使用 CNN 技术结合计算机视觉方法对葡萄园中的葡萄簇进行检测、分割和跟踪，为农业和环境应用的传感组件的开发提供了一种可复制的检测，培训，评估和跟踪农业模式的图像的方法。

Jul, 2019

本文提出了一种基于知识蒸馏的新方法以增强领域通用性，在精度农业中进行作物分割的应用，旨在解决移动机器人在野外环境中识别和定位作物所需的实时感知问题。通过在一个有多个领域的合成数据集上评估，该方法取得了明显的表现改进。

Apr, 2023

我们提出了一种为农田水果开发的少样本语义分割框架，采用迁移学习策略，在没有公开标记数据的情况下实现了水果在农田中的准确语义分割。

May, 2024

利用深度学习分割方法和两个不同传感器获得的红外和可见光图像进行葡萄藤疾病的自动检测，该方法在葡萄藤级别上达到 92％以上的检测准确度，在叶子级别上达到 87％以上的检测准确度，对于计算机辅助的葡萄园疾病检测具有很好的前景。

Dec, 2019

通过扩展植物骨架化技术，本研究旨在提高机器人在更密集和复杂的葡萄藤结构中进行修剪所需的感知能力，生成具有较低投影误差和更高连接性的葡萄藤骨架模型，并展示了 3D 和骨架信息如何提高对密集葡萄藤修剪重量的预测准确度，超过以往的研究，而修剪重量是影响修剪位置选择的重要葡萄藤度量。

Jul, 2023

文章介绍了一种基于自动图像分析的客观框架，使用卷积神经网络检测图像中的浆果并进行计数，可以在葡萄园不同种植系统中检测到绿色浆果，VSP 的检测准确率为 94.0％，SMPH 为 85.6％。

Apr, 2020

通过边缘人工智能和深度强化学习相结合的方式，提出了一个利用噪声深度图像和位置不确定的机器人状态信息来实现自动导航的机器人系统，在模拟的葡萄园中进行了充分的实验验证。

Jun, 2022

本文提出了一种基于深度学习的机器人物体分割方法，通过解决两个子问题：机械臂与物体与背景的分割和物体与机械臂的分割，实现了无需人工标注数据即可训练网络的自我识别能力，实验证明该方法优于现有最优的自适应手持物体分割算法，并通过测试数据表明使用包含手持物体的自动标注图像的训练集可以提高物体在环境中的分割性能。

Apr, 2019

本文针对以减少除草剂使用量为目标的精准农业机器人的需要，提出了一种利用 RGB 数据进行基于 CNN 的作物分割和背景分类的方法，该方法利用植被指数实现实时分类，并且通过少量训练数据，可以在陌生的地块上进行有效的重新训练。在德国和瑞士的不同领域进行了实地测试，结果显示该系统的泛化能力很好，可在约 20Hz 的速度下进行在线操作，适合实际的农业生产。

Sep, 2017

利用自由可用的卫星图像，探索可用于葡萄园分割问题的主要机器学习方法，并评估各种广泛使用的机器学习技术的有效性，为特定场景选择最合适的模型提供指导。

Nov, 2023