基于深度学习的复杂场景下番茄分类方法
本研究提出了 TomatoDIFF，一种新的基于扩散的模型，用于对植物上的西红柿进行语义分割。在高度遮挡的环境中，我们的模型表现出卓越的性能，甚至超过其他竞争方法。此外，我们还介绍了一个新的、大规模且具有挑战性的数据集 Tomatopia，其中包括高分辨率 RGB-D 图像和水果的像素级注释。
Jul, 2023
我们开发了一种全面的计算机系统，用于辅助采用传统农耕方式且无法很好获得农业专家帮助的农民处理农作物病害问题。我们的系统利用人工智能技术来识别和提供蔬菜病害的解决方法，并创建了一款手机应用程序，提供用户友好的界面，允许农民用本地语言查询蔬菜病害并获得适当的解决方案。该系统可被任何具备基本智能手机操作理解能力的农民使用，重点关注西红柿病害以惠及尼泊尔当地的农业社区。
Aug, 2023
使用卷积神经网络，特别是 Mask R-CNN、AlexNet、VGGs、ResNets 和 ConvAE-Clfs 等模型，并采用迁移学习技术，通过在芒果质量分级中应用预处理技术，训练细节和性能结果等方法提供可解释的洞见，即实 </em> 现对深度学习的深层次解释。
Nov, 2020
该论文介绍了一种基于 Transformer 的模型 TomFormer 用于番茄叶病检测，并通过与其他模型的比较验证了其在番茄叶病检测中的优越表现，展示了其鲁棒性、准确性、效率和可扩展性以及其在农业领域中的潜在影响。
Dec, 2023
本文提出了一种结合机器学习模型和三个低成本 RGBD 相机捕捉深度图像的大小测量方法，以便检测和测量西红柿的高度和宽度，以解决现有视觉系统在农业环境中的遮挡和可扩展性问题。在实验室环境的测试中，该系统能够实现 0.9114 的高度测量精度和 0.9443 的宽度精度以提高测量准确度。
Apr, 2023
通过使用无人机图像，我们开发了一个基于时间序列的框架，用于表征蔓越莓农作物的成熟过程，该方法通过无人机收集图像并进行光度校准和基于点选注释的半监督深度学习网络来进行浆果分割，从而提取时间序列的浆果反射率测量值，以评估四个不同品种的蔓越莓及其成熟速度的量化，这对评估蔓越莓沼泽地的实时过热风险、作物育种中的大规模后代比较以及通过寻找成熟模式异常来检测疾病具有实际意义，该研究是首个使用计算机视觉方法对成熟过程进行定量评估的工作，其影响不仅限于蔓越莓农作物，还包括葡萄酒葡萄、橄榄、蓝莓和玉米。
Aug, 2023
草莓和番茄等特殊作物的成熟度分类对于选择性采摘和质量控制是农业下游的重要活动。本文提出了一种特征提取方法，展示了在特征选择方面的最新成果，并通过比较分析表明该方法在成熟度分类和时间效率方面的表现优于现有方法。
May, 2024
本文介绍了使用图像处理技术对番茄晚疫病进行早期检测的方法，采用分割和多类支持向量机分类技术对番茄晚疫病进行有效的检测和诊断，并提供了研究趋势、问题和前景以及未来研究方向的建议。
May, 2023