农作物病害识别与分类
农作物病害识别与分类
文章平均质量分 76
本专题将介绍基于数字图像的植物及其病害识别方法的研究,这也是研究生阶段主要研究的内容。本专栏将争取将每天看到的论文有价值的内容进行整理,作为自己学习的督促。
文章数:104 订阅量:109 文章阅读量:137995 文章收藏量:538
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
作者: @@南风
基于端到端锚深度学习模型的柑橘病害检测与分类 植物病害是降低农业产量和产量、造成重大经济损失和粮食供应不稳定的主要问题。在植物中,柑橘是一种具有重要经济意义的水果作物,在大约140个国家生产和种植。然而,柑橘种植受到包括病虫害在内的各种因素的广泛影响,导致了显著的产量和质量损失。近年来,计算机视觉和机器学习在植物病害检测和分类中得到了广泛应用,为病害的早期检测提供了机会,并为农业领域带来了进步。对植物病害的早期准确检测对于减少病害的传播和对作物的损害至关重要。因此,本文采用两阶段的深度CNN模型,利用叶片图像进行植物病害检测和柑橘病害分类。该模型由两个 原创 2022-05-09 11:04:04 · 998 阅读 · 1 评论 基于深度卷积神经网络的葡萄叶片图像病害识别(新设计CNN这么高的准确率?))) 葡萄(Vitis vinifera L.)是世界范围内具有重要商业价值的主要水果作物。黑腐病、黑麻疹和叶枯病是葡萄中常见的三种疾病。及时准确的诊断对于防止疾病传播和减少生产损失至关重要。深度学习的进步为植物病害识别领域的新诊断算法打开了大门。本文提出了一种基于卷积神经网络(CNN)的葡萄病害识别方法。一个轻量级的6层CNN模型从零开始设计,并使用一个包含3个疾病类别和1个健康叶片图像数据集的开放存储库进行训练。该数据集共包含3423张葡萄树叶图像。该模型以70-30的训练测试比率进行训练。图像增强和早期停止 原创 2022-05-08 21:44:09 · 3491 阅读 · 0 评论 玉米叶片病害分类的深度转移模型(改进AlexNet) 目前,深度学习在图像分析和目标分类中发挥着重要作用。玉米病害导致产量下降,进而成为全球农业经济损失的突出因素。此前,研究人员已经使用手工制作的特征对玉米植株的叶片疾病进行图像分类和检测。如今,深度学习的发展使得研究人员能够极大地提高目标识别和分类的准确性。因此,本文探索了快速、准确地检测玉米叶片病害的AlexNet模型。为了验证结果,我们使用了PlantVillage数据集。该数据集包含两类玉米病害,即基于叶斑的病害(灰斑病和灰斑病)和基于普通锈病的病害。前者包含1363张图片,后者包含929张图片。CNN 原创 2022-05-06 16:42:45 · 1690 阅读 · 0 评论 基于最优MobileNet卷积神经网络的植物叶片病害自动检测与分类 农业是印度的主要职业,每年因植物病害损失35%的作物产量。由于实验室设施和专家知识的不当,早期植物病害检测是一个繁琐的过程。自动植物病害检测技术有利于减少监测大型作物农场的繁重任务,并有利于及早识别病害症状,即出现在植物叶片上时。计算机视觉和深度学习(DL)模型的最新进展证明了基于叶片上可见症状开发自动植物病害检测模型的价值。考虑到这一点,本文提出了一个自动模型,用于使用基于最优移动网络的卷积神经网络(OMNCNN)检测和分类植物叶片疾病。提出的OMNCNN模型分为预处理、分割、特征提取和分类等不同阶段。它 原创 2022-05-06 15:45:39 · 1276 阅读 · 0 评论 基于新型卷积神经网络的植物病害识别 及时识别植物病害可以防止对作物的负面影响。卷积神经网络,尤其是深度学习在机器视觉和模式识别任务中有着广泛的应用。研究人员提出了不同的深度学习模型来识别植物中的疾病。然而,深度学习模型需要大量的参数,因此所需的训练时间更多,也很难在小型设备上实现。本文提出了一种基于初始层和剩余连接的深度学习模型。深度可分离卷积用于减少参数数量。该模型已在三种不同的植物病害数据集上进行了训练和测试。在plantvillage数据集上获得的性能精度为99.39%,在水稻病害数据集上获得的性能精度为99.66%,在木薯数据集上获得 原创 2022-05-04 15:12:17 · 1733 阅读 · 0 评论 一个可解释的植物胁迫表型的深度机器视觉框架(大豆叶片胁迫程度估算) 研究内容目前作物研究和生产中对生物和非生物胁迫进行准确识别、分类和量化的方法主要是目视的,需要专门培训。