arXiv 2303.084152023-03-15cs.CV

基于神经网络的水稻病害分类

Rice paddy disease classifications using CNNs

Charles O'Neill

摘要：

水稻是世界饮食中的主食，但每年因疾病而损失的农作物产量占很大比例。为了解决这个问题，人们一直在寻找自动化疾病诊断的方法。在这里，我们通过分析疾病分类的准确性如何对模型架构和常见的计算机视觉技术敏感来扩展以前的建模工作。在这样做的过程中，我们最大限度地提高了准确性，同时在较小的模型尺寸，最小的GPU和更短的训练时间的约束下工作。虽然以前最先进的模型只有93%的准确率预测5种疾病，但我们使用10种疾病类别将其提高到98.7%。

英文摘要：

Rice is a staple food in the world's diet, and yet huge percentages of crop yields are lost each year to disease. To combat this problem, people have been searching for ways to automate disease diagnosis. Here, we extend on previous modelling work by analysing how disease-classification accuracy is sensitive to both model architecture and common computer vision techniques. In doing so, we maximise accuracy whilst working in the constraints of smaller model sizes, minimum GPUs and shorter training times. Whilst previous state-of-the-art models had 93% accuracy only predicting 5 diseases, we improve this to 98.7% using 10 disease classes.

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

基于深度学习的水稻抽穗期自动估计

Automatic estimation of heading date of paddy rice using deep learning

Indian Institute of Technology - Hyderabad（印度理工学院海得拉巴分校）；The University of Tokyo（东京大学）；National Agriculture and Food Research Organization（国立农业与食品研究机构）；University of Tsukuba（筑波大学）

水稻抽穗期的准确估计有助于育种者了解不同作物品种在特定地区的适应性。抽穗期在确定研究试验的谷物产量方面也起着至关重要的作用。对作物进行目视检查既费力又耗时。因此，快速、准确地估测水稻抽穗期是十分必要的。在这项工作中，我们提出了一个简单的管道来检测区域包含开花穗从地面RGB图像的水稻。给定图像的固定区域大小，包含开花穗的区域的数量与存在的开花穗的数量成正比。因此，我们利用开花穗面积数来估计作物的抽穗期。该方法基于使用卷积神经网络（CNN）的图像分类。我们评估了我们的算法的性能上的五个时间序列图像序列的三种不同品种的水稻作物。与以前的工作相比，该方法的准确性和通用性得到了提高，并估计了标题日期，平均绝对误差小于1天。

2019-06-19cs.CVq-bio.QM

TRNet：用于多模态水稻分割的地形引导频率校正与结构感知解码

TRNet: Learning with Topographic Priors for VHR Paddy Rice Mapping

School of Computer Science, Sichuan University Jinjiang College（四川大学锦江学院计算机学院）

TRNet模型针对山区丘陵水稻分割难题，采用双编码器与地形引导解码，在A、B区域水稻IoU较双编码器U-Net显著提升，验证了地形作为上下文先验的有效性。

2026-09-09cs.AIcs.CV

基于聊天机器人的水稻病害图像自动检测系统

A System for Automatic Rice Disease Detection from Rice Paddy Images Serviced via a Chatbot

National Electronics and Computer Technology Center (NECTEC)（国家电子与计算机技术中心）；Kasetsart University（农业大学）

本文介绍了一个利用实际图像诊断水稻病害的LINEBot系统。这是一个易于使用和自动化的系统，旨在帮助稻农提高水稻产量和质量。目标图像取自实际稻田环境，无需特殊的样品制备。我们使用深度学习神经网络技术从图像中检测水稻病害。我们开发了一个对象检测模型的训练和细化过程，以提高我们以前的研究水稻叶片病害检测的性能。该过程基于分析模型的预测结果，并且可以在模型的下一次训练中重复使用，以提高数据库的质量。我们的LINE Bot系统的部署模型是从我们之前的论文YOLOv 3中选择的最佳性能技术创建的，并通过细化的训练数据集进行训练。部署模型的性能在5个目标类上进行了测量，发现平均真阳性点从上一篇论文的91.1%提高到本研究的95.6%。因此，我们将此部署模型用于水稻病害LINE Bot系统。我们的系统自动实时工作，向LINE组中的用户（包括稻农和水稻病害专家）提供初步诊断结果。他们可以通过聊天自由交流。在实际的LINE Bot部署中，模型的性能是通过我们自己定义的测量平均真阳性点来测量的，平均值为78.86%。该系统速度快，在我们的系统服务器上检测过程仅需2-3秒。

