Nov, 2023

PhytNet：定制植物数据的适应性卷积神经网络

PDF
TL;DR自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分，通过计算机视觉进行自动化，然而现有的模型架构如 ResNet、EfficientNet 和 ConvNeXt 在类似项目的小规模专门数据集上常常表现不佳，我们通过数据采集和开发新的 CNN 架构 PhytNet 来填补这一空白，利用红外可可树图像的新数据集，展示 PhytNet 的发展并将其性能与现有架构进行比较，数据采集受到光谱分析数据的启发，该数据提供了有关可可树的光谱特性的有用见解，这些信息可以指导未来的数据采集和模型发展，鉴于可可树病害的多样性，因此选择可可树作为焦点物种是因为其病害存在较大的挑战，ResNet18 显示出一些过拟合迹象，而 EfficientNet 变体则显示出明显的过拟合迹象，相比之下，PhytNet 对相关特征具有良好的关注度，没有过拟合，而且计算成本异常低（1.19 GFLOPS），因此 PhytNet 是快速疾病或植物分类，或疾病症状的精确定位自主系统的有希望的候选方案。
automated disease classificationweed classificationcrop classificationcomputer visioncnn architecture
发现论文，激发创造
  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • 基于图像的西红柿和玉米叶病害检测：一项深度对比实验

    本研究基于卷积神经网络 (CNN) 引入一种新颖的植物病害检测模型，用于植物图像分类，对图像分类做出了重要的贡献。创新的训练方法使系统实施变得简化高效。该模型将两种不同的植物病害分类为四个类别，提出了一种新颖的植物病害识别技术。实验结果表明，Xception 模型优于其他三个模型，在番茄数据集和玉米数据集上分别获得了 95.08% 和 92.21% 的准确率，对应的损失函数值分别为 0.3108 和 0.4204。CNN 结合批归一化实现了大约 99.89% 的训练集病害检测率和超过 97.52% 的验证准确率，伴随着 0.103 的验证损失。在模型的基础上引入额外层、跳跃连接和正则化，分别对应实验 2、实验 3 和实验 4 的 CNN 架构。综合应用各种模型，包括 MobileNet、EfficientNetB0、Xception、InceptionResNetV2 和 CNN，实现了对所有玉米和番茄图像的检测，其中模型的验证准确率为 84.42%。

    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

  • 发挥迁移学习模型的力量进行复杂昆虫检测：革新昆虫分类

    通过使用计算机视觉和机器学习等先进技术，本研究构建并评估了基于 ResNet152V2 架构的卷积神经网络模型，实现了 99% 的训练准确率和 97% 的测试准确率，突出了其在昆虫分类和昆虫学研究中的潜力，以及对全球粮食安全和农业生产的重要作用。

    Jun, 2024

  • 用连续卷积网络和顺序信息实现精准农业中稳健的作物和杂草检测

    通过卷积神经网络加入空间信息作为特征，实现了在复杂环境下农田杂草与作物的自动分割识别，并在实验中取得了优异的结果。

    Jun, 2018

  • WheatNet: 一种用于高通量基于图像的小麦穗检测与计数的轻量级卷积神经网络

    本文介绍了一种基于深度学习的新型框架 WheatNet，能够快速高效地计算麦田中小麦穗的数量和位置，并在植物育种决策过程中提供实时数据收集的帮助，解决手动记录植物观测数据带来的劳动密集性问题。

    Mar, 2021

  • 基于双重注意力机制的植物病虫害识别轻量级网络

    该研究提出了一种基于双重注意力机制的轻量级深度学习方法，可自动分类不同的植物病害，该方法在三个公开数据集上分别达到了 96.61％、99.08％ 和 91.60％ 的准确度，并在小型和大型数据集上均显著优于现有方法。

    Oct, 2022

  • 在稻瘟病分类中利用预训练的卷积神经网络进行高效特征提取

    将特征提取方法与预训练的卷积神经网络相结合对稻瘟病进行分类，研究发现用 Histogram of Oriented Gradients 对模型进行增强可显著提高精确度至 97%，为农业中基于图像的病害分类系统的精确性和有效性提供了有前景的方法。

    Feb, 2024

  • PotatoPestNet: 基于 CTInceptionV3-RS 的神经网络用于准确辨识土豆害虫

    本研究利用 8 种马铃薯害虫的数据为基础，通过使用 5 种预训练转移学习模型，利用数据增强、正则化技术和随机搜索优化方法，提出了一个名为 PotatoPestNet 的 AI 马铃薯害虫识别系统，实现高精确度的害虫分类识别，并通过定量评估和可视化检验了模型的可靠性和鲁棒性。其中，自定义优化过的 InceptionV3 模型表现最佳，其准确率、精度、召回率和 F1-Score 均达到 91％。

    May, 2023

  • 系统进化卷积神经网络在宏基因组学中的应用

    引入了一种新的深度学习架构，基于卷积神经网络，使用在系统发生树上定义的祖先距离作为相似度测量来分类元基因组数据，测试表明该算法在分类表现上与传统算法和基线全连接神经网络相比有很好的表现。

    Sep, 2017