然而,这种技术却因内部和内部认知变异性所产生的主观性而受阻。这就导致了错误的决定和巨大的资源浪费。在这里,我们演示了一个机器学习框架的能力,以识别和分类大豆叶片应力的不同集合[Glycine max (L.)]稳定。非常准确。我们还提供了一种解释机制,使用top-K高分辨率特征图来隔离用于进行预测的视觉症状。这种无监督的视觉症状识别提供了压力严重程度的定量测量,允许在一个单一框架中识别(叶面压力的类型) 原创 2022-02-26 14:57:24 · 436 阅读 · 1 评论 基于卷积神经网络的大豆病害识别 1、研究内容植物已经成为一种重要的能源,是解决全球变暖问题的基础。然而,植物病害正威胁着这一重要来源的生计。卷积神经网络(CNN)在物体识别和图像分类问题上表现出了卓越的性能(超过了人类)。本文介绍了利用CNN对自然环境下的叶片图像进行植物病害分类的可行性。该模型基于LeNet结构设计,用于大豆植物病害的分类。从PlantVillage数据库中获得4类叶片图像共12673个样本,包括健康叶片图像。这些照片是在不受控制的环境下拍摄的。该模型的分类准确率达到了99.32%,表明CNN能够从自然环境下拍摄的图像 原创 2022-02-13 10:38:33 · 911 阅读 · 1 评论 利用CNN和迁移学习方法识别植物叶片疾病 利用CNN和迁移学习方法识别植物叶片疾病Abstract及时发现和早期预防作物病害对提高产量至关重要。由于深度卷积神经网络(CNN)在机器视觉领域取得了令人瞩目的成果,本文采用深度卷积神经网络(CNN)模型来从植物的叶子中识别和诊断疾病。标准的CNN模型需要大量的参数,计算成本较高。本文用深度可分离卷积代替标准卷积,减少了参数个数和计算量。实现的模型使用一个开放数据集进行训练,该数据集包含14种不同的植物,38种不同的疾病分类和健康的植物叶片。为了评估模型的性能,我们引入了不同的参数,如批量大小、dro 原创 2021-09-29 23:44:42 · 1426 阅读 · 1 评论 基于阈值和深度学习的玉米常见锈病严重程度自动模糊逻辑预测(工具+综述+玉米锈病严重程度数据集) 基于阈值和深度学习的玉米常见锈病严重程度自动模糊逻辑预测Abstract人工智能(AI)的发展使植物病理学的许多应用成为可能。例如,许多研究人员使用了预先训练的卷积神经网络(CNNs),如VGG-16、Inception和谷歌Net等,用于植物疾病的分类。利用人工智能分类植物病害的趋势已经发展到这样的程度,一些研究人员也可以使用人工智能来检测它们的严重程度。本研究旨在介绍一种利用CNN深度学习模型预测玉米常见锈病严重程度的新方法。这是通过对患病玉米叶片(常见锈病)图像应用阈值分割来提取患病叶片面积的百分 原创 2021-09-29 14:13:58 · 476 阅读 · 0 评论 一种结合颜色特征和区域生长的疾病斑图像分割方法(复杂环境下分割效果好) 一种结合颜色特征和区域生长的疾病斑图像分割方法A B S T R A C T文提出了一种基于先进综合颜色特征(ACCF)和区域生长法的病害叶片分割方法。采集到的病叶图像存在两个主要问题:背景杂波和光照不均匀,降低了鲁棒性分割。在此过程中,采用了两种方法即高级综合颜色特征(ACCF)和区域生长法来分割疾病斑,以克服这些困难。采用奇异值分解(SVD)技术,对不同颜色空间、颜色指数和颜色到灰度的对话进行颜色综合特征检测,对光照不均匀引起的疾病斑点具有更强的识别能力。在病害斑分割中,采用区域生长方法,通过交互选 原创 2021-09-29 10:12:31 · 674 阅读 · 0 评论 使用迁移学习在(选定)农业作物中的自动疾病分类 ABSTRACT农作物的生物胁迫是全球关注的主要问题。特别是,它的主要影响在经济贫穷的国家体现出来,这些国家的先进的疾病诊断设施有限,农民也缺乏认识。最近智能手机技术和深度学习技术的革命为疾病自动分类创造了机会。在本研究中,通过智能手机获取的图像通过无线局域网(LAN)传输到个人电脑,使用迁移学习对四种主要农作物进行十种不同的疾病分类,这四种农作物是研究最少的。使用了6种预训练卷积神经网络(CNN),分别是AlexNet、Visual Geometry Group 16 (VGG16)、VGG19、Goo 原创 2021-09-28 21:02:51 · 355 阅读 · 0 评论 植物病理学分类的高效网络体系结构的半监督噪声学生预训练 Abstract近年来,深度学习极大地提高了植物各种病害的识别和诊断。在这个报告中,我们研究了病理分类的问题使用单一的叶子的图像。