[论文总结] 深度学习在农业领域应用论文笔记6
文章目录
- 1. Identification of Plant Disease using Image Processing Technique(2019,会议论文,检测植物病害)
- 2. Machine Learning Applications on Agricultural Datasets for Smart Farm Enhancement (非SCI收录,2019,机器学习在农业数据集方面的应用)
- 3. Using multiple coding schemes for classification and coding of agricultural injury (AMERICAN JOURNAL OF INDUSTRIAL MEDICINE, IF=1.739, 2018,农业病害)
- 4. A Review on Machine Learning Classification Techniques for Plant Disease Detection (会议论文,2019,植物病害)
- 5. Machine Learning Approach to Remove Ion Interference Effect in Agricultural Nutrient Solutions(营养元素识别)
- 6. AgroAVNET for crops and weeds classification: A step forward in automatic farming (IF=3.889, 2018,杂草识别)
- 7. MACHINE LEARNING METHODOLOGIES FOR PADDY YIELD ESTIMATION IN INDIA: A CASE STUDY (非SCI收录,2018,作物产量预测 )
- 8. Plant Disease Detection Using CNNs and GANs as an Augmentative Approach (IEEE会议论文,2018)
- 9.IoT based Smart Farming : Feature subset selection for optimized highdimensional data using improved GA based approach for ELM (Computers and Electronics in Agriculture, IF=3.889, 2019,识别叶片疾病和营养)
- 10.The Rosario dataset: Multisensor data for localization and mapping in agricultural environments (International Journal of Research Robotics, IF=4.701,2019 机器人顶刊)
1. Identification of Plant Disease using Image Processing Technique(2019,会议论文,检测植物病害)
摘要:农业已经不仅仅是一个简单的过程。养活不断增长的人口的方法。 这一点很重要超过亚洲人口的百分之七十国家取决于农业。 这意味着它很好吃个人范围。 首要考虑少由于病害而造成的优质作物。 检测疾病可能是阻止农业损失的关键。 这个项目的目的是开发机械找到的软件系统答案
并分类疾病。 像加载图像,预处理,分割,提取和分类等步骤是涉及疾病检测。 叶子的图片用于检测植物病害。 因此使用图像处理农业中疾病的发现和分类技术应用程序很有用。
结论:目前的研究涉及到Alternaria Alternata,Antracnose,细菌性疫病和Cercospora Leaf Spot,这些疾病使用MATLAB中的图像处理技术进行自动检测。 它涉及加载图像,图像预处理,图像分割,特征提取和分类。 使用像图像处理这样的先进技术开发的自动检测系统有助于在早期或初始阶段支持农民识别疾病,并为其管理提供有用的数据。 我们可能更愿意扩展我们的工作对很多疾病的检测。
[个人总结] 这篇论文太落后。
