深度学习时代的植物病害识别数据集:挑战与机遇
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
本文介绍了一个手工捕捉了多种苹果叶片疾病症状图像的数据集, 并使用卷积神经网络(CNN)进行疾病分类, 最终实现了快速准确的疾病检测。
Apr, 2020
该研究论文通过深度学习模型系统综述了叶病害诊断领域的多种叶病害基于叶片的模型,包括 Vision Transformer (ViT)、Deep convolutional neural network (DCNN)、Convolutional neural network (CNN)、Residual Skip Network-based Super-Resolution for Leaf Disease Detection (RSNSR-LDD)、Disease Detection Network (DDN) 和 You only look once (YOLO) 等。研究表明,针对叶病害的深度学习模型被应用于多个公开数据集,研究使用了准确率、精确率、召回率等不同的性能指标来比较模型的表现。
Aug, 2023
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
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
通过对植物叶病常见性的全面了解,评估了传统和深度学习技术在病害检测中的应用,总结了可用的数据集,并探索了可解释人工智能(XAI)以提高深度学习模型决策对最终用户的可解释性,为农业领域的研究人员、从业人员和利益相关者提供了有价值的见解,促进了有效和透明的植物病害防治和可持续农业实践的发展。
Dec, 2023
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
开发了一个易于使用的网络应用程序,以解决种植作物面临的问题,其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要,同时应用解释性技术解释病害检测模型的预测。
Apr, 2022
通过使用区域卷积神经网络(RCNN)和基于注意力机制的网络,从叶片上的病斑或健康区域学习特征的方式,处理了训练数据分布与测试数据分布不一致所带来的分类器性能问题,测试集上的平均分类准确率约为 95%,在训练阶段未见过的数据集上平均得分为 84%。
Aug, 2023