Oct, 2023

利用深度学习方法从无人机图像中识别玉米植株异常

PDF
TL;DR该研究通过使用深度学习技术，分析无人机拍摄的图片，自动识别玉米植株中的异常区域并分类成低、中、高或无异常。研究旨在能在最早的阶段识别异常，以最大化潜在治疗的有效性。同时，该系统为人工标注员提供宝贵的信息，帮助他们只关注一小部分图片进行真实数据收集。
发现论文，激发创造
  • 基于深度学习分割方法的无人机多光谱图像葡萄藤病害检测

    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

  • 使用深度学习对使用无人机捕捉的图像中的健康和患病作物进行检测

    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

  • AMaizeD: 一种自动玉米病害检测的端到端流程

    这篇研究论文介绍了 AMaizeD：一种自动玉米病害检测的完整流程，该流程通过使用来自无人机的多光谱图像进行对玉米作物病害的早期检测。该论文提出的框架利用多光谱图像，通过卷积神经网络作为特征提取器和分割技术来识别玉米植物及其相关病害。实验结果表明该框架在检测包括白粉病、炭疽病和叶斑病等一系列玉米病害方面具有出色的性能，为农业领域的自动病害检测贡献了先进的机器学习技术和深度学习架构。

    Jul, 2023

  • 将图像处理、植物发育特性和匈牙利算法相结合的一种新技术，以改善玉米叶片检测

    该文章通过自动图像分析的方法，借助凸包、骨架化和匈牙利算法等技术，准确地检测出玉米的叶片数目和位置，并成功预测了部分被遮挡的叶片，取得了 90.8% 的召回率和 99.0% 的精确率。

    May, 2020

  • 基于遮罩图像建模的航空农业图像无标签异常检测

    使用自监督学习和掩蔽自编码器的方法，通过检测农业无人机图像中的异常像素来实现农田异常检测，从而提高在农业领域的生产效率。

    Apr, 2024

  • 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

  • 农业植物表型的深度学习计算机视觉：调查

    本文综述了深度植物表型技术在精准农业领域的最新研究进展，阐述其在作物管理中的作用，以及如何利用数据实现有效监测。

    Jun, 2020

  • 基于深度学习目标检测的马铃薯作物应激识别

    通过远程传感和深度学习技术，利用针对农业图像分析的新算法进行作物可视化识别，通过检测马铃薯的深度神经网络来区分健康的和有压力的作物，实现了对自然条件下航拍图像中马铃薯作物压力的评估和识别。

    Jun, 2021

  • 基于无人机遥感图像和深度学习的玉米田志愿毛棉植株检测

    本文介绍了使用无人机搜集的三波段航空图像使用 YOLOv3 检测玉米田中的志愿棉植物，结果发现经过训练的 YOLOv3 模型可用于计算机视觉驱动的航空应用系统 (RPAAS) 实现志愿棉植物的检测和喷涂，具备实时性。

    Jul, 2022

  • 半监督杂草检测用于快速部署和提高效率

    该论文介绍了一种半监督杂草检测的新方法，通过利用计算机视觉和深度学习进行自动化杂草检测，该方法在农业领域中具有较好的应用潜力和实际可行性。

    May, 2024