本研究针对当前植物叶片疾病检测方法的挑战，提出了一种新型深度学习方法用于叶片疾病的识别和检测。通过比较不同网络架构的有效性，我们开发了一种基于卷积神经网络的新模型，显著提高了叶片疾病检测的准确性和效率。

本文介绍了一种基于RGB相机和无人机的方法，用于高精度的叶形态分析和叶片分割。

本文介绍了一种名为Guided Mask Transformer（GMT）的新方法，通过引入三个关键组件来扩展Mask2Former的元架构，并结合一组谐波导向函数。实验结果表明，GMT在三个公共植物数据集上表现优于现有模型。

通过研究植物病理学的深度学习方法，提出了一种名为GSMo-CNN的新模型，并在三个基准数据集上进行了实验，结果表明其性能优于其他模型，达到了最先进的水平。

NASA宣布因旋翼损坏，Ingenuity火星直升机任务已永久结束。直升机的旋翼叶片已经断裂，并被火星尘埋藏。Perseverance探测器的SuperCam RMI拍摄的图像清晰显示了直升机受损的机翼。NASA仍在调查旋翼损坏的原因。

机智号火星直升机最后一次任务中摔落，导致旋翼叶片折断。NASA决定进行最后一次任务，让叶片转出遮挡区域进行拍照。

该文介绍了一种名为GSMo-CNN的新模型，使用InceptionV3作为骨干CNN，实验结果表明其性能优于其他模型，单一模型的使用可以与或优于使用两个模型，最终在三个基准数据集上达到了最先进的性能。