2. Machine Learning Applications on Agricultural Datasets for Smart Farm Enhancement (非SCI收录,2019,机器学习在农业数据集方面的应用)
摘要: 这项研究的重点是实际任务的设计和部署,从作物收成预测到传感器数据丢失或错误重建,利用并比较各种机器学习技术,以建议朝着哪个方向努力和投入。结果表明,在满足希望利用可持续和优化农业工业业务的公司的需求和需求的同时,创新方面有足够的利润,这些公司不仅投资于技术,而且还投资于获取最佳技能所需的知识和熟练劳动力。
现在的数据主要有3个方面的来源:
1 . 机器生成(MG):来自传感器和智能机器(无人机,无人机(UAV),全球定位系统(GPS))的数据。
2. 流程介导(PM):传统的商业数据来自业务流程,这些业务流程涉及诸如购买和订单之类的公司事件;它们是高度结构化的,具有各种数据类型,通常存储在关系数据库中。(这个 我不熟悉)
3. 人为来源(HS):证明书,照片,音频和视频中记录的人类经验;现在,它们几乎已在数字设备和社交网络中进行了数字化处理,结构模糊,而且常常未经验证。这些数据的管理,分析和存储存在问题,需要研究。
[个人总结] 该论文通过多种机器学习的方法处理不同的数据集得到了聚类或识别的效果。介绍了不同数据集的来源,以及试用某种方法的大致过程,但没有提到精度,准确度,模型大小等关键信息。
3. Using multiple coding schemes for classification and coding of agricultural injury (AMERICAN JOURNAL OF INDUSTRIAL MEDICINE, IF=1.739, 2018,农业病害)
背景:农业安全与健康研究人员已使用各种分类和编码方案来识别和分类与农业危害相关的伤害和疾病。本文演示了如何将农场和农业伤害分类(FAIC)以及职业伤害和疾病分类系统(OIICS)编码方案一并用于所有农业伤害。
方法:从AgInjuryNews.org数据库中选择特定案例,以说明如何将FAIC和OIICS代码应用于农业伤害,并说明每种编码方案仍然存在的局限性。
结果:通过将更明确的职业和非职业暴露与事故类型详细信息结合在一个表格中,将FAIC和OIICS结合使用可以更清楚地了解伤害事故。
结论:FAIC和OIICS编码方案均取决于可从伤害报告中获得的足够信息。本文最后提出了改进农业伤害编码的建议。
4. A Review on Machine Learning Classification Techniques for Plant Disease Detection (会议论文,2019,植物病害)
摘要:在印度,由于人口的快速增长和对食物的需求增加,农业起着至关重要的作用。 因此,需要增加作物产量。 作物低产的一个主要影响是细菌,病毒和真菌引起的疾病。 可以通过使用植物病害检测技术来预防。 机器学习方法可用于疾病识别,因为它主要应用于数据本身,并优先考虑某些任务的结果。 本文介绍了一般植物病害检测系统的各个阶段,以及用于植物病害检测的机器学习分类技术的比较研究。 在这项调查中,它观察到卷积神经网络具有很高的准确性,并且可以检测多种作物的多种疾病。
内容:介绍了SVM Classifier,ANN Classifier,KNN Classifier,FUZZY Classifier,Deep Learning在不同植物在不同疾病检测中的准确率。
结论:本文对五种机器学习分类技术进行了比较研究,以识别植物病害。 与其他分类器相比,许多作者使用SVM分类器对疾病进行分类。 结果表明,CNN分类器可以更准确地检测出更多的疾病。 将来,机器学习中的其他分类技术(例如决策树,朴素贝叶斯分类器)可能会用于植物中的疾病检测,并且可以帮助农民自动检测要检测的农作物中所有类型的疾病。
5. Machine Learning Approach to Remove Ion Interference Effect in Agricultural Nutrient Solutions(营养元素识别)
