农业实践中的一个重要和繁琐的任务之一是检测作物疾病。它需要巨大的时间和熟练的劳动力。本文提出了一种智能有效的方法，用于检测使用计算机视觉和机器学习技术的作物疾病。该拟议的系统能够检测5种常见植物的20个不同疾病，精度为93％。

为了确保全球粮食安全和利益相关者的总体利润，正确检测和分类植物疾病的重要性至关重要。在这方面，基于深度学习的图像分类的出现引入了大量解决方案。但是，这些解决方案在低端设备中的适用性需要快速，准确和计算廉价的系统。这项工作提出了一种基于轻巧的转移学习方法，用于从番茄叶中检测疾病。它利用一种有效的预处理方法来增强具有照明校正的叶片图像，以改善分类。我们的系统使用组合模型来提取功能，该模型由预审计的MobilenETV2体系结构和分类器网络组成，以进行有效的预测。传统的增强方法被运行时的增加取代，以避免数据泄漏并解决类不平衡问题。来自PlantVillage数据集的番茄叶图像的评估表明，所提出的体系结构可实现99.30％的精度，型号大小为9.60mb和4.87亿个浮点操作，使其成为低端设备中现实生活的合适选择。我们的代码和型号可在https://github.com/redwankarimsony/project-tomato中找到。

农业是人类社会的支柱，因为它对每个生物体都是必需的。就人类而言，帕迪种植非常重要，主要是亚洲大陆，这是主食食品之一。然而，农业中的植物疾病导致生产力枯竭。植物疾病通常是由害虫，昆虫和病原体引起的，如果在特定时间内不受控制，它们的生产力将大规模降低至大规模。最终，人们看不到稻田产量的增加。准确，及时识别植物疾病可以帮助农民减轻由于害虫和疾病而导致的损失。最近，深度学习技术已被用来识别稻田疾病并克服这些问题。本文基于模型实现了卷积神经网络（CNN），并测试了由636个红外图像样本组成的公共数据集，其中有五个帕迪病类别和一个健康的类别。拟议的模型熟练地识别和分类的五种不同类型的帕迪疾病，准确度为88.28％

全球一百多个国家的主食是大米（Oryza sativa）。大米的种植对于全球经济增长至关重要。但是，农业产业面临的主要问题是水稻疾病。农作物的质量和数量下降了，这是主要原因。由于任何国家的农民对水稻疾病都没有太多了解，因此他们无法正确诊断稻叶疾病。这就是为什么他们不能适当照顾米叶的原因。结果，生产正在减少。从文献调查中，Yolov5表现出更好的结果与其他深度学习方法相比。由于对象检测技术的不断发展，Yolo家族算法具有非常高的精度和更好的速度，已在各种场景识别任务中使用，以构建稻叶疾病监测系统。我们已经注释了1500个收集的数据集，并提出了基于Yolov5深学习的水稻疾病分类和检测方法。然后，我们训练并评估了Yolov5模型。模拟结果显示了本文提出的增强Yolov5网络的对象检测结果的改进。所需的识别精度，召回，MAP值和F1得分的水平分别为90 \％，67 \％，76 \％和81 \％\％被视为性能指标。

深度学习模型通过从训练的数据集学习来提供图像处理的令人难以置信的结果。菠菜是一种含有维生素和营养素的叶蔬菜。在我们的研究中，已经使用了一种可以自动识别菠菜的深度学习方法，并且该方法具有总共五种菠菜的数据集，其中包含3785个图像。四种卷积神经网络（CNN）模型用于对我们的菠菜进行分类。这些模型为图像分类提供更准确的结果。在应用这些模型之前，存在一些预处理图像数据。为了预处理数据，需要发生一些方法。那些是RGB转换，过滤，调整大小和重新划分和分类。应用这些方法后，图像数据被预处理并准备好在分类器算法中使用。这些分类器的准确性在98.68％至99.79％之间。在这些模型中，VGG16实现了99.79％的最高精度。

深度学习目前是机器学习中最重要的分支，在语音识别，计算机视觉，图像分类和医学成像分析中的应用。植物识别是可以使用图像分类通过其叶子识别植物物种的领域之一。植物学家通过亲自检查将大量时间用于识别植物物种。本文描述了一种剖析瑞典叶子和识别植物物种的颜色图像的方法。为了实现更高的准确性，该任务是在预先训练的分类器VGG-19的帮助下使用转移学习完成的。分类的四个主要过程是图像预处理，图像增强，特征提取和识别，这些过程是作为整体模型评估的一部分进行的。 VGG-19分类器通过采用预定义的隐藏层（例如卷积层，最大池层和完全连接的层）来掌握叶子的特征，并最终使用Soft-Max层为所有植物类生成特征表示。该模型获得了与瑞典叶数据集的各个方面相关的知识，其中包含15种树类，并有助于预测未知植物的适当类别，准确性为99.70％，这比以前报告的研究工作高。