我们探索了标准基准模型的使用,如VGG16, ResNet101和DenseNet 161,以达到0.945分的任务。此外,我们探索使用更新的EfficientNet模型,将准确率提高到0.962。最后,我们将最先进的半监督噪声学生训练思想引入到EfficientNet中,从而在准确性和收敛速度上都有了显著的提高。最终集成的noise Student模型在这个特定的分类任务上表 原创 2021-09-28 20:02:00 · 196 阅读 · 0 评论 基于深度卷积神经网络的苹果叶片植物病理学疾病检测 Abstract多年来,许多植物病害事件给全世界数百万人带来了痛苦,估计造成全球每年减产14%。植物病理学是一门研究植物病害的科学,它试图提高植物在不利的环境条件和引起病害的寄生微生物下的生存机会。温度、pH值、湿度和水分是影响植物病害发生的环境因素。误诊可导致化学品滥用,造成经济损失,环境失衡和污染,产生耐药病原体菌株。目前的疾病诊断是耗时、昂贵和基于人类侦察的。基于植物叶片图像的疾病自动分割与诊断比现有的方法更加有效。植物病害自动检测包括图像采集、预处理、分割、增强、特征提取和基于模型的分类。本项目使 原创 2021-09-28 17:05:44 · 1201 阅读 · 0 评论 改进的EfficientNet-B4用于黑色素瘤检测 Abstract皮肤癌是一种致命的疾病。早期发现皮肤癌可以降低治疗费用。尽管发病率低,但黑色素瘤可导致75%的皮肤癌死亡。随着计算机视觉技术的快速发展,开发一种基于图像的黑色素瘤检测工具来辅助医生进行病理检测是十分必要的。本文提出了一种基于EfficientNet-B4的黑色素瘤自动检测方法。将该方法集成到医疗视觉辅助系统中,为患者提供快速有效的辅助治疗。此外,我们使用网络微调技术使模型适应于皮肤镜损伤图像数据。我们评估了国际皮肤成像协作组织(International Skin Imaging Coll 原创 2021-09-28 15:23:06 · 1866 阅读 · 0 评论 基于深批标准化的eLU AlexNet模型作物病害分类(plantvillage+改进3*3+AlexNet) 基于深批标准化的eLU AlexNet模型作物病害分类Abstract在早期的工作中,植物病害的自动识别依赖于传统的机器学习技术,如多层感知机(Multilayer Perceptrons, MLP)和支持向量机(Support V ector Machines, SVM)。然而,近年来,深度学习(Deep Learning, DL)和卷积神经网络(convolutional neural network)被认为是这一领域的主导工具。本文在AlexNet模型的基础上,提出了一种基于叶片图像的植物病害分类 原创 2021-09-27 12:57:43 · 1062 阅读 · 0 评论 复杂背景下计算机视觉模型害虫识别的比较研究(像素语义分割网络SegNet) Abstract农业被认为是世界各国的经济基础,新技术的发展有助于提高收获效率。自动驾驶汽车在农场用于播种、收获和施用农药等任务。然而,任何一个种植园的主要问题之一是害虫和疾病的鉴定,这对害虫控制和维护植物的健康至关重要。本文介绍并比较了三种计算机视觉害虫识别方法:以深度卷积神经网络(DCNN)为基准;层次深度卷积神经网络(HD-CNN),以提高相似类的预测;和像素语义分割网络(SegNet)。他们被测试了两种栽培,大豆和棉花。SegNet在很大程度上优于两种方法:DCNN、HD-CNN和SegNet的准 原创 2021-09-26 13:54:55 · 468 阅读 · 0 评论 利用EfficientNet-B5从眼底摄影检测糖尿病视网膜病变的严重程度 Abstract糖尿病性视网膜病变(DR)在许多糖尿病患者中普遍存在。它是糖尿病患者视网膜组织损伤的一种非常重要的疾病。甚至,在极端情况下,它可能会导致长期患DR的患者永久失明。因此,有必要尽快诊断这些患者,以减轻dr的严重影响。早期就提出了几种方法来识别该疾病,包括机器学习算法、图像处理等。在这项工作中,基于卷积神经网络(CNN)的预训练机器学习算法,以加速诊断DR的严重程度,利用眼底摄影患者的视网膜图像。图像分为五个不同的等级,定义了疾病的严重程度。我们使用了EfficientNet-B5和一个优化阈 原创 2021-09-26 13:23:31 · 786 阅读 · 0 评论 利用深度卷积模型对巴拉科咖啡叶疾病进行分类 A B S T R A C T本文介绍了最新的深度卷积模型(DCM)在巴拉科叶病害分类中的应用。