相关实验视频
Updated: Aug 15, 2026

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
对用于检测植物疾病的深度学习架构的审查
1Department of Artificial Intelligence Engineering, Faculty of Computer and Informatics, Adana Alparslan Turkes Science and Technology University, Adana, Turkiye.
Turkish journal of biology = Turk biyoloji dergisi
|November 17, 2025
概括
深度学习模型提供准确的,基于图像的植物疾病检测. 本综述综合了从数据采集到部署的方法,强调了加强农业监测的挑战和解决方案.
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:
- 深度学习 (DL) 的进步使得准确的,基于图像的植物疾病检测成为可能.
- 传统方法与复杂的疾病识别斗争,需要创新的解决方案.
研究的目的:
- 为植物疾病检测提供DL方法的全面审查.
- 从数据采集到部署,系统地分析整个管道的DL模型.
主要方法:
- 对卷积神经网络 (CNN) 架构 (VGG,ResNet,EfficientNet,DenseNet) 的评估.
- 对分类,对象检测 (一阶段和两阶段) 和细分模型的分析.
- 讨论可解释的人工智能 (XAI) 技术,如突出地图和Grad-CAM.
主要成果:
- DL方法在分类和检测植物疾病方面具有很高的准确性.
- 移动平台优化和数据集选择的最佳实践提高了系统效率.
- 边缘计算和生成模型 (GAN,扩散) 解决了部署和数据挑战.
结论:
- 基于DL的方法显著提高了植物疾病检测系统的精度和弹性.
- 这些技术在现实世界农业监测和管理方面具有巨大的潜力.

