Oct, 2023

PlantPlotGAN：一种基于物理信息的生成对抗网络用于植物疾病预测

PDF
TL;DR通过使用无人机采集的多光谱图像，我们提出了一个具有物理特性的生成模型 PlantPlotGAN，能够创建具有逼真植被指数的合成多光谱区块图像，用于植物病害检测，并且通过与真实图像训练组合，能够提高早期病害检测的准确性。
plantationsunmanned aerial vehiclesdisease detectiongenerative modelprediction models
发现论文，激发创造
  • 基于多条件生成对抗网络的时间变化生成图像的数据驱动作物生长模拟

    基于图像的作物生长建模可通过展示随时间变化的空间作物发展情况，为精确农业做出重要贡献。我们提出了一个两阶段的框架，包括图像预测模型和生长估计模型，可以独立进行训练，并允许模拟多种生长影响因素依赖的时间变化的人工图像，从而进行作物表型分析。该框架具有潜力作为图像和过程结合的作物生长模型的接口。

    Dec, 2023

  • LeafGAN：用于实际植物病害诊断的有效数据增强方法

    本文提出了一种新型图像转换系统 LeafGAN，具有自己的注意力机制，能够生成各种病态植物图像，作为数据增强工具来提高植物病害诊断的性能。通过五类黄瓜病的分类实验，证明了使用 LeafGan 进行数据增强能够显著提高病害诊断性能，比原先基准提高了 7.4%，生成的图像质量也比传统的 CycleGAN 更好。

    Feb, 2020

  • 农业图像增强的生成式对抗网络：一篇系统综述

    该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用，并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾，讨论了 GAN 的挑战和机遇。

    Apr, 2022

  • 基于生成对抗网络的以植物表型为条件的林业图像合成

    使用遥感数据预测植物现象和表型的主要研究领域，通过生成满足特定表型属性（如冠层绿度）的合成森林图像，进而发展一种基于生成对抗网络（GAN）的方法来合成与植被绿度相关的森林图像，同时预测红度属性，并评估其准确性和完整性。

    Jul, 2023

  • 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

  • PotatoGANs：利用生成对抗网络、实例分割和可解释智能的增强马铃薯病害识别与分类

    利用 PotatoGANs 生成合成土豆病害图像以增强模型泛化能力，并结合三种卷积神经网络架构和三种可解释 AI 算法以提高土豆病害分类的可解释性。

    May, 2024

  • 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

  • 使用生成对抗网络合成拟南芥仿真植物

    通过使用生成神经网络，提出了一种基于图像的带花植物表型识别的解决方案，通过创建人工图像生成训练用的有标注的植物图像集合 Ax。

    Sep, 2017

  • 利用生成对抗网络增强的液滴分析

    该研究介绍了如何利用生成敌对网络来生成农业喷雾系统中的液滴图像，并利用这些合成数据集发展了一个轻量级液滴检测模型，从而提高了平均准确度（mAP）达到了 16.06%。这是第一个应用生成模型增强液滴检测的研究，对于优化喷嘴设计以构建高效喷雾系统，并解决各种精确农业任务中数据不足的共同挑战具有重要意义，为达到最佳和可持续的农业实践做出了重要贡献。

    Feb, 2024

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019