通过远程传感和深度学习技术，利用针对农业图像分析的新算法进行作物可视化识别，通过检测马铃薯的深度神经网络来区分健康的和有压力的作物，实现了对自然条件下航拍图像中马铃薯作物压力的评估和识别。

Jun, 2021

本文提出了一种新颖的端到端 pipeline，利用深度神经网络，在 3D 重构、分割和特征提取等不同阶段实现植物干旱胁迫的研究和表征，使用基于 deep siamese network 提取的特征知识构建了准确的植物冠层 3D 模型，并利用深度学习方法进行特征聚合，实现对植物干旱胁迫的表征和研究。结果表明，与传统方法相比，该方法具有更优异的性能。

Sep, 2017

本文系统调查了利用深度学习监测植物生长的方法，强调应重视在实际应用中利用有限和不完美的数据来监测植物压力的重要性。

May, 2023

本研究设计了一个基于卷积神经网络的实用系统，通过计算机视觉和深度学习方法对咖啡树叶上生物胁迫病原体进行早期和准确的识别和评估，实验结果表明该系统可能是一个适合专家和农民识别和量化咖啡种植区生物胁迫的工具。

Jul, 2019

本研究提出了一种基于深度学习的方法，利用无人机捕获的图像实现高效的作物病害检测，该方法在丰富的植物物种和疾病数据库上训练，使用卷积神经网络作为主要预测模型，通过实现世界上第一款配备高分辨率相机的无人机进行实时监测，为提高农作物健康监测系统提供了一种高效可行的解决方案。

May, 2023

本研究提出了一种新的快速傅里叶卷积神经网络（FFDNN）及其特征编码器，用于在不同的时间尺度上对植物胁迫进行快速准确的检测和解释，包括小麦黄锈和氮缺乏等相似症状的胁迫。

Jun, 2023

大豆生产对生物和非生物胁迫非常敏感，极端天气事件加剧了这种胁迫。水限制胁迫，即干旱，成为大豆生产的一项重大风险，凸显了育种和生产中对压力监测的需求。本项目通过多模态信息的结合，以识别最有效和高效的自动化方法，探讨干旱响应的研究。我们以高通量时间序列表型分型的方式，通过使用无人机和传感器进行高通量时间序列表型分型，并结合机器学习分析，开发了快速分类大豆干旱胁迫症状的流程，并研究了早期干旱胁迫检测方法。我们发现红边和绿色波段对于分类植被枯萎胁迫是最有效的。在目视症状发展之前，红边叶绿素植被指数（RECI）成功区分了易感和耐旱的大豆资源。我们采用不同的植被指数的组合实现了早期检测大豆枯萎。这些结果可以为早期胁迫检测方法和育种和生产应用中的筛选苗圃快速分类干旱响应做出贡献。

Feb, 2024

利用卷积神经网络和 Grad-CAM 激活图可视化技术，提出一种对轴承故障进行分类的可解释型深度学习方法，通过识别训练样本的特征重要性形成了一个诊断知识库，在模型评估过程中根据特征重要性的相似性检索预测基础样本，实验结果表明该方法能够选择直观且具有物理意义的预测基础样本，提高模型对人类用户的可靠性。

Aug, 2023

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

利用 54,306 张植物叶片图像数据，训练深度卷积神经网络以识别 14 种作物和 26 种疾病，并利用全球智能手机渗透率的提高和近期深度学习中的计算机视觉技术，实现智能手机辅助作物疾病诊断的可行性。

Apr, 2016