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

本研究使用转移学习方法，基于坦桑尼亚采集的木薯病害图片数据集，训练出一种可以识别三种病害和两种农害（或非病害）的深度卷积神经网络，最佳模型的准确率达到了98%-96%不等，表明该方法可以进行现场图像识别，提供了一种快速、经济、易于实施的数字植物病害检测策略。

Jun, 2017

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

该研究提出了一种信息丰富的分类系统，用于描述可能的植物病害数据集，并提出了几个未来的方向，如创建挑战导向的数据集和在实际应用中部署深度学习，以实现良好的性能。此外，总结了已有的相关公共RGB图像数据集。

Dec, 2023

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

本研究解决了植物病害检测中及时性和准确性不足的问题，通过结合图像处理、机器学习和深度学习方法，提出了一种基于卷积神经网络（CNN）的新型检测方法。研究显示，该模型对于常见作物的26种植物病害诊断的准确率达98.14%，并实现了与移动应用的实时集成，具有显著的应用潜力。

Aug, 2024

该研究解决了现有植物疾病数据集缺乏细粒度分割标签的问题，提出了PlantSeg数据集，提供了高质量的分割掩码和在自然环境中收集的图像。研究表明，这个数据集不仅能有效评估图像分类方法，还为开发先进的植物疾病分割算法提供了重要基础。

Sep, 2024

本研究解决了在田间条件下作物疾病早期检测的挑战，提出了一种新颖的深度卷积神经网络模型，可以通过分析现场捕捉的高分辨率RGB图像来检测马铃薯作物中的晚疫病轻微症状。该模型在小数据范式下通过数据增强技术实现了高准确性，显示出机器学习在农业疾病早期检测中的巨大潜力。

Sep, 2024

本研究解决了南瓜叶片疾病检测的准确性与时效性问题，旨在减少因传统方法导致的效率不足。通过对多种卷积神经网络模型的分析与比较，发现DenseNet-121模型在准确性与计算复杂性上表现最佳，整体准确率达到86%。该研究展示了卷积神经网络在南瓜植物自动诊断中的潜力，能够有效提高农业生产力及减少经济损失。

Sep, 2024