Jul, 2007

使用概率神经网络进行植物分类的叶片识别算法

PDF
TL;DR使用概率神经网络、图像和数据处理技术实现了通用自动叶子识别算法，提取了 12 种叶子特征，并将其正交化为 5 个主变量作为 PNN 的输入向量，通过 1800 次叶子的训练，可以对 32 种植物进行分类，准确率高达 90% 以上，和其他方法相比，该算法具有快速执行和易于实现的特点。
probabilistic neural networkautomated leaf recognitionimage processingdata processingartificial intelligence
发现论文，激发创造
  • 利用多个数据集进行深度叶片计数

    通过深度学习方法，提出将叶数计数作为回归问题进行直接预测，避免叶子实例分割的耗时问题，并证明结合多个数据集进行训练可以获得更好的结果。在 CVPPP 2017 叶数计数挑战数据集上，相较于之前的获胜者，该方法能够提高至少 50% 的测试结果，并且在不知道数据实验来源的情况下取得了良好的性能。

    Sep, 2017

  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • 深度学习中的马铃薯叶病分类：卷积神经网络方法

    该研究使用卷积神经网络（CNN）通过深度学习对马铃薯叶病进行分类。实验结果显示，该 CNN 模型在识别早疫病、晚疫病和健康叶片三种马铃薯叶病时具有高达 99.1% 的整体准确率，可在严重感染情况下准确识别不同类型的病变，为马铃薯病害的有效管理和自动化防治提供了潜力。

    Nov, 2023

  • 植物叶片病害的深度学习检测综述

    该研究论文通过深度学习模型系统综述了叶病害诊断领域的多种叶病害基于叶片的模型，包括 Vision Transformer (ViT)、Deep convolutional neural network (DCNN)、Convolutional neural network (CNN)、Residual Skip Network-based Super-Resolution for Leaf Disease Detection (RSNSR-LDD)、Disease Detection Network (DDN) 和 You only look once (YOLO) 等。研究表明，针对叶病害的深度学习模型被应用于多个公开数据集，研究使用了准确率、精确率、召回率等不同的性能指标来比较模型的表现。

    Aug, 2023

  • ViTaL：一种使用视觉变换器和线性投影进行叶片图像自动植物病害识别的先进框架

    我们的研究论文引入了一个鲁棒的框架，用于自动识别植物叶片图像中的疾病。该框架包括多个关键阶段，以提高疾病识别的准确性，并通过引入图像预处理、特征提取等技术进行性能评估。这项研究为农业领域提供了宝贵的洞见和工具，以实现植物疾病的早期检测和管理，从而可能提高作物产量和增强食品安全。

    Feb, 2024

  • 深度学习在叶片图像中植物识别和病害分类的应用：多预测方法

    通过对植物病理学方面的当前深度学习方法进行调研和现有机器学习方法的研究，我们提出了一种名为通用堆叠多输出 CNN 的新模型（GSMo-CNN），并在三个基准数据集上进行了大量实验。实验结果表明，InceptionV3 是作为骨干 CNN 的较好选择，其性能优于 AlexNet、VGG16、ResNet101、EfficientNet、MobileNet 和我们开发的自定义 CNN，并证实单一模型的使用可以与或优于使用两个模型。最终，我们展示了提出的 GSMo-CNN 在三个基准数据集上达到了最先进的性能。

    Oct, 2023

  • 将图像处理、植物发育特性和匈牙利算法相结合的一种新技术，以改善玉米叶片检测

    该文章通过自动图像分析的方法，借助凸包、骨架化和匈牙利算法等技术，准确地检测出玉米的叶片数目和位置，并成功预测了部分被遮挡的叶片，取得了 90.8% 的召回率和 99.0% 的精确率。

    May, 2020

  • 使用合成数据进行深层次叶子分割

    本研究提出了一种基于机器学习和深度学习的叶子实例分割方法，通过使用产生的合成图像进行数据增强，成功地将深度学习网络训练到了 90% 的叶子分割得分，在叶子分割领域取得了领先的成果。

    Jul, 2018

  • 叶片疾病分类的机器学习方法：数据、技术与应用

    可持续发展需求引入了一系列信息技术来辅助农业生产。特别是，人工智能的一个分支，即机器学习应用的出现，展示了多个突破，可以增强和革新植物病理学方法。近年来，机器学习已在学术研究和工业应用中被用于叶病分类。因此，本研究将提供对该主题不同方面，包括数据、技术和应用的综述。论文首先介绍公开可获取的数据集，然后总结常见的机器学习技术，包括传统（浅层）学习、深度学习和增强学习。最后，讨论相关应用。本论文将为未来智能农业以及叶病分类的机器学习研究和应用提供有用的资源。

    Oct, 2023

  • 使用深度卷积和反卷积网络进行叶片计数

    本篇研究提出了一种基于深度学习的数据驱动方法，用于计算植物成像中的叶片数，并在比赛数据集中取得了令人满意的结果。

    Aug, 2017