农业人工智能 植物病害识别

提出可解释性容量上界，评估低标签下概念秩崩溃审计的可靠性。

比较联邦学习客户端级稳定化技术，提升植物病害识别的鲁棒性。

提出Nightshade-SWIN框架，用Swin Transformer提升茄科多作物叶片病害分类

提出PEAS-DeiT模型，将多尺度空间注意力融入DeiT，实现豌豆叶片病害分类。

提出GLC-Net，用全局-局部动量对比学习与关键特征校准提升田间植物病害识别。

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。

提出模糊推理系统引导的CNN超参数优化方法，用于植物病害分类，兼顾精度与效率。

提出CuFormer U-Net多任务网络，同时实现黄瓜叶病分类与病斑分割。

提出图注意力-Mamba框架并用中华穿山甲算法优化，实现跨域植物病害识别与严重度估计。

比较六种轻量神经网络在三种植物病害数据集上的分类性能，面向边缘设备部署。

提出InResKolArno_SCO混合框架，用于物联网智慧农业中的植物病害分类。

融合MobileNetV2与EfficientNetB0特征并微调，实现植物病害高精度分类。

该研究用随机森林和多种深度学习模型对仙人掌病害进行分割诊断，并比较性能。

提出多智能体多模态LLM结合蒙特卡洛树搜索，实现可解释的植物病害分类。

提出多模态生成模型SOLAR，统一理解番茄病害叶片的六类问答任务。

用CNN对植物叶片病害进行自动识别，在基准数据集上取得92%准确率。

提出AgriScope统一框架，实现农业图像像素级多模态理解与多任务交互。

提出轻量卷积网络AgroVisNet及萝卜、马铃薯、葫芦病害诊断基准BD-PlantDX。

提出基于DeiT的混合可解释框架，实现植物病害分类与严重度估计。

提出可靠植物病害分类框架，结合多频状态空间增强与保形预测，提升复杂场景识别精度与可靠性。