XiaoMi-AI文件搜索系统
World File Search System马铃薯
引用这项研究：Jain，R.，Bekele，S.K.，Palaniappan，D.，Parmar，K。，Premavathi，T。，（2025年）。采用深层卷积神经网络来增强
在人工智能中的图像处理和技术方面的进步使计算机可以看到和学习。本文介绍了一项技术，该技术已利用Mobilenetv2深卷积神经网络体系结构来自动识别和诊断图像中的植物疾病。植物疾病的识别和分类现在仅由人类专家 - 杂种延伸代理人和农民，昂贵的劳动力，容易犯错。这项研究依靠数据集收集作为分类和识别植物疾病的技术。这是一个多步骤过程，涉及有关原始集合的预处理数据，叶片的面罩绿色区域，删除绿色部分，转换为灰度，然后获得一些特征，选择并在疾病管理方面进行分类。考虑了两种不同类型的植物，即玉米和马铃薯，以显示拟议模型结果的有效性。混淆矩阵和分类性能报告用于评估系统。土豆和玉米的数据集分别包括6228和6878张叶子的图像。精确，召回和F1得分分别记录为95.15％，94.76％和94.93％，分别记录为马铃薯和玉米数据集的累积性能。这转化为在为这些农作物挑选大多数疾病的抵抗力，使其成为可以在农业疾病检测中信心使用的资源。Mobilenetv2模型在两种农作物中都表现良好，尤其是对于马铃薯早期的疫病和玉米共同生锈。在识别健康的马铃薯叶子方面的性能较低表明，健康和患病的叶子的特征空间可能会重叠。Mobilenetv2模型通常在检测大多数影响马铃薯叶和玉米叶子的疾病时具有强大的能力，但是需要将某些特定区域作为目标以进一步增强。
优质种薯规模化商业计划
肯尼亚和东非的研发机构一直呼吁解决优质种子瓶颈问题，这是改善马铃薯种植户生计的关键因素。鉴于其重要性，解决种子质量下降问题是国际马铃薯中心 (CIP) 新战略和公司计划 (SCP) 的主要目标，也是国际农业研究磋商组织 (CGIAR) 根、块茎和香蕉研究计划 (RTB) 的旗舰项目。为了扩大迄今取得的有希望的工作，CIP/RTB 邀请合作伙伴共同制定一项业务计划，以扩大规模并建立基于结果的管理 (RBM) 的共享框架，从而最大限度地提高马铃薯研究投资的价值。为此，肯尼亚、卢旺达和埃塞俄比亚的公共和私营部门的国家合作伙伴以及国际农业研究磋商组织于 2014 年 6 月 12 日至 13 日在肯尼亚内罗毕举行了一次规划研讨会。
利用菊科生物质和生物肥料控制黑痂病，改善马铃薯作物健康
巴基斯坦的马铃薯 ( Solanum tuberosum L.) 种植面临挑战，其中由立枯丝核菌 (Rhizoctonia solani Kühn) 引起的黑痂病是一个严重问题。化学杀菌剂等传统方法可以部分控制该病，但缺乏有效的解决方案。本研究探讨了生物肥料和菊科杂草生物质土壤改良剂在控制该病害方面的潜力。选择了两个马铃薯品种 Karoda 和 Sante，并单独或与苍耳生物质一起测试了两种生物肥料 Fertibio 和 Feng Shou。阳性对照中的病害压力最高，化学杀菌剂可显著降低病害压力。苍耳生物质也显著降低了病害发生率。Fertibio 的效果优于 Feng Shou。施用生物肥料和生物质可以改善植物的生理生化特性。块茎重量、光合色素、总蛋白质含量和抗氧化酶（CAT、POX 和 PPO）呈正相关。Fertibio 和 S. marianum 生物质的联合应用可有效控制黑斑病。这些环保替代品可以增强疾病管理和产量。未来的研究应探索它们的成本效益、商业化和安全性。
我们将于 2025 年 1 月迎来新的计划参与者
马铃薯储存和贸易合作社“Unteres Erzgebirge”Großwaltersdorf eG Eppendorf / OT Großwaltersdorf
使用金黄色葡萄球菌 Cas9 在马铃薯中进行 CRISPR 诱导插入/缺失和碱基编辑
。CC-BY 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者，此版本于 2020 年 6 月 26 日发布。；https://doi.org/10.1101/2020.06.26.173138 doi：bioRxiv 预印本
深度学习和可解释的土豆叶疾病分类的AI
马铃薯叶疾病的准确分类在确保作物的健康和生产力方面起着关键作用。本研究通过利用可解释的AI（XAI）和在深度学习框架内转移学习的力量来解决这一挑战的统一方法。在这项研究中，我们提出了一种基于转移学习的深度学习模型，该模型是针对马铃薯叶疾病分类而定制的。转移学习使该模型能够受益于经过训练的神经网络架构和权重，从而增强了其从有限标记的数据中学习有意义表示的能力。此外，将可解释的AI技术集成到模型中，以提供对其决策过程的可解释见解，从而有助于其透明度和可用性。我们使用公开可用的马铃薯叶病数据集训练该模型。获得的验证精度为97％，测试精度为98％。本研究应用梯度加权类激活映射（Grad-CAM）来增强模型的解释性。这种可解释性对于提高预测绩效，促进信任和确保无缝融合到农业实践至关重要。
