自动检测不同叶片大小的水稻病害图像

Jun, 2022

自动检测不同叶片大小的水稻病害图像

Automatic Detection of Rice Disease in Images of Various Leaf Sizes

Kantip Kiratiratanapruk, Pitchayagan Temniranrat, Wasin Sinthupinyo, Sanparith Marukatat, Sujin Patarapuwadol

TL;DR应用计算机视觉技术通过叶片尺寸预测、图像分割和 CNN 对象检测等方法，对 8 种不同类型的水稻叶片疾病进行图像分类与识别，结果表明基于自动估计的叶片宽度尺寸的图像切割技术能够提高水稻疾病检测效率。

Abstract

Fast, accurate and affordable rice disease detection method is required to assist rice farmers tackling equipment and expertise shortages problems. In this paper, we focused on the solution using computer vision

rice disease detection computer vision cnn object detection image tiling leaf width prediction

发现论文，激发创造

利用 YOLOv5 进行水稻叶病分类和检测

使用注释的 1500 个数据集，提出了基于 YOLOv5 深度学习技术的水稻叶片疾病分类和检测方法，结果表明该模型具有更好的对象检测结果。

Sep, 2022

稻作早期疾病诊断

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

利用深度卷积神经网络和多光谱成像进行水稻病害检测与诊断

这篇论文介绍了使用多模态数据的公共多光谱和 RGB 图像数据集以及深度学习流程，用于检测水稻植物疾病，通过多光谱数据和 RGB 数据作为输入，相较于仅使用 RGB 数据输入，在 F1 准确性上得到了更高的结果。

Sep, 2023

使用迁移学习进行基于图像的木薯病害检测

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

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

基于卷积神经网络的红外图像稻叶病害识别

使用卷积神经网络实现了关于稻谷疾病的分类识别，正确率为 88.28%。

Jul, 2022

植物叶片病害的深度学习检测综述

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

在稻瘟病分类中利用预训练的卷积神经网络进行高效特征提取

将特征提取方法与预训练的卷积神经网络相结合对稻瘟病进行分类，研究发现用 Histogram of Oriented Gradients 对模型进行增强可显著提高精确度至 97%，为农业中基于图像的病害分类系统的精确性和有效性提供了有前景的方法。

Feb, 2024

基于机器学习的茶叶病害检测综述

茶叶疾病的机器学习诊断方法的系统综述，评估了多种图像分类方法，包括 Inception 卷积视觉变压器、GreenViT、PlantXViT、PlantViT、MSCVT、迁移学习模型和视觉变压器、IterationViT 和 IEM-ViT，以及 DenseNet、ResNet-50V2、YOLOv5、YOLOv7、CNN、Deep CNN、NSGA-II、MobileNetv2 和 Lesion-Aware Visual Transformer 模型的优势和限制，提供了茶叶疾病检测和分类机器学习方向的有价值的见解。

Nov, 2023

Dhan-Shomadhan：孟加拉当地稻米叶病分类数据集

该研究以孟加拉国稻田为基础，收集了包括棕斑病、叶片鳞状病、稻瘟病、水稻转锈病和隐性病在内的五种有害稻病的数据集，其中包括来自田间背景和白色背景的照片，可用于稻叶病分类及计算机视觉与图案识别中的疾病检测。

Sep, 2023