arXiv 0707.42892007-07-29cs.AI

基于概率神经网络的植物叶片识别算法

A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network

Institute of Applied Chemistry, Chinese Academy of Science（中国科学院应用化学研究所）；Texas Tech University（德克萨斯理工大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；Nanjing Univ. of P & T（南京邮电大学）；National Taiwan Univ. of Science & Technology（台湾科技大学）

Stephen Gang Wu, Forrest Sheng Bao, Eric You Xu, Yu-Xuan Wang, Yi-Fan Chang, Qiao-Liang Xiang

备注：: 6 pages, 3 figures, 2 tables

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在本文中，我们采用概率神经网络（PNN）与图像和数据处理技术，实现了一个通用的自动叶片识别算法。提取12个叶片特征，并将其正交化为5个主变量，构成PNN的输入向量。用1800片树叶对PNN进行训练，对32种植物进行分类，分类准确率大于90%。与其他方法相比，该算法是一种精确的人工智能方法，具有执行速度快、易于实现等优点。

英文摘要：

In this paper, we employ Probabilistic Neural Network (PNN) with image and data processing techniques to implement a general purpose automated leaf recognition algorithm. 12 leaf features are extracted and orthogonalized into 5 principal variables which consist the input vector of the PNN. The PNN is trained by 1800 leaves to classify 32 kinds of plants with an accuracy greater than 90%. Compared with other approaches, our algorithm is an accurate artificial intelligence approach which is fast in execution and easy in implementation.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

跨架构混合专家模型与自适应软路由用于植物叶部病害分类

Cross-Architectural Mixture-of-Experts with Adaptive Soft Routing for Plant Leaf Disease Classification

organization= AIT laboratory, Faculty of Artificial Intelligence, \ University , addressline= Da Nang , postcode= 550000 , country= Viet Nam（人工智能学院实验室）

提出跨架构自适应软混合专家框架，集成EfficientNet-B0、DenseNet-121和Swin-Tiny，通过软门控机制和两阶段训练策略，在高度不平衡的马铃薯叶部病害数据集上召回率和F1分数分别提升5.91%和5.03%。

2026-06-23cs.AI

一种可靠且可扩展的柠檬叶病害分类集成深度学习方法

An Ensemble Deep Learning Approach for Reliable and Scalable Lemon Leaf Disease Classification

Dept. of CSE（计算机科学与工程系）；American International University-Bangladesh（美国国际大学-孟加拉国）；East West University（东-西大学）；North South University（北南大学）

提出集成InceptionV3和MobileNetV2的深度学习方法，结合对抗训练和Grad-CAM可视化，在9类柠檬叶病害数据集上达到99.27%准确率，实现可靠分类。

2026-06-16cs.AIcs.CV

LeafLife: 一种具有鲁棒性的可解释深度学习框架用于葡萄叶病识别

LeafLife: An Explainable Deep Learning Framework with Robustness for Grape Leaf Disease Recognition

East West University（东西大学）；North South University（南北大学）

LeafLife提出一种具有鲁棒性和透明性的深度学习框架，通过Xception模型和对抗训练实现高准确率的葡萄叶病识别，并结合Grad-CAM和Streamlit实现可视化和预测。

2026-01-06cs.AIcs.CVcs.LG

利用两个RGBD数据集进行模型开发的基于深度学习的直接叶面积估计

Deep Learning-Based Direct Leaf Area Estimation using Two RGBD Datasets for Model Development

Western Sydney University（西悉尼大学）；The University of New South Wales（新南威尔士大学）

针对RGBD植物图像，本文改进Mask R-CNN并提出双骨干网络直接估计叶面积，利用离体与着生叶片数据集训练、5折交叉验证及独立测试，评估分割与面积回归性能。

2025-03-13cs.AIcs.CV

基于特征的卷积神经网络叶片识别

Leaf Recognition Using Convolutional Neural Networks Based Features

Dublin City University（都柏林城市大学）；University of Science, Ho Chi Minh City（胡志明市理科大学）；Vietnam National University in Ho Chi Minh City（胡志明市越南国家大学）；AISIA Research Lab（AISIA研究实验室）；Hong Bang International University（鸿邦国际大学）

