Jan, 2024

评估咖啡叶病分类的数据增强技术

PDF
TL;DR本研究使用基于深度学习的方法，结合 pix2pix 模型用于分割和 CycleGAN 用于增强，通过 RoCoLe 数据集进行咖啡叶病害的图像分类，展示了变压器模型、在线增强和 CycleGAN 增强对叶病害分类的有效性，合成数据在增强模型性能上与真实数据相辅相成，这些发现有助于发展强大的植物病害检测和分类技术。
detection and classificationrobusta coffee leavesimage classificationrocole datasetleaf disease classification
发现论文，激发创造
  • 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

  • LeafGAN：用于实际植物病害诊断的有效数据增强方法

    本文提出了一种新型图像转换系统 LeafGAN，具有自己的注意力机制，能够生成各种病态植物图像，作为数据增强工具来提高植物病害诊断的性能。通过五类黄瓜病的分类实验，证明了使用 LeafGan 进行数据增强能够显著提高病害诊断性能，比原先基准提高了 7.4%，生成的图像质量也比传统的 CycleGAN 更好。

    Feb, 2020

  • 基于数据增强的叶片分割和计数技术在玫瑰植物中的应用

    本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法，该方法使用数据增强来训练深度神经网络，取得了在标准基准测试中最先进的结果，即由植物表型学的计算机视觉难题托管的叶片分割竞赛。

    Mar, 2019

  • 咖啡叶生物逆境分类和严重程度评估的深度学习

    本研究设计了一个基于卷积神经网络的实用系统，通过计算机视觉和深度学习方法对咖啡树叶上生物胁迫病原体进行早期和准确的识别和评估，实验结果表明该系统可能是一个适合专家和农民识别和量化咖啡种植区生物胁迫的工具。

    Jul, 2019

  • 植物叶片病害的深度学习检测综述

    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

  • 基于高效迁移学习的苹果叶病分类方法

    该研究提出了一种基于迁移学习的技术来自动分类苹果叶病害，并通过利用预训练的 EfficientNetV2S 模型和处理类不平衡的运行时数据增强方法来达到 99.21% 的准确度。

    Apr, 2023

  • 针对植物应激分类的类别特定数据增强

    基于遗传算法提出的自动化类别特定数据增强方法对大豆叶片应激分类任务表现出良好的性能，是一种在混淆数据集环境下植物应激分类领域中数据增强策略的重要进展。

    Jun, 2024

  • 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

  • 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

  • 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