自主草莓采摘机器人系统（Robofruit）
选择性机器人采摘是解决现代农业劳动力短缺的一种有希望的技术解决方案，本文介绍了一种基于关键点的水果方向估计方法，可以直接从 2D 图像中预测 3D 方向，并在两个不同的草莓图像数据集上实现了与先前工作相比误差降低约 30％的最先进性能，适用于实时机器人应用。
Oct, 2023
对于已经收获的番茄藤条的自动称重和包装存在困难，本文提出了一种方法，通过深度学习视觉系统首先识别存储和运输中以杂乱方式堆放的木箱中的番茄藤条，然后确定适合的抓取位置，并采用在线学习能力的抓取姿势排序算法选择最有前景的抓取姿势，从而实现无需触摸传感器或几何模型的夹持抓取操作，实验结果表明，在实验室测试中，配备了 RGB-D 相机的机械臂机器人能够完全清除堆叠中的所有番茄藤条，93% 的藤条在第一次尝试中成功抓取，而剩下的 7% 需要多次尝试。
Sep, 2023
部署一支由自主机器人组成的舰队来与农场工人一起工作，可以在农业系统中提供极大的生产力和物流效益。本研究的主要贡献是创建了一个基于视频的人体摘取行为检测的基准模型，用于服务于不同农业场景的收获操作。
Nov, 2023
通过利用 RGB 图像、LiDAR 和 IMU 数据的协同作用，本研究引入了一种创新的方法来实现复杂树木重建和水果的精确定位，该融合方法不仅能够提供水果分布的洞察，提高农业机器人和自动化系统的精度，而且为模拟不同树木结构的人工合成果实模式奠定了基础。实验证明了这种方法的鲁棒性和效力，凸显其作为未来农业机器人和精准农业的变革工具的潜力。
Oct, 2023
本文提出了一种基于数据驱动前向模型和机器人触觉预测的新方法来解决机器人推动任务中的物理机器人交互问题，并将该模型融入到深度函数预测控制系统中，以控制物体的位移。实验结果表明，该控制器可以成功地控制机器人操纵任务中的物理机器人交互问题，并能够将方法推广到其他物体和任务中。
Mar, 2023
该研究利用 YOLOv5 目标检测算法提出了一个视觉系统，能够在无结构的果园环境中检测早期果花的生长情况，并通过 K-means 聚类算法识别并管理整个果花群，实现果树产量管理及农业自动化。
Apr, 2023
通过多视图拼接，使用微软的 Azure Kinect DK TOF 相机获取天然环境中的荔枝采摘点云数据，采用 Fcaf3d-lychee 网络模型结合抽取 - 激励模块对荔枝采摘点进行精确定位，取得令人印象深刻的 88.57% 的 F1 分数，并在实际荔枝林环境中实现高精度的三维位置检测，定位误差在所有方向上均在 1.5 厘米以内，展示出模型的鲁棒性和通用性。
Mar, 2024
设计并进行实验，展示了一款称为农业应用机器人 (AAR) 的轻型、太阳能电动的智能地面机器人，其使用智能感知进行植物的检测和分类，在半自主的情况下可以对低矮蔬菜进行各种操作，如除草、施肥、喷洒杀虫剂等，并提供了对未来研究的有用信息。
Aug, 2022
该研究提出了一种基于 YOLOv5 的自定义目标检测模型，用于在户外环境中检测草莓。修改了 YOLOv5s 的原始架构，通过在骨干网络中将 C3 模块替换为 C2f 模块，提供了更好的特征梯度流。通过将 YOLOv5s 的最终层中的空间金字塔池化快速与 Cross Stage Partial Net 相结合，提高了在草莓数据集上的泛化能力。验证了该方法在开放环境中检测草莓的优势，并与四个竞争检测模型进行了比较。结果表明，通过所提出的架构实现了最高 80.3% 的平均精度，而 YOLOv3-tiny、YOLOv5s、YOLOv5s-C2f 和 YOLOv8s 分别获得了 73.4%、77.8%、79.8% 和 79.3% 的平均精度。该模型具有快速的推理速度和适用于实时草莓检测和定位的充足网络参数。
Aug, 2023