利用多个数据集进行深度叶片计数
本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法,该方法使用数据增强来训练深度神经网络,取得了在标准基准测试中最先进的结果,即由植物表型学的计算机视觉难题托管的叶片分割竞赛。
Mar, 2019
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
通过自主训练的方法,该论文提出了一个新的用于植物表型分析的网络骨干初始化方法,并引入了一种针对叶片实例分割的新型自动后处理方法,实验证明我们的方法在所有调研场景中均提升了性能。
Jan, 2024
本文提出了一种全新的基于卷积网络的无监督技术,用于密集物体(如植物器官)的计数,该技术采用后处理优化步骤,可在不需要数据集调整或修改的情况下,对高精度计数执行器官任务的有效性得到了验证。
Jul, 2020
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。
Jul, 2007
本研究提出一种基于领域敌对学习的方法,在考虑植物器官计数时,不受室内或室外、不同植物物种等领域偏移的影响,实现密集小物体计数的自适应。在小麦穗和叶子的计数任务中,实验结果表明该方法具有较强的鲁棒性。
Sep, 2020
本研究提出使用合成数据进行植物的实例分割,介绍了一种用于弥合种类差距的通用植物生成器 UPGen,研究了多种使用合成数据训练模型的方法,取得了比使用公开数据传递学习普遍惯例更好的效果,并在 CVPPP Leaf Segmentation Challenge 竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。
Mar, 2020
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