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

通过使用直方图滤波器（贝叶斯离散滤波器）来评估番茄在番茄植物中的位置，本研究针对农业中的任务，如水果监控或收割，需要感知物体的空间位置。通过模拟实验和实验室条件下的测试，该算法在模拟实验中的平均绝对误差小于 10 毫米，在实验室条件下的测试中的平均绝对误差小于 20 毫米，结果可行于真实环境并应在更近的距离下改进。

Oct, 2023

本研究提出了 TomatoDIFF，一种新的基于扩散的模型，用于对植物上的西红柿进行语义分割。在高度遮挡的环境中，我们的模型表现出卓越的性能，甚至超过其他竞争方法。此外，我们还介绍了一个新的、大规模且具有挑战性的数据集 Tomatopia，其中包括高分辨率 RGB-D 图像和水果的像素级注释。

Jul, 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

提出一种新颖的卷积变换框架，使用移动机器人自动识别和评分番茄，通过各种数据集的测试，显示其卓越的性能。

Jul, 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

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

通过使用 RGB-D 相机数据，本文提出了一种基于关键点检测的方法，用于估计植物叶梗节点的三维姿态，为收获番茄束提供了必要的信息。该方法在商业温室中进行了全面评估，结果表明在物体检测、关键点检测和三维姿态估计方面具有高准确性。此外，该方法对视角变化具有鲁棒性，适用于番茄等其他温室作物。

Nov, 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

利用 YOLOv8 目标检测和实例分割算法以及 3D 传感器，在商业果园环境中精确测定不成熟青苹果（或称果芽）的大小，并强调了形状拟合方法和 3D 传感器在农业中改善果实大小估计方面的综合有效性。

Dec, 2023