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

使用卷积神经网络，特别是Mask R-CNN、AlexNet、VGGs、ResNets和ConvAE-Clfs等模型，并采用迁移学习技术，通过在芒果质量分级中应用预处理技术，训练细节和性能结果等方法提供可解释的洞见，即实</em>现对深度学习的深层次解释。

Nov, 2020

我们开发了一种用于系统生成大型显微纤维材料的图像数据集的方法，基于此方法，我们生成了用于九种硬木属的图像数据。这是首次通过深度学习自动化识别显微图像中的硬木物种的实质性方法的基础。我们的方法包括一种灵活的管道，用于容易地注释管胞要素。我们比较了不同的神经网络架构和超参数的性能。我们提出的方法与人类专家的表现相似。这将来将改善对全球木纤维产品流动的控制，以保护森林。

Jul, 2023

该研究论文介绍了人工智能在水果质量检测领域中的应用，提出了一种基于谱图的水果糖度回归模型，设计了新的神经网络结构并比较了其他传统的神经网络结构，采用多种策略处理谱图数据，通过评估数据集的可靠性和比较不同模型的效果，验证了使用人工神经网络模型进行水果糖度无损检测的可行性。

Nov, 2023

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

用一种高效和定量的方法来研究农药-表面活性剂配方在水溶液中对植物叶片的传递，通过测量叶片湿润区域的表面积作为关键参数，并应用深度学习模型对青瓜叶片上的水溶液湿润区域进行自动测量，进而报道农药溶液中表面活性剂浓度与湿润区域表面积之间的关系。

Nov, 2023

利用卷积神经网络（CNNs）基于热成像技术对蜂蜜样品进行分类，检测蜂蜜掺假问题，提供质量控制措施。

Feb, 2024

本研究通过使用基于图像的深度学习技术，介绍了一种创新的方法来对各种类型的波斯米饭进行分类，突出展示了日常技术在食物分类中的实际应用。

Apr, 2024

当代社会中，运用人工智能进行自动食品识别在营养追踪、减少食物浪费以及提升食品生产和消费效率等方面具有巨大的潜力。该研究使用预训练的MobileNetV2模型，结合多种技术手段，提高了食品识别的性能和鲁棒性，从而可应用于实际应用中。

May, 2024

本研究解决了优质农业产品中杏仁分级过程的不足，提出了一种创新方法。通过利用深度卷积神经网络AlmondNet-20架构，实现了超过99%的检测准确性，并通过数据增强技术增强了模型的鲁棒性。这项研究的显著发现是为行业提供了高效的杏仁分类方案，具有重要的经济价值和全球贸易潜力。

Aug, 2024