3、基于卷积神经网络的植物压力与虫害检测

基于卷积神经网络的植物压力与虫害检测

1. 相关工作

1.1 解决相同问题的不同方法

• 辣椒植物营养缺乏检测 ：有研究提出基于区域的卷积神经网络（R - CNN）来检测辣椒植物的多种营养缺乏情况。该网络能检测特定区域，可用于检测给定辣椒植物的营养缺乏。研究使用了433张来自农场的真实图像，分别用单阶段多框检测器（SSD）MobileNet V2（准确率27.74%）、Mask R - CNN Inception V2（准确率82.61%）和SSDLite MobileNet V2（准确率4.35%）进行训练。
• 大豆虫害检测与计数 ：有系统用于检测大豆的虫害攻击并统计害虫数量。通过在不同日期和不同气候条件下收集真实世界的数据，采用计算机视觉相关方法，利用简单线性迭代聚类（SLIC）超像素方法分割昆虫图像，使用k - 均值聚类生成相似区域。还使用了如DenseNet - 201、Inception - Resnet - V2、Resnet - 50等多个CNN模型进行分类任务，并将SLIC超像素算法分类为原子区域。
• 姜黄叶片疾病检测与分类 ：提出了基于计算机视觉的姜黄叶片疾病检测和分类方法。数据集包含200张有叶斑和叶枯病类别的图像，主要分为四个阶段：
  1. 将RGB图像转换为HIS颜色空间，并将所有图像调整为相同格式。
  2. 使用k - 均值分割提取叶片的患病部分。
  3. 将分割阶段的输出发送到特征提取阶段，使用灰度共生矩阵（GLCM）纹理分析。