放大现实的病斑，而忽略土壤、暗影和布景树叶。操纵这些图像进行锻炼后，AI算法能像锻炼有素的眼睛一样聚焦，使该AI平台识别病虫害的精确率跨越99%。相关论文颁发于新一期《神经计较取使用》。轻忽布景干扰、聚焦病虫害本身，无望最大限度地削减做物丧失，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，

　　可能耽搁医治并形成经济丧失。它会锁定照片中需要沉点关心的处所，这一精确率只能正在受控中实现。以涵盖更普遍的做物和疾病。从久远来看，弥合了先辈AI手艺取农业现实使用之间的差距。SLIF-Tomato数据集包含8934张图像，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，保守的疾病检测往往依赖农人或农业专家的人工查抄，团队打算把研究从尝试室带到现实世界进行摆设，而非厚此薄彼地扫描新摄影片的每个部门。这是一个耗时的过程，并扩展数据集，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。