几个选定的dcm使用迁移学习和微调,以及数据预处理和增强来执行图像分类任务。收集的数据集使用总数为4667。每一种都分为四个不同的类别,包括咖啡叶锈病(CLR)、黑孢菌叶斑(CLS)、煤烟霉菌(SM)和健康叶(HL)。dcm使用部分4023张图像进行训练,并用剩余的644张图像进行验证。训练模型VGG16、Xception和ResNetV2-152的分类结果总体准确率分别为97%、95%和91%。通过比较真实阳 原创 2021-09-26 12:47:07 · 381 阅读 · 0 评论 利用深度学习技术自动可靠的叶病检测(附数据+分割分类详细+公共总结) Automatic and Reliable Leaf Disease Detection Using Deep Learning Techniques卡塔尔大学电气工程系巴基斯坦工程技术大学电气工程系Abstract植物是世界人口的主要食物来源。植物病害会造成生产损失,这可以通过持续监测加以解决。人工监测植物病害既费力又容易出错。利用计算机视觉和人工智能(AI)对植物病害进行早期检测,有助于减少病害的不利影响,并克服人类持续监测的缺点。在这项工作中,我们提出了一种基于卷积神经网络Efficien 原创 2021-09-25 13:29:57 · 958 阅读 · 0 评论 一种大豆多种病害自动识别的新方法 A new proposal for automatic identification of multiple soybean diseases巴西纳斯吉拉斯天主教大学电气工程研究生课程A B S T R A C T本文提出了一种结合颜色矩、局部二值模式(LBP)和视觉词袋(BoVW)模型的数字图像处理技术,在分析大豆病害叶片斑点颜色、纹理和局部特征的基础上,实现大豆病害的自动检测。数据收集和引用技术应用后提取的特征被分组,并作为支持向量机(SVM)的输入,用于疾病分类。用于开发和验证所提出的识别 原创 2021-09-23 15:06:46 · 418 阅读 · 0 评论 基于深度学习的大豆病虫害自动计数(SLIC超像素方法进行图像分割) A Deep-Learning Approach for Automatic Counting of Soybean Insect PestsAbstract大豆田虫害的发生使全世界的农民感到担忧。虫害数量的早期和自动诊断可以评估每个种植区的虫害水平,以优化作物中农药的应用,从而降低生产成本和环境影响。最近关于昆虫数量的研究采用了深层神经网络。然而,研究采用了经过训练的模型,只计算一种昆虫,使用在受控环境中捕获的图像,这与实际情况大不相同。为了获得较高的精度,我们评估了三种卷积神经网络(CNN)模型, 原创 2021-09-23 14:18:52 · 662 阅读 · 0 评论 玉米叶片病害识别与分类的DenseNet优化模型(公共数据集合并) An optimized dense convolutional neural network model for diseaserecognition and classification in corn leafA B S T R A C T提出了一种优化的密集卷积神经网络(CNN)体系结构(DenseNet),用于玉米叶片病害的识别和分类。玉米是世界上种植最多的谷物之一。玉米作物对某些叶病高度敏感,如玉米普通锈病、玉米灰斑病和北方玉米叶枯病非常常见。这些叶病的症状在它们的初期阶段是无法区分的。 原创 2021-09-22 23:28:14 · 1901 阅读 · 0 评论 基于深度卷积神经网络的大豆叶斑病识别 Identification of Soybean Leaf Spot Diseases using Deep Convolutional Neural NetworksAbstract摘要:本文设计了一种基于LeNet的深度卷积神经网络,利用大豆叶斑病斑影响区域进行病害识别和分类。采用无监督模糊聚类算法从叶片图像中分割出病害斑的影响区域。所提出的深度卷积神经网络模型的测试准确率为89.84%,分类错误的图像有1378张,分类正确的图像有1271张,每类识别结果较差。