利用基于近红外成像、计算机视觉和机器学习的自动系统，这篇论文提出了一种用于柑橘作物预测的非侵入性替代方案，该系统通过视频计数水果，并结合其他树木数据（如作物品种和树木大小）估计水果的总数。通过对视频中至少 30% 的水果进行准确检测、跟踪和计数，可以实现令人印象深刻的 0.85 的决定系数。该研究是少数几个以手动水果计数为评估参考点的柑橘估算方法尝试之一，并提供了用于图像水果计数的注释数据集以促进新方法的发展。

Dec, 2023

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

该研究介绍了 CitrusFarm 数据集，这是由一个在农田中操作的轮式移动机器人收集的综合多模态感官数据集。该数据集提供了包含深度信息的立体 RGB 图像，以及单色、近红外和热红外图像，提供农业研究所需的多样光谱响应。此外，它还提供了包括轮式里程计、激光雷达、惯性测量单元（IMU）和具有实时动态差分（RTK）的 GNSS 的导航传感器数据，作为以厘米级精度的定位基准。该数据集包含在三个柑橘树区域收集的七个序列，涵盖了不同生长阶段、独特的种植模式和不同的日光条件的各种树种。它总共运行时间为 1.7 小时，覆盖了 7.5 公里的距离，共计 1.3 TB 的数据。我们预计这个数据集可以促进在农业树木环境中操作的自主机器人系统的发展，特别是用于定位、地图制作和作物监测任务。此外，该数据集提供的丰富感知模式还可以支持一系列机器人学和计算机视觉任务的研究，例如地点识别、场景理解、物体检测和分割以及多模态学习。该数据集与相关工具和资源一起，已在该 https URL 上公开提供。

Sep, 2023

选择性机器人采摘是解决现代农业劳动力短缺的一种有希望的技术解决方案，本文介绍了一种基于关键点的水果方向估计方法，可以直接从 2D 图像中预测 3D 方向，并在两个不同的草莓图像数据集上实现了与先前工作相比误差降低约 30％的最先进性能，适用于实时机器人应用。

Oct, 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

通过多视图拼接，使用微软的 Azure Kinect DK TOF 相机获取天然环境中的荔枝采摘点云数据，采用 Fcaf3d-lychee 网络模型结合抽取 - 激励模块对荔枝采摘点进行精确定位，取得令人印象深刻的 88.57% 的 F1 分数，并在实际荔枝林环境中实现高精度的三维位置检测，定位误差在所有方向上均在 1.5 厘米以内，展示出模型的鲁棒性和通用性。

Mar, 2024

提出了一个基于新设计全景立体相机和混合软件框架的解决方案，具有三个融合模块，包括视差融合、姿态融合和立体体积融合，用于从单视图点云中构建整个花园的网格。

May, 2023

本文介绍了通过使用合成数据集和虚拟场景来加速自主导航系统的开发的方法及其在农业领域的应用。

Jun, 2023

研究利用 RGB 和多光谱无人机数据，欧盟规定下还加入多光谱卫星数据和土壤湿度传感器，生成城市公园和森林的树木清单并通过统计指数和深度学习推导出树木生命状态，提出了一个开源的端到端方法来优化城市和森林中树木的管理，提高工作效率和任务规划。

Jul, 2023

通过开发具有模块化设计、2.5 维自由度摘取器，以及新型感知系统进行草莓采摘，本文提出的解决方案可以高效、可靠地摘取整个草莓园中的草莓，有效避免了对水果的损害，具有很好的应用前景。

Jan, 2023