Aug, 2023

植物叶片病害的深度学习检测综述

PDF
TL;DR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。
发现论文，激发创造
  • 基于机器学习的茶叶病害检测综述

    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

  • 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

  • 深度学习中的马铃薯叶病分类：卷积神经网络方法

    该研究使用卷积神经网络（CNN）通过深度学习对马铃薯叶病进行分类。实验结果显示，该 CNN 模型在识别早疫病、晚疫病和健康叶片三种马铃薯叶病时具有高达 99.1% 的整体准确率，可在严重感染情况下准确识别不同类型的病变，为马铃薯病害的有效管理和自动化防治提供了潜力。

    Nov, 2023

  • 深度学习在叶片图像中植物识别和病害分类的应用：多预测方法

    通过对植物病理学方面的当前深度学习方法进行调研和现有机器学习方法的研究，我们提出了一种名为通用堆叠多输出 CNN 的新模型（GSMo-CNN），并在三个基准数据集上进行了大量实验。实验结果表明，InceptionV3 是作为骨干 CNN 的较好选择，其性能优于 AlexNet、VGG16、ResNet101、EfficientNet、MobileNet 和我们开发的自定义 CNN，并证实单一模型的使用可以与或优于使用两个模型。最终，我们展示了提出的 GSMo-CNN 在三个基准数据集上达到了最先进的性能。

    Oct, 2023

  • 基于机器学习的紫藤叶病害检测：综述

    通过图像分类方法，本文综述了应用于诊断植物叶片疾病的机器学习方法，以及可以用于山竹叶病检测的各种视觉转换模型，如 TLMViT、SLViT、SE-ViT、IterationViT、Tiny-LeViT、IEM-ViT、GreenViT 和 PMViT 等。此外，本文还回顾了 DenseNet、ResNet-50V2、EfficientNet、Ensemble 模型、CNN 和 Locally Reversible Transformer 等模型，并在各种数据集上进行了评估，展示了它们在实际应用中的可行性。这篇综述不仅展示了该领域的当前进展，还为基于机器学习的山竹叶病检测和分类的未来研究方向提供了有价值的见解。

    Nov, 2023

  • 叶片疾病分类的机器学习方法：数据、技术与应用

    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

  • 柑橘叶病综合文献综述

    甜橙叶病、机器学习、叶片管理、图像分类和机器学习模型在检测受损叶片方面的应用是该综合文献综述的主要内容。

    Dec, 2023

  • 基于叶片的植物病害检测与可解释人工智能

    通过对植物叶病常见性的全面了解，评估了传统和深度学习技术在病害检测中的应用，总结了可用的数据集，并探索了可解释人工智能（XAI）以提高深度学习模型决策对最终用户的可解释性，为农业领域的研究人员、从业人员和利益相关者提供了有价值的见解，促进了有效和透明的植物病害防治和可持续农业实践的发展。

    Dec, 2023

  • 基于高效迁移学习的苹果叶病分类方法

    该研究提出了一种基于迁移学习的技术来自动分类苹果叶病害，并通过利用预训练的 EfficientNetV2S 模型和处理类不平衡的运行时数据增强方法来达到 99.21% 的准确度。

    Apr, 2023

  • 使用 Densenet201 架构模型进行土豆叶片疾病分类的迁移学习

    通过使用 Deep Learning 方法和 DenseNet201 架构，本研究旨在评估在诊断土豆叶病方面，迁移学习方法相比传统分类方法是否能提高分类准确度，实验结果显示，该方法在训练集上的准确率为 99.5％，验证集为 95.2％，混淆矩阵为 96％，在测试集上的准确率为 92.5％。

    Jan, 2024