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

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

基于YOLO的自动植物病害诊断系统通常优于基于EfficientNet的分类系统，但是存在识别正常图像时产生误检测的问题。本文提出了一种名为HSReM的简单而有效的训练策略，通过选择适当难度的训练图像来增强正常数据和病害数据的诊断性能，实验结果表明该策略在大规模未知数据上比传统方法具有更好的综合性能。

Sep, 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

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

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

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