使用 CNN 技术结合计算机视觉方法对葡萄园中的葡萄簇进行检测、分割和跟踪，为农业和环境应用的传感组件的开发提供了一种可复制的检测，培训，评估和跟踪农业模式的图像的方法。

Jul, 2019

本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测，包括芒果、杏仁和苹果，通过消融实验，数据增强技术和瓦片方法来提高检测精度和效率，并获得比以前更好的检测表现，对于苹果和芒果的 F1 值达到了 > 0.9。

Oct, 2016

利用基于近红外成像、计算机视觉和机器学习的自动系统，这篇论文提出了一种用于柑橘作物预测的非侵入性替代方案，该系统通过视频计数水果，并结合其他树木数据（如作物品种和树木大小）估计水果的总数。通过对视频中至少 30% 的水果进行准确检测、跟踪和计数，可以实现令人印象深刻的 0.85 的决定系数。该研究是少数几个以手动水果计数为评估参考点的柑橘估算方法尝试之一，并提供了用于图像水果计数的注释数据集以促进新方法的发展。

Dec, 2023

我们提出了一种为农田水果开发的少样本语义分割框架，采用迁移学习策略，在没有公开标记数据的情况下实现了水果在农田中的准确语义分割。

May, 2024

本篇论文介绍了一套新的数据集，旨在推动果园环境中水果检测、分割和计数的最新技术。数据集包含超过 41000 个图像实例和 1000 张高分辨率图像，同时提供了水果对象实例的多边形掩膜，以协助精确定位、检测和分割。作者还提供了基线性能分析结果和代表性收益评估结果，并在 CodaLab 上托管了比赛以鼓励使用统一的数据集进行结果比较。

Sep, 2019

文章介绍了一种基于自动图像分析的客观框架，使用卷积神经网络检测图像中的浆果并进行计数，可以在葡萄园不同种植系统中检测到绿色浆果，VSP 的检测准确率为 94.0％，SMPH 为 85.6％。

Apr, 2020

本文提出了一种深度学习算法 Triple-S Network，用于同时对越橘进行分割和计数，以帮助预测产量和日照情况，并且利用低成本中心点注释监督方法。作者通过引入三个损失函数对其进行优化，获得比同类算法更好的分割结果和计数结果，同时提供了最大的陆地越橘图像数据集 CRAID 用于算法评测。

Apr, 2020

本研究提出了一种半监督的小苹果检测系统 (S^3AD)，通过利用大型高分辨率数据集 MAD，基于上下文关注和选择性平铺的方法，解决了水果检测中小型水果检测的困难，同时限制了计算开销，并在评估中表现出了明显优势。

Nov, 2023

本研究提出了一种精准农业方法，采用弱监督学习技术和点击输入，提出一种高效准确的离线工具 —— 全景一键分割法，它可以在降低标注数据成本的同时，有效地定位和分割所有的作物对象。在糖菜和玉米图像数据上的表现表明，我们的方法不仅与传统的一键分割法比拼，而且训练速度更快，使得我们能够将众多的边缘标记转化为面标记，从而有效地提高了模型的性能

Mar, 2023

该研究利用 YOLOv5 目标检测算法提出了一个视觉系统，能够在无结构的果园环境中检测早期果花的生长情况，并通过 K-means 聚类算法识别并管理整个果花群，实现果树产量管理及农业自动化。

Apr, 2023