通过联合国际协作努力，我们建立了一个大型、多样化且标记完整的数据集，全球小麦头部检测（GWHD）数据集。该数据集包含 4,700 张高分辨率 RGB 图像和 190,000 个标记的小麦头部，旨在开发和基准化小麦头部检测的方法，并通过提供图像采集指南、关联最小元数据以遵守公平原则和一致标注方法来帮助开发新的头部检测数据集。

Apr, 2020

使用合成图像训练神经网络模型和物体跟踪算法，开发了一种低成本的种仁计数器，能够准确估计玉米和小麦的产量。

Aug, 2023

本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

Nov, 2018

该研究提出了一种基于双重注意力机制的轻量级深度学习方法，可自动分类不同的植物病害，该方法在三个公开数据集上分别达到了 96.61％、99.08％ 和 91.60％ 的准确度，并在小型和大型数据集上均显著优于现有方法。

Oct, 2022

本篇研究提出了一种基于深度学习的数据驱动方法，用于计算植物成像中的叶片数，并在比赛数据集中取得了令人满意的结果。

Aug, 2017

通过重新审查、重新标记并添加额外的数据，2021 年的全球小麦穗检测（GWHD）数据集变得更大、更多样化、更可靠，吸引了计算机视觉和农业科学社区的关注，并在 AIcrowd 上组织了新的数据挑战。

May, 2021

利用来自美国密歇根州大豆田的无人机图像，本文提出了一种准确计数大豆荚的先驱性工作，使用强大的变换器骨干网络来进行大豆荚的同时计数和定位，并提供了新的大豆荚数据集，为未来的大豆荚计数和相关领域的研究提供了有价值的资源。

Oct, 2023

通过卷积神经网络加入空间信息作为特征，实现了在复杂环境下农田杂草与作物的自动分割识别，并在实验中取得了优异的结果。

Jun, 2018

自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分，通过计算机视觉进行自动化，然而现有的模型架构如 ResNet、EfficientNet 和 ConvNeXt 在类似项目的小规模专门数据集上常常表现不佳，我们通过数据采集和开发新的 CNN 架构 PhytNet 来填补这一空白，利用红外可可树图像的新数据集，展示 PhytNet 的发展并将其性能与现有架构进行比较，数据采集受到光谱分析数据的启发，该数据提供了有关可可树的光谱特性的有用见解，这些信息可以指导未来的数据采集和模型发展，鉴于可可树病害的多样性，因此选择可可树作为焦点物种是因为其病害存在较大的挑战，ResNet18 显示出一些过拟合迹象，而 EfficientNet 变体则显示出明显的过拟合迹象，相比之下，PhytNet 对相关特征具有良好的关注度，没有过拟合，而且计算成本异常低（1.19 GFLOPS），因此 PhytNet 是快速疾病或植物分类，或疾病症状的精确定位自主系统的有希望的候选方案。

Nov, 2023

研究提出了一种集成检测网络和密度图估计网络的混合自动蚜虫计数网络架构，通过对比实验验证了该方法在计算蚜虫数量方面优于其他所有方法，提供了对甜菜田蚜虫引发的病毒黄病风险的有效预警，保护甜菜生长并确保甜菜产量。

Aug, 2023