利用机器学习进行枣树病害识别
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
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
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
针对全球柑橘种植业多年来主要存在柑橘疾病问题,如柑橘溃疡病、黄龙病、柑橘黑斑病、柑橘叶蛀虫等,影响了柑橘果实品质,引起了严重的经济损失和疾病管理问题,为了柑橘行业的健康发展提出了多种化学和生物防治方法、定期监测以及最大限度地保证卫生情况等预防和管理策略。
Jun, 2023
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
本文旨在探索计算机视觉方法用于大规模、早期检测植物疾病的可能性,并介绍了一个用于视觉植物疾病检测的数据集 PlantDoc,其中包括 2598 个来自 13 个植物物种、17 个疾病类别的数据点,学习 3 个模型来分类植物疾病,结果表明使用我们的数据集可以将分类精度提高 31%。
Nov, 2019
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。
Oct, 2023
本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测,包括芒果、杏仁和苹果,通过消融实验,数据增强技术和瓦片方法来提高检测精度和效率,并获得比以前更好的检测表现,对于苹果和芒果的 F1 值达到了 > 0.9。
Oct, 2016
本文提出了一种新的分类方法,利用基于注意力的特征提取、基于 RGB 通道的色度分析、支持向量机(SVM)的性能改进以及在信息量化后与移动应用和物联网设备集成的能力,为农民提供精确和快速的信息,从而转变了农民鉴别作物疾病的方式,保护农业产出,确保食品安全。
Nov, 2023