Feb, 2024

ViTaL：一种使用视觉变换器和线性投影进行叶片图像自动植物病害识别的先进框架

PDF
TL;DR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。
发现论文，激发创造
  • 马铃薯病害检测的学习特征和框架分析

    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

  • 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

  • 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

  • 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

  • 基于深度学习的植物病害图像检测

    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

  • 利用 TomFormer 早期和准确地检测番茄叶子疾病

    该论文介绍了一种基于 Transformer 的模型 TomFormer 用于番茄叶病检测，并通过与其他模型的比较验证了其在番茄叶病检测中的优越表现，展示了其鲁棒性、准确性、效率和可扩展性以及其在农业领域中的潜在影响。

    Dec, 2023

  • 植物病害分类的概念解释性

    利用深度卷积神经网络进行植物疾病分类在快速和早期识别植物疾病方面显示出卓越性能，然而由于它们相对于人类专家的鲁棒性、透明性和可解释性的问题，这些方法尚未全球范围内得到采用。本研究首次使用了 Testing with Concept Activation Vectors (TCAV) 方法，将重点从像素转移到用户定义的概念，结果表明基于概念的解释方法对自动化植物疾病识别有显著好处。

    Sep, 2023

  • SugarViT -- 基于视觉 Transformer 和深度标签分布学习的无人机图像多目标回归在甜菜病害严重性预测中的应用

    通过远程遥感和人工智能技术，本文介绍了一种用于大规模病害严重程度评分的自动化机器学习框架，结合了深度标签分布学习、特殊损失函数和定制模型架构的 SugarViT 模型。同时，本框架还可以适用于各种基于图像的分类和回归任务。

    Nov, 2023

  • 增强植物病害识别：一种基于卷积神经网络、张量子空间学习和 HOSVD-MD 的新方法

    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

  • 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