基于高效迁移学习的苹果叶病分类方法
本文提出了一种基于深度学习的综合系统来诊断苹果植株的五种疾病,该模型采用 Xception、InceptionResNet 和 MobileNet 三种架构训练于公开数据集,能够实时监测大规模的苹果种植园并帮助农民有效管理其果树。
Oct, 2022
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
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
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
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
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
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
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
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
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