深度学习在我国农业中的应用研究现状

doi:10.3778/j.issn.1002-8331.1907-0089

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (20): 24-33.DOI: 10.3778/j.issn.1002-8331.1907-0089

深度学习在我国农业中的应用研究现状

吕盛坪，李灯辉，冼荣亨

华南农业大学工程学院，广州 510642

出版日期:2019-10-15 发布日期:2019-10-14

Research Status of Deep Learning in Agriculture of China

LV Shengping, LI Denghui, XIAN Rongheng

College of Engineering, South China Agricultural University, Guangzhou 510642, China

Online:2019-10-15 Published:2019-10-14

摘要/Abstract

摘要： 深度学习（Deep Learning，DL）已广泛应用于智能农业的病虫害检测、植物和水果识别、农作物及杂草检测与分类等研究中。对2014年至2019年国内发表的65篇有关DL在农业中应用研究成果进行综述。简要介绍DL的基本概念及其发展历史，给出了所选论文检索方法及其分布；对所选论文从研究对象与目的、数据来源、类间差异、预处理、数据扩增、模型框架以及性能对比等角度进行了综述；对DL的优缺点进行了分析，并指明了其在智能农业研究中的发展趋势。

关键词: 深度学习, 智能农业, 检测, 识别, 分类, 预测

Abstract: Deep Learning（DL） has been widely used in intelligent agriculture for plant disease detection, plant and fruit recognition, crop and weed detection and classification and so on. 65 articles from 2014 to 2019 on the application of DL in agriculture of China are presented. At first, the basic concept and development history of DL are briefly introduced, and the article retrieval and distribution of the reviewed articles are given. Subsequently, the articles are reviewed from various points of view such as research object, data source, inter-class differences, preprocessing, data-augmentation, framework and performance comparison. Eventually, the advantages and disadvantages of DL are analyzed, and its development trends in agriculture are demonstrated.

Key words: deep learning, intelligent agriculture, detection, recognition, classification, prediction

吕盛坪，李灯辉，冼荣亨. 深度学习在我国农业中的应用研究现状[J]. 计算机工程与应用, 2019, 55(20): 24-33.

LV Shengping, LI Denghui, XIAN Rongheng. Research Status of Deep Learning in Agriculture of China[J]. Computer Engineering and Applications, 2019, 55(20): 24-33.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.
[3]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[4]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[5]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[6]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[7]	朱鉴，刘培钰，陈炳丰，蔡瑞初. 结合相似块匹配与最小值滤波的图像去雨[J]. 计算机工程与应用, 2021, 57(9): 191-198.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[10]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[11]	吴文龙，周喜，王轶，王保全. WKAG：一种针对不平衡医保数据的欺诈检测方法[J]. 计算机工程与应用, 2021, 57(9): 247-254.
[12]	王博，宋丹，王洪玉. 无人机自主巡检系统的关键技术研究[J]. 计算机工程与应用, 2021, 57(9): 255-263.
[13]	武文杰，宋文爱，高雪梅，杨吉江，王青，黄丽萍，雷毅. 基于X线的成人OSA计算机辅助诊断综述[J]. 计算机工程与应用, 2021, 57(9): 1-8.
[14]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[15]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.

深度学习在我国农业中的应用研究现状

Research Status of Deep Learning in Agriculture of China

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics