Jun, 2023

用快速傅里叶卷积深度神经网络从 Sentinel-2 时间序列数据准确且可解释地区分小麦黄锈病和氮缺乏

PDF
TL;DR本研究提出了一种新的快速傅里叶卷积神经网络（FFDNN）及其特征编码器，用于在不同的时间尺度上对植物胁迫进行快速准确的检测和解释，包括小麦黄锈和氮缺乏等相似症状的胁迫。
发现论文，激发创造
  • 使用超像素和图卷积神经网络高效检测航拍图像中的营养缺乏压力

    通过使用图卷积神经网络等技术，提出了一种比现有技术更加轻量级的基于节点分级的方法，旨在快速检测农田缺失营养元素的区域，提高农业生产效率。

    Apr, 2021

  • 可解释的轻量级深度学习流程提升干旱压力

    我们提出了一种深度学习框架，通过结合预训练网络和自定义层，实现了在自然环境下由无人机捕获的土豆作物的干旱胁迫分类。这一创新性工作的关键在于整合了 Grad-CAM 解释技术，通过可视化模型在图像中的焦点区域，提高了模型的解释性和决策过程的可信度。相较于现有的物体检测算法，我们的方法在精确度和准确度上表现出明显的优势。

    Apr, 2024

  • WheatNet: 一种用于高通量基于图像的小麦穗检测与计数的轻量级卷积神经网络

    本文介绍了一种基于深度学习的新型框架 WheatNet，能够快速高效地计算麦田中小麦穗的数量和位置，并在植物育种决策过程中提供实时数据收集的帮助，解决手动记录植物观测数据带来的劳动密集性问题。

    Mar, 2021

  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • 用连续卷积网络和顺序信息实现精准农业中稳健的作物和杂草检测

    通过卷积神经网络加入空间信息作为特征，实现了在复杂环境下农田杂草与作物的自动分割识别，并在实验中取得了优异的结果。

    Jun, 2018

  • 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

  • TFN: 一种嵌入时频变换的可解释神经网络用于智能故障诊断

    本研究提出一种新颖的可解释神经网络 (Time-Frequency Network)，将物理显著的时间 - 频率变换 (TFT) 方法嵌入到传统卷积层中作为自适应预处理层，不仅提高了故障诊断性能，还揭示了 CNN 在频率域预测的逻辑基础。

    Sep, 2022

  • 建立预测阿尔西和巴勒地区小麦秆锈病严重程度的最佳模型

    利用三种人工神经网络方法（BPNN，RBFNN 和 GRNN）预测小麦锈病的严重程度，并发现 GRNN 模型具有有效的预测能力和较短的训练时间。结果还表明，全季降雨量对小麦锈病的发展具有积极影响。

    Feb, 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

  • 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