其中vgg16表现最好,识别率达9 原创 2021-09-22 22:19:17 · 785 阅读 · 0 评论 基于DenseNet和自注意机制融合的脐橙病虫害鉴定(DenseNet加入注意力+自然数据集扩大) Identification of Navel Orange Diseases and Pests Based on theFusion of DenseNet and Self-Attention Mechanism脐橙病虫害防治是保证脐橙产量的重要措施。针对脐橙病虫害鉴定方法中速度慢、主观性强、对专业知识要求高、鉴定成本高的问题,提出了一种基于DenseNet和attention的方法。脐橙病虫害的Te动力机制融合(DCPSNET)识别方法改进了传统的深度密集网络DenseNet模型,实现了脐橙病 原创 2021-09-22 10:41:50 · 1800 阅读 · 1 评论 机器学习与深度学习在辣椒病虫害识别中的集成分析(实验室环境) Integrated analysis of machine learningand deep learning in chili pest and disease identificationAbstract背景:辣椒是世界上最重要的高价值蔬菜作物之一。然而,虫害和疾病感染是辣椒种植的主要限制因素。这些疾病无法根除,但可以加以处理和监测,以减轻损害。因此,采用基于图像的自动识别系统将有助于快速识别辣椒病害。从图像中提取的特征对于开发这样一个精确的识别系统至关重要。结果:本研究将传统方法提取的辣椒病 原创 2021-09-21 22:34:22 · 1017 阅读 · 1 评论 卷积神经网络对咖啡病虫害识别和分割(分割+分类,病害严重程度详细) An app to assist farmers in the identification of diseases and pests of coffee leaves using deep learningA B S T R A C T近年来,深度学习方法被引入对病虫害引起的叶片病变进行分割和分类。在常用的方法中,卷积神经网络提供了高精度的结果。本研究的目的是提出一个有效和实用的系统,能够分割和分类不同类型的叶损伤,并利用卷积神经网络估计生物制剂引起的应激严重程度。该方法由两个阶段组成:语义分割阶 原创 2021-09-21 18:48:13 · 993 阅读 · 0 评论 基于椭圆-最大边缘准则学习的小麦叶片病害及其严重程度识别 Identification of wheat leaf diseases and their severity based onelliptical-maximum margin criterion metric learningA B S T R A C T快速准确地识别小麦叶片病害及其严重程度,有利于小麦叶片病害的准确防治。以白粉病和条锈病为研究对象,提出了一种基于椭圆-最大边际准则(E-MMC)度量学习的小麦叶片病害及其严重程度识别算法。与其他度量相比,椭圆度量结合MMC可以找到反映小麦叶病图 原创 2021-08-11 21:33:09 · 431 阅读 · 0 评论 自动划分-------训练集+验证集+测试集(code,自己设置比例) 1、准备原始文件上面5个文件夹里装的全是图片。2、新建一个new文件夹soybean-tensorflow-data-new这个文件夹里面是空的3、codeimport osimport randomfrom shutil import copy2def data_set_split(src_data_folder, target_data_folder, train_scale=0.6, val_scale=0.2, test_scale=0.2): ''' 读取源 原创 2021-08-04 21:11:17 · 2400 阅读 · 0 评论 水稻细菌性条斑病的分割与严重程度估计方法 An Approach for Rice Bacterial Leaf Streak Disease Segmentation and Disease Severity EstimationAbstract水稻细菌性条斑病(BLS)是水稻叶片上的一种严重病害,严重影响水稻的质量和数量。病害严重程度的自动估计是农业生产的重要要求。针对这一问题,提出了一种基于UNet网络语义分割的水稻和BLSNet叶片病变识别与分割方法。在BLSNet中引入注意机制和多尺度提取融合,提高了病灶分割的准确性。