植物疾病是全球作物损失的主要原因，对世界经济产生了影响。为了解决这些问题，智能农业解决方案正在发展，将物联网和机器学习结合起来，以进行早期疾病检测和控制。许多这样的系统使用基于视觉的机器学习方法进行实时疾病检测和诊断。随着深度学习技术的发展，已经出现了新方法，这些方法采用卷积神经网络进行植物性疾病检测和鉴定。基于视觉的深度学习的另一个趋势是使用视觉变压器，事实证明，这些变压器是分类和其他问题的强大模型。但是，很少研究视力变压器以进行植物病理应用。在这项研究中，为植物性疾病鉴定提出了一个启用视觉变压器的卷积神经网络模型。提出的模型将传统卷积神经网络的能力与视觉变压器有效地识别出多种农作物的大量植物疾病。拟议的模型具有轻巧的结构，只有80万个可训练的参数，这使其适合基于物联网的智能农业服务。 PlantXvit的性能在五个公开可用的数据集上进行了评估。拟议的PlantXvit网络在所有五个数据集上的性能要比五种最先进的方法更好。即使在挑战性的背景条件下，识别植物性疾病的平均准确性分别超过了苹果，玉米和稻米数据集的93.55％，92.59％和98.33％。使用梯度加权的类激活图和局部可解释的模型不可思议的解释来评估所提出模型的解释性效率。

我们报告了有关流行的Plantvillage数据集用于培训基于深度学习的植物疾病检测模型的调查。我们仅使用来自PlantVillage图像背景的8个像素培训了机器学习模型。该模型在持有测试集上达到了49.0％的精度，远高于2.6％的随机猜测精度。该结果表明，PlantVillage数据集包含与标签相关的噪声，深度学习模型可以轻松利用这种偏见来做出预测。讨论了缓解此问题的可能方法。

这项工作使用水果和叶子的图像提出了一个基于学习的植物性诊断系统。已经使用了五个最先进的卷积神经网络（CNN）来实施该系统。迄今为止，模型的精度一直是此类应用程序的重点，并且尚未考虑模型的模型适用于最终用户设备。两种模型量化技术，例如float16和动态范围量化已应用于五个最新的CNN体系结构。研究表明，量化的GoogleNet模型达到了0.143 MB的尺寸，准确度为97％，这是考虑到大小标准的最佳候选模型。高效网络模型以99％的精度达到了4.2MB的大小，这是考虑性能标准的最佳模型。源代码可在https://github.com/compostieai/guava-disease-detection上获得。

Almost 80 million Americans suffer from hair loss due to aging, stress, medication, or genetic makeup. Hair and scalp-related diseases often go unnoticed in the beginning. Sometimes, a patient cannot differentiate between hair loss and regular hair fall. Diagnosing hair-related diseases is time-consuming as it requires professional dermatologists to perform visual and medical tests. Because of that, the overall diagnosis gets delayed, which worsens the severity of the illness. Due to the image-processing ability, neural network-based applications are used in various sectors, especially healthcare and health informatics, to predict deadly diseases like cancers and tumors. These applications assist clinicians and patients and provide an initial insight into early-stage symptoms. In this study, we used a deep learning approach that successfully predicts three main types of hair loss and scalp-related diseases: alopecia, psoriasis, and folliculitis. However, limited study in this area, unavailability of a proper dataset, and degree of variety among the images scattered over the internet made the task challenging. 150 images were obtained from various sources and then preprocessed by denoising, image equalization, enhancement, and data balancing, thereby minimizing the error rate. After feeding the processed data into the 2D convolutional neural network (CNN) model, we obtained overall training accuracy of 96.2%, with a validation accuracy of 91.1%. The precision and recall score of alopecia, psoriasis, and folliculitis are 0.895, 0.846, and 1.0, respectively. We also created a dataset of the scalp images for future prospective researchers.

