Apr, 2018

基于高光谱成像的植物病害识别解释：三维卷积神经网络和显著性地图

PDF
TL;DR本研究利用高光谱数据，开发了一个分类准确性为 95.73% 的 3D 卷积神经网络模型，用于大豆炭疽病的识别，发现最敏感的波长为 733nm，说明该模型对于大豆各种病害的诊断有较高的精确度。
发现论文，激发创造
  • 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

  • 利用高光谱成像进行特种作物成熟度分类的双频带特征选择

    草莓和番茄等特殊作物的成熟度分类对于选择性采摘和质量控制是农业下游的重要活动。本文提出了一种特征提取方法，展示了在特征选择方面的最新成果，并通过比较分析表明该方法在成熟度分类和时间效率方面的表现优于现有方法。

    May, 2024

  • 基于 3D 卷积神经网络的农作物病害缺陷分类技术综述，使用非无人机高光谱图像

    本文综述了使用基于 3D-CNN 的架构与典型的深度学习流程进行检测病害和有缺陷作物的高光谱图像分类的方法，并讨论了使用 HSI 数据时 3D-CNN 存在的挑战及开放性研究领域。

    Jun, 2023

  • 利用高光谱近红外和中红外数据及最优波段检测苹果树病害

    该研究提出了一种现代化的方法，利用近红外和中红外光谱数据分析苹果树病害在不同阶段的识别和区分，提供了一个准确的实时工具来帮助农民更有效地控制并提高苹果产量。

    Apr, 2020

  • 增强植物病害识别：一种基于卷积神经网络、张量子空间学习和 HOSVD-MD 的新方法

    利用机器学习及深度学习方法，在农业科学中实现对番茄叶病的自动检测和分类技术的研究。通过提出基于高阶白化奇异值分解方法（HOWSVD）和多线性判别分析（MDA）的张量子空间学习方法，测试结果表明该方法在 PlantVillage 和台湾数据集上取得了显著提升的精确度和可靠性，达到了 98.36％和 89.39％的准确率。

    May, 2024

  • 基于绿色色度坐标（GCC）和基于注意力的特征提取的支持向量机用于物联网智能农业应用中的作物病害分类

    本文提出了一种新的分类方法，利用基于注意力的特征提取、基于 RGB 通道的色度分析、支持向量机（SVM）的性能改进以及在信息量化后与移动应用和物联网设备集成的能力，为农民提供精确和快速的信息，从而转变了农民鉴别作物疾病的方式，保护农业产出，确保食品安全。

    Nov, 2023

  • 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

  • 利用近红外光谱数据基于机器学习算法在体内诊断皮肤癌

    皮肤病变、近红外光谱、机器学习算法、分类和自动辅助诊断是本研究的关键词，旨在利用近红外光谱数据对皮肤病变进行自动分类的机器学习算法进行研究及分析。

    Jan, 2024

  • 基于集合方法的高光谱波段选择技术在葡萄叶片氮素状态检测中的应用

    本研究的目标是使用集成特征选择方法，在来自 150 株葡萄藤的 3,000 多张叶片的高光谱数据中，确定检测葡萄叶片中氮含量的最佳波段，最终确认了紫外、黄橙色和短波红外波段对于远程探测葡萄氮素具有潜在意义，并对应用于其他领域的多光谱传感器设计提出了建议。

    Oct, 2020

  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024