本文介绍了使用无人机搜集的三波段航空图像使用 YOLOv3 检测玉米田中的志愿棉植物，结果发现经过训练的 YOLOv3 模型可用于计算机视觉驱动的航空应用系统 (RPAAS) 实现志愿棉植物的检测和喷涂，具备实时性。

Jul, 2022

该研究提出了一种新的框架，将两种不同的卷积神经网络结构相结合，以在模拟环境中同时完成作物检测和收获（机器人操控）任务。利用机器视觉实现作物自动识别，提高收获效率，但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位，以及使用视觉几何组模型来确定机器人操控的抓取位置。

Jan, 2024

通过使用深度学习中的 YOLOv3 模型，可以自动计算并分析产出树果，像甜樱桃的数量、大小和颜色等相关因素，该模型的准确度高达 99%。

Feb, 2023

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

应用基于 YOLOv5 版本 5 的计算机视觉算法和无人机遥感图像检测，发现在玉米田中生长的自然棉单株（VC）植物，如在季节作物轮作期间岁末遗留的种子可以成长为 VC 植物，它们可以成为棉铃虫害的寄主。研究表明，该算法可以有效检测和定位生长在玉米地中的 VC 植物，加快棉铃虫消除计划管理方面的进展。

Jul, 2022

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

利用 YOLOv5m 和低分辨率多光谱图像成功检测和定位了玉米田中自发棉苗的生长状态，进而开发了一种基于自主机系统 (Unmanned Aircraft Systems) 的喷雾应用，用于有效管理棉铃虫害。

Jul, 2022

本文综述了深度植物表型技术在精准农业领域的最新研究进展，阐述其在作物管理中的作用，以及如何利用数据实现有效监测。

Jun, 2020

本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测，包括芒果、杏仁和苹果，通过消融实验，数据增强技术和瓦片方法来提高检测精度和效率，并获得比以前更好的检测表现，对于苹果和芒果的 F1 值达到了 > 0.9。

Oct, 2016

本文提出了一种有关服装检索系统的流程，采用检测、检索和后处理的三个部件，首先进行检测任务以进行精确的检索，然后采用基于度量学习的模型检索相应的物品，并采用加权框融合和特征拼接等后处理方法来提高检索鲁棒性。该方法在 DeepFashion2 Clothes Retrieval 2020 挑战中获得了第二名。

May, 2020