全世界植物栖息地的丧失已经成为一个警示灯，这就需要各方共同努力，保护植物的生物多样性。因此，植物物种分类对于应对这一环境挑战至关重要。近年来，与植物分类学相关的研究数量有相当大的增加。虽然一些研究人员试图使用新的方法来提高其识别性能，但其他研究人员则专注于其框架的计算优化。此外，一些研究正在深入到特征提取，以获得显着的准确性。在本文中，我们提出了一种有效的方法，叶识别问题。在我们提出的方法中，叶子经过一些预处理，以提取其细化的彩色图像，静脉图像，xy投影直方图，手工制作的形状，纹理特征和傅立叶描述符。然后，在利用支持向量机（SVM）模型对不同的叶子进行分类之前，通过基于神经网络的编码器将这些属性转换成更好的表示。总的来说，我们的方法在Flavia叶数据集上执行了最先进的结果，在随机10倍交叉验证下，在测试集上实现了99.58%的准确率，并绕过了以前的方法。我们还发布了我们的代码（可以在https：//github.com/dinhvietcuong1996/LeafRecognition上获得），以便为叶分类问题的研究社区做出贡献。

2021-09-02cs.AIcs.CVcs.LG

动态元集成框架用于在资源受限边缘设备上高效准确的植物叶片疾病检测深度学习

Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices

South West University Science and Technology, School of Computer Science and Technology（西南科技大学计算机科学与技术学院）；South West University Science and Technology, School of Control and Information Engineering Technology（西南科技大学控制与信息工程学院）

本文提出动态元集成框架，通过自适应加权机制在资源受限边缘设备上实现高精度植物疾病检测，实验表明其在分类准确率和计算效率方面均优于现有方法。

2026-01-24cs.AIcs.CV

更多相关论文收起更多论文

Victoria Amazonica Optimization（VAO）：一种受巨型睡莲启发的算法

Victoria Amazonica Optimization (VAO): An Algorithm Inspired by the Giant Water Lily Plant

Pars AI Company（帕尔斯人工智能公司）

维多利亚亚马逊植物，通常被称为巨型睡莲，拥有世界上最大的漂浮球形叶片，最大叶片直径为3米。它通过刺的力量展开叶子，在下面形成一个巨大的阴影，杀死任何需要阳光的植物。这些水霸王用它们强大的脊椎迫使彼此浮出水面，并增加它们的力量从水面夺取更多的空间。当它们遍布池塘或盆地时，最早生长的叶子有更多的生长空间，每片叶子都有一个独特的大小。它的花是变性的，当它们开花时，Cyclocephala甲虫负责授粉过程，被雌花的气味所吸引。进入花朵后，甲虫变得覆盖着花粉，并将其转移到另一朵花上进行受精。甲虫离开后，花变成雄性，颜色从白色变成粉红色。雄花死亡并沉入水中，释放出种子帮助创造新一代。本文介绍了这种宏伟植物的数学生存周期，并将每片叶子和花朵作为一个单一的实体处理。建议的生物启发式算法进行测试与24个基准优化测试功能，如Ackley，并与其他10个著名的算法，包括遗传算法。所提出的算法进行了测试10个优化问题：最小生成树，枢纽位置分配，二次分配，聚类，特征选择，回归，经济调度，并行机调度，颜色量化，图像分割和传统的和生物启发的算法相比。总体而言，该算法在所有任务中的性能是令人满意的。

2023-01-22cs.AIcs.NE

基于卷积神经网络的马铃薯植株叶片病害检测

Detection of Potato Plant Leaf Diseases using Convolutional Neural Networks

Injibara University（因吉巴拉大学）

本研究开发轻量型CNN，经PlantVillage数据集训练、埃塞俄比亚田间数据集评估，可分类马铃薯叶片病害，性能优于VGG16、MobileNetV2，或助力小农户病害初识别。

2026-10-14cs.AIcs.LG

基于卷积神经网络的水稻叶片病害红外图像识别

Paddy Leaf diseases identification on Infrared Images based on Convolutional Neural Networks

农业是人类社会的支柱，因为它是每一个有机体的基本需要。水稻种植对人类来说非常重要，主要是在亚洲大陆，它是主食之一。然而，农业中的植物病害导致生产力的枯竭。植物病害通常是由害虫、昆虫和病原体引起的，如果在特定时间内不加以控制，它们会大规模地降低生产力。最终，人们看不到水稻产量的增加。准确及时地识别植物病害可以帮助农民减轻病虫害造成的损失。最近，深度学习技术已被用于识别水稻病害并克服这些问题。本文实现了一个基于模型的卷积神经网络（CNN），并测试了由636个红外图像样本组成的公共数据集，其中包括5个水稻病害类和1个健康类。该模型对5种不同类型的水稻病害进行了有效的识别和分类，准确率达到88.28%

