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

本文介绍了一种基于图像的非破坏性自动测量系统，利用 2D 和 3D 数据创造了番茄植物的 3D 虚拟表示，并将叶子检测到相应的 2D RGB 图像上，通过平面配合算法提取出叶子大小提供生长监测数据。该测量系统的性能已得到实测，并开源了数据集。提出的叶片大小估算方法表现出 4.47mm 的 RMSE 值和 0.87 的 R ^ 2 值。

Apr, 2023

机器视觉技术在农业等多个领域的精细分析有潜力进行转型。本文提出了一种层次式全景分割方法，用于同时识别植物生长的指标和图像中的杂草，并在此基础上探索了使该架构更紧凑适用于时间和计算受限应用的方法。通过更紧凑的架构，推理速度提升了 60％，PQ 得分降低不到 1％。

Oct, 2023

提出了一种基于语义信息的主动视觉策略，可用于自动收割和除叶番茄作物中的植物部件识别，该策略具有优异的准确性和鲁棒性。

Jun, 2023

本文提出了一种高通量的自动计数和分割高粱中穗（头）的方法，并使用一种新颖的深度卷积神经网络架构来处理图像密度图，以进行计数。最终得到的实例分割模型也产生了可观的结果。

May, 2019

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

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

本研究提出了一种基于机器学习和深度学习的叶子实例分割方法，通过使用产生的合成图像进行数据增强，成功地将深度学习网络训练到了 90% 的叶子分割得分，在叶子分割领域取得了领先的成果。

Jul, 2018

本研究首次使用计算机视觉技术在自然环境下解决玉米花穗计数问题。

Jul, 2017

该研究使用半监督学习方法，在只使用原始训练数据的 10％的情况下，实现了类似监督方法的高精度识别高粱穗的效果。

May, 2023