通过数据驱动方法，我们使用自监督来训练 SRPNet，这是一个能够预测执行给定植物上的候选动作后所揭示空间的神经网络。我们利用 SRPNet 和交叉熵方法来预测能够有效揭示植物叶下空间的动作，进一步通过执行一系列动作逐步揭示更多叶下空间。我们在合成植物（藤蔓）和真实植物（龙血树）上进行了实验证明了我们的方法 PPG 的有效性，相比手工制作的探索方法，SRPNet 相对于手工制作的动力学模型和相关消融的有效性也得到了验证。

Jul, 2023

利用多光谱影像和人工智能的先进技术，本论文研究自动植物分割、可持续林业中植物清理的问题，提出了一种适应各种天气条件、植物变异、地形和杂草的自主系统。

Apr, 2024

本文提出了一种名为 iGrow 的智能农业解决方案，利用传感器、人工智能和优化算法来控制自动化温室，实现高效智能化的农业生产，实验证明其显著提升了作物的产量和净利润。

Jul, 2021

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

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

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

基于人工智能的系统能通过视频监控自动诊断城市街道植物的健康状况，结合 YOLOv8 和 DeepSORT 等机器视觉算法进行叶子定位和跟踪，再使用 DeepLabV3Plus 卷积神经网络进行叶片损伤分割与量化分析。该系统可作为非侵入性、高效可伸缩的解决方案，用于城市树木健康管理，支持可持续的城市生态系统。

Jul, 2024

通过扩展植物骨架化技术，本研究旨在提高机器人在更密集和复杂的葡萄藤结构中进行修剪所需的感知能力，生成具有较低投影误差和更高连接性的葡萄藤骨架模型，并展示了 3D 和骨架信息如何提高对密集葡萄藤修剪重量的预测准确度，超过以往的研究，而修剪重量是影响修剪位置选择的重要葡萄藤度量。

Jul, 2023

本文主要研究内容是关于农田植物保护的关键任务，集中讨论一个农业的现代挑战：如何将生态考虑融入像 BonBot 这样的精准除草机器人的操作策略。通过在波恩大学 Klein-Altendorf 校区的实际表现，本文介绍了除草管理算法的最新进展以及 BonBot 在实际场景中的表现。同时，本文首次展示了精准除草机器人如何在具有生物多样性关注的除草情境中运作。以甜菜田为实验场地，本文进行了全面的除草实验，涵盖了仅有杂草和混合作物 - 杂草的情况，并引入了与精准除草兼容的新数据集。实地实验结果显示，我们的除草方法能够处理各种杂草分布，并且仅有 11.66% 的损失归因于干预规划，14.7% 的损失归因于视觉系统限制，强调了视觉系统需要改进的地方。

May, 2024

通过应用滤波修剪减少能量需求，该论文研究了草木混合物、草料探测、深度学习算法、与能量消耗相关的过滤修剪以及能源节约的方法，并在两个数据集上评估了该算法。

Apr, 2024