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

本文介绍了一种用于水果检测和计数的图像处理框架，使用单眼视觉系统所获得的高分辨率图像数据，包括多尺度多层感知器和卷积神经网络，结合元数据进行分割和检测，并在商业苹果园中进行了实验，得出了最佳性能。

Oct, 2016

本篇论文介绍了一套新的数据集，旨在推动果园环境中水果检测、分割和计数的最新技术。数据集包含超过 41000 个图像实例和 1000 张高分辨率图像，同时提供了水果对象实例的多边形掩膜，以协助精确定位、检测和分割。作者还提供了基线性能分析结果和代表性收益评估结果，并在 CodaLab 上托管了比赛以鼓励使用统一的数据集进行结果比较。

Sep, 2019

本研究探讨了使用稳定扩散 2.1 基础库生成苹果树合成数据集的可行性，并将其与基于真实数据训练的基准模型进行了比较。通过 YOLOv5m 对模型进行评估，结果表明使用合成数据进行训练的模型在真实图像上的性能略低于基准模型，但这些结果具有高度的前景，证明了合成数据生成技术作为目标检测模型训练数据收集的一种可行替代方法的潜力。

Jun, 2023

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

利用 YOLOv8 目标检测和实例分割算法以及 3D 传感器，在商业果园环境中精确测定不成熟青苹果（或称果芽）的大小，并强调了形状拟合方法和 3D 传感器在农业中改善果实大小估计方面的综合有效性。

Dec, 2023

自主空中收获是一个高度复杂的问题，因为它需要在小型低功耗计算设备上执行许多交叉学科算法。本文提出了一种基于新型潜在对象表示 (LOR) 模块、查询分配和预测策略的资源高效、单阶段且无后处理的快速水果检测器 (FFD)，实现了与控制、抓取、SLAM 等时间关键子系统同时存在的 10W 技嘉 Jetson-NX 嵌入式设备上的 100FPS@FP32 精度，是本工作的一个重大成就。此外，本文还提出了一种在无需详尽手动标记水果图像的情况下生成大量训练数据的方法，因为这些图像包含大量的实例，从而增加了标记成本和时间；同时还创建了开源水果检测数据集，其中有许多很难检测到的非常小的实例。对我们的数据集和 MinneApple 数据集进行的详尽评估表明，FFD 作为一个单尺度检测器比许多代表性检测器更准确，例如，与单尺度 Faster-RCNN 相比，FFD 的 AP 提高了 10.7，与多尺度 Faster-RCNN 相比提高了 2.3，与最新的单尺度 YOLO-v8 相比提高了 8，与多尺度 YOLO-v8 相比提高了 0.3，同时运行速度显著更快。

Feb, 2024

本文研究了半监督目标检测在航空图像中存在的尺度不平衡问题，并提出了适应性阈值判别、尺度再平衡标签分配和教师引导负样本学习等关键组件，以实现尺度无偏学习。通过对 DOTA-v1.5 基准上的广泛实验，证明了我们提出的方法在性能上优于现有竞争方法。

Oct, 2023

通过使用 YOLOv5 模型和多样的苹果树图像数据集，我们提出了一种新颖的苹果检测和位置估计方法，实现了在复杂果园环境中准确识别苹果并提供精确位置信息的鲁棒系统，其具有约 85% 的苹果检测准确率，这在农业机器人领域取得了重要进展，为更高效、可持续的水果采摘实践奠定了基础。

May, 2024

本研究提出了一个名为 SODA10M 的大规模数据集，包含 1000 万张未标注图像和 2 万张标注有 6 种代表性对象类别的图像，用于标准化不同自监督和半监督学习方法的评估，是迄今为止第一个最大的数据集。该数据集为自动驾驶系统的目标检测提供了优秀的无监督预训练数据源，显示出在自动驾驶领域的不错性能。

Jun, 2021