2022-08-06cs.AIcs.CV

一种基于卷积神经网络的多植物病害诊断方法

A Multi-Plant Disease Diagnosis Method using Convolutional Neural Network

Bangladesh University of Business and Technology（孟加拉国商业技术大学）

限制植物最大生产能力的病害被定义为植物病害。从农业的角度来看，诊断植物疾病至关重要，因为疾病往往限制植物的生产能力。然而，人工识别植物病害的方法往往是暂时的，具有挑战性和耗时的。因此，在农业自动化领域，对植物病害的计算机识别是高度期望的。由于最近计算机视觉的改进，已经引入了使用特定植物的叶子图像来识别疾病。然而，最常用的模型只能诊断特定植物的疾病。因此，在本章中，我们研究了一个最优的植物病害识别模型相结合的多个植物的诊断。尽管依赖于多类分类，该模型继承了多标签分类方法，以并行地识别植物和疾病类型。为了进行实验和评估，我们从各种在线来源收集了数据，其中包括六种植物的叶子图像，包括番茄，马铃薯，水稻，玉米，葡萄和苹果。在我们的研究中，我们实现了许多流行的卷积神经网络（CNN）架构。实验结果验证了Xception和DenseNet架构在多标签植物病害分类任务中的表现。通过架构调查，我们暗示，跳跃连接，空间卷积，和较短的隐藏层连接导致更好的结果，在植物病害分类。

2020-11-10cs.AIcs.CV

使用深度学习方法进行叶片病害检测

Leaf diseases detection using deep learning methods

Graduate School of Natural and Applied Sciences of Ankara University（安卡拉大学自然与应用科学研究生院）

本文针对植物叶片病害检测提出一种基于CNN的新模型，通过比较不同架构与预训练模型验证其高效性和准确性。

2024-12-31cs.AIcs.CVcs.LG

基于深度学习算法的苹果叶片病害识别

Identify Apple Leaf Diseases Using Deep Learning Algorithm

农业是一个国家社会经济的重要支柱产业。然而，病虫害造成农业大量减产，而没有足够的指导农民避免这种灾害。为了解决这个问题，我们通过建立分类模型将CNN应用于植物病害识别。在3，642张苹果叶图像的数据集中，我们使用基于Fastai框架的卷积神经网络（CNN）的预训练图像分类模型Restnet34，以节省训练时间。总体而言，分类的准确率为93.765%。

2021-07-27cs.AIcs.CV

基于卷积神经网络的苹果叶片病害检测

An Ensemble of Convolutional Neural Networks to Detect Foliar Diseases in Apple Plants

K.J. Somaiya College of Engineering（K.J. 索马亚工程学院）

苹果病害如果不及早诊断，可能导致大量资源损失，并对食用受感染苹果的人类和动物构成严重威胁。因此，必须及早诊断这些疾病，以管理植物健康并最大限度地减少与之相关的风险。然而，监测植物病害的传统方法需要人工侦察和分析植物叶片的特征、纹理、颜色和形状，导致诊断延迟和误判。我们的工作提出了一个集成系统的Xception，InceptionResNet和MobileNet架构，以检测5种不同类型的苹果植物疾病。该模型已经在公开的Plant Pathology 2021数据集上进行了训练，可以对给定植物叶片中的多种疾病进行分类。该系统在多类、多标签分类方面取得了突出的效果，可用于大型苹果种植园的实时监测，帮助农民有效地管理产量。

2022-10-01cs.AIcs.CVcs.LG

看它们长势如何：用于3D生长监测的番茄植株无损叶片检测与尺寸估计

Look how they have grown: Non-destructive Leaf Detection and Size Estimation of Tomato Plants for 3D Growth Monitoring

Centre for Automation and Robotic Engineering Science（自动化与机器人工程科学中心）；The University of Auckland（奥克兰大学）

本文提出一种基于2D和3D数据的番茄植株无损叶片检测与尺寸估计系统，通过平面拟合算法提取叶片尺寸，整体测量系统RMSE为8.13mm，并开源了相关数据集。

2023-04-07cs.AIcs.CV

基于注意力增强的CNN的可解释植物叶片疾病检测

Interpretable Plant Leaf Disease Detection Using Attention-Enhanced CNN

本文提出CBAM-VGG16模型，通过增强的注意力机制实现植物叶片疾病的高准确率检测，并提供可解释性分析以提升农业诊断的透明度和可靠性。

2025-12-24cs.AIcs.CV

叶种识别中的视觉描述和分类技术

A Review of Visual Descriptors and Classification Techniques Used in Leaf Species Identification

