研究人员开发了先进的深度学习框架,用于从叶部图像分类植物病害,并取得了高准确率。一项研究侧重于柠檬叶部病害,利用了 InceptionV3 和 MobileNetV2 等集成模型,通过对抗性训练达到 99.27% 的准确率以增强鲁棒性。另一个框架 CottonLeafVision 采用了 DenseNet201、InceptionV3 和 VGG19 等模型对棉花叶部病害进行分类,其中 DenseNet201 达到了 98% 的准确率。一种结合了 ResNet-50 和 Vision Transformers 的混合方法在多类植物病害识别中也表现出强劲性能,准确率达到 98.58%,并且在这些研究中使用了 Grad-CAM 等可解释性技术来突出与病害相关的区域。 AI
影响 这些框架为精准农业提供了更高的准确性和可解释性,有助于早期病害检测和管理。
排序理由 多篇在 arXiv 上发表的研究论文,详细介绍了用于植物病害分类的新深度学习框架。
- CottonLeafVision
- DenseNet201
- Gradient-weighted Class Activation Mapping
- InceptionV3
- VGG19
- AdamW
- arXiv
- EfficientNet B0
- Grad-CAM++
- Hugging Face
- MobileNetV2
- ResNet-50
- vision-transformer (ViT)
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →