使用Faster R-CNN检测大麻种子变种
本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测,包括芒果、杏仁和苹果,通过消融实验,数据增强技术和瓦片方法来提高检测精度和效率,并获得比以前更好的检测表现,对于苹果和芒果的 F1值达到了>0.9。
Oct, 2016
通过使用深度学习中的 YOLOv3 模型,可以自动计算并分析产出树果,像甜樱桃的数量、大小和颜色等相关因素,该模型的准确度高达99%。
Feb, 2023
这篇文章提出了用于精准农业领域的作物-杂草识别新数据集 CWD30,并基于该数据集进行了精细识别和深度学习实验。实验显示,该数据集有助于提高模型性能和减少训练资源浪费,是作物-杂草识别算法的基准。
May, 2023
通过比较不同的You Only Look Once (YOLO)架构,本论文研究了在棉花中对Amaranthus palmeri (Palmer杂草)进行的8个生长阶段的识别。识别组合了视觉和大小特征,提高了性能。成功的生长阶段检测凸显了通过开源目标检测架构来改进植物表型研究和杂草识别技术的重大机遇。
Jul, 2023
自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分,通过计算机视觉进行自动化,然而现有的模型架构如ResNet、EfficientNet和ConvNeXt在类似项目的小规模专门数据集上常常表现不佳,我们通过数据采集和开发新的CNN架构PhytNet来填补这一空白,利用红外可可树图像的新数据集,展示PhytNet的发展并将其性能与现有架构进行比较,数据采集受到光谱分析数据的启发,该数据提供了有关可可树的光谱特性的有用见解,这些信息可以指导未来的数据采集和模型发展,鉴于可可树病害的多样性,因此选择可可树作为焦点物种是因为其病害存在较大的挑战,ResNet18显示出一些过拟合迹象,而EfficientNet变体则显示出明显的过拟合迹象,相比之下,PhytNet对相关特征具有良好的关注度,没有过拟合,而且计算成本异常低(1.19 GFLOPS),因此PhytNet是快速疾病或植物分类,或疾病症状的精确定位自主系统的有希望的候选方案。
Nov, 2023
通过实例分割技术,我们使用一个全面的数据集训练神经网络,以检测杂草和大豆植物的生长阶段,并提供了6个先进模型,实现了在所有植物类别中79.1%的平均精度和69.2%的平均召回率。
Jun, 2024