2021-06-23cs.CVcs.SYeess.SY

基于卫星的印度拉比季水稻田制图：以特伦甘纳邦为例

Satellite-based Rabi rice paddy field mapping in India: a case study on Telangana state

Dpt. of Electrical, Computer, Biomedical Engineering University of Pavia（电气、计算机与生物医学工程系，帕维亚大学）

针对碎片化农业景观的时空异质性问题，本研究开发物候驱动分类框架，适应印度特伦甘纳邦32个地区农业生态变化，实现93.3%总体准确率（较传统方法提升8个百分点），为区域水稻田制图及农业监测提供科学方法与数据支持。

2025-07-07cs.CV

自主农业拖拉机：用于精准稻田种植的杂草检测与激光雷达导航集成系统

Autonomous Agricultural Tractor: Integrated Weed Detection and LiDAR Navigation for Precision Paddy Farming

Florida Gulf Coast University（佛罗里达湾岸大学）

该研究提出集成自主拖拉机系统AgriNav，通过多模块协同与激光雷达-相机融合技术解决稻田杂草管理的三大挑战，仿真实验验证了其导航与检测的可靠性及效率提升。

2026-08-20cs.CVcs.RO

一种用于稻叶病害检测的通道注意力驱动混合CNN框架

A Channel Attention-Driven Hybrid CNN Framework for Paddy Leaf Disease Detection

Vellore Institute of Technology（韦洛尔理工学院）；Anna University（安娜大学）

针对水稻叶片早期病害识别难题，提出一种结合通道注意力机制与Swish ReLU的混合深度学习分类器，通过扩展Squeeze-and-Excitation架构实现高精度检测，F1分数达99.76%，准确率99.74%。

2024-07-16cs.AIcs.CVcs.LG

更多相关论文收起更多论文

基于双相卷积神经网络的小数据集水稻病害识别

Rice grain disease identification using dual phase convolutional neural network based system aimed at small dataset

卷积神经网络（CNN）在植物病害检测中得到了广泛的应用，但在处理多种异质背景时需要大量的训练样本。本文提出了一种基于CNN的双阶段方法，该方法可以有效地处理具有异质性的小样本水稻病害数据集。在第一阶段，应用Faster RCNN方法从图像中裁剪出重要部分（米粒）。该初始阶段导致缺乏异质背景的稻米颗粒的二次数据集。使用CNN架构对这样的导出和简化的样本进行疾病分类。在小颗粒数据集上的双阶段方法与直接应用CNN的比较显示了所提出的方法的有效性，其提供了88.07%的5倍交叉验证准确度。

2021-05-07cs.CV

推进绿色AI：用于水稻叶片病害识别的高效且准确的轻量级CNN

Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification

Universitas Syiah Kuala（Syiah Kuala大学）；University of Malaya（马来亚大学）

针对水稻叶片病害识别，本文比较ShuffleNet、MobileNetV2和EfficientNet-B0三种轻量级CNN，并通过新增全连接层、dropout与早停优化，使EfficientNet-B0达到99.8%准确率。

2024-08-03cs.AIcs.CV

利用预训练卷积神经网络实现水稻叶部病害分类中的高效特征提取

Leveraging Pre-trained CNNs for Efficient Feature Extraction in Rice Leaf Disease Classification

Hajee Mohammad Danesh Science and Technology University（哈吉·穆罕默德·达内什科技大学）；University of Asia Pacific（亚太大学）

本文研究在预训练CNN中引入HOG和LBP特征提取对水稻叶部病害分类的影响，发现HOG结合EfficientNet-B7可将准确率提升至97%，并通过Grad-CAM验证其增强了对病害区域的关注。

2024-02-26cs.CVcs.LG

基于卷积神经网络的水稻病虫害识别

Identification and Recognition of Rice Diseases and Pests Using Convolutional Neural Networks

United International University（联合国际大学）；Bangladesh Rice Research Institute（孟加拉国水稻研究所）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）