在该研究中，提出了一种具有贝叶斯优化（ADSNN-BO）的关注深度可分离的神经网络，以检测和分类稻米图像的水稻疾病。水稻疾病经常导致20至40％的公司生产损失的产量，与全球经济有关。快速疾病鉴定对于计划及时计划治疗并减​​少CORP损失至关重要。水稻疾病诊断仍然主要是手动进行的。为实现AI辅助快速准确的疾病检测，我们提出了基于MobileNet结构的Adsnn-Bo模型和增强注意机制。此外，贝叶斯优化方法应用于调整模型的超级参数。交叉验证的分类实验是基于公共米病数据集进行的，总共有四个类别。实验结果表明，我们的移动兼容ADSNN-BO模型实现了94.65 \％的测试精度，这占据了所有最先进的模型。为了检查我们所提出的模型的可解释性，还进行了包括激活图和过滤器可视化方法的特征分析。结果表明，我们提出的基于关注机制可以更有效地引导Adsnn-Bo模型学习信息性功能。本研究的结果将促进农业领域快速植物疾病诊断和控制的人工智能。

Fruit is a key crop in worldwide agriculture feeding millions of people. The standard supply chain of fruit products involves quality checks to guarantee freshness, taste, and, most of all, safety. An important factor that determines fruit quality is its stage of ripening. This is usually manually classified by experts in the field, which makes it a labor-intensive and error-prone process. Thus, there is an arising need for automation in the process of fruit ripeness classification. Many automatic methods have been proposed that employ a variety of feature descriptors for the food item to be graded. Machine learning and deep learning techniques dominate the top-performing methods. Furthermore, deep learning can operate on raw data and thus relieve the users from having to compute complex engineered features, which are often crop-specific. In this survey, we review the latest methods proposed in the literature to automatize fruit ripeness classification, highlighting the most common feature descriptors they operate on.

需要快速，准确且负担得起的水稻疾病检测方法来协助水稻农民解决设备和专业短缺问题。在本文中，我们专注于使用计算机视觉技术来检测稻田照片图像的水稻疾病的解决方案。由于各种环境因素，处理普通农民在现实通用情况下处理的图像非常具有挑战性，而稻叶对象大小的变化是导致绩效等级的主要因素。为了解决这个问题，我们提出了一项技术，该技术将CNN对象检测与图像平铺技术结合在一起，基于图像中稻叶的自动估计宽度尺寸，作为将原始输入图像划分的尺寸参考。通过小型CNN（例如18层重新连接体系结构模型）创建了一个用于估计叶片宽度的模型。生成了一个新的，具有均匀尺寸的物体的新的瓷砖子图像集，并用作训练水稻疾病预测模型的输入。我们的技术对八种不同类型的水稻疾病的4,960张图像进行了评估，包括爆炸，枯萎病，棕色点，狭窄的棕色点，橙色，红色条纹，稻草特技病毒和条纹疾病。在所有八个类中评估的叶宽度预测任务的平均绝对百分比误差（MAPE）在实验中为11.18％，表明叶宽度预测模型的性能很好。训练和测试使用瓷砖数据集进行了训练和测试时，Yolov4体系结构预测性能的平均平均精度（地图）的平均精度（地图）的平均精度（地图）的平均精度（地图）提高到91.14％。根据我们的研究，提出的图像平铺技术提高了水稻疾病的检测效率。

目标。植物疾病的可持续管理是具有相关经济和环境影响的开放挑战。最佳策略依赖于有利条件下的现场侦察的人类专业知识，以评估当前存在和程度的疾病症状。这种劳动密集型任务被侦察的大场区域复杂化，与毫米级大小相结合待检测的早期症状。鉴于此，基于图像的早期疾病症状的检测是一种有吸引力的方法来实现这一过程，实现了可持续成本的潜在高吞吐量监测。方法。深入学习已成功应用于各个域，以通过培训程序学习过滤器来获取相关图像特征的自动选择。深入学习最近进入了植物疾病检测领域：在这项工作之后，我们提出了一种深入的学习方法，可以在黄瓜叶上识别白粉病。我们专注于应用于多光谱成像数据的无监督的深度学习技术，我们提出了使用AutoEncoder架构来调查疾病检测的两种策略：i）压缩空间中的特征集群化; II）异常检测。结果。通过定量指数评估了两种提出的方​​法。集群化方法本身并不完全能够提供准确的预测，但它确实迎合了相关信息。异常检测代替分辨率的显着潜力，这可以进一步被开发为具有非常有限数量的标记样本的监督架构之前。

作物疾病是对粮食安全的主要威胁，其快速识别对于防止产量损失很重要。由于缺乏必要的基础设施，因此很难迅速识别这些疾病。计算机视觉的最新进展和智能手机渗透的渗透为智能手机辅助疾病识别铺平了道路。大多数植物疾病在植物的叶面结构上留下了特定的文物。这项研究于2020年在巴基斯坦拉合尔工程技术大学计算机科学与工程系进行，以检查基于叶片的植物疾病识别。这项研究为叶面疾病鉴定提供了基于神经网络的深度解决方案，并纳入了图像质量评估，以选择执行识别所需质量的图像，并将其命名为农业病理学家（AGRO PATH）。新手摄影师的捕获图像可能包含噪音，缺乏结构和模糊，从而导致诊断失败或不准确。此外，Agropath模型具有99.42％的叶面疾病鉴定精度。拟议的添加对于在农业领域的叶面疾病鉴定的应用特别有用。