我们将该网络与D 原创 2021-08-01 10:29:40 · 520 阅读 · 0 评论 基于图像的小麦真菌病害深度学习识别(数据+平台) Image-Based Wheat Fungi Diseases Identification by Deep Learning(2021年7月发表,周期3月左右)摘要由病原真菌引起的谷物病害会显著降低作物产量。许多文化都与他们接触。这种疾病很难大规模控制;因此,相关的方法之一是农田监测,这有助于在早期发现病害,并采取措施防止其传播。基于数字图像分析的疾病识别是有效的控制方法之一,利用移动设备可以在野外条件下获取数字图像。在这项工作中,我们提出了一种识别小麦芽的5种真菌病害(叶锈病、茎锈病、黄锈病、白粉 原创 2021-07-31 22:04:22 · 1495 阅读 · 0 评论 基于卷积神经网络的草莓病害检测(新数据+基础算法?=SCI) Detection of Strawberry Diseases Using a Convolutional Neural Network1、摘要草莓是台湾的一种高价值作物,年种植面积约500公顷。苗栗县的草莓种植面积超过90%。不幸的是,各种病害显著降低了草莓产量。叶果病在1986年成为一种流行病。2010 - 2016年,炭疽病冠腐病造成30-40%的幼苗损失,移栽后植株损失约20%。草莓病害的检测离不开农业的自动化和图像识别技术。我们开发了一种利用卷积神经网络(CNN)模型来检测草莓病害的图像识别 原创 2021-07-31 09:50:16 · 2123 阅读 · 2 评论 基于迁移学习的辣椒病虫害搜索模型(裁剪病害区) Transfer Learning-Based Search Model for Hot Pepper Diseases and Pests(2020)1、摘要使用8种预先训练的深度学习模型(VGG16、VGG19、Resnet 50等)从图像中提取深度特征。利用34种辣椒病虫害的28,011幅图像数据进行了实验。病虫害的搜索结果与采用k近邻法查询具有深度特征的图像相似。在top-1 ~ top-5中,基于Resnet 50模型的深度特征对病害的识别准确率约为88.38-93.88%,对害虫的识别准确率 原创 2021-07-30 16:30:16 · 690 阅读 · 0 评论 田间小麦病害自动诊断系统(野外复杂环境) An In-field Automatic Wheat Disease Diagnosis System1、摘要本文提出了一种基于弱监督深度学习框架的小麦病害田间自动诊断系统,即深度多实例学习,实现了小麦病害识别与病害区域定位的一体化,仅对野外训练图像进行图像级标注。此外,我们还收集了一个新的麦田病害图像数据集,即小麦病害数据库2017 (WDD2017),以验证系统的有效性。在VGG-FCN-VD16和VGG-FCN-S两种不同架构下,经过5倍交叉验证,系统在WDD2017上的平均识别准确率分别达到 原创 2021-07-28 14:02:14 · 480 阅读 · 0 评论 机器学习技术在植物病害识别中的对比分析(迁移学习做了基础实验) Comparative Analysis of Machine Learning Techniques for Plant Disease Identification1、摘要本文阐述了利用转移学习应用不同的机器学习技术对基于图像的植物病害进行检测和分类。这项研究是在来自PlantVillage数据集的感染和健康的马铃薯叶片上进行的。本文对不同的深度学习迁移模型进行了实证比较。使用不同的模型,包括VGG 16、Inception V4、ResNet 50和121层的DenseNet。VGG16的测试精度 原创 2021-07-25 15:34:54 · 995 阅读 · 0 评论 基于多模态常规技术的芒果叶片病害识别新模型 A Novel Model for Disease Identification in Mango Plant Leaves Using Multimodal Conventional and Technological Approach1、摘要芒果植株遭受几种传染病和疾病,包括真菌、细菌和其它树的寄生虫以及果实。这大大降低了产量和质量。使用常规方法识别疾病是耗时的,并且可能会过度使用化学物质来克服疾病。该技术方法和常规方法可以有效地识别疾病并有效地治疗疾病。本文为读者/研究人员提供了关于不同类型芒果植 原创 2021-07-25 13:52:44 · 532 阅读 · 0 评论 多特征自动植物病害识别与检测 Automated Plant Disease Identification and Detection with Multi-features1、摘要***用支持向量机算法分析疾病的比较,用k-均值聚类进行分割,计算严重度值。