCV和C++的水果识别、Qt界面、颜色识别、边缘检测、图像处理+源代码+文档说明.zip
最新发布
06-19
基于OpenCV和C++的水果识别、Qt界面、颜色识别、边缘检测、图像处理+源代码+文档说明.zip个人大三学期的期末大作业、经导师指导并认可通过的高分大作业设计项目，评审分98分。主要针对计算机相关专业的正在做大作业...
基于深度学习resnet50的垃圾图像识别 完整代码+数据 毕业设计 可直接运行
03-14
模型的训练需要用生成器将数据集循环写入内存，同时图像增强以泛化模型 使用不包含网络输出部分的resnet50权重文件进行迁移学习，只训练我们在5个stage后增加的层 安装教程 需要的第三方库主要有tensorflow1.x，...
大豆病害检测数据集.zip
06-17
大豆病害检测数据集.zip 豆类是许多小农种植的非洲重要的谷物粮食作物——它们是东非学龄儿童的重要蛋白质来源。 数据是代表 3 类的叶子图像：健康类图像和两个疾病类，包括角叶斑病和豆锈病。该模型应该能够以高精度区分这三个类别。
【笔记】基于低空无人机影像和 YOLOv3 实现棉田杂草检测
YaoYee_21的博客
11-03 1323
首先，利用无人机平台获取 0.10、0.29、0.52 cm 分辨率的棉花苗期影像，进行正射校正、拼接、裁剪、标注等前期处理，构建 3 个数据集；其次，通过目标维度聚类、改进模型结构等方法优化 YOLOv3 网络模型；最后通过对比分析测试结果得到最优模型和最佳分辨率。
ML_12 Sum-Produkt Networks 和积网络
w317672256的博客
07-29 685
他的特别指出：目标是概率的建模： 概率分布完整表达 边缘概率和模型更有效率的计算 边缘效率和模型更有效率的学习 对概率模型的要求： 更有效率的推理 理解性更强 ->现在他只能有一定条件的满足 概率模型的种类 bayessches Netz 一定的相关性 推导NP（非确定性算法，需要把问题分解成猜测和验证两部分，同时多项式时间可以解决所以加了一个C） Markov Netz是相关性 Sum-...
深度学习基础--不同网络种类--和-积网络(sum—product network)
wydbyxr的博客
11-09 3245
和–积网络(sum—product network)   这种模型是基于和积运算的。   深度学习最主要的困难是配分函数的学习，如何选择深度结构神经网络的结构使得配分函数更容易计算。就此，Poon等人提出一种新的深度模型结构----和–积网络(sum—product network，SPN)，引入多层隐单元表示配分函数，使得配分函数更容易计算。 网络结构   SPN是有根节点的有向无环图，图中的叶...
文献阅读 - Sum-Product Networks: A New Deep Architecture
Always On The Way
12-23 1109
Sum-Product Networks: A New Deep Architecture H. Poon, P. Domingos, Sum-Product Networks: A New Deep Architecture, ICCV (2011), Best Paper 摘要 图模型（graphical model）推理（inference）和学习（learning）的主要制约因素（ke...
最新的农业相关数据集
qq_40481602的博客
12-04 1264
最新的农业相关数据集：涉及昆虫目标检测、作物与杂草识别、多生长阶段识别、分层识别、多模态（图片、基因序列、文本）等
利用无人机图像进行大豆田杂草检测的实例分割方法
毕竟是Shy哥
11-09 501
作物杂草检测是精确农业的一个新领域，它可以区分理想和不理想的作物。准确、高效的杂草检测与识别是精确杂草治理的基础。本研究提出一种结合可见颜色指数与基于编码器和解码器架构的实例分割方法的新方法。该方法解决了杂草和大豆作物密集分布中杂草的准确检测和分割的难题。色彩指数的设计是为了突出植物和土壤之间的对比，以减轻光照和背景的影响，而将ResNet101_v和DSASPP集成到编解码框架中，可以增强多尺度语义信息的提取能力，提高杂草patch边界分割的准确性。
基于ResNet50的杂草检测
tyj20021201的博客
01-10 1169
杂草是农业经营中不受欢迎的入侵者，它们通过窃取营养、水、土地和其他关键资源来破坏种植，这些入侵者会导致产量下降和资源部署效率低下。我们的目标是利用计算机视觉技术可以自动检测杂草的存在，开发一种只在杂草上而不是在作物上喷洒农药的系统，并使用针对性的修复技术将其从田地中清除，从而最小化杂草对环境的负面影响。然后，使用这些预测概率与真实标签之间的差异来计算损失。启动Jupypter 服务，一般推荐使用Python3环境进行，但后面会用到Torch包，这边可以直接使用PyTorch环境，避免后面出现导包错误。
《轮机工程专业计算机网络技术及应用全面解析笔记》
计算机网络技术及应用是一个涉及多方面知识的领域，它旨在将分散在不同地理位置的计算机系统连接起来，实现资源共享和协调工作的系统。在本人专业（轮机工程）的限选科目中，深入学习了计算机网络技术及应用的知识，...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值