Jun, 2021

基于深度学习目标检测的马铃薯作物应激识别

PDF
TL;DR通过远程传感和深度学习技术，利用针对农业图像分析的新算法进行作物可视化识别，通过检测马铃薯的深度神经网络来区分健康的和有压力的作物，实现了对自然条件下航拍图像中马铃薯作物压力的评估和识别。
remote sensingprecision agriculturedeep learningpotato crop stressaerial imaging
发现论文，激发创造
  • 可解释的轻量级深度学习流程提升干旱压力

    我们提出了一种深度学习框架，通过结合预训练网络和自定义层，实现了在自然环境下由无人机捕获的土豆作物的干旱胁迫分类。这一创新性工作的关键在于整合了 Grad-CAM 解释技术，通过可视化模型在图像中的焦点区域，提高了模型的解释性和决策过程的可信度。相较于现有的物体检测算法，我们的方法在精确度和准确度上表现出明显的优势。

    Apr, 2024

  • 使用深度学习对使用无人机捕捉的图像中的健康和患病作物进行检测

    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

  • 深度学习中的马铃薯叶病分类：卷积神经网络方法

    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

  • 使用 Densenet201 架构模型进行土豆叶片疾病分类的迁移学习

    通过使用 Deep Learning 方法和 DenseNet201 架构，本研究旨在评估在诊断土豆叶病方面，迁移学习方法相比传统分类方法是否能提高分类准确度，实验结果显示，该方法在训练集上的准确率为 99.5％，验证集为 95.2％，混淆矩阵为 96％，在测试集上的准确率为 92.5％。

    Jan, 2024

  • 基于深度学习分割方法的无人机多光谱图像葡萄藤病害检测

    利用深度学习分割方法和两个不同传感器获得的红外和可见光图像进行葡萄藤疾病的自动检测，该方法在葡萄藤级别上达到 92％以上的检测准确度，在叶子级别上达到 87％以上的检测准确度，对于计算机辅助的葡萄园疾病检测具有很好的前景。

    Dec, 2019

  • 马铃薯病害检测的学习特征和框架分析

    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

  • 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

  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022

  • SugarViT -- 基于视觉 Transformer 和深度标签分布学习的无人机图像多目标回归在甜菜病害严重性预测中的应用

    通过远程遥感和人工智能技术，本文介绍了一种用于大规模病害严重程度评分的自动化机器学习框架，结合了深度标签分布学习、特殊损失函数和定制模型架构的 SugarViT 模型。同时，本框架还可以适用于各种基于图像的分类和回归任务。

    Nov, 2023

  • 使用超像素和图卷积神经网络高效检测航拍图像中的营养缺乏压力

    通过使用图卷积神经网络等技术，提出了一种比现有技术更加轻量级的基于节点分级的方法，旨在快速检测农田缺失营养元素的区域，提高农业生产效率。

    Apr, 2021