A smart agriculture-oriented cross-attention multiscale CNN for sugarcane disease diagnosis
提出交叉注意力多尺度并行CNN，实现甘蔗叶病自动分类。
大田作物
浏览大田作物相关政策、产业动态与研究。
技术筛选 · 已选 1 项
12 篇内容清除全部筛选
Lightweight Hybrid CNN-Transformer Network for Robust Maize Leaf Disease Detection and Edge Deployment
构建轻量MobileNetV3-Small框架实现玉米叶片病害分类并评估边缘部署。
MSFANet: a multi-scale feature aggregation network for tobacco pest recognition
提出MSFANet多尺度特征聚合网络，实现复杂田间背景下烟草害虫的自动识别。
Cotton leaf disease classification using deep learning models for smart agriculture
Cotton leaf disease classification using deep learning models for smart agriculture。Agriculture & Food Security
A Hybrid CNN–Transformer–LSTM Deep Learning Framework for Automated Cotton Disease Detection
提出CNN-Transformer-LSTM混合框架，实现棉花叶片病害自动识别。
DASO-RiceNet: 细粒度水稻病害与损伤分类的双注意力序列优化网络(准确率 96.5%)
提出双注意力序列优化网络DASO-RiceNet，实现10类水稻病害与损伤的高精度分类。
Leakage-Proof Reliability-Aware Deep Learning Framework for Rice Leaf Disease Diagnosis
提出防泄漏、可靠性导向的水稻叶病诊断深度学习框架，并系统评估其泛化与部署表现。
EOL-DQN: An intelligent cutting decision of potato seed tubers based on improved deep reinforcement learning
提出EOL-DQN改进深度强化学习模型，用于马铃薯种薯切块智能决策。
Diag-STFN：用于全球收获前作物产量预测的诊断时空多模态融合网络
提出Diag-STFN网络，用于全球收获前玉米和小麦产量预测，在CY-Bench基准上取得最优性能。
Lightweight real-time detection of sweet potato virus disease by a hybrid CNN–Transformer network
提出Swin-SPVDNet混合CNN-Transformer网络，实现甘薯病毒病轻量级实时检测。
基于静态RGB图像的玉米种子活力早期筛选:一种采用Focal Loss和自动超参数调优的深度学习方法(原标题:Early-stage screening of maize seed vigor from static RGB images: A deep learning approach with Focal Loss and automated hyperparameter tuning)
种子活力是种子质量与发芽潜力的关键指标,传统活力检测方法如四唑染色具有破坏性且需3-7天高强度人工操作,成为大规模播前筛选的关键瓶颈。本研究提出SeedFocusNet,集成浅层特征提取模块与基于Focal Loss的分类骨干网络,旨在增强对难以区分的高活力种子的识别。超参数通过Optuna框架结合贝叶斯优化在验证集上自动优化,ResNet50被选为最优架构。在测试集上对高活力种子识别的精确率达到74.39%,召回率达到54.46%。温室出苗实验进一步验证了SeedFocusNet筛选出的种子在同一品种内不同储藏时长下均表现出更高的出苗率。
基于多尺度融合与动态特征交互的仓储环境马铃薯缺陷检测(MDS-DETR)
海南大学联合山东理工大学针对仓储马铃薯堆叠遮挡、缺陷形态差异大问题,构建黑斑、发芽、干腐等多类缺陷数据集,设计 MCF 上下文特征整合模块与 AIFI-DyMona 实例特征交互结构并引入 Shape-IoU 回归;MDS-DETR 以 14.2M 参数、42.9G FLOPs 取得 [email protected] 96.3%,集成于智能分拣机器人后真实仓储分拣准确率稳定超过 95%。