通过深度学习方法，提出将叶数计数作为回归问题进行直接预测，避免叶子实例分割的耗时问题，并证明结合多个数据集进行训练可以获得更好的结果。在CVPPP 2017叶数计数挑战数据集上，相较于之前的获胜者，该方法能够提高至少50%的测试结果，并且在不知道数据实验来源的情况下取得了良好的性能。

Sep, 2017

本文对深度学习技术在农业和食品生产方面应用的40项研究进行了综述，考察了研究中使用的数据、模型和框架，比较了深度学习和其他常用图像处理技术在分类或回归性能上的表现，结果表明深度学习准确性高，优于现有的常用图像处理技术。

Jul, 2018

本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

Nov, 2018

本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法，该方法使用数据增强来训练深度神经网络，取得了在标准基准测试中最先进的结果，即由植物表型学的计算机视觉难题托管的叶片分割竞赛。

Mar, 2019

本文研究利用半监督深度学习和图像处理技术，对农业收获量进行精准预测，成功捕获细杆随机叠放的复杂密度物理特性，并优于传统预测方法，该方法具有普遍适用性。

Aug, 2019

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

使用深度卷积神经网络和转移学习技术分析植物源淀粉样品的显微镜图像，通过预处理Imagenet数据集精度达到了81%，且比MicroNet数据集更准确、召回和f1分数也更高。

May, 2023

通过比较不同的You Only Look Once (YOLO)架构，本论文研究了在棉花中对Amaranthus palmeri （Palmer杂草）进行的8个生长阶段的识别。识别组合了视觉和大小特征，提高了性能。成功的生长阶段检测凸显了通过开源目标检测架构来改进植物表型研究和杂草识别技术的重大机遇。

Jul, 2023

利用机器视觉和多光谱成像技术，研究了在小麦和大麦作物中识别黑草的先进方法的有效性，并提供了大量数据集来评估黑草杂草识别的几个关键方面，包括不同卷积神经网络和Transformer架构的性能，不同光谱波段的作用以及数据集规模对分类性能的影响。研究结果表明，即使使用相对较少的训练数据，也可以在未知领域的图像上达到近90%的准确率。

May, 2024

本研究解决了传统农业方法不足的精准喷洒后评估问题，提出了一种可解释的人工智能计算机视觉流程，能够自动识别喷洒对象并量化喷洒沉积。通过领域特定的弱监督沉积估算任务，研究显示采用EfficientNet-B0的全卷积网络能在三类目标上实现156.8微升的平均绝对沉积差异，推进了精准喷洒系统的有效性理解。

Sep, 2024