利用卷积神经网络对红白葡萄品种进行分类，通过空间注意力层和 Inception 块进行空间和光谱特征提取，相对于其他卷积神经网络在处理高光谱数据分类时，网络模型更轻量，并且表现出更好的准确性，和以前研究相比，准确率提高到 99％。

Jan, 2024

本研究提出了一种基于深度学习的方法，利用无人机捕获的图像实现高效的作物病害检测，该方法在丰富的植物物种和疾病数据库上训练，使用卷积神经网络作为主要预测模型，通过实现世界上第一款配备高分辨率相机的无人机进行实时监测，为提高农作物健康监测系统提供了一种高效可行的解决方案。

May, 2023

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

本文提出一种基于深度学习技术的卫星图像细化框架，利用多光谱无人机获取的高分辨率图像信息作为训练数据，可在特定农业领域（如葡萄园生长）中优化卫星驱动的归一化植被指数（NDVI）图，生成更准确的 3 类葡萄园乔木优势图，使管理者能更好地描述和监测农作物状态和病害。

Apr, 2020

利用自由可用的卫星图像，探索可用于葡萄园分割问题的主要机器学习方法，并评估各种广泛使用的机器学习技术的有效性，为特定场景选择最合适的模型提供指导。

Nov, 2023

利用 54,306 张植物叶片图像数据，训练深度卷积神经网络以识别 14 种作物和 26 种疾病，并利用全球智能手机渗透率的提高和近期深度学习中的计算机视觉技术，实现智能手机辅助作物疾病诊断的可行性。

Apr, 2016

本文介绍了一种使用编码器 - 解码器串联卷积神经网络进行密集语义杂草分类的方法，以通过微型飞行器收集的多光谱图像减少损害周围植物的可靠而精确的杂草检测，训练不同数量通道的模型并在嵌入式 GPU 系统中进行部署。

Sep, 2017

该研究通过使用深度学习技术，分析无人机拍摄的图片，自动识别玉米植株中的异常区域并分类成低、中、高或无异常。研究旨在能在最早的阶段识别异常，以最大化潜在治疗的有效性。同时，该系统为人工标注员提供宝贵的信息，帮助他们只关注一小部分图片进行真实数据收集。

Oct, 2023

通过使用无人机采集的多光谱图像，我们提出了一个具有物理特性的生成模型 PlantPlotGAN，能够创建具有逼真植被指数的合成多光谱区块图像，用于植物病害检测，并且通过与真实图像训练组合，能够提高早期病害检测的准确性。

Oct, 2023

本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

Sep, 2022