Jul, 2023

多生长阶段的植物识别：以棉花（Gossypium hirsutum）中的帕尔默苋（Amaranthus palmeri）为例研究

HTML
PDF
TL;DR通过比较不同的You Only Look Once (YOLO)架构，本论文研究了在棉花中对Amaranthus palmeri （Palmer杂草）进行的8个生长阶段的识别。识别组合了视觉和大小特征，提高了性能。成功的生长阶段检测凸显了通过开源目标检测架构来改进植物表型研究和杂草识别技术的重大机遇。
发现论文，激发创造
  • 使用生成对抗网络合成拟南芥仿真植物

    通过使用生成神经网络，提出了一种基于图像的带花植物表型识别的解决方案，通过创建人工图像生成训练用的有标注的植物图像集合Ax。

    Sep, 2017

  • 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

  • DeepWeeds: 用于深度学习的多类杂草物种图像数据集

    使用DeepWeeds数据集，通过深度学习算法实现草地杂草物种的自动化分类，为澳大利亚大草原地区实现机器人除草控制提供了具有前景的技术支持。

    Oct, 2018

  • 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

  • 跨物种基于图像的植物表型识别中可扩展的学习方法

    本研究提出使用合成数据进行植物的实例分割，介绍了一种用于弥合种类差距的通用植物生成器UPGen，研究了多种使用合成数据训练模型的方法，取得了比使用公开数据传递学习普遍惯例更好的效果，并在CVPPP Leaf Segmentation Challenge竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。

    Mar, 2020

  • CWD30：精准农业中用于作物杂草识别的综合全面数据集

    这篇文章提出了用于精准农业领域的作物-杂草识别新数据集 CWD30，并基于该数据集进行了精细识别和深度学习实验。实验显示，该数据集有助于提高模型性能和减少训练资源浪费，是作物-杂草识别算法的基准。

    May, 2023

  • 利用深度学习方法从无人机图像中识别玉米植株异常

    该研究通过使用深度学习技术，分析无人机拍摄的图片，自动识别玉米植株中的异常区域并分类成低、中、高或无异常。研究旨在能在最早的阶段识别异常，以最大化潜在治疗的有效性。同时，该系统为人工标注员提供宝贵的信息，帮助他们只关注一小部分图片进行真实数据收集。

    Oct, 2023

  • 黑粮黑草的多光谱细粒度分类

    利用机器视觉和多光谱成像技术，研究了在小麦和大麦作物中识别黑草的先进方法的有效性，并提供了大量数据集来评估黑草杂草识别的几个关键方面，包括不同卷积神经网络和Transformer架构的性能，不同光谱波段的作用以及数据集规模对分类性能的影响。研究结果表明，即使使用相对较少的训练数据，也可以在未知领域的图像上达到近90%的准确率。

    May, 2024

  • 从幼苗到收获：利用实例分割技术进行大豆作物中的杂草检测的GrowingSoy数据集

    通过实例分割技术，我们使用一个全面的数据集训练神经网络，以检测杂草和大豆植物的生长阶段，并提供了6个先进模型，实现了在所有植物类别中79.1%的平均精度和69.2%的平均召回率。

    Jun, 2024

  • 利用计算机视觉和机器学习进行高通量表型分析

    高通量表型测定与机器学习相结合，应用OCR、图像分割和机器学习算法，可以提高植物表型测定的效率，准确提取相关信息。

    Jul, 2024