利用 54,306 张植物叶片图像数据，训练深度卷积神经网络以识别 14 种作物和 26 种疾病，并利用全球智能手机渗透率的提高和近期深度学习中的计算机视觉技术，实现智能手机辅助作物疾病诊断的可行性。

Apr, 2016

本文旨在探索计算机视觉方法用于大规模、早期检测植物疾病的可能性，并介绍了一个用于视觉植物疾病检测的数据集 PlantDoc，其中包括 2598 个来自 13 个植物物种、17 个疾病类别的数据点，学习 3 个模型来分类植物疾病，结果表明使用我们的数据集可以将分类精度提高 31％。

Nov, 2019

开发了一个易于使用的网络应用程序，以解决种植作物面临的问题，其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要，同时应用解释性技术解释病害检测模型的预测。

Apr, 2022

我们开发了一种全面的计算机系统，用于辅助采用传统农耕方式且无法很好获得农业专家帮助的农民处理农作物病害问题。我们的系统利用人工智能技术来识别和提供蔬菜病害的解决方法，并创建了一款手机应用程序，提供用户友好的界面，允许农民用本地语言查询蔬菜病害并获得适当的解决方案。该系统可被任何具备基本智能手机操作理解能力的农民使用，重点关注西红柿病害以惠及尼泊尔当地的农业社区。

Aug, 2023

为了解决孟加拉国农业领域中作物选择和疾病预测的问题，本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集，该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据，为用户推荐作物列表并预测可能的疾病，并通过决策树回归模型预测作物产量，帮助农民选择高产作物和预防作物疾病，提高孟加拉国的农业实践水平。

Mar, 2024

本文描述了一个数据集和一个 Kaggle 挑战赛，以鼓励使用半监督方法改进算法性能，旨在利用农民拥有的智能手机上的卫星图像对病毒性疾病感染的木薯作物进行监控。

Aug, 2019

使用卷积神经网络实现了关于稻谷疾病的分类识别，正确率为 88.28%。

Jul, 2022

本研究提出了一种基于深度学习的方法，利用无人机捕获的图像实现高效的作物病害检测，该方法在丰富的植物物种和疾病数据库上训练，使用卷积神经网络作为主要预测模型，通过实现世界上第一款配备高分辨率相机的无人机进行实时监测，为提高农作物健康监测系统提供了一种高效可行的解决方案。

May, 2023

本研究使用转移学习方法，基于坦桑尼亚采集的木薯病害图片数据集，训练出一种可以识别三种病害和两种农害（或非病害）的深度卷积神经网络，最佳模型的准确率达到了 98%-96% 不等，表明该方法可以进行现场图像识别，提供了一种快速、经济、易于实施的数字植物病害检测策略。

Jun, 2017

本研究旨在研发一种基于深度学习的手机应用程序，用于早期检测香蕉枯萎病和黑 SIGATOKA 病，该应用程序对于现实环境下的香蕉叶片的检测可达到 99％的准确率，显示出为小农户提高香蕉产量的潜力。

Apr, 2020