RMD Engineering College（RMD工程学院）

植物对生命至关重要。植物科学的主要研究领域包括植物物种识别，使用高光谱图像进行杂草分类，监测植物健康和跟踪叶片生长，以及叶片信息的语义解释。植物学家很容易通过区分叶的形状、叶尖、叶基部、叶缘和叶脉，以及复叶的质地和小叶的排列来识别植物物种。由于对专家的需求和对生物多样性的要求越来越高，人们需要智能系统来识别和表征叶片，以便仔细检查特定的物种，影响它们的疾病，叶片的生长模式，等等.我们回顾了几种图像处理方法在叶片的特征提取，鉴于特征提取是计算机视觉的关键技术.由于计算机无法理解图像，因此需要通过单独分析图像的形状，颜色，纹理和时刻将其转换为特征。看起来相同的图像可能在几何和光度变化方面有所不同。在我们的研究中，我们还讨论了某些机器学习分类器，用于分析不同种类的叶子。

2020-09-13cs.AIcs.CVcs.MM

基于叶片的植物病害检测与可解释AI

Leaf-Based Plant Disease Detection and Explainable AI

Indian Institute of Information Technology, Allahabad（阿拉哈巴德印度信息技术学院）；University at Buffalo（布法罗大学）

本研究综述了基于叶片的植物病害检测方法，评估传统与深度学习技术及数据集，并引入Explainable AI (XAI)提升模型决策的可解释性，以促进农业领域高效透明的解决方案。

2023-12-17cs.AIcs.CVcs.LG

Eff-3DPSeg：使用注释高效点云的3D器官级植物芽分割

Eff-3DPSeg: 3D organ-level plant shoot segmentation using annotation-efficient point clouds

McGill University（麦吉尔大学）；Jiangnan University（江南大学）

可靠和自动化的3D植物枝条分割是在器官水平提取植物表型性状的核心先决条件。结合深度学习和点云可以提供有效的方法来应对挑战。然而，完全监督的深度学习方法需要对数据集进行逐点注释，这非常昂贵且耗时。在我们的工作中，我们提出了一种新的弱监督框架，Eff-3DPSeg，用于3D植物枝条分割。首先，利用低成本的摄影测量系统重建高分辨率的大豆点云，并开发了基于Meshlab的植物点云标注系统。其次，提出了一种弱监督的深度学习方法用于植物器官分割。该方法包括：（1）使用视点瓶颈损失来预训练自监督网络，以从原始点云学习有意义的内在结构表示;（2）微调预训练模型，其中仅约0.5%的点被注释以实现植物器官分割。提取茎粗、叶宽、叶长3个表型性状。为了测试所提出的方法的通用性，本研究中包括公共数据集Pheno 4D。实验结果表明，弱监督网络的分割性能与全监督网络相当。我们的方法实现了95.1%，96.6%，95.8%和92.2%的精确度，召回率，F1-score，和mIoU的茎叶分割和53%，62.8%和70.3%的AP，AP@25，和AP@50的叶实例分割。该研究为植物三维构型的表征提供了一种有效的方法，有助于植物育种者提高育种效率。

2022-12-20cs.AIcs.CV

开发用于植物叶片疾病分类的强预训练基础模型

Developing a Strong Pre-Trained Base Model for Plant Leaf Disease Classification

本文提出了一种基于DenseNet201架构的新模型，通过迁移学习在新数据集上实现了更高效、更稳定的分类性能，克服了领域内多个问题。

2026-05-02cs.AIcs.CV

使用 Mask R-CNN 和 LETR 视觉 Transformer 进行叶倾角估计

Leaf Angle Estimation using Mask R-CNN and LETR Vision Transformer

Villanova University（维拉诺瓦大学）；Clemson University（克莱姆森大学）

本文提出结合 Mask R-CNN 实例分割与 LETR 视觉 Transformer 的计算机视觉流水线，用于田间植物叶倾角的现场自动估计，并在两个数据集上与人工测量对比取得 0.98 的余弦相似度，验证了其可行性。

2024-08-01cs.AIcs.CVcs.LG

利用图像运动的三维重建预测矮生番茄植株的总叶面积

Using 3D reconstruction from image motion to predict total leaf area in dwarf tomato plants

The Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Sami Shamoon College of Engineering（萨米·沙蒙工程学院）

提出结合RGB图像三维重建与机器学习的无损方法估算矮生番茄总叶面积，Alpha Shape与XGBoost组合效果最佳，并经跨季节实验验证。

2025-03-17cs.AIcs.CV

PlantTraitNet: 一种考虑不确定性的多模态框架，用于从公民科学数据中进行全球尺度植物特性推断

PlantTraitNet: An Uncertainty-Aware Multimodal Framework for Global-Scale Plant Trait Inference from Citizen Science Data

