马铃薯病害检测的学习特征和框架分析
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
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
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
我们的研究论文引入了一个鲁棒的框架,用于自动识别植物叶片图像中的疾病。该框架包括多个关键阶段,以提高疾病识别的准确性,并通过引入图像预处理、特征提取等技术进行性能评估。这项研究为农业领域提供了宝贵的洞见和工具,以实现植物疾病的早期检测和管理,从而可能提高作物产量和增强食品安全。
Feb, 2024
本研究基于卷积神经网络 (CNN) 引入一种新颖的植物病害检测模型,用于植物图像分类,对图像分类做出了重要的贡献。创新的训练方法使系统实施变得简化高效。该模型将两种不同的植物病害分类为四个类别,提出了一种新颖的植物病害识别技术。实验结果表明,Xception 模型优于其他三个模型,在番茄数据集和玉米数据集上分别获得了 95.08% 和 92.21% 的准确率,对应的损失函数值分别为 0.3108 和 0.4204。CNN 结合批归一化实现了大约 99.89% 的训练集病害检测率和超过 97.52% 的验证准确率,伴随着 0.103 的验证损失。在模型的基础上引入额外层、跳跃连接和正则化,分别对应实验 2、实验 3 和实验 4 的 CNN 架构。综合应用各种模型,包括 MobileNet、EfficientNetB0、Xception、InceptionResNetV2 和 CNN,实现了对所有玉米和番茄图像的检测,其中模型的验证准确率为 84.42%。
Dec, 2023
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
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
本文提出了一种基于深度学习的综合系统来诊断苹果植株的五种疾病,该模型采用 Xception、InceptionResNet 和 MobileNet 三种架构训练于公开数据集,能够实时监测大规模的苹果种植园并帮助农民有效管理其果树。
Oct, 2022