该论文介绍了一种基于 Transformer 的模型 TomFormer 用于番茄叶病检测，并通过与其他模型的比较验证了其在番茄叶病检测中的优越表现，展示了其鲁棒性、准确性、效率和可扩展性以及其在农业领域中的潜在影响。

Dec, 2023

本研究基于卷积神经网络 (CNN) 引入一种新颖的植物病害检测模型，用于植物图像分类，对图像分类做出了重要的贡献。创新的训练方法使系统实施变得简化高效。该模型将两种不同的植物病害分类为四个类别，提出了一种新颖的植物病害识别技术。实验结果表明，Xception 模型优于其他三个模型，在番茄数据集和玉米数据集上分别获得了 95.08% 和 92.21% 的准确率，对应的损失函数值分别为 0.3108 和 0.4204。CNN 结合批归一化实现了大约 99.89% 的训练集病害检测率和超过 97.52% 的验证准确率，伴随着 0.103 的验证损失。在模型的基础上引入额外层、跳跃连接和正则化，分别对应实验 2、实验 3 和实验 4 的 CNN 架构。综合应用各种模型，包括 MobileNet、EfficientNetB0、Xception、InceptionResNetV2 和 CNN，实现了对所有玉米和番茄图像的检测，其中模型的验证准确率为 84.42%。

Dec, 2023

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

我们开发了一种全面的计算机系统，用于辅助采用传统农耕方式且无法很好获得农业专家帮助的农民处理农作物病害问题。我们的系统利用人工智能技术来识别和提供蔬菜病害的解决方法，并创建了一款手机应用程序，提供用户友好的界面，允许农民用本地语言查询蔬菜病害并获得适当的解决方案。该系统可被任何具备基本智能手机操作理解能力的农民使用，重点关注西红柿病害以惠及尼泊尔当地的农业社区。

Aug, 2023

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

该研究通过使用深度学习技术，分析无人机拍摄的图片，自动识别玉米植株中的异常区域并分类成低、中、高或无异常。研究旨在能在最早的阶段识别异常，以最大化潜在治疗的有效性。同时，该系统为人工标注员提供宝贵的信息，帮助他们只关注一小部分图片进行真实数据收集。

Oct, 2023

本研究利用 8 种马铃薯害虫的数据为基础，通过使用 5 种预训练转移学习模型，利用数据增强、正则化技术和随机搜索优化方法，提出了一个名为 PotatoPestNet 的 AI 马铃薯害虫识别系统，实现高精确度的害虫分类识别，并通过定量评估和可视化检验了模型的可靠性和鲁棒性。其中，自定义优化过的 InceptionV3 模型表现最佳，其准确率、精度、召回率和 F1-Score 均达到 91％。

May, 2023

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

本文介绍了使用图像处理技术对番茄晚疫病进行早期检测的方法，采用分割和多类支持向量机分类技术对番茄晚疫病进行有效的检测和诊断，并提供了研究趋势、问题和前景以及未来研究方向的建议。

May, 2023

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