有效的早期检测马铃薯晚枯萎病（PLB）是马铃薯栽培的必要方面。然而，由于缺乏在冠层水平上缺乏视觉线索，在具有传统成像方法的领域的早期阶段来检测晚期枯萎是一项挑战。高光谱成像可以，捕获来自宽范围波长的光谱信号也在视觉波长之外。在这种情况下，通过将2D卷积神经网络（2D-CNN）和3D-CNN与深度合作的网络（PLB-2D-3D-A）组合来提出高光谱图像的深度学习分类架构。首先，2D-CNN和3D-CNN用于提取丰富的光谱空间特征，然后使用注意力块和SE-RESET用于强调特征图中的突出特征，并提高模型的泛化能力。数据集采用15,360张图像（64x64x204）构建，从在实验领域捕获的240个原始图像裁剪，具有超过20种马铃薯基因型。 2000年图像的测试数据集中的精度在全带中达到0.739，特定带中的0.790（492nm，519nm，560nm，592nm，717nm和765nm）。本研究表明，具有深入学习和近端高光谱成像的早期检测PLB的令人鼓舞的结果。

随着世界人口的增加，必须修改粮食资源，以提高生产力，抵抗力和可靠性。小麦是世界上最重要的食品资源之一，主要是因为各种基于小麦的产品。小麦作物受到三种主要疾病的威胁，这些疾病会导致大量的农作物产量损害。这些疾病可以通过在正确的时间使用农药来消除。尽管手动喷洒农药的任务是繁重且昂贵的，但农业机器人技术可以通过提高速度和减少化学物质的量来帮助农民。在这项工作中，已经在无人驾驶飞机上实现了一个智能自主系统，以自动监测小麦田的任务。首先，一种基于图像的深度学习方法用于检测和分类感染了疾病的小麦植物。为了找到最佳方法，已经研究了不同的方法。由于缺乏公共小麦滴定数据集，因此已经创建了自定义数据集。其次，使用机器人操作系统和凉亭环境中的仿真提出了有效的映射和导航系统。 2D同时定位和映射算法用于借助基于边境的探索方法自动映射工作空间。

实例细分任务是众所周知的对象检测任务的扩展，在许多领域（例如精确农业：能够自动识别植物器官以及与之相关的可能的疾病）具有很大的帮助，可以有效地扩展和自动化作物监测及其疾病控制。为了解决与葡萄藤植物早期疾病检测和诊断有关的问题，已经创建了一个新的数据集，目的是通过实例细分方法推进疾病识别的最新识别。这是通过收集在自然背景下受疾病影响的叶片和葡萄簇的图像来实现的。该数据集包含10种对象类型的照片，其中包括叶子和葡萄，有八种常见的葡萄疾病的症状和症状，其中1,092张图像中总共有17,706个标记实例。提出了多种统计措施，以便对数据集的特征进行完整的看法。蒙版R-CNN和R^3-CNN达到的对象检测和实例分割任务的初步结果作为基线提供，表明该过程能够就自动疾病症状识别的目的达到有希望的结果。

水果苍蝇是果实产量最有害的昆虫物种之一。在AlertTrap中，使用不同的最先进的骨干功能提取器（如MobiLenetv1和MobileNetv2）的SSD架构的实现似乎是实时检测问题的潜在解决方案。SSD-MobileNetv1和SSD-MobileNetv2表现良好并导致AP至0.5分别为0.957和1.0。YOLOV4-TINY优于SSD家族，在AP@0.5中为1.0;但是，其吞吐量速度略微慢。

在农业部门中使用人工智能以快速增长，以使农业活动自动化。新兴的农业技术专注于植物，水果，疾病和土壤类型的映射和分类。尽管使用深度学习算法的辅助收获和修剪应用处于早期开发阶段，但仍需要解决此类过程的解决方案。本文建议使用深度学习将草莓植物的桁架和跑步者分类，并使用语义分割和数据集扩展分类。所提出的方法是基于使用噪声（即高斯，斑点，泊松和盐和辣椒）来人为地增强数据集并补偿数据样本数量少并增加整体分类性能。使用平均精度，召回和F1得分的平均值评估结果。提出的方法在精确度，召回和F1分别获得91 \％，95 \％和92 \％，用于使用resnet101进行桁架检测，并利用盐和辣椒噪声进行数据集增强；和83 \％，53 \％和65 \％的精度，召回和F1分别用于使用Poisson噪声的RESNET50进行桁架检测，用于桁架检测。