Jun, 2017

使用迁移学习进行基于图像的木薯病害检测

PDF
TL;DR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。
发现论文，激发创造
  • 基于深度学习的植物病害图像检测

    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

  • iCassava 2019 细粒度视觉分类挑战赛

    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

  • 自动检测不同叶片大小的水稻病害图像

    应用计算机视觉技术通过叶片尺寸预测、图像分割和 CNN 对象检测等方法，对 8 种不同类型的水稻叶片疾病进行图像分类与识别，结果表明基于自动估计的叶片宽度尺寸的图像切割技术能够提高水稻疾病检测效率。

    Jun, 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

  • 利用深度卷积神经网络和多光谱成像进行水稻病害检测与诊断

    这篇论文介绍了使用多模态数据的公共多光谱和 RGB 图像数据集以及深度学习流程，用于检测水稻植物疾病，通过多光谱数据和 RGB 数据作为输入，相较于仅使用 RGB 数据输入，在 F1 准确性上得到了更高的结果。

    Sep, 2023

  • 马铃薯病害检测的学习特征和框架分析

    通过使用区域卷积神经网络（RCNN）和基于注意力机制的网络，从叶片上的病斑或健康区域学习特征的方式，处理了训练数据分布与测试数据分布不一致所带来的分类器性能问题，测试集上的平均分类准确率约为 95％，在训练阶段未见过的数据集上平均得分为 84％。

    Aug, 2023

  • 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

  • 可可植株中 CSSVD 检测的图像分类

    基于 VGG16、ResNet50 和 Vision Transformer (ViT) 的图像分类器，在 KaraAgroAI Cocoa 数据集上进行了评估。我们的最佳图像分类器基于 ResNet50，在仅 20 个 epochs 的情况下实现了 95.39％的精度，93.75％的召回率，94.34％的 F1-score 和 94％的准确率。与以前的作品相比，召回率提高了 9.75％。我们的结果表明，图像分类器学会了识别受到 CSSVD 感染的可可植株。

    Mar, 2024

  • 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 Densenet201 架构模型进行土豆叶片疾病分类的迁移学习

    通过使用 Deep Learning 方法和 DenseNet201 架构，本研究旨在评估在诊断土豆叶病方面，迁移学习方法相比传统分类方法是否能提高分类准确度，实验结果显示，该方法在训练集上的准确率为 99.5％，验证集为 95.2％，混淆矩阵为 96％，在测试集上的准确率为 92.5％。

    Jan, 2024