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
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。
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
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
本研究提出了一种基于轻量级卷积神经网络（CNN）和生成对抗网络（GAN）的方法，用于苹果成熟度和损伤程度检测任务，通过优化模型的深度和宽度以及应用先进的模型压缩技术设计了轻量级CNN模型，引入注意机制提高对象检测任务的性能，利用GAN生成逼真的苹果图像扩展训练数据集，改善样本不平衡和样本量不足问题，通过在受损苹果上应用目标检测网络进行损伤位置注释，提高了损伤程度检测的准确性，在苹果成熟度和损伤程度检测任务中，该方法的性能优于其他主流模型，具有卓越的性能和高实用价值。
Oct, 2023
基于深度学习的番茄成熟监测方法，通过计算机视觉与人工智能技术优化番茄成熟状态的监测，实现及时检测并采摘成熟番茄，实验结果表明在极端条件下具有良好的分类准确率。
Jan, 2024
通过使用YOLOv5模型和多样的苹果树图像数据集，我们提出了一种新颖的苹果检测和位置估计方法，实现了在复杂果园环境中准确识别苹果并提供精确位置信息的鲁棒系统，其具有约85%的苹果检测准确率，这在农业机器人领域取得了重要进展，为更高效、可持续的水果采摘实践奠定了基础。
May, 2024
通过VFMs进行水果检测，开发了适应不同果园条件的水果检测系统，并推出了MetaFruit数据集，该数据集在农业技术和机器人收获领域创造了新的基准，以解决农业部门的紧迫需求。
生成AI可用于果实检测和质量评估，具有积极的农业应用前景。
Jul, 2024
本研究解决了传统甜橙叶病害检测方法效率低且易出错的问题，通过采用YOLOv8这一先进的人工智能模型，提供了一种更为迅速和高效的检测手段。研究结果显示，YOLOv8和VIT的高准确率不仅提高了农业病害管理的有效性，还有助于减少农药使用，促进可持续农业发展。
Sep, 2024