Jul, 2023

基于本地化数据工作的数据中心化机器学习的前提条件：以加纳全生命周期农作物病害识别为例的案例研究

PDF
TL;DR本文介绍了利用人工智能技术和数据处理技术对加纳腰果病进行分析和诊断，达到提高农业生产和粮食安全的目的。
发现论文，激发创造
  • 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

  • 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

  • 基于深度学习的植物病害图像检测

    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

  • 使用深度学习对使用无人机捕捉的图像中的健康和患病作物进行检测

    本研究提出了一种基于深度学习的方法，利用无人机捕获的图像实现高效的作物病害检测，该方法在丰富的植物物种和疾病数据库上训练，使用卷积神经网络作为主要预测模型，通过实现世界上第一款配备高分辨率相机的无人机进行实时监测，为提高农作物健康监测系统提供了一种高效可行的解决方案。

    May, 2023

  • 高分辨率卫星影像用于模拟干旱对农作物生产的影响

    本篇论文介绍了一个包含同期多光谱、热学和微波数据以及关键的稻作参数注释的数据集 ——SICKLE，并在三个不同的任务上对其进行了基准测试，即庄稼类型、生长季日期（播种、移栽、收获）和预测收成，并提出了使用根据观察到的生长季节和 tamalnadu 农业大学获取的标准季节信息生成的时间序列数据的收成预测策略。该数据集提供了一个可以训练机器学习模型来进行农业遥感的研究方向。

    Sep, 2022

  • 使用迁移学习进行基于图像的木薯病害检测

    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

  • 稻作早期疾病诊断

    提出基于 Mask RCNN 的作物病害本地化分类方法，用于早期检测，可提供病变区域的位置和范围估计，相对现有方法，本方法对作物病损区域的准确率达到了 87.6%。

    Apr, 2020

  • 在数据稀缺环境下使用深度学习进行大规模农田绘制：尼日利亚案例研究

    利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了 10 米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的 WorldCover 地图在测试集上表现最佳。

    Dec, 2023

  • 以数据为中心的数字农业：一个观点

    数字农业通过数据科学、机器学习、传感技术、机器人技术和新的管理策略，在减少环境影响的同时满足全球对食物、饲料、纤维和燃料不断增长的需求。为了充分发挥数字农业的潜力，强调数据积极性的机器学习研究在此领域显得至关重要，需要发展获取和整理有价值数据的策略，并实施能够利用数据内在价值的有效学习和评估策略，从而创建准确、可推广和适应性强的机器学习方法，有效可持续地应对农业任务，如产量预测、杂草检测和早期病害识别。

    Dec, 2023

  • 基于卫星数据的肯尼亚北部牲畜饲料状况预测

    利用计算机视觉方法建立《第一批卫星图像 -- 牧草质量数据集》，并在基于指数的干旱保险领域提出了应用该数据集的构想，通过协作基准测试工具的结果，该方法在肯尼亚北部的保险计划中显著优于现有技术，有望对随着气候变化而日益恶化的游牧民族对抗干旱的形势产生实质性的改善。

    Apr, 2020