植物幼苗分类的深度卷积神经网络
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
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
通过实例分割技术,我们使用一个全面的数据集训练神经网络,以检测杂草和大豆植物的生长阶段,并提供了 6 个先进模型,实现了在所有植物类别中 79.1% 的平均精度和 69.2% 的平均召回率。
Jun, 2024
该研究使用卷积神经网络(CNN)通过深度学习对马铃薯叶病进行分类。实验结果显示,该 CNN 模型在识别早疫病、晚疫病和健康叶片三种马铃薯叶病时具有高达 99.1% 的整体准确率,可在严重感染情况下准确识别不同类型的病变,为马铃薯病害的有效管理和自动化防治提供了潜力。
Nov, 2023
自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分,通过计算机视觉进行自动化,然而现有的模型架构如 ResNet、EfficientNet 和 ConvNeXt 在类似项目的小规模专门数据集上常常表现不佳,我们通过数据采集和开发新的 CNN 架构 PhytNet 来填补这一空白,利用红外可可树图像的新数据集,展示 PhytNet 的发展并将其性能与现有架构进行比较,数据采集受到光谱分析数据的启发,该数据提供了有关可可树的光谱特性的有用见解,这些信息可以指导未来的数据采集和模型发展,鉴于可可树病害的多样性,因此选择可可树作为焦点物种是因为其病害存在较大的挑战,ResNet18 显示出一些过拟合迹象,而 EfficientNet 变体则显示出明显的过拟合迹象,相比之下,PhytNet 对相关特征具有良好的关注度,没有过拟合,而且计算成本异常低(1.19 GFLOPS),因此 PhytNet 是快速疾病或植物分类,或疾病症状的精确定位自主系统的有希望的候选方案。
Nov, 2023
利用深度卷积神经网络进行植物疾病分类在快速和早期识别植物疾病方面显示出卓越性能,然而由于它们相对于人类专家的鲁棒性、透明性和可解释性的问题,这些方法尚未全球范围内得到采用。本研究首次使用了 Testing with Concept Activation Vectors (TCAV) 方法,将重点从像素转移到用户定义的概念,结果表明基于概念的解释方法对自动化植物疾病识别有显著好处。
Sep, 2023
使用 CNN 技术结合计算机视觉方法对葡萄园中的葡萄簇进行检测、分割和跟踪,为农业和环境应用的传感组件的开发提供了一种可复制的检测,培训,评估和跟踪农业模式的图像的方法。
Jul, 2019