Oct, 2023

叶片疾病分类的机器学习方法：数据、技术与应用

PDF
TL;DR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。
sustainable developmentinformation technologiesmachine learningleaf disease classificationsmart agriculture
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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 农业中的标记效率学习：综述

    该论文综述了机器学习和深度学习在农业系统中的应用，并介绍了最近在农业应用领域提出的标签有效机器学习和深度学习方法，特别是弱监督、无监督和自监督学习方法，以及其在精准农业、植物表型鉴定和收获后质量评估等方面的应用。

    May, 2023

  • 机器学习在作物产量和疾病预测中的应用：结合土壤营养和天气因素

    为了解决孟加拉国农业领域中作物选择和疾病预测的问题，本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集，该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据，为用户推荐作物列表并预测可能的疾病，并通过决策树回归模型预测作物产量，帮助农民选择高产作物和预防作物疾病，提高孟加拉国的农业实践水平。

    Mar, 2024