基于叶片的植物病害检测与可解释人工智能
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
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
开发了一个易于使用的网络应用程序,以解决种植作物面临的问题,其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要,同时应用解释性技术解释病害检测模型的预测。
Apr, 2022
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
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
为了解决孟加拉国农业领域中作物选择和疾病预测的问题,本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集,该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据,为用户推荐作物列表并预测可能的疾病,并通过决策树回归模型预测作物产量,帮助农民选择高产作物和预防作物疾病,提高孟加拉国的农业实践水平。
Mar, 2024
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
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
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