本文提出了一种基于卷积神经网络和多任务学习的方法来预测葡萄收成量,通过智能手机拍摄图像并使用自编码器的多任务学习来实现高达 85%的准确度。
Apr, 2020
使用 CNN 技术结合计算机视觉方法对葡萄园中的葡萄簇进行检测、分割和跟踪,为农业和环境应用的传感组件的开发提供了一种可复制的检测,培训,评估和跟踪农业模式的图像的方法。
Jul, 2019
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
该研究旨在使用多个异质数据集,如土壤和天气数据,基于区域级别使用机器学习模型来预测冬小麦产量,实验结果表明,这些模型单独使用或组合使用时均有影响。此外,我们采用了许多机器学习算法以强调数据质量在任何机器学习策略中的重要性。
Jun, 2023
文章介绍了一种基于自动图像分析的客观框架,使用卷积神经网络检测图像中的浆果并进行计数,可以在葡萄园不同种植系统中检测到绿色浆果,VSP 的检测准确率为 94.0%,SMPH 为 85.6%。
气象和农业中常见的危害和问题之一是霜冻、寒冷或冻结的问题。本研究使用了三种方法,包括门控循环单元(GRU)、时间卷积网络(TCN)和梯度提升(XGBoost),证明基于机器学习方法的最低温度建模比经验方法具有更好的性能。
Jan, 2024
本论文提出了一种自动的多任务学习算法,通过提出一种树形结构设计空间和将树形分支操作作为 Gumbel-Softmax 采样过程,实现了可微网络分裂与优化,实现了多任务网络的有效设计。
Jun, 2020
本研究提出了一种有效的深度学习模型,可以处理异构数据集,在数字农业领域的实际数据集中验证其超越了现有的机器学习模型。
本研究设计了一个基于卷积神经网络的实用系统,通过计算机视觉和深度学习方法对咖啡树叶上生物胁迫病原体进行早期和准确的识别和评估,实验结果表明该系统可能是一个适合专家和农民识别和量化咖啡种植区生物胁迫的工具。
利用卷积神经网络对红白葡萄品种进行分类,通过空间注意力层和 Inception 块进行空间和光谱特征提取,相对于其他卷积神经网络在处理高光谱数据分类时,网络模型更轻量,并且表现出更好的准确性,和以前研究相比,准确率提高到 99%。