农业生产在未来几十年面临严峻挑战，包括气候变化和可持续性需求，通过机器人进行无化学除草的领域管理、无人机监测农作物以及培育新型更具适应性的作物品种有助于应对这些挑战。本文提出了自动化精细的器官级几何分析用于精准表型分析的问题。通过使用高分辨率无人机图像获取的新数据集，我们计算出重叠多视角的点云，并为植物、叶片和重要特征点（尖端和基部）提供详细准确的点级标签。此外，我们还提供了德国联邦植物品种办公室专家对真实植物进行的表型特征测量，以便不仅在分割和关键点检测上评估新方法，还可直接评估下游任务。提供的带标签点云可以进行细粒度植物分析，并支持自动表型分析方法的进一步发展，同时也为表面重建、点云补全和点云的语义解释提供了更多研究可能性。

Dec, 2023

通过自主训练的方法，该论文提出了一个新的用于植物表型分析的网络骨干初始化方法，并引入了一种针对叶片实例分割的新型自动后处理方法，实验证明我们的方法在所有调研场景中均提升了性能。

Jan, 2024

本研究提出了一种基于机器学习和深度学习的叶子实例分割方法，通过使用产生的合成图像进行数据增强，成功地将深度学习网络训练到了 90% 的叶子分割得分，在叶子分割领域取得了领先的成果。

Jul, 2018

CherryPicker 是一个自动化的管道系统，可从樱桃树的三维点云中重构光度，执行语义分割并提取其拓扑结构，并利用几种最先进的算法进行自动化处理。

Apr, 2023

本文提出应用图像识别技术解决农业领域的感知问题。作者提供了使用无人机采集并进行密集标注的农作物和杂草图像数据集以及用于测试的多个感知任务基准，包括语义分割、植物的全景分割、植物和叶子的检测、层次全景分割。

Jun, 2023

本文提出了一种基于 RGB 相机和无人机的方法，用于估计高精度的高精度的高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度的高精度高精度的高精度高精度高精度高精度的高精度高精度的高精度，包括叶形态分析和叶片分割。

Jul, 2018

本研究提出使用合成数据进行植物的实例分割，介绍了一种用于弥合种类差距的通用植物生成器 UPGen，研究了多种使用合成数据训练模型的方法，取得了比使用公开数据传递学习普遍惯例更好的效果，并在 CVPPP Leaf Segmentation Challenge 竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。

Mar, 2020

本文介绍了利用传感器（如 RGB，热像仪和高光谱相机等）实现自动化高通量植物表型分析的方法，详细介绍了 Sorghum-100 数据集，以及使用动态异常值汇聚方法对该数据集进行对不同品种的作物图像分类的方法。

Jun, 2021

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

本文提出了一种高通量的自动计数和分割高粱中穗（头）的方法，并使用一种新颖的深度卷积神经网络架构来处理图像密度图，以进行计数。最终得到的实例分割模型也产生了可观的结果。

May, 2019