May, 2024

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

PDF
TL;DR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。
machine learningagricultural sciencetomato leaf diseasesconvolutional neural networktensor subspace learning
发现论文，激发创造
  • 基于直方图定向梯度支持向量机的番茄晚疫病早期检测

    本研究提出了一种使用 SVM 和 HOG 算法的混合模型，可以实现对番茄晚疫病的早期检测，对于智能农业的发展与推广具有重要意义。

    Jun, 2023

  • 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

  • 基于绿色色度坐标（GCC）和基于注意力的特征提取的支持向量机用于物联网智能农业应用中的作物病害分类

    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

  • 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

  • 深度学习中的马铃薯叶病分类：卷积神经网络方法

    该研究使用卷积神经网络（CNN）通过深度学习对马铃薯叶病进行分类。实验结果显示，该 CNN 模型在识别早疫病、晚疫病和健康叶片三种马铃薯叶病时具有高达 99.1% 的整体准确率，可在严重感染情况下准确识别不同类型的病变，为马铃薯病害的有效管理和自动化防治提供了潜力。

    Nov, 2023

  • 基于深度学习的西红柿病害检测与治疗建议的移动应用

    我们开发了一种全面的计算机系统，用于辅助采用传统农耕方式且无法很好获得农业专家帮助的农民处理农作物病害问题。我们的系统利用人工智能技术来识别和提供蔬菜病害的解决方法，并创建了一款手机应用程序，提供用户友好的界面，允许农民用本地语言查询蔬菜病害并获得适当的解决方案。该系统可被任何具备基本智能手机操作理解能力的农民使用，重点关注西红柿病害以惠及尼泊尔当地的农业社区。

    Aug, 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

  • 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

  • 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