数字图像处理技术在损伤面积测量和分析中的综合应用
本文介绍了使用图像处理技术对番茄晚疫病进行早期检测的方法,采用分割和多类支持向量机分类技术对番茄晚疫病进行有效的检测和诊断,并提供了研究趋势、问题和前景以及未来研究方向的建议。
May, 2023
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。
Jun, 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
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
应用计算机视觉技术通过叶片尺寸预测、图像分割和 CNN 对象检测等方法,对 8 种不同类型的水稻叶片疾病进行图像分类与识别,结果表明基于自动估计的叶片宽度尺寸的图像切割技术能够提高水稻疾病检测效率。
Jun, 2022
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
该论文介绍了一种基于 Transformer 的模型 TomFormer 用于番茄叶病检测,并通过与其他模型的比较验证了其在番茄叶病检测中的优越表现,展示了其鲁棒性、准确性、效率和可扩展性以及其在农业领域中的潜在影响。
Dec, 2023