May, 2023

PotatoPestNet: 基于 CTInceptionV3-RS 的神经网络用于准确辨识土豆害虫

PDF
TL;DR本研究利用 8 种马铃薯害虫的数据为基础，通过使用 5 种预训练转移学习模型，利用数据增强、正则化技术和随机搜索优化方法，提出了一个名为 PotatoPestNet 的 AI 马铃薯害虫识别系统，实现高精确度的害虫分类识别，并通过定量评估和可视化检验了模型的可靠性和鲁棒性。其中，自定义优化过的 InceptionV3 模型表现最佳，其准确率、精度、召回率和 F1-Score 均达到 91％。
发现论文，激发创造
  • 发挥迁移学习模型的力量进行复杂昆虫检测：革新昆虫分类

    通过使用计算机视觉和机器学习等先进技术，本研究构建并评估了基于 ResNet152V2 架构的卷积神经网络模型，实现了 99% 的训练准确率和 97% 的测试准确率，突出了其在昆虫分类和昆虫学研究中的潜力，以及对全球粮食安全和农业生产的重要作用。

    Jun, 2024

  • 一种高效基于深度学习的野外农业害虫识别方法

    农民在农产品产量期间面临的最大挑战之一是与昆虫害虫的斗争。为了解决这个问题并避免经济损失，需要及时采取预防措施，而这需要以简单而有效的方式鉴别昆虫害虫。本文对主要基于名为 IP102 的健壮数据集的迁移学习与微调，注意力机制和自定义架构等不同方法进行了广泛的实验，并展示了另一个数据集 D0 的示例来展示我们实验技术的健壮性。

    Oct, 2023

  • PotatoGANs：利用生成对抗网络、实例分割和可解释智能的增强马铃薯病害识别与分类

    利用 PotatoGANs 生成合成土豆病害图像以增强模型泛化能力，并结合三种卷积神经网络架构和三种可解释 AI 算法以提高土豆病害分类的可解释性。

    May, 2024

  • 马铃薯病害检测的学习特征和框架分析

    通过使用区域卷积神经网络（RCNN）和基于注意力机制的网络，从叶片上的病斑或健康区域学习特征的方式，处理了训练数据分布与测试数据分布不一致所带来的分类器性能问题，测试集上的平均分类准确率约为 95％，在训练阶段未见过的数据集上平均得分为 84％。

    Aug, 2023

  • 基于图像的西红柿和玉米叶病害检测：一项深度对比实验

    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

  • JutePestDetect：一种基于微调迁移学习的精准化黄麻病虫识别智能方法

    该研究提出了一种基于高性能和强韧的迁移学习（TL）的 JutePestDetect 模型，用于在早期阶段识别黄麻害虫，并通过评估不同模型的性能来确定该方法的有效性。

    May, 2023

  • 高级虫害检测与分类的多模态方法

    本文提出了一种新颖的多模态深度学习框架，结合了 tiny-BERT 的自然语言处理和 R-CNN 以及 ResNet-18 的图像处理，以增强农业害虫检测。通过集成文本上下文进行更精确的害虫识别，该方法解决了传统基于 CNN 的视觉方法的局限性。R-CNN 和 ResNet-18 的整合解决了深度 CNN 的问题，如梯度消失，而 tiny-BERT 确保了计算效率。通过线性回归和随机森林模型的集成学习，该框架展示了出色的判别能力，如 ROC 和 AUC 分析所示。将文本和图像数据融合的这种多模态方法显著提高了农业害虫检测的效果。研究突出了多模态深度学习在复杂的真实场景中的潜力，并建议在多样化的数据集、高级数据增强和跨模态关注机制方面扩展以提高模型性能。

    Dec, 2023

  • 基于双重注意力机制的植物病虫害识别轻量级网络

    该研究提出了一种基于双重注意力机制的轻量级深度学习方法，可自动分类不同的植物病害，该方法在三个公开数据集上分别达到了 96.61％、99.08％ 和 91.60％ 的准确度，并在小型和大型数据集上均显著优于现有方法。

    Oct, 2022

  • 基于深度学习目标检测的马铃薯作物应激识别

    通过远程传感和深度学习技术，利用针对农业图像分析的新算法进行作物可视化识别，通过检测马铃薯的深度神经网络来区分健康的和有压力的作物，实现了对自然条件下航拍图像中马铃薯作物压力的评估和识别。

    Jun, 2021

  • PhytNet：定制植物数据的适应性卷积神经网络

    自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分，通过计算机视觉进行自动化，然而现有的模型架构如 ResNet、EfficientNet 和 ConvNeXt 在类似项目的小规模专门数据集上常常表现不佳，我们通过数据采集和开发新的 CNN 架构 PhytNet 来填补这一空白，利用红外可可树图像的新数据集，展示 PhytNet 的发展并将其性能与现有架构进行比较，数据采集受到光谱分析数据的启发，该数据提供了有关可可树的光谱特性的有用见解，这些信息可以指导未来的数据采集和模型发展，鉴于可可树病害的多样性，因此选择可可树作为焦点物种是因为其病害存在较大的挑战，ResNet18 显示出一些过拟合迹象，而 EfficientNet 变体则显示出明显的过拟合迹象，相比之下，PhytNet 对相关特征具有良好的关注度，没有过拟合，而且计算成本异常低（1.19 GFLOPS），因此 PhytNet 是快速疾病或植物分类，或疾病症状的精确定位自主系统的有希望的候选方案。

    Nov, 2023