学术中心
植物病害自动检测研究进展综述
- 分类：植物表型资讯
- 作者：PhenoTrait
- 来源：本站
- 发布时间：2021-11-10 06:10
- 访问量：
【概要描述】在本文中作者还讨论了缺乏公开可用的数据集、缺乏在自然条件下捕获的图像以及由此产生的局限性。
植物病害自动检测研究进展综述
【概要描述】在本文中作者还讨论了缺乏公开可用的数据集、缺乏在自然条件下捕获的图像以及由此产生的局限性。
- 分类：植物表型资讯
- 作者：PhenoTrait
- 来源：本站
- 发布时间：2021-11-10 06:10
- 访问量：
植物病害为农业生产造成了重大的产量下降和经济损失。为了有效地在早期检测植物病害，选择合适的技术势在必行。技术的可靠性会直接影响检测成本、诊断时间和准确性。
本研究广泛回顾了当前使用的各种成像技术结合传统机器学习和深度学习架构在植物病害检测方面所做的工作。近年来，CNN 模型已经取代了用于作物病害检测的传统机器学习模型，因为它们在植物物种和病害方面提供了更高的准确度和更广泛的应用范围。但是，他们需要大型数据库来训练模型以实现高精度和精确度。在本文中作者还讨论了缺乏公开可用的数据集、缺乏在自然条件下捕获的图像以及由此产生的局限性。
该研究还讨论了各种成像技术的使用，以获得最大可能的信息以实现早期疾病检测。在众多的成像技术中，RGB成像是最流行的方法。然而，它缺乏症状发生前期的疾病检测。高光谱和多光谱图像的使用可用于实现这种症状前期检测。然而，还有一些问题需要解决，例如处理高维数据的挑战、所需的大量计算时间、光谱带中的噪声、完美的波段选择等。
随着成像传感器、GPU 和计算机技术的不断进步可以预见，在不久的将来，内置精密传感器和紧凑型深度学习架构的智能手机将被用于实时、快速、准确和早期的病害检测，从而控制病害，减少产量和经济上的损失。
图1植物病害检测的各类技术
图2 RGB图像深度学习算法的比较
来源: Bhagwat, R., & Dandawate, Y. (2021). A Review on Advances in Automated Plant Disease Detection. International Journal of Engineering and Technology Innovation, 11(4), 251.
编辑 : 婷婷
扫二维码用手机看
推荐新闻
发布时间 : 2022-11-13 07:26:55
发布时间 : 2022-05-20 11:45:57
发布时间 : 2022-05-13 10:56:43
视频展示
专题报道
联系我们
慧诺瑞德（北京）科技有限公司
地址：北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话：010-62925490、82928854、82928864、82928874
传真：010-62925490-802
Email: info@phenotrait.com
邮编：100096
在线留言
关注我们
植物表型圈
植物表型资讯
慧诺瑞德（北京）科技有限公司版权所有 京ICP备15043840号 网站建设：中企动力 北二分 法律声明