High-efficiency real-time rice leaf disease classification using convolutional neural network accelerator on FPGA for edge computing in precision agriculture
12Citations signalées, ce qui n’est pas une note de qualité
1Institutions déclarées
1Pays d’affiliation déclarés
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- High-efficiency real-time rice leaf disease classification using convolutional neural network accelerator on FPGA for edge computing in precision agriculture
- Date Crossref
- 01/12/2025
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Hangzhou Dianzi University Innovation Center for Electronic Design Automation Technology pays non établi dans la noticeUniversité ou école supérieure
-
School of Automation pays non établi dans la noticeUniversité ou école supérieure
Innovation Center for Electronic Design Automation Technology — Hangzhou Dianzi University et School of Automation.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Les sujets associés
Smart Agriculture and AISpectroscopy and Chemometric AnalysesCurrency Recognition and Detection