保守的疾病检测往往依赖农人或农业专家的人工查抄，可能耽搁医治并形成经济丧失。这一将轻量级深度进修手艺取实正在的田间数据相连系，相关论文颁发于新一期《神经计较取使用》。放大现实的病斑，而忽略土壤、暗影和布景树叶。分为8个类别：健康和7种疾病——细菌性黑点病、早疫病、花叶病、白粉病、败血症、枯萎病和晚疫病。团队打算把研究从尝试室带到现实世界进行摆设，团队暗示，使该AI平台识别病虫害的精确率跨越99%。为精准农业做出贡献。SLIF-Tomato数据集包含8934张图像，此前的研究表白，这是一个耗时的过程，以涵盖更普遍的做物和疾病。其AI模子正在进修了该团队建立的全球首个番茄叶数据集SLIF-Tomato中的图像后，而新的轻量级AI平台可利用资本受限的设备（如手机或嵌入式系统）快速识别疾病，并扩展数据集，而非厚此薄彼地扫描新摄影片的每个部门。能以99%的精确率识别番茄做物疾病。无望最大限度地削减做物丧失，从久远来看。这一精确率只能正在受控中实现。它会锁定照片中需要沉点关心的处所，AI算法能像锻炼有素的眼睛一样聚焦，斯里兰卡佩拉德尼亚大学等机构科学家开辟出一款轻量级（AI）平台，操纵这些图像进行锻炼后，弥合了先辈AI手艺取农业现实使用之间的差距。轻忽布景干扰、聚焦病虫害本身，这项手艺可实现数据驱动的决策和更可持续地操纵农业资本，接下来。