【笔记】Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural ne

最新推荐文章于 2022-06-06 17:57:53 发布
最新推荐文章于 2022-06-06 17:57:53 发布
阅读量224 收藏
点赞数
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/110244948
版权

在这里插入图片描述

《Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks》

背景

目前主要是将叶片从田间采集后在实验室进行拍照
用相机对着冠层拍照难以适应大规模的病虫害监测

创新点

没人利用无人机识别分类真实场景下的大豆病害
没人比较不同的参数对于迁移学习权重微调的影响

数据获取

设备：大疆精灵3
飞行高度：2米
图片格式：DNG
原始照片数量：300张（不同生长期，光照，背景，目标尺寸）

模型构造

在这里插入图片描述

无人机图像，超像素分割，单张叶片打标签构建数据集，训练卷积神经网络

超像素分割
原始图像尺寸4000×3000像素，2米拍的照片中一张叶片尺寸大概6000像素，这样就把图片分为2000份，最终获得3000张超像素照片，每类500张

识别问题转分类问题

使用4中经典网络进行迁移学习，其中参数微调大小做对比

在这里插入图片描述

精度评价

单张叶片的平均分类精度

在这里插入图片描述

识别效果

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】基于轻量和积网络及无人机遥感图像的大豆田杂草识别

在这里插入图片描述

YaoYee_7
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SoyNet:大豆叶部病害分类（研究思路清晰）
慕云
04-25 858
1、研究思路 提出了一种计算机视觉方法来解决这些挑战。提议的方法包括两个模块。第一个模块通过减去复杂背景从整个图像中提取叶子部分。第二个模块介绍了一种深度学习卷积神经网络(CNN)，SoyNet，用于利用分割的叶片图像识别大豆植物病害。所有的实验都是在“植物病害症状图像数据库”上进行的，共有16个类别。该模型识别准确率为98.14%，具有良好的查准率、查全率和f1评分。该方法还与三种基于手工特征的先进方法和六种常用的深度学习CNN模型进行了比较，即VGG19、GoogleLeNet、Dense121、Xce
基于深度卷积神经网络的玉米病害识别
慕云
10-04 2365
基于深度卷积神经网络的玉米病害识别 1、研究思路 算法模型是先将图像预处理，应用Tripletloss双卷积神经网络结构学习玉米图像特征，再使用SIFT算法提取图像纹理细节，最后通Softmax对图像进行标签分类。训练集采用正常玉米图像与玉米病害图像相结合的方式，使用深度相似性网络学习正常玉米图像特征表示，再使用迁移学习方法学习玉米病害图像的特征，最后对特征进行分类识别。 2、图像预处理 预处理负责图像降噪，调节白平衡，图像均值化等操作，保证图像数据规一化。再使用Faster-RCNN多目标检测算法，快速定
深度学习多模态融合_基于多模态数据融合和深度学习的无人机大豆产量预测
weixin_39632698的博客
01-05 1029
点击蓝色字免费订阅，每天收到这样的好资讯本文的目的是评估在深度神经网络(DNN)框架下，利用RGB、多光谱和热传感器基于无人机的多模态数据融合来估算大豆产量的能力，植物表型资讯介绍如下：作物收获前产量预测是作物政策制定和作物安全的关键。在田间或小区尺度上对产量的早期估计有助于高通量植物表型分析和精准农业。无人机(UAV)平台和传感器技术的最新发展可以通过在高空间和高光谱分辨率下同时进行多...
Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition
h__ang的博客
06-09 5798
论文名：Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition 中文名：脉冲卷积神经网络做高效的目标识别 摘要 深度神经网络（如CNN）已经在处理复杂的视觉问题（如目标识别）上展示了巨大的潜力。基于SNN的结构展示了使用基于脉冲的神经形态硬件实现低功耗的巨大潜力，这项工作描述了一种将CN...
Vehicle Color Recognition using Convolutional Neural Network
既然选择了远方 便只顾风雨兼程 - 永强
12-05 2417
Vehicle Color Recognition using Convolutional Neural Network Reza Fuad Rachmadi, I Ketut Eddy Purnama Department of Multimedia and Networking Engineering, Institut Teknologi Sepuluh Nopember, Surabaya...
Pape之DL之CNN：2019《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》翻译并解读第四章
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
11-08 9845
Pape之DL之CNN：2019《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》翻译并解读第四章：深度卷积神经网络的最新架构综述更新中……
论文阅读笔记之——《Blind Image Quality Assessment Using A Deep Bilinear Convolutional Neural Network》
gwpscut的博客
07-10 3328
论文：https://arxiv.org/pdf/1907.02665.pdf 本文采用高阶特征做图像质量评鉴 propose a deep bilinear model for blind image quality assessment (BIQA) that handles both synthetic and authentic distortions（合成失真、真实失真）. 网络由...
ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks
xu.hyj
06-06 3367
本文针对SENet通道注意力中降维产生的副作用进行了分析，为了克服副作用提出了ECA高效通道注意力，增加非常少的参数且获得了很好的表现。下图是SEnet中通道注意力，中间c/r就是通道降维了。 下图是ECA： SEnet通道注意力中有降维操作，这会破坏通道间的直接交流，产生的通道权重不够好。但是如果不降维那这样的全连接会导致参数量暴涨。所以作者设计一个ECA，在不降维的情况下，控制参数量，实现高效高表现的通道注意力。应该不是吧，SENet中也提到为了平衡效果和参数量，中间进行了c/r的降维，所以SEnet应
细粒度论文笔记《The application of two-level attention models in deep convolutional neural network for FGVC》
小星星专栏
12-19 3066
这篇文章是2015年的，作者使用提出了两级注意力的方法，来进行细粒度分类。 以鸟类分类为例。作者在object-level和part-level两个级别分别对鸟进行分类，将得到的分数相加综合后得到最后的分类结果。 上图是鸟分类在object-level的一个流程图，先用selective search从原始图片中提取大量的patch,然后使用ImageNetI 的LSVRC竞赛使用的Ale...
A cascaded deep convolutional network for vehicle logo recognition from frontal and rear images of vehicles
02-11
A cascaded deep convolutional network for vehicle logo recognition from frontal and rear images of vehicles
ImageNet Classification with Deep Convolutional Neural Network
02-06
深度卷积神经网络（Deep Convolutional Neural Networks, CNN）** CNN是一种专门处理图像数据的神经网络结构，其核心在于卷积层和池化层。卷积层通过可学习的滤波器来检测图像特征，而池化层则用于降低数据维度，...
论文研究-Fine-tuning and visualization of Convolutional Neural Networks.pdf
08-16
卷积神经网络的微调和可视化，尹相楠，陈伟海，图像识别是计算机视觉领域的一个重要研究方向，近年来随着卷积神经网络的应用，该领域的研究不断取得最新进展。然而为了训练一个
Speech Recognition Using Deep Neural Networks A Systematic Review.pdf
03-31
Speech Recognition Using Deep Neural Networks: A Systematic Review ALI BOU NASSIF
Violence recognition using convolutionalneural network: A survey
09-01
Violence recognition using convolutionalneural network: A survey
【笔记】基于 Mask R-CNN 的玉米田间杂草检测方法
YaoYee_21的博客
11-06 1353
该方法采用残差神经网络ResNet-101 提取涵盖杂草语义、空间信息的特征图; 采用区域建议网络对特征图进行杂草与背景的初步二分类、预选框回归训练， 利用非极大值抑制算法筛选出感兴趣区域; 采用区域特征聚集方法( ＲoIAlign) ， 取消量化操作带来的边框位置偏差， 并将感兴趣区域( ＲoI) 特征图转换为固定尺寸的特征图; 输出模块针对每个 ＲoI 计算分类、回归、分割损失， 通过训练预测候选区域的类别、位置、轮廓， 实现杂草检测及轮廓分割。
【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 1321
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。
【笔记】基于Faster R-CNN的除草机器人杂草识别算法
YaoYee_21的博客
11-06 1175
首先使用快速区域卷积神经网络（Faster R-CNN）算法训练初始化模型，然后通过在网络池化层后添加生成对抗网络（GAN）噪声层来提高网络的鲁棒性
【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
YaoYee_21的博客
11-03 841
该文改进传统和积网络的学习过程，提出一种以小批量数据作为输入的轻量和积网络。在结构学习中，当积节点作用域内的变量个数小于一定阈值时，合并积节点为多元叶节点，否则将积节点重组为和积混合结构，并对边缘节点进行裁剪，有效降低了模型的参数量和复杂度。在参数学习中，提出贝叶斯矩匹配更新网络参数，使得模型对小样本的学习效率更高。最后结合 K 均值聚类算法应用于无人机图像中的杂草识别。
Very Deep Convolutional Networks for Large-Scale Image Recognition" by Karen Simonyan and Andrew Zisserman (2014)
最新发布
05-12
"Very Deep Convolutional Networks for Large-Scale Image Recognition" is a research paper by Karen Simonyan and Andrew Zisserman, which was published in 2014. The paper introduces the architecture of ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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