مقاله انگلیسی فن آوری های پیشرفته تشخیص تصویر بیماری های کشاورزی
ترجمه نشده

مقاله انگلیسی فن آوری های پیشرفته تشخیص تصویر بیماری های کشاورزی

عنوان فارسی مقاله: فن آوری های پیشرفته تشخیص تصویر بیماری های کشاورزی: مروری
عنوان انگلیسی مقاله: Advanced agricultural disease image recognition technologies: A review
مجله/کنفرانس: پردازش اطلاعات در کشاورزی - Information Processing in Agriculture
رشته های تحصیلی مرتبط: کشاورزی
گرایش های تحصیلی مرتبط: علوم باغبانی، گیاه پزشکی، بیماری شناسی گیاهی
کلمات کلیدی فارسی: بیماری های کشاورزی، تشخیص تصویر، هوش مصنوعی، یادگیری انتقال، یادگیری عمیق
کلمات کلیدی انگلیسی: Agricultural diseases, Image recognition, Artificial intelligence, Transfer learning, Deep learning
نوع نگارش مقاله: مقاله مروری (Review Article)
نمایه: scopus - DOAJ
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.inpa.2021.01.003
دانشگاه: Chinese Academy of Sciences, PR China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2021
ایمپکت فاکتور: 6.580 در سال 2020
شاخص H_index: 20 در سال 2021
شاخص SJR: 0.756 در سال 2020
شناسه ISSN: 2214-3173
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 38
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E15330
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نوع رفرنس دهی: vancouver
فهرست انگلیسی مطالب

Abstract


Keywords


1. Introduction


2. Overview of advanced image recognition technologies


3. Advanced image recognition technologies of agricultural diseases


3.1. Methods based on deep learning


3.1.1. Deep learning models


3.1.2. Works based on deep learning


3.1.3. Discussion


3.2. Methods based on transfer learning


3.2.1. Transfer learning models


3.2.2. Works based on transfer learning


3.2.3. Discussion


3.3. Summary


4. Conclusion


Declaration of Competing Interest


Acknowledgment


References

نمونه متن انگلیسی مقاله

Abstract


Agricultural disease image recognition has an important role to play in the field of intelligent agriculture. Some advanced machine learning methods associated with the development of artificial intelligence technology in recent years, such as deep learning and transfer learning, have begun to be used for the recognition of agricultural diseases. However, the adoption of these methods continues to face a number of important challenges. This paper looks specifically at deep learning and transfer learning and discusses the recent progress in the use of these advanced technologies for agricultural disease image recognition. Analysis and comparison of these two methods reveals that current agricultural disease data resources make transfer learning the better option. The paper then examines the core issues that require further study for research in this domain to continue to progress, such as the construction of image datasets, the selection of big data auxiliary domains and the optimization of the transfer learning method. Creating image datasets obtained under actual cultivation conditions is found to be especially important for the development of practically viable agricultural disease image recognition systems.


1. Introduction


A recent report by the Food and Agriculture Organization of the United Nations suggests that more than one third of the natural loss of agricultural production every year is caused by agricultural diseases and pests [1], making these the most important factors currently affecting agricultural production and food security [2]. Agricultural production is complex and there are numerous agricultural diseases and pests that need to be taken into account. Traditional approaches that rely on laboratory-based observations and experiments can easily lead to incorrect diagnoses.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

مقاله انگلیسی فن آوری های پیشرفته تشخیص تصویر بیماری های کشاورزی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها