本文提出了一种高通量的自动计数和分割高粱中穗（头）的方法，并使用一种新颖的深度卷积神经网络架构来处理图像密度图，以进行计数。最终得到的实例分割模型也产生了可观的结果。

May, 2019

为了解决蚜虫侵袭的问题，该研究开发了一个大规模多尺度数据集，用于蚜虫集群的检测和分割，并进行了四个实时语义分割模型和三个物体检测模型的训练和评估。在准确性和效率之间取得平衡的情况下，Fast-SCNN 提供了最有效的分割结果，实现了 80.46% 的平均精确率，81.21% 的平均召回率和每秒 91.66 帧。在物体检测方面，RT-DETR 表现出了最佳的综合性能，在 NVIDIA V100 GPU 上获得 61.63% 的平均精度、92.6% 的平均召回率和 72.55 的得分。实验证明，相比使用检测模型，蚜虫集群的分割更适合评估蚜虫侵袭。

May, 2024

通过密度裁剪引导的半监督检测器改进了对航空图像中小物体的检测效果。在训练过程中，使用已标记和未标记图像中识别出的物体簇的图像作为训练集的增强，提高了对小物体的检测和为未标记图像生成的伪标签质量。在推理过程中，该检测器不仅能够检测感兴趣的物体，还能够检测到密度较高的小物体区域，结合输入图像和图像裁剪的检测结果，从而实现更准确的物体预测，特别是对于小物体。

Aug, 2023

本文介绍了利用传感器（如 RGB，热像仪和高光谱相机等）实现自动化高通量植物表型分析的方法，详细介绍了 Sorghum-100 数据集，以及使用动态异常值汇聚方法对该数据集进行对不同品种的作物图像分类的方法。

Jun, 2021

本文提出了一种全新的基于卷积网络的无监督技术，用于密集物体（如植物器官）的计数，该技术采用后处理优化步骤，可在不需要数据集调整或修改的情况下，对高精度计数执行器官任务的有效性得到了验证。

Jul, 2020

该论文介绍了一种半监督杂草检测的新方法，通过利用计算机视觉和深度学习进行自动化杂草检测，该方法在农业领域中具有较好的应用潜力和实际可行性。

May, 2024

本研究提出了一种精准农业方法，采用弱监督学习技术和点击输入，提出一种高效准确的离线工具 —— 全景一键分割法，它可以在降低标注数据成本的同时，有效地定位和分割所有的作物对象。在糖菜和玉米图像数据上的表现表明，我们的方法不仅与传统的一键分割法比拼，而且训练速度更快，使得我们能够将众多的边缘标记转化为面标记，从而有效地提高了模型的性能

Mar, 2023

通过使用半监督学习和集成学生网络的方法，本研究评估了一种用于多类杂草检测的半监督学习框架，以增强模型的泛化能力，在 CottenWeedDet3 和 CottonWeedDet12 数据集上，只使用 10% 的标记数据，能够实现与监督学习方法相近的 76% 和 96% 的检测准确率。该研究成果提供了源代码，为杂草检测及其它半监督学习领域的研究提供了有价值的资源。

Mar, 2024

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

本文提出了一种基于 RGB 相机和无人机的方法，用于估计高精度的高精度的高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度的高精度高精度的高精度高精度高精度高精度的高精度高精度的高精度，包括叶形态分析和叶片分割。

Jul, 2018