LIGHTWEIGHT FEATURE FUSED ATTENTION DRIVEN MULTI LEVEL HYBRID MOBILENET V2 FRAMEWORK FOR EARLY TOMATO LEAF DISEASE DETECTION
提出轻量注意力多级混合MobileNet-V2框架，融合手工纹理与深度学习特征实现番茄叶片病害早期检
园艺作物
浏览园艺作物相关政策、产业动态与研究。
技术筛选 · 已选 1 项
8 篇内容清除全部筛选
An empirical performance comparison of deep learning models for apple leaf disease recognition
用UNet++分割苹果病叶并融合多种CNN与ViT分类，实现98.85%识别准确率。
Zenodo (CERN European Organization for Nuclear Research)·10月4日 · 周日67 分 论文果树数字乡村与农业信息化2 个信源同时报道 阅读 1
Detection of Apple Plant Diseases Using Leaf Images through Convolutional Neural Network
提出ResNet+GA+CNN混合模型，用苹果叶片图像检测病害并计算病斑面积占比。
Explainable growth stage classification of cacao (Theobroma cacao L.) leaves and key feature visualization using vision transformer and transfer learning
用ViT和迁移学习对可可叶D、E期进行可解释分类，准确率达97%。
Precision Diagnosis of Apple Leaf Diseases Across Infection Stages via Web-Based Analysis
提出基于YOLOv8-MHSA与SAM的网页系统，实现苹果叶片病害多感染阶段实时检测与分级。
EfficientNet-CBAM-prototype: an attention-guided EfficientNet framework with dynamic prototype representation for tomato disease classification
提出ECP-Net，用注意力与动态原型提升番茄病害分类精度与可解释性。
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。
AI Spots Apple Leaf Disease Before It Spreads: ALSDet Deep Learning Model for Apple Leaf Disease Detection
山西农业大学研究团队开发ALSDet人工智能工具,用于在苹果叶病(如苹果锈病、蛙眼叶病)扩散前发现,集成多阶段全局上下文模块基于ResNet-50架构。用扩张卷积替代关键阶段的3×3卷积,扩大AI视野,多尺度训练策略与在线难例挖掘迫使模型专注于最难案例。ALSDet实现mAP 65.6%和平均召回率(AR)71.2%,优于YOLOv8、Faster R-CNN、RetinaNet;对于锈病和蛙眼叶病,模型识别受影响叶片精度超过87%。这意味着更早的干预、针对性的喷施和减少浪费,在苹果生产数十亿美元产业显著提高效率。原文标题:ALSDet Deep Learning Apple Leaf Disease Detection,发表于Frontiers in Plant Science 2026-08-08,作者:山西农业大学软件技术学院Xulu Gong(通讯)。