Aug, 2024

多类植物叶片病害检测：基于CNN的方法与移动应用集成

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 一种用于检测苹果叶片疾病的卷积神经网络集成模型

    本文提出了一种基于深度学习的综合系统来诊断苹果植株的五种疾病，该模型采用 Xception、InceptionResNet 和 MobileNet 三种架构训练于公开数据集，能够实时监测大规模的苹果种植园并帮助农民有效管理其果树。

    Oct, 2022

  • 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

  • 叶片疾病分类的机器学习方法：数据、技术与应用

    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

  • 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

  • 基于机器学习的紫藤叶病害检测：综述

    通过图像分类方法，本文综述了应用于诊断植物叶片疾病的机器学习方法，以及可以用于山竹叶病检测的各种视觉转换模型，如TLMViT、SLViT、SE-ViT、IterationViT、Tiny-LeViT、IEM-ViT、GreenViT和PMViT等。此外，本文还回顾了DenseNet、ResNet-50V2、EfficientNet、Ensemble模型、CNN和Locally Reversible Transformer等模型，并在各种数据集上进行了评估，展示了它们在实际应用中的可行性。这篇综述不仅展示了该领域的当前进展，还为基于机器学习的山竹叶病检测和分类的未来研究方向提供了有价值的见解。

    Nov, 2023

  • 基于图像的西红柿和玉米叶病害检测：一项深度对比实验

    本研究基于卷积神经网络(CNN)引入一种新颖的植物病害检测模型，用于植物图像分类，对图像分类做出了重要的贡献。创新的训练方法使系统实施变得简化高效。该模型将两种不同的植物病害分类为四个类别，提出了一种新颖的植物病害识别技术。实验结果表明，Xception模型优于其他三个模型，在番茄数据集和玉米数据集上分别获得了95.08%和92.21%的准确率，对应的损失函数值分别为0.3108和0.4204。CNN结合批归一化实现了大约99.89%的训练集病害检测率和超过97.52%的验证准确率，伴随着0.103的验证损失。在模型的基础上引入额外层、跳跃连接和正则化，分别对应实验2、实验3和实验4的CNN架构。综合应用各种模型，包括MobileNet、EfficientNetB0、Xception、InceptionResNetV2和CNN，实现了对所有玉米和番茄图像的检测，其中模型的验证准确率为84.42%。

    Dec, 2023

  • 基于叶片的植物病害检测与可解释人工智能

    通过对植物叶病常见性的全面了解，评估了传统和深度学习技术在病害检测中的应用，总结了可用的数据集，并探索了可解释人工智能（XAI）以提高深度学习模型决策对最终用户的可解释性，为农业领域的研究人员、从业人员和利益相关者提供了有价值的见解，促进了有效和透明的植物病害防治和可持续农业实践的发展。

    Dec, 2023

  • 在稻瘟病分类中利用预训练的卷积神经网络进行高效特征提取

    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