摘要:高浓度的农业设施,如垂直农场或工厂认为水培技术是最佳解决方案。虽然封闭式系统大大减少了水的消耗和污染问题,但它也存在离子比相关的问题。由于根对单个离子的吸收速率不同,营养液中的离子速率应定期调整。但传统的方法只考虑pH值和电导率来调节营养液,导致离子失衡和过量盐的积累。为了避免这些问题,一些研究人员提出了测量和控制各离子浓度的离子平衡方法。然而,这些方法并没有克服固有的局限性,特别是离子干扰效应。
阴离子传感器会受到其他阴离子的影响,在浓度越高的溶液中误差越大。提出了一种用机器学习的方法来修正离子干扰造成的ISE数据失真。由于TDS值的测量相对于其他信号具有较强的鲁棒性,因此我们以TDS值作为关键参数建立了一个再调整函数来消除伪迹。一旦建立了调整模型,就可以对ISE数据进行实时应用。该模型校正后的数据精度约为91.6 ~ 98.3%。该方法将使各领域在可行的情况下应用最新的方法。
结论:提出了一种计算复杂度低的消除离子干扰效应的机器学习算法。 离子干扰效应存在,并且在更密集的环境中会变得更强。 方程(9)的二次回归成功地从几乎所有数据点消除了离子干扰效应,只有一种情况除外。 由于使用预训练二次模型的计算资源足够小,因此该方法对于工业应用是高度可行的。 甚至嵌入式设备也可以在几毫秒内运行推理过程。 我们期望应用诸如深度神经网络之类的高方差机器学习算法,而不是诸如二次回归之类的高偏差和低方差模型,将增强去除伪像的能力。
[个人总结] 该研究只有训练集和验证集没有测试集,并且没有详细说明数据集的大小。
6. AgroAVNET for crops and weeds classification: A step forward in automatic farming (IF=3.889, 2018,杂草识别)
摘要:卷积神经网络致力于解决工业,药物,自动化等不同领域的各种问题。在这些领域中,自动耕作是重要的应用之一,而作物管理是其最关键的部分。必须在杂草的早期阶段识别杂草,以控制杂草对农作物生长的副作用并增加产量。这项工作是通过使用卷积神经网络对杂草和农作物种类进行分类的尝试。为了实现这一目标,提出了AgroAVNET,它是AlexNet和VGGNET的混合模型。将其性能与AlexNet,VGGNET及其变种以及用于作物杂草物种分类的现有方法进行比较。这项工作还涉及如何使用现有系统来学习杂草和农作物的新类别。植物幼苗数据集用于评估所提出的系统。平均准确性,准确性,召回率和F1分数用作性能指标。从实验结果可以看出,AgroAVNET优于AlexNet和VGGNET。此外,与临时训练相比,学习新物种所需的训练时间更少。
6.1 材料与方法
6.1.1 总体介绍了 AlexNet and VGGNET的结构
6.1.2 提出AgroAVNET体系结构
AgroAVNET试图在自主领域迈出一步农业领域,有助于在早期生长阶段对杂草物种和农作物进行分类,以便可以采取进一步的措施来控制杂草,并提高作物产量。 受AlexNet和VGGNET的启发,AgroAVNET由两个网络的混合组合组成。 它使用来自AlexNet的归一化概念,并基于VGGNET架构选择过滤器深度。 因此,它具有标准化和滤波器深度选择的优势。
6.2 AgroAVNET的增量学习
为了得到这样的模型,我们使用hybrid VGGNET使用增量学习工具构建AgroAVNET (Chavan and Nandedkar, 2017)。它是VGGNET的一个混合版本,用于单一对象的增量学习。
6.3 试验结果
数据集的详细信息分为三组:训练,验证和测试集。 训练集
包含4750张训练图像和794张测试图像; 选择超参数,训练集的10%用作验证集。 同样,通过随机选择10组来完成10倍交叉验证。
6.4 结论与未来展望
这项工作试图识别不同的植物种类的作物和杂草,为作物管理。它有助于控制杂草,从而提高作物产量。AgroAVNET是从AlexNet和VGGNET衍生而来的。规范化概念的灵感来自AlexNet;而过滤器的深度是基于VGGNET来选择的。AgroAVNET由于批量归一化和过滤器深度选择的结合,在性能上得到了改善。结果表明,AgroAVNET对植物物种的学习平均百分比准确率(98.21±0.55%)高于AlexNet(94.99±0.47%)和VGGNET(92.81±0.77%)。而且,它的性能优于现有的Dyrmann等人提出的系统(平均百分比精度:95.8%)。
