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

该研究提出了一种信息丰富的分类系统，用于描述可能的植物病害数据集，并提出了几个未来的方向，如创建挑战导向的数据集和在实际应用中部署深度学习，以实现良好的性能。此外，总结了已有的相关公共 RGB 图像数据集。

Dec, 2023

本文介绍了一个手工捕捉了多种苹果叶片疾病症状图像的数据集， 并使用卷积神经网络（CNN）进行疾病分类， 最终实现了快速准确的疾病检测。

Apr, 2020

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

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

提出基于 Mask RCNN 的作物病害本地化分类方法，用于早期检测，可提供病变区域的位置和范围估计，相对现有方法，本方法对作物病损区域的准确率达到了 87.6%。

Apr, 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

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

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

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