利用 TomFormer 早期和准确地检测番茄叶子疾病
本文介绍了使用图像处理技术对番茄晚疫病进行早期检测的方法,采用分割和多类支持向量机分类技术对番茄晚疫病进行有效的检测和诊断,并提供了研究趋势、问题和前景以及未来研究方向的建议。
May, 2023
我们开发了一种全面的计算机系统,用于辅助采用传统农耕方式且无法很好获得农业专家帮助的农民处理农作物病害问题。我们的系统利用人工智能技术来识别和提供蔬菜病害的解决方法,并创建了一款手机应用程序,提供用户友好的界面,允许农民用本地语言查询蔬菜病害并获得适当的解决方案。该系统可被任何具备基本智能手机操作理解能力的农民使用,重点关注西红柿病害以惠及尼泊尔当地的农业社区。
Aug, 2023
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
利用机器学习及深度学习方法,在农业科学中实现对番茄叶病的自动检测和分类技术的研究。通过提出基于高阶白化奇异值分解方法(HOWSVD)和多线性判别分析(MDA)的张量子空间学习方法,测试结果表明该方法在 PlantVillage 和台湾数据集上取得了显著提升的精确度和可靠性,达到了 98.36%和 89.39%的准确率。
May, 2024
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
我们的研究论文引入了一个鲁棒的框架,用于自动识别植物叶片图像中的疾病。该框架包括多个关键阶段,以提高疾病识别的准确性,并通过引入图像预处理、特征提取等技术进行性能评估。这项研究为农业领域提供了宝贵的洞见和工具,以实现植物疾病的早期检测和管理,从而可能提高作物产量和增强食品安全。
Feb, 2024
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
本研究提出了使用卷积神经网络通过对受到卫星夜蛾感染的番茄叶进行分类来确定卫星夜蛾对番茄植物的影响程度,结果显示 Inception-V3 模型的平均准确率达到 87.2%,可以有效地识别高等级的卫星夜蛾感染程度。
Apr, 2020