[个人总结] 该论文是对两种方法进行了一个组合来达到识别杂草的目的,试验结果表明,该组合方法比单一方法的精度更高。但该数据集的大小太小,且没有真正意义上的测试集。
参数 | 内容 |
---|---|
方法 | AgroAVNET由两个网络的混合组合组成。 它使用来自AlexNet的归一化概念,并基于VGGNET架构选择过滤器 |
速度 | 否 |
模型大小 | 否 |
准确率accuracy | 有 |
精度precision | 98.21 |
召回率recall | 有 |
F1参数 | 有 |
数据集大小 | 5500多个记录 |
训练集、验证集、测试集情况 | 5:1 |
与其他方法对比 | 有 |
数据集来源 | 大田试验 |
软硬件平台 | 未知 |
开源 | 无 |
其他 | 无 |
7. MACHINE LEARNING METHODOLOGIES FOR PADDY YIELD ESTIMATION IN INDIA: A CASE STUDY (非SCI收录,2018,作物产量预测 )
摘要:作物的当季产量估计在农民采取纠偏增产、优化化肥、农药和农产品的供需链、价格预测和农业保险风险水平的确定等方面都有广泛的应用。基于遥感卫星数据和天气数据的作物产量估计模型已得到广泛采用,因为不需要关于作物和耕作做法的具体信息,因此可扩展到各种作物、种植地点和条件。在
在本文中,我们提出了一个基于天气和土壤数据的水稻产量估计模型的案例研究,在不同的空间分辨率(SR)水平,即在地区(粗SR)和taluk(细SR)水平在印度。我们提供了对不同特征集和不同机器学习(ML)的产量估计模型的准确性的详细分析
技术。此外,我们通过使用使用地区水平数据来预测taluk水平产量的机器学习模型来执行地区产量数据的分解。对区级数据进行解聚预测Taluk级产量,平均误差为6%,最大误差为25%。
8. Plant Disease Detection Using CNNs and GANs as an Augmentative Approach (IEEE会议论文,2018)
摘要:近40%的世界作物产量因疾病和虫害而损失。根据2012年的一项调查,马哈拉施特拉邦是农民自杀率最高的地区,其中一个主要原因是农作物歉收。提出了一种基于图像的植物病害分类系统。由于现有的数据集分散了几个国家的焦点,而且没有专门针对印度的数据集,因此有必要建立一个本地数据集来使用印度的农民。它使用生成对抗网络(GANs)以增加有限数量的本地图像可用。分类是由卷积神经网络(CNN)完成的
模型部署在一个智能手机应用程序。
[个人总结] 这篇论文写的很简单,模型大小为5.6M,精度为92%,训练、验证、测试集比例为75:20: 5。
9.IoT based Smart Farming : Feature subset selection for optimized highdimensional data using improved GA based approach for ELM (Computers and Electronics in Agriculture, IF=3.889, 2019,识别叶片疾病和营养)
摘要 农业是印度经济的主要支柱之一,约60%的人直接或间接依靠农业。需要专家建议来区分植物病害和营养失衡。可以看出,传统的判断分析在决定时还不够使用的化学或肥料数量。配比错误会损害农作物的健康,从而损害生物。为了克服上述问题,本文提出了一种基于物联网的智能农业决策支持系统,该系统具有基于改进的遗传算法(IGA)的多级参数优化特征选择算法(ELM分类器)(IGA-ELM)。拟议的工作适用于基准高维生物医学数据集以及实时应用(植物病害数据集),通过分别减少58.50%和72.73%的特征,可提高分类准确率9.52%和5.71%。仿真结果表明,即使减少了特征数量,IGA-ELM仍具有处理优化,不确定性和监督性二进制分类问题的能力,从而提高了分类精度。
9.1 介绍
