Aug, 2023

基于深度学习的西红柿病害检测与治疗建议的移动应用

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 利用 TomFormer 早期和准确地检测番茄叶子疾病

    该论文介绍了一种基于 Transformer 的模型 TomFormer 用于番茄叶病检测，并通过与其他模型的比较验证了其在番茄叶病检测中的优越表现，展示了其鲁棒性、准确性、效率和可扩展性以及其在农业领域中的潜在影响。

    Dec, 2023

  • 基于移动端深度学习模型的香蕉病害检测

    本研究旨在研发一种基于深度学习的手机应用程序，用于早期检测香蕉枯萎病和黑 SIGATOKA 病，该应用程序对于现实环境下的香蕉叶片的检测可达到 99％的准确率，显示出为小农户提高香蕉产量的潜力。

    Apr, 2020

  • 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

  • 基于直方图定向梯度支持向量机的番茄晚疫病早期检测

    本研究提出了一种使用 SVM 和 HOG 算法的混合模型，可以实现对番茄晚疫病的早期检测，对于智能农业的发展与推广具有重要意义。

    Jun, 2023

  • 基于深度学习的复杂场景下番茄分类方法

    基于深度学习的番茄成熟监测方法，通过计算机视觉与人工智能技术优化番茄成熟状态的监测，实现及时检测并采摘成熟番茄，实验结果表明在极端条件下具有良好的分类准确率。

    Jan, 2024

  • 增强植物病害识别：一种基于卷积神经网络、张量子空间学习和 HOSVD-MD 的新方法

    利用机器学习及深度学习方法，在农业科学中实现对番茄叶病的自动检测和分类技术的研究。通过提出基于高阶白化奇异值分解方法（HOWSVD）和多线性判别分析（MDA）的张量子空间学习方法，测试结果表明该方法在 PlantVillage 和台湾数据集上取得了显著提升的精确度和可靠性，达到了 98.36％和 89.39％的准确率。

    May, 2024

  • 植物叶片病害的深度学习检测综述

    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。

    Aug, 2023

  • 开放获取的植物健康图像库，以促进移动疾病诊断的发展

    为了解决因感染疾病导致作物减产的问题，利用手机、机器学习和众包的方法，通过在线平台公开几万张植物健康与感染的叶子图像，旨在开发移动疾病诊断工具，提高作物减产问题的解决效率。

    Nov, 2015

  • 胡萝卜病害检测应用程序：基于 CNN 的应用

    研究提出了一个基于卷积神经网络 (CNN) 的网络应用程序 Carrot Cure，可以识别有缺陷的胡萝卜，并提供适当的治疗方案，该卷积模型已经达到了 99.8% 的完美度，将有助于驾驶员区分胡萝卜疾病并提高他们的优势。

    Apr, 2023