相关实验视频
Updated: Jun 27, 2025
LeafJ: An ImageJ Plugin for Semi-automated Leaf Shape Measurement
Published on: January 21, 2013
使用YOLOv4检测和识别植物叶病
Eman Abdullah Aldakheel1, Mohammed Zakariah2, Amira H Alabdalall3
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, Riyadh, Saudi Arabia.
这项研究引入了YOLOv4用于检测植物叶病,达到99.99%的准确性. 这种先进的方法有助于农民早期识别疾病,提高作物产量和保护.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确及时检测植物叶病对农业至关重要,以尽量减少经济损失并最大限度地提高作物产量.
- 传统的手动疾病识别方法往往不准确,对农民来说效率低下.
- 需要先进的计算技术来改善农业中的疾病预测系统.
研究的目的:
- 调查YOLOv4算法用于检测和识别植物叶病的有效性.
- 利用YOLOv4算法开发先进的疾病预测系统.
- 将YOLOv4的性能与其他已知识别方法进行比较.
主要方法:
- 利用了全面的植物村数据集,其中包含来自14个物种的5万多张健康和生病植物叶子的图像.
- 应用数据增强技术,如直方体平衡和水平翻转,以提高数据集的弹性.
- 评估了YOLOv4算法与Densenet,Alexnet和神经网络进行植物疾病检测.
主要成果:
- 在植物村数据集上,YOLOv4算法实现了99.99%的卓越准确性.
- 评估指标包括准确性,精度,回忆和F1分数,始终产生高性能 (0.99).
- 与Densenet,Alexnet和其他神经网络模型相比,YOLOv4的表现优越.
结论:
- 在YOLOv4算法显示显著的承诺作为一个复杂的工具,准确的植物疾病预测.
- 拟议的方法在早期检测植物疾病的能力方面取得了重大进展.
- 这些发展为农民和研究人员提供了加强的疾病控制和作物保护战略.
更多相关视频
09:31Author Spotlight: High-Throughput In Vivo Leaf Inoculation for Accelerating Disease Resistance Screening in Poplar Hybrid Breeding
Published on: September 20, 2024
09:23Specific and Accurate Detection of the Citrus Greening Pathogen Candidatus liberibacter spp. Using Conventional PCR on Citrus Leaf Tissue Samples
Published on: June 29, 2018