介绍了植物的虫害和营养缺乏是影响产量的两个主要问题。但是这两个特征在叶片上的表现较为相似,都是通过颜色和形状等特征来识别,很可能造成判断错误 (引出问题) 。因此,这个问题可以被认为是一种挑战利用图像的组合方法提供技术解决方案处理(IP),特征子集选择(FSS),神经网络(NN)和物联网能解决这个问题。但是最优特征选择是物联网数据生成的一个非常重要的步骤。这种庞大且异构的数据可能会降低泛化性能。这个关键的挑战可以通过使用机器学习来解决,通过最小化特征的数量来提高分类或预测精度。本文的主要贡献是设计了一种改进的基于遗传算法的多层次参数优化的ELM分类器特征选择算法。在智能农业决策支持系统中,通过减少特征的数量,提高了分类精度。elm能够处理优化、不确定性和有监督的二分类问题。这可能是使用多级参数优化特征选择算法的唯一尝试。
9.2 材料与方法
9.2.1 数据集
对于基准问题,对通过Kent Ridge生物医学数据集引用的高维生物医学数据集(Li, 2004)评估了IGA-ELM算法。数据集中出现的特征数量从2000到12600个不等,如结肠肿瘤(CT)、DLBCL-Harvard (DH)、神经系统(NS)和肺癌哈佛(LCH-2),提供了相关的基因表达、蛋白谱分析和基因组序列以供分类。表2突出显示了这些数据集的详细信息,如属性和实例的数量、类1和类2的实例以及用于训练(70%)和测试(30%)的数据集的分布情况。数据集大小如下:
分类结果和参数如下表所示:
然后用改进后的算法和之前的算法做对比,无论在精度还是准确度都有显著优势。
9.3 结论
这项研究的主要目的是选择功能的最佳子集进行进一步分析或开发智能农业系统。遗传算法是一种最优的特征子集选择方法,它支持随机搜索并且也很省时。但是,特征子集取决于总体大小。随着总体大小的变化,它会更改要素子集。为了解决这个问题,本文提出了一种基于遗传算法的多层次ELM算法(IGA-ELM)的高效可靠的特征选择方法。它仅选择较少百分比的特征(最小34.5%和最大45.26%),并产生唯一的特征子集以进行进一步分析。通过仅考虑最少数量的特征(41.5%),这项工作在四个高维基准数据集上的实验结果提高了预测准确性(平均9.29%)。通过统计方法验证了该算法的有效性。 IGA-ELM在实时叶图像数据集上进行了测试,仅使用27.27%的特征即可提供5.71%的分类精度改进。目前,IGA-ELM算法已针对二进制分类问题进行了评估。但是,这项工作将扩展到多类别分类问题,并且还将通过使用多目标非支配排序遗传算法II(NSGA-II)(Karakaya et al。,2016)进行扩展,这可能会为进一步的研究提供清晰的见识和方向改进。
[个人总结] 该论文主要是提出了一个算法改进,用更少的特征提取却保持更高的精度。缺点在于数据集太小,且只有训练加测试集。有个地方没看懂,为什么会用到医学数据?
10.The Rosario dataset: Multisensor data for localization and mapping in agricultural environments (International Journal of Research Robotics, IF=4.701,2019 机器人顶刊)
摘要:在本文中,我们介绍了罗萨里奥(Rosario)数据集,该数据集是用于农业场景中的自主移动机器人的传感器数据的集合。 该数据集是由于在这种环境中缺少移动机器人收集的逼真的传感器读数而激发的。 它由在大豆田中记录的六个序列组成,显示了真实而具有挑战性的情况:高度重复的场景,反射以及直射阳光和崎岖不平的地形造成的烧毁图像等。 该数据集旨在提供基准,并为农业同时定位和制图(SLAM)/里程表和传感器融合研究做出贡献。 它包含多个传感器的同步读数:车轮里程计,惯性测量单元(IMU),立体摄像机和全球定位系统实时运动学(GPS-RTK)系统。 该数据集可从http://www.cifasis-conicet.gov.ar/robot/公开获得。
结论:这项工作的目的是公开发布数据集,作为其他研究人员评估和改进算法的工具。 我们针对SLAM和里程计社区,它们与视觉传感器(数据集包含已校准的立体数据)以及里程计,惯性和视觉信息融合在一起
本文来自博客园,作者:落痕的寒假,转载请注明原文链接:https://www.cnblogs.com/luohenyueji/p/16970194.html
![](https://gitcode.net/LuohenYJ/article_picture_warehouse/-/raw/main/wechat/content/%E5%8A%A0%E6%B2%B9%E9%B8%AD.gif)