一种用于检测苹果叶片疾病的卷积神经网络集成模型
该研究提出了一种基于迁移学习的技术来自动分类苹果叶病害，并通过利用预训练的 EfficientNetV2S 模型和处理类不平衡的运行时数据增强方法来达到 99.21% 的准确度。
Apr, 2023
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
本文介绍了一个手工捕捉了多种苹果叶片疾病症状图像的数据集， 并使用卷积神经网络（CNN）进行疾病分类， 最终实现了快速准确的疾病检测。
Apr, 2020
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
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
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
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