基于深度学习的植物病害图像检测

Apr, 2016

基于深度学习的植物病害图像检测

Using Deep Learning for Image-Based Plant Disease Detection

Sharada Prasanna Mohanty, David Hughes, Marcel Salathe

TL;DR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。

Abstract

crop diseases are a major threat to food security, but their rapid identification remains difficult in many parts of the world due to the lack of the necessary infrastructure. The combination of increasing global smartphone penetration and recent advances in computer vision made possib

crop diseases smartphone-assisted diagnosis deep learning convolutional neural network image dataset

发现论文，激发创造

使用深度学习对使用无人机捕捉的图像中的健康和患病作物进行检测

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

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

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

使用迁移学习进行基于图像的木薯病害检测

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

开放获取的植物健康图像库，以促进移动疾病诊断的发展

为了解决因感染疾病导致作物减产的问题，利用手机、机器学习和众包的方法，通过在线平台公开几万张植物健康与感染的叶子图像，旨在开发移动疾病诊断工具，提高作物减产问题的解决效率。

Nov, 2015

基于卷积神经网络的红外图像稻叶病害识别

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

一种用于检测苹果叶片疾病的卷积神经网络集成模型

本文提出了一种基于深度学习的综合系统来诊断苹果植株的五种疾病，该模型采用 Xception、InceptionResNet 和 MobileNet 三种架构训练于公开数据集，能够实时监测大规模的苹果种植园并帮助农民有效管理其果树。

Oct, 2022

PlantDoc: 一份用于植物疾病视觉检测的数据集

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

农民助手：基于机器学习的农业解决方案应用

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

基于移动端深度学习模型的香蕉病害检测

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