Jul, 2020

基于深度学习的植物器官数字化标注检测

PDF
TL;DR利用深度学习和 Faster R-CNN 检测数字化标本上的植物器官，有效地提取重要的生物信息。
herbarium specimenscomputer visiondeep learningplant organ detectionfaster r-cnn
发现论文，激发创造
  • 利用深度卷积神经网络从数字化标本中识别分类和特征

    该研究使用卷积神经网络对数字化后的植物标本图像进行分类和特征提取，取得了良好的分类和识别效果，将有望用于未来的分类学和自然历史收藏管理工具中。

    Mar, 2018

  • AutoCount: 野外图像器官无监督分割与计数

    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

  • 2019 年植物标本挑战赛数据集

    本研究旨在开发一种自动化方法，利用计算机视觉和深度学习技术帮助专家识别标本以加速植物学研究。为此，提供了一个由专家标记的干燥标本图像数据集用于挑战性场景的自动化识别的发展。

    Jun, 2019

  • IndoHerb：使用迁移学习和深度学习的印尼草药识别

    在这项研究中，通过使用卷积神经网络的迁移学习方法，从印度尼西亚采集的草药植物图像数据进行数据预处理和分类，并分析了三个模型的测试结果。其中 DenseNet121 模型具有最高的准确率，为 87.4%。

    Aug, 2023

  • 野外植物品种的细粒度视觉分类：以物体检测作为加强注意力的手段

    本研究提出了一种基于物体检测的自下而上植物识别方法，该方法可以通过检测植物器官并融合器官级别物种分类器的预测来识别植物物种，同时我们还创建了一个公开的长尾分布数据集来评估此方法。

    Jun, 2021

  • 植物医生：一种混合机器学习和图像分割软件，用于量化视频中的植物损伤

    基于人工智能的系统能通过视频监控自动诊断城市街道植物的健康状况，结合 YOLOv8 和 DeepSORT 等机器视觉算法进行叶子定位和跟踪，再使用 DeepLabV3Plus 卷积神经网络进行叶片损伤分割与量化分析。该系统可作为非侵入性、高效可伸缩的解决方案，用于城市树木健康管理，支持可持续的城市生态系统。

    Jul, 2024

  • 植物细节放大：对叶片、茎和脉络实例的细粒度分析

    本研究旨在提高农业精准机器人对植物的理解，通过开发一个模型来提取包括叶子、茎和叶脉在内的细粒度表型信息，并引入了一种适应于关键点引导多段线的指标 POKS。

    Dec, 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

  • 利用类激活图对植物叶片病害进行检测

    本研究提出了一种基于 ResNet-18 分类器生成类激活映射进行的植物叶片病斑检测方法，无需进行病斑注释，可以有效解决小目标检测问题，从而实现对植物病害的有效控制，成功率为 0.45。

    Jun, 2023

  • Eff-3DPSeg: 利用注释高效的点云实现 3D 器官级植物枝杈分割

    提出了一种基于弱监督学习的 3D 植物幼芽分割框架 Eff-3DPSeg，该框架使用深度学习和点云技术，可以在有限标注点的情况下官能植物器官实现高质量的分段，为植物育种提供了一种有效的方法。

    Dec, 2022