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

通过对水果的视觉特征进行分析和分类，可以使用各种方法来识别水果，包括手动检查、传统的计算机视觉方法以及使用机器学习和深度学习的复杂方法。本研究鉴定了总共 15 个水果类别，并提出了一个新的模型，与之前的研究相比，其检测性能有了显著提高。

Jun, 2024

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

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

该研究论文介绍了人工智能在水果质量检测领域中的应用，提出了一种基于谱图的水果糖度回归模型，设计了新的神经网络结构并比较了其他传统的神经网络结构，采用多种策略处理谱图数据，通过评估数据集的可靠性和比较不同模型的效果，验证了使用人工神经网络模型进行水果糖度无损检测的可行性。

Nov, 2023

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

本研究旨在通过分析移动设备（如智能手机）捕获的食物图像来改进膳食评估的准确性，提出了一种新的基于卷积神经网络的食品图像识别算法，并将该方法应用于两个真实数据集（UEC-256 和 Food-101）中，取得了令人瞩目的结果。

Jun, 2016

通过使用深度学习中的 YOLOv3 模型，可以自动计算并分析产出树果，像甜樱桃的数量、大小和颜色等相关因素，该模型的准确度高达 99%。

Feb, 2023

本文介绍了基于计算机视觉技术的香蕉分类模型，可用于实现准确的香蕉品种识别和质量检测，从而帮助提高库存管理自动化和减轻手工劳动强度。经过对 3064 张香蕉图片数据集的训练，模型在香蕉品种和质量检测方面的准确性分别达到 93.4% 和 100%。

Apr, 2022

本文介绍了一种用于水果检测和计数的图像处理框架，使用单眼视觉系统所获得的高分辨率图像数据，包括多尺度多层感知器和卷积神经网络，结合元数据进行分割和检测，并在商业苹果园中进行了实验，得出了最佳性能。

Oct, 2016