Sep, 2024

使用先进的卷积神经网络模型对南瓜植物进行自动化疾病诊断

HTML
PDF
TL;DR本研究解决了南瓜叶片疾病检测的准确性与时效性问题，旨在减少因传统方法导致的效率不足。通过对多种卷积神经网络模型的分析与比较，发现DenseNet-121模型在准确性与计算复杂性上表现最佳，整体准确率达到86%。该研究展示了卷积神经网络在南瓜植物自动诊断中的潜力，能够有效提高农业生产力及减少经济损失。
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

  • LeafGAN：用于实际植物病害诊断的有效数据增强方法

    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

  • 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

  • ViTaL：一种使用视觉变换器和线性投影进行叶片图像自动植物病害识别的先进框架

    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

  • 多类植物叶片病害检测：基于CNN的方法与移动应用集成

    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

  • 小数据深度学习方法在田间病害检测中的应用

    本研究解决了在田间条件下作物疾病早期检测的挑战，提出了一种新颖的深度卷积神经网络模型，可以通过分析现场捕捉的高分辨率RGB图像来检测马铃薯作物中的晚疫病轻微症状。该模型在小数据范式下通过数据增强技术实现了高准确性，显示出机器学习在农业疾病早期检测中的巨大潜力。

    Sep, 2024