***与基于神经网络的方法相比,通过识别多达95%的害虫和在某些情况下97%的害虫,它在短时间内提供了非常准确的结果。2、研究介绍提出了一种基于遗传算法的最优特征提取和叶片分类选择算法,其中除了分类外,选择最优属性子集成为叶片分类的重要步骤。应用遗传算法程序从叶子图片中去除原 原创 2021-07-25 13:27:54 · 418 阅读 · 0 评论 基于病害区域图像的植物病害识别深度学习(创新点好理解) Deep Learning for Plant Disease Identification from Disease Region Images1、摘要解读【目的】提出了一种利用病理分割的病害区域或感兴趣区域的图像数据进行叶表深度学习的植物病害识别方法。【方法】DL模型是在自动植物疾病识别中使用的一种特殊技术,它使用经验的卷积来表示可见的疾病区域的特征,主要特征是绿色、坏死和模糊病变的组合。当前的DL模型方法的主要应用是整片叶子图像数据,研究表明其结果倾向于导致不相关的感兴趣区域的特征表示。其影响是 原创 2021-07-22 15:04:02 · 2095 阅读 · 2 评论 基于深度学习模型的麻蕉疾病自动识别(增加形态计量和几何分析) Automatic Identification of Abaca Bunchy Top Disease using Deep Learning Models1、摘要解读用DSLR和移动相机拍摄了3840个叶柄和叶柄图像。然后对选定的预处理图像进行增强技术、标准化技术以及形态计量和几何分析。然后使用AlexNet、ZFNet、VGG16和VGG19架构训练图像,并使用混淆矩阵从准确性、错误率和精度方面评估结果。在叶片和带有叶片的叶柄上拍摄的DSLR图像显示,除了VGG16的准确率只有83%之外,所有架构 原创 2021-07-16 23:10:00 · 255 阅读 · 0 评论 GoogleNet_V3实验 1、pycharm文件2、代码import osimport numpy as npimport torch.nn as nnimport torchfrom torch.utils.data import DataLoaderimport torchvision.transforms as transformsimport torch.optim as optimfrom matplotlib import pyplot as pltimport torchvision.models 原创 2021-06-13 15:54:34 · 202 阅读 · 0 评论 GoogleNet_V3结构(论文复现) 1、PyTorch中GoogLeNet-V3结构定义from __future__ import divisionfrom collections import namedtupleimport warningsimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.jit.annotations import Optionalfrom torch import Tensor__all__ = 原创 2021-06-13 15:44:09 · 271 阅读 · 0 评论 <123>

公安备案号11010502030143 京ICP备19004658号 京网文〔2020〕1039-165号 经营性网站备案信息 北京互联网违法和不良信息举报中心 家长监护 网络110报警服务 中国互联网举报中心 Chrome商店下载 账号管理规范 版权与免责声明 版权申诉 出版物许可证 营业执照 ©1999-2024北京创新乐知网络技术有限公司
相关知识
基于图像的植物病害识别与分类
识别农作物病害以及远程云端交互功能的农作物生长状况监测系统
数字化农作物病害管理(28页)
最全 农作物病害数据集汇总(不定期更新)
枸杞病害识别:基于区分深度置信网络的图像分类模型
基于深度学习的农作物病害图像识别技术进展
农作物叶片病害检测数据集汇总(猫脸码客 第235期)
农作物病虫害识别进展概述
植物病害识别与诊断
病虫害图鉴:植物病害分类与识别.docx
网址: 农作物病害识别与分类 https://m.huajiangbk.com/newsview484008.html