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

使用注释的 1500 个数据集，提出了基于 YOLOv5 深度学习技术的水稻叶片疾病分类和检测方法，结果表明该模型具有更好的对象检测结果。

Sep, 2022

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

甜橙叶病、机器学习、叶片管理、图像分类和机器学习模型在检测受损叶片方面的应用是该综合文献综述的主要内容。

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

这项研究介绍了一种创新的人工智能驱动的精准农业系统，利用YOLOv8进行病害识别和Retrieval Augmented Generation (RAG)进行上下文感知的诊断。该系统集成了先进的目标检测技术和语言模型，解决了大型语言模型（LLMs）所固有的问题，并引入了动态疾病识别和治疗策略。实时监测、协作数据集扩展和组织参与确保了该系统在不同农业环境中的适应性。该系统通过实现精准病害识别，为可持续和环保的农业作出了贡献，减少了对杀虫剂的依赖。该研究为农业领域积极变革树立了榜样，与全球朝向可持续和技术增强型食品生产的努力保持一致。

May, 2024

基于人工智能的系统能通过视频监控自动诊断城市街道植物的健康状况，结合YOLOv8和DeepSORT等机器视觉算法进行叶子定位和跟踪，再使用DeepLabV3Plus卷积神经网络进行叶片损伤分割与量化分析。该系统可作为非侵入性、高效可伸缩的解决方案，用于城市树木健康管理，支持可持续的城市生态系统。

Jul, 2024

本研究解决了草莓成熟阶段准确识别的问题，以优化产量管理和害虫控制。通过评估YOLOv8模型配置，发现YOLOv8n模型在分割准确性和推理速度上表现最佳，mAP达到80.9%，处理速度为12.9毫秒。这一研究结果展示了先进物体分割算法在开放农业中解决复杂视觉识别任务的潜力。

Aug, 2024

本研究针对开放环境中草莓在成熟阶段的准确识别问题，评估了不同YOLOv8模型配置的性能。研究发现，YOLOv8n模型在分割精度上表现优越，平均准确率达到80.9%，且推理速度最快，为开放农业视觉识别任务提供了有效解决方案。

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