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

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

使用卷积神经网络实现了关于稻谷疾病的分类识别，正确率为 88.28%。

Jul, 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

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

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

本文使用高分辨率卫星图像检测孟加拉国水稻田的自然灾害损害，研发了可用于训练 DeepLabV3plus 模型的地面真实数据，并通过 NDVI 差异图像进行了损害区域的检测和识别。

Apr, 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

本文综述了使用基于 3D-CNN 的架构与典型的深度学习流程进行检测病害和有缺陷作物的高光谱图像分类的方法，并讨论了使用 HSI 数据时 3D-CNN 存在的挑战及开放性研究领域。

Jun, 2023

本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

Nov, 2022