利用机器学习进行枣树病害识别

Nov, 2023

Dates Fruit Disease Recognition using Machine Learning

Ghassen Ben Brahim, Jaafar Alghazo, Ghazanfar Latif, Khalid Alnujaidi

TL;DR通过采用 Lab 颜色特征、统计特征和离散小波变换纹理特征，以及常见分类器（随机森林、多层感知器、朴素贝叶斯和模糊决策树），本研究提出了一种基于混合特征的方法，用于早期检测和分类棕榈枣水果疾病。

Abstract

Many countries such as Saudi Arabia, Morocco and Tunisia are among the top exporters and consumers of palm date fruits. date fruit production plays a major role in the economies of the date fruit exporting countries. Date fruits are susceptible to disease just like any fruit and early

date fruit production disease detection automatic classification computer vision machine learning

发现论文，激发创造

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

基于移动端深度学习模型的香蕉病害检测

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

使用机器学习和深度学习预测柑橘病害：分类器，模型 SLR

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

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

PlantDoc: 一份用于植物疾病视觉检测的数据集

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

叶片疾病分类的机器学习方法：数据、技术与应用

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

果园深度水果检测

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

基于绿色色度坐标（GCC）和基于注意力的特征提取的支持向量机用于物联网智能农业应用中的作物病害分类

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

基于深度学习的水果图像识别

本文介绍了一个新颖的高质量水果图像数据集，并通过一些数字实验结果展示了训练神经网络以检测水果的成果。同时，我们提出了几种可能需要应用这类神经网络的场景，并探讨了为什么选择使用水果作为本项目的研究对象。

Dec, 2017

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