GeoSense-Freiburg（弗赖堡GeoSense）

本研究提出PlantTraitNet，一种多模态、多任务且考虑不确定性的深度学习框架，通过弱监督从公民科学照片中预测四个关键植物特性（植物高度、叶面积、特定叶面积和氮含量），并利用空间聚合生成全球特性分布图，验证结果表明其在所有评估特性上均优于现有特性地图。

2026-05-19cs.AIcs.CV

基于DenseNet201架构的迁移学习在马铃薯叶病分类中的应用

Transfer Learning With Densenet201 Architecture Model For Potato Leaf Disease Classification

Faculty Of Informatics（信息学院）；Institut Teknologi Telkom Purwokerto（Telkom理工学院）

本研究利用DenseNet201架构的迁移学习方法，通过比较不同dropout率和优化器，提高马铃薯叶病分类的准确率，实验结果达到99.5%的训练准确率。

2024-01-25cs.AIcs.CV

用于农业行间早期胁迫检测的群协调多机器人系统：基于多模态叶片感知

A Swarm-Coordinated Multi-Robot System for Early Stress Detection in Agricultural Rows Using Multimodal Leaf Sensing

Delhi Public School Vasant Kunj（瓦桑特昆吉德里公立学校）；University of Delhi（德里大学）；On My Own Technology Pvt. Ltd（On My Own Technology私人有限公司）

本文提出CropSentry，一种低成本多机器人系统，通过多模态叶片感知逐行监测作物胁迫，实现84.12%分类准确率，为中小农户提供可负担的早期胁迫检测方案。

2026-10-07cs.AIcs.RO

可解释人工智能与基于少样本的混合分类模型用于植物叶片疾病预测

XAI and Few-shot-based Hybrid Classification Model for Plant Leaf Disease Prognosis

Birla Institute of Technology and Science Pilani, Dubai Campus（比拉理工学院和科学学院迪拜校区）

本文提出结合可解释人工智能与少样本学习的混合模型，用于在有限数据条件下预测植物叶片疾病阶段，实验表明模型在准确率和可解释性方面均优于传统方法。

2026-03-03cs.AIcs.CVcs.LG

Hydra：基于毫米波与相机融合的精准多模态叶片湿润度感知

Hydra: Accurate Multi-Modal Leaf Wetness Sensing with mm-Wave and Camera Fusion

Michigan State University（密歇根州立大学）；Tsinghua University（清华大学）

Hydra融合毫米波雷达与相机，通过CNN特征融合和Transformer编码器检测叶片湿润度，在多种场景下准确率达96%，实际部署约90%，有效提升LWD测量精度与鲁棒性。

2025-08-04cs.AIcs.CV

Hydra-Bench：面向多模态叶片湿度感知的基准测试集

Hydra-Bench: A Benchmark for Multi-Modal Leaf Wetness Sensing

Michigan State University（密歇根州立大学）

针对现有叶片湿度检测系统在真实场景下鲁棒性等不足，本研究推出多模态基准数据集Hydra-Bench，含三类同步数据，基于Hydra模型完成多维度基准测试，可为相关算法优化提供评估支撑。

2025-07-30cs.AIcs.CV

使用叶片光谱分析和机器学习对番茄作物中分枝列当（Phelipanche ramosa）侵染的早期检测

Early Detection of Branched Broomrape (Phelipanche ramosa) Infestation in Tomato Crops Using Leaf Spectral Analysis and Machine Learning

University of California, Davis（加州大学戴维斯分校）

本研究利用叶片光谱反射率与集成机器学习，在番茄冠层症状显现前实现对分枝列当侵染的早期检测，在585 GDD时达89%准确率，支持针对性干预以减少产量损失。

2025-09-15cs.AIcs.CVcs.LG

一种基于迁移学习的高效苹果叶部病害分类方法

An Efficient Transfer Learning-based Approach for Apple Leaf Disease Classification

Islamic University of Technology（伊斯兰技术大学）；Bangabandhu Sheikh Mujibur Rahman Agricultural University（班加班杜·谢赫·穆吉布尔·拉赫曼农业大学）；King Fahd University of Petroleum & Minerals（法赫德国王石油与矿产大学）

本文提出一种基于预训练EfficientNetV2S和运行时数据增强的迁移学习方法，用于苹果叶部病害自动分类，在PlantVillage子集上取得99.21%准确率并优于现有方法。

2023-04-10cs.AIcs.CVcs.LG