准确、及时地检测水稻病虫害，可以帮助农民对水稻进行及时处理，从而大幅度减少经济损失。基于深度学习的卷积神经网络（CNN）的最新发展极大地提高了图像分类的准确性。受人工神经网络在图像分类中的成功应用启发，本文提出了基于深度学习的水稻病虫害检测方法。本文的贡献在于：（1）采用了最先进的大规模体系结构，如VGG 16和InceptionV 3，并进行了微调，用于检测和识别水稻病虫害。实验结果表明，这些模型与真实数据集的有效性。(ii)由于大规模架构不适用于移动设备，因此已经提出了两级小型CNN架构，并且与最先进的存储器高效的CNN架构（诸如MobileNet、NasNet Mobile和SqueezeNet）进行了比较。实验结果表明，所提出的结构可以在显著减小模型大小的情况下达到93.3%的期望精度（例如，与VGG 16相比，尺寸小99%）。

2020-03-04cs.CV

水稻叶病检测：CNN、Transformer与非神经网络架构的对比研究

Rice Leaf Disease Detection: A Comparative Study Between CNN, Transformer and Non-neural Network Architectures

Viqarunnisa Noon College（维加鲁尼萨noon学院）；Bangladesh University of Engineering and Technology（孟加拉工程技术大学）

本研究针对孟加拉国水稻叶病检测需求，基于Dhan-Shomadhan数据集对比CNN、ViT及传统SVM等架构，采用迁移学习提升小数据泛化能力，发现ResNet50性能最优。

2025-01-12cs.CV

基于无人机多光谱成像的水稻病害深度学习框架比较

Comparison of Deep Learning Frameworks For Rice Disease Mapping From UAV Multispectral Imaging

University of California, Los Angeles（加州大学洛杉矶分校）；University of California, Los android（加州大学洛杉矶分校）

本研究使用CNN和Transformer模型对无人机多光谱图像进行水稻白叶枯病严重程度分割，发现轻量级CNN骨干网络在操作监测中更可靠，植被指数可带来小幅持续改进。

2026-06-04cs.CV

孟加拉水稻叶病分类器的跨数据集泛化：基准测试、诊断与缓解

Cross-Dataset Generalization of Bangladeshi Rice Leaf Disease Classifiers: Benchmark, Diagnosis, and Mitigation

针对水稻叶病分类跨数据集性能下降问题，通过多数据集基准测试，发现强增强有效提升泛化，而自适应批归一化有害，并排除了架构偏置为主要原因。

2026-09-29cs.CV

基于手机图像的波斯水稻检测与分类的深度学习技术

Cell Phone Image-Based Persian Rice Detection and Classification Using Deep Learning Techniques

Sharif University of Technology（谢里夫理工大学）

本研究提出一种基于手机图像的深度学习方法，结合微调ResNet与U-Net架构，实现对波斯水稻品种的准确识别与散装颗粒的精确分割，证明了非专业图像在食品分类中的可行性。

2024-04-21cs.AIcs.CV

定制CNN架构与预训练模型及迁移学习的比较分析：对五个孟加拉国数据集的研究

Comparative Analysis of Custom CNN Architectures versus Pre-trained Models and Transfer Learning: A Study on Five Bangladesh Datasets

本研究比较了自定义CNN与预训练模型在不同孟加拉国数据集上的表现，发现迁移学习在复杂任务中性能更优，尤其在数据有限时效果显著。

2026-01-07cs.CVcs.LG

融合Involution的双步压缩DenseNet用于资源高效型植物病害分类

Involution-Infused DenseNet with Two-Step Compression for Resource-Efficient Plant Disease Classification

Department of Computer Science and Engineering, School of Data and Sciences, BRAC University（计算机科学与工程系，数据与科学学院，BRAC大学）；Computing for Sustainability and Social Good (C2SG) Research Group, Department of Computer Science and Engineering, United International University（可持续性与社会公益（C2SG）研究组，计算机科学与工程系，联合国际大学）

本文提出结合权重剪枝与知识蒸馏的双步压缩方法，并引入Involution混合DenseNet，在显著降低计算资源的同时实现植物病害高效分类，验证了其在资源受限设备上的部署可行性。

2025-05-31cs.CV