A Comprehensive Review of Deep Learning and Computer Vision Techniques for Fruit Quality Assessment and Classification
系统综述深度学习与计算机视觉在水果品质评估与分级中的全流程方法。
← 主题
图像处理 深度学习
International Journal of Electronics and Communication Engineering·10月10日 · 周六63 分 论文农业AI与大模型智慧农业 / 农业物联网阅读 1
Image Processing-Based Efficient Hybrid Feature Extraction Approach for Plant Leaf Disease Recognition
提出融合CNN深度特征与手工特征的方法，用于植物叶片病害识别。
IoT-Based Automatic Cotton Leaf Disease Detection, Infection Percentage Estimation, and Treatment Recommendation Using Raspberry PI
基于树莓派与物联网，实现棉花叶病自动检测、感染率估算与防治推荐。
Zenodo (CERN European Organization for Nuclear Research)·10月5日 · 周一60 分 论文农业AI与大模型智慧农业 / 农业物联网2 个信源同时报道 阅读 2
Deep Learning for Early Disease Identification in Leaves: A Pathway to Sustainable Mango Production
综述深度学习与计算机视觉在芒果叶片病害早期识别中的应用，梳理三代技术并展望可持续种植。
Zenodo (CERN European Organization for Nuclear Research)·10月3日 · 周六58 分 论文农业AI与大模型农业遥感与作物表型2 个信源同时报道 阅读 4
A Comprehensive Review Of Image Processing Techniques: Classical Methods, Deep Learning, Applications, And Recent Advances
综述图像处理从经典方法到深度学习的技术演进、应用与挑战。
Visión artificial para la detección de plagas en cultivos de tomate: revisión sistemática de la literatura
系统综述2020-2026年计算机视觉与深度学习在番茄设施栽培虫害检测中的研究。
Intelligent Automated Crop Monitoring System Based on Unmanned Aerial Vehicles and Deep Learning for Smart Agriculture
构建无人机RGB影像深度学习分割与空间矢量化框架，实现作物监测优先级评估。
A remote sensing image processing method based on edge computing and deep learning
提出边缘计算与深度学习结合的遥感图像分类方法，用改进3D CNN实现低延迟高精度土地覆盖识别。
International Journal of Innovative Research in Engineering·9月21日 · 周一59 分 论文农业AI与大模型智慧农业 / 农业物联网阅读 3
Artificial Intelligence in Plant Disease Detection: An Introduction to Intelligent and Automated Crop Health Monitoring
综述AI在植物病害检测中的应用，涵盖图像采集到模型评估全流程及未来趋势。
Automated detection of visible venation patterns in cowpea leaves under agricultural engineering
用RGB卷积神经网络自动分类豇豆叶片可见脉纹，区分健康与结构胁迫样本。
Advances in Recognition Methods for Fruit and Vegetable Harvesting（MDPI Agriculture 2026, 16(17), 1924）
综述果蔬采摘目标识别方法，分析数字图像、机器学习与深度学习技术，指出挑战与未来方向。
Land Cover Classification using Hyperspectral Imagery: A Deep Learning Approach
利用高光谱影像和深度学习模型对印度两地区进行土地覆盖分类，比较CNN、ResNet-18和VGG-1
Pixel-Precise Explainable Stress Indexing: A Semantic Segmentation Framework for Disease Severity Quantification in Field Crops(像素级可解释压力指数:田间作物病害严重程度量化的语义分割框架)
植物病害每年造成全球农业产量损失20%-40%、经济损失超2200亿美元。文章提出统一深度学习流水线,集成语义分割、基于回归的严重程度估计和病害分类,根据感染叶片面积比例将胁迫严重程度分为四档。在包含1641样本、六个类别的苹果树叶病害分割数据集上,采用MobileNetV2的U-Net表现最佳,像素准确率98.20%、mIoU 0.70、检测准确率99.41%、单张图像处理时间仅14.7毫秒,适合实时田间应用。计算出的严重程度指数与专家标注高度相关(r=0.968, R²=0.937),为自动化作物监测和决策支持提供可靠方案。[预印本]