野外多模态植物疾病识别的基准测试及通用基准模型
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
本文提出了一种新型图像转换系统 LeafGAN,具有自己的注意力机制,能够生成各种病态植物图像,作为数据增强工具来提高植物病害诊断的性能。通过五类黄瓜病的分类实验,证明了使用 LeafGan 进行数据增强能够显著提高病害诊断性能,比原先基准提高了 7.4%,生成的图像质量也比传统的 CycleGAN 更好。
Feb, 2020
本文介绍了一个手工捕捉了多种苹果叶片疾病症状图像的数据集, 并使用卷积神经网络(CNN)进行疾病分类, 最终实现了快速准确的疾病检测。
Apr, 2020
本研究提出了一种基于物体检测的自下而上植物识别方法,该方法可以通过检测植物器官并融合器官级别物种分类器的预测来识别植物物种,同时我们还创建了一个公开的长尾分布数据集来评估此方法。
Jun, 2021
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
该研究提出了一种信息丰富的分类系统,用于描述可能的植物病害数据集,并提出了几个未来的方向,如创建挑战导向的数据集和在实际应用中部署深度学习,以实现良好的性能。此外,总结了已有的相关公共RGB图像数据集。
Dec, 2023
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
本研究针对植物疾病识别的需求,开发出一种多模态检索系统,允许用户通过图片或文本描述搜索植物疾病。该系统利用最大在野外植物疾病数据集PlantWild,结合一种新颖的基于CLIP的视觉-语言模型,实现跨模态检索,帮助农民快速识别潜在疾病,及时采取防治措施。
Aug, 2024
本研究解决了植物病害检测中及时性和准确性不足的问题,通过结合图像处理、机器学习和深度学习方法,提出了一种基于卷积神经网络(CNN)的新型检测方法。研究显示,该模型对于常见作物的26种植物病害诊断的准确率达98.14%,并实现了与移动应用的实时集成,具有显著的应用潜力。
Aug, 2024
该研究解决了现有植物疾病数据集缺乏细粒度分割标签的问题,提出了PlantSeg数据集,提供了高质量的分割掩码和在自然环境中收集的图像。研究表明,这个数据集不仅能有效评估图像分类方法,还为开发先进的植物疾病分割算法提供了重要基础。
Sep, 2024