基于手机图像的波斯饭检测与分类的深度学习技术
将特征提取方法与预训练的卷积神经网络相结合对稻瘟病进行分类,研究发现用 Histogram of Oriented Gradients 对模型进行增强可显著提高精确度至 97%,为农业中基于图像的病害分类系统的精确性和有效性提供了有前景的方法。
Feb, 2024
本文提出了一种自动食物分类系统的方法,该系统能够从食物图像中识别出食物的内容。采用多层卷积神经网络架构,并在训练中用到了预处理的图像和滤波器输出进行融合以提高准确率。该方法在 ETH Food-101 数据库和新贡献的印度食品图像数据库上表现出比其他基准深度学习 CNN 框架更加有效的效果。
Sep, 2017
本研究旨在通过分析移动设备(如智能手机)捕获的食物图像来改进膳食评估的准确性,提出了一种新的基于卷积神经网络的食品图像识别算法,并将该方法应用于两个真实数据集(UEC-256 和 Food-101)中,取得了令人瞩目的结果。
Jun, 2016
这篇论文介绍了使用多模态数据的公共多光谱和 RGB 图像数据集以及深度学习流程,用于检测水稻植物疾病,通过多光谱数据和 RGB 数据作为输入,相较于仅使用 RGB 数据输入,在 F1 准确性上得到了更高的结果。
Sep, 2023
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
本研究旨在探讨使用卷积神经网络对遥感场景进行语义分类的方法,通过采用 CaffeNet 和 GoogLeNet 架构,并进行多种不同的学习方式包括预训练网络的微调等,实验结果表明该方法在两个遥感数据集的性能表现都显著优于同类方法。
Aug, 2015
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
本文提出了一种新颖的多模态深度学习框架,结合了 tiny-BERT 的自然语言处理和 R-CNN 以及 ResNet-18 的图像处理,以增强农业害虫检测。通过集成文本上下文进行更精确的害虫识别,该方法解决了传统基于 CNN 的视觉方法的局限性。R-CNN 和 ResNet-18 的整合解决了深度 CNN 的问题,如梯度消失,而 tiny-BERT 确保了计算效率。通过线性回归和随机森林模型的集成学习,该框架展示了出色的判别能力,如 ROC 和 AUC 分析所示。将文本和图像数据融合的这种多模态方法显著提高了农业害虫检测的效果。研究突出了多模态深度学习在复杂的真实场景中的潜力,并建议在多样化的数据集、高级数据增强和跨模态关注机制方面扩展以提高模型性能。
Dec, 2023
应用计算机视觉技术通过叶片尺寸预测、图像分割和 CNN 对象检测等方法,对 8 种不同类型的水稻叶片疾病进行图像分类与识别,结果表明基于自动估计的叶片宽度尺寸的图像切割技术能够提高水稻疾病检测效率。
Jun, 2022