农民助手:基于机器学习的农业解决方案应用
为了解决孟加拉国农业领域中作物选择和疾病预测的问题,本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集,该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据,为用户推荐作物列表并预测可能的疾病,并通过决策树回归模型预测作物产量,帮助农民选择高产作物和预防作物疾病,提高孟加拉国的农业实践水平。
Mar, 2024
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
可持续发展需求引入了一系列信息技术来辅助农业生产。特别是,人工智能的一个分支,即机器学习应用的出现,展示了多个突破,可以增强和革新植物病理学方法。近年来,机器学习已在学术研究和工业应用中被用于叶病分类。因此,本研究将提供对该主题不同方面,包括数据、技术和应用的综述。论文首先介绍公开可获取的数据集,然后总结常见的机器学习技术,包括传统(浅层)学习、深度学习和增强学习。最后,讨论相关应用。本论文将为未来智能农业以及叶病分类的机器学习研究和应用提供有用的资源。
Oct, 2023
通过对植物叶病常见性的全面了解,评估了传统和深度学习技术在病害检测中的应用,总结了可用的数据集,并探索了可解释人工智能(XAI)以提高深度学习模型决策对最终用户的可解释性,为农业领域的研究人员、从业人员和利益相关者提供了有价值的见解,促进了有效和透明的植物病害防治和可持续农业实践的发展。
Dec, 2023
本研究探讨了数据分析在农作物种植中监测肥料应用中的重要作用,提出了一种通过确定整个季节所需肥料数量来预测营养物质应用的解决方案,以天气条件和土壤特征为基础进行推荐肥料用量的调整,以促进经济高效和环保农业,同时研究肥料应用与天气数据对作物产量的影响,以冬小麦作为案例研究,通过了解当地的环境和地理因素,旨在稳定甚至降低对农业养分的需求,同时提升作物发展。该方案通过使用现实世界的大规模数据集得到了验证,具备高效可扩展性。
Oct, 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
本文对深度学习技术在农业和食品生产方面应用的 40 项研究进行了综述,考察了研究中使用的数据、模型和框架,比较了深度学习和其他常用图像处理技术在分类或回归性能上的表现,结果表明深度学习准确性高,优于现有的常用图像处理技术。
Jul, 2018
该论文综述了机器学习和深度学习在农业系统中的应用,并介绍了最近在农业应用领域提出的标签有效机器学习和深度学习方法,特别是弱监督、无监督和自监督学习方法,以及其在精准农业、植物表型鉴定和收获后质量评估等方面的应用。
May, 2023
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
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