通过深度学习方法，提出将叶数计数作为回归问题进行直接预测，避免叶子实例分割的耗时问题，并证明结合多个数据集进行训练可以获得更好的结果。在 CVPPP 2017 叶数计数挑战数据集上，相较于之前的获胜者，该方法能够提高至少 50% 的测试结果，并且在不知道数据实验来源的情况下取得了良好的性能。

Sep, 2017

本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法，该方法使用数据增强来训练深度神经网络，取得了在标准基准测试中最先进的结果，即由植物表型学的计算机视觉难题托管的叶片分割竞赛。

Mar, 2019

本研究提出使用合成数据进行植物的实例分割，介绍了一种用于弥合种类差距的通用植物生成器 UPGen，研究了多种使用合成数据训练模型的方法，取得了比使用公开数据传递学习普遍惯例更好的效果，并在 CVPPP Leaf Segmentation Challenge 竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。

Mar, 2020

通过自主训练的方法，该论文提出了一个新的用于植物表型分析的网络骨干初始化方法，并引入了一种针对叶片实例分割的新型自动后处理方法，实验证明我们的方法在所有调研场景中均提升了性能。

Jan, 2024

本研究探讨了在森林环境中基于视觉的分割是自主林业操作（如伐树和前进）的关键功能之一。在本研究中，我们提出使用模拟森林环境来自动生成具有像素级注释的 43k 真实合成图像，并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集训练的模型在真实数据集上的有效性，证明了模型的迁移学习能力。

Oct, 2022

通过使用生成神经网络，提出了一种基于图像的带花植物表型识别的解决方案，通过创建人工图像生成训练用的有标注的植物图像集合 Ax。

Sep, 2017

提出了一种基于弱监督学习的 3D 植物幼芽分割框架 Eff-3DPSeg，该框架使用深度学习和点云技术，可以在有限标注点的情况下官能植物器官实现高质量的分段，为植物育种提供了一种有效的方法。

Dec, 2022

该研究提出了一种从合成数据集进行迁移学习的方法，用于解决现实世界中大规模农业数据集获取困难的问题，并成功地将其应用于大豆枝上豆荚的图像分割。

Apr, 2022

介绍了一个包含 10 万个合成叶片图像的 LAESI 数据集，其中每个叶片图像都有语义掩膜和表面积标签。通过训练机器学习模型进行叶面积预测和语义分割，并利用真实图像进行验证，证明该数据集的适用性。LAESI 还提供了基于 3D 程序模型和生成型人工智能的高效框架，可用于大规模、可控制的数据生成，具有农业和生物学的潜在应用。通过评估生成型人工智能在程序数据生成管道中的包含性，并展示基于注释一致性的数据过滤如何产生可以训练出最佳视觉模型的数据集。

Mar, 2024

本研究旨在提高农业精准机器人对植物的理解，通过开发一个模型来提取包括叶子、茎和叶脉在内的细粒度表型信息，并引入了一种适应于关键点引导多段线的指标 POKS。

Dec, 2023