本文提出了一种基于 RGB 相机和无人机的方法，用于估计高精度的高精度的高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度的高精度高精度的高精度高精度高精度高精度的高精度高精度的高精度，包括叶形态分析和叶片分割。

Jul, 2018

该研究提出了一种使用多传感器机器人平台的高质量 3D 多光谱点云（3D-MPC）的方法，其中包括自适应数据采集和反射率校正，以便在自然光条件下为植物进行表型分析。

May, 2023

本文综述了深度植物表型技术在精准农业领域的最新研究进展，阐述其在作物管理中的作用，以及如何利用数据实现有效监测。

Jun, 2020

草莓和番茄等特殊作物的成熟度分类对于选择性采摘和质量控制是农业下游的重要活动。本文提出了一种特征提取方法，展示了在特征选择方面的最新成果，并通过比较分析表明该方法在成熟度分类和时间效率方面的表现优于现有方法。

May, 2024

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

本文介绍了利用迁移学习在深度神经网络中对高光谱图像进行分类的方法，实验结果表明，相对于直接使用大数据集进行训练，迁移学习方法可以显著降低训练时间并提高分类准确率。

Jun, 2022

本文提出了一种基于卷积神经网络和多任务学习的方法来预测葡萄收成量，通过智能手机拍摄图像并使用自编码器的多任务学习来实现高达 85％的准确度。

Apr, 2020

通过在卷积网络中使用通道调制机制，将元信息作为附加输入，可以改善语义分割结果，并且在实现上成本低廉，是流行模型的一个灵活附加组件。

Aug, 2023

本文提出应用图像识别技术解决农业领域的感知问题。作者提供了使用无人机采集并进行密集标注的农作物和杂草图像数据集以及用于测试的多个感知任务基准，包括语义分割、植物的全景分割、植物和叶子的检测、层次全景分割。

Jun, 2023

遥感技术在产量预测中已成为一种有前途的工具，本研究运用多实例学习在像素级别对每个县进行研究，利用细粒度数据的详细信息，并通过引入注意机制来解决特征数据集和作物掩膜之间分辨率不一致导致的混合像素问题，实验结果表明该模型在美国玉米带的过去五年中优于其他四个机器学习模型，并在 2022 年达到最佳性能，R2 值为 0.84，RMSE 为 0.83，进一步通过对混合像素和注意力之间关系的深入研究验证了该方法能够捕捉关键特征信息并过滤混合像素中的噪声。

Dec, 2023