相关实验视频
Updated: Jul 10, 2026

07:21
Deep Fluorescence Observation in Rice Shoots via Clearing Technology
Published on: June 27, 2022
2.9K
使用新的深批技术识别大米叶病和缺乏症疾病
Mayuri Sharma1, Chandan Jyoti Kumar2, Jyotismita Talukdar3
1Department of CSE, Assam Royal Global University, Guwahati, Assam, India.
Open life sciences
|September 4, 2023
概括
这项研究引入了一个新的深度学习框架,用于诊断大米疾病和营养缺乏. 这种新的方法通过在分类之前对受感染的叶片区域进行细分来提高诊断准确度,优于传统方法.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 米是全球的主食,易受疾病和缺陷影响产量的影响.
- 准确的作物监测对于及时干预至关重要,但传统的诊断方法缺乏可扩展性.
- 使用机器学习和深度学习 (DL) 的自动化系统为农民提供了潜在的解决方案.
研究的目的:
- 提出一种新的框架,用于使用DL诊断叶病和营养缺乏症.
- 通过在分类之前加入DL基于细分来提高诊断准确度.
- 评估拟议框架的性能与传统技术相比.
主要方法:
- 开发了一个新的框架,将基于DL的细分与位式逻辑AND操作集成在一起.
- 采用基于DL的分类来诊断特定的水疾病 (细菌叶病,棕色斑点,叶子污垢) 和营养缺乏 (,,).
- 在DL框架内利用了转移学习 (TL) 模型和组合技术.
主要成果:
- 提出的基于DL的细分和分类框架显著改善了诊断性能.
- 在新框架内,DeepBatch模型表现出与传统方法相比更优异的结果.
- 确切识别了大米细菌叶病,棕色斑点,叶子污垢和N,P,K缺陷.
结论:
- 具有预分段的新型DL框架为诊断作物问题提供了更准确,更有效的方法.
- 这种自动化系统可以为农民提供可访问和可扩展的支持,以便及时管理作物.
- 进一步的研究可以探索用先进的DL模型进行组合方法,以获得更高的诊断精度.
更多相关视频
05:44Real-Time Detection of Reactive Oxygen Species Production in Immune Response in Rice with a Chemiluminescence Assay
Published on: November 25, 2022
3.8K
07:36Visualizing Early Infection Sites of Rice Blast Disease Magnaporthe oryzae on Barley Hordeum vulgare Using a Basic Microscope and a Smartphone
Published on: March 17, 2023
1.7K