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

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

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

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

这篇论文介绍了使用多模态数据的公共多光谱和 RGB 图像数据集以及深度学习流程，用于检测水稻植物疾病，通过多光谱数据和 RGB 数据作为输入，相较于仅使用 RGB 数据输入，在 F1 准确性上得到了更高的结果。

Sep, 2023

利用深度学习算法，自主监测麦田并提供病害检测报告的无人机系统，为解决麦类作物病虫害、提高农业效率提供了潜在解决方案

Jun, 2022

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

我们开发了一种全面的计算机系统，用于辅助采用传统农耕方式且无法很好获得农业专家帮助的农民处理农作物病害问题。我们的系统利用人工智能技术来识别和提供蔬菜病害的解决方法，并创建了一款手机应用程序，提供用户友好的界面，允许农民用本地语言查询蔬菜病害并获得适当的解决方案。该系统可被任何具备基本智能手机操作理解能力的农民使用，重点关注西红柿病害以惠及尼泊尔当地的农业社区。

Aug, 2023

利用深度学习分割方法和两个不同传感器获得的红外和可见光图像进行葡萄藤疾病的自动检测，该方法在葡萄藤级别上达到 92％以上的检测准确度，在叶子级别上达到 87％以上的检测准确度，对于计算机辅助的葡萄园疾病检测具有很好的前景。

Dec, 2019

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