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

本文描述了一个数据集和一个 Kaggle 挑战赛，以鼓励使用半监督方法改进算法性能，旨在利用农民拥有的智能手机上的卫星图像对病毒性疾病感染的木薯作物进行监控。

Aug, 2019

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

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

利用深度学习计算模型进行可可果实疾病的识别和分类，使用 EfficientDet-Lite4 模型训练，通过图像分析提高识别准确度，并将模型功能集成到具有用户友好界面的 Android 移动应用中，使年轻或经验不足的农民能够快速准确地判断可可果实健康状态。

Jan, 2024

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

本文提出了一种新的分类方法，利用基于注意力的特征提取、基于 RGB 通道的色度分析、支持向量机（SVM）的性能改进以及在信息量化后与移动应用和物联网设备集成的能力，为农民提供精确和快速的信息，从而转变了农民鉴别作物疾病的方式，保护农业产出，确保食品安全。

Nov, 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

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。

Feb, 2024