Jun, 2023

使用机器学习和深度学习预测柑橘病害：分类器，模型 SLR

PDF
TL;DR针对全球柑橘种植业多年来主要存在柑橘疾病问题，如柑橘溃疡病、黄龙病、柑橘黑斑病、柑橘叶蛀虫等，影响了柑橘果实品质，引起了严重的经济损失和疾病管理问题，为了柑橘行业的健康发展提出了多种化学和生物防治方法、定期监测以及最大限度地保证卫生情况等预防和管理策略。
citrus diseasescitrus industryprevention strategiesmanagement methodseconomic impact
发现论文，激发创造
  • 柑橘叶病综合文献综述

    甜橙叶病、机器学习、叶片管理、图像分类和机器学习模型在检测受损叶片方面的应用是该综合文献综述的主要内容。

    Dec, 2023

  • 数字图像处理技术在损伤面积测量和分析中的综合应用

    本文利用图像处理技术，采取直方图比较和 K 均值聚类等方法来探索柑橘叶斑病的检测，该方法可通过生成基于叶片样式的直方图来识别柑橘叶斑病，高效地为农业领域的专家提供治疗方案。

    Jun, 2023

  • 基于激活映射引导的弱监督学习应用于一种新的柑橘害虫基准测试

    本研究采用弱监督学习辅助识别农作物病虫害，设计了显著性图来自动选择感兴趣的区域，同时构建了一个包含正负样本的柑橘害虫基准数据集，实验结果表明该方法在农业领域中的病虫害分类问题上有良好的应用前景。

    Apr, 2020

  • 叶片疾病分类的机器学习方法：数据、技术与应用

    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

  • 基于叶片的植物病害检测与可解释人工智能

    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

  • CitDet：一个柑橘果实检测的基准数据集

    我们介绍了一个新的数据集，通过图像在果园环境中检测柑橘水果并准确估计黄龙病（HLB）病害影响下树木产量的研究进展。

    Sep, 2023

  • 农民助手：基于机器学习的农业解决方案应用

    开发了一个易于使用的网络应用程序，以解决种植作物面临的问题，其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要，同时应用解释性技术解释病害检测模型的预测。

    Apr, 2022

  • 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

  • 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

  • 机器学习在作物产量和疾病预测中的应用：结合土壤营养和天气因素

    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