本研究基于深度学习方法和无人机影像实现草地草量和成分的精确估算，旨在减少对生物多样性和环境的过度施肥影响，并提高奶制品生产效率。

Apr, 2022

本研究提出了一种利用计算机视觉中的深度学习算法，通过少量已标注数据及近似标注数据来监测牧草干草生物量的低监督方法，其包括合成数据生成算法、自动标注数据处理过程和强健的回归网络。该方法在爱尔兰采集的牧草质量估计数据集上进行了设计，还对丹麦发布的草艹生物量估计数据集报告了最先进的结果。

Oct, 2021

现代农业依靠特定场地管理实践，需要准确检测、定位和量化农作物和杂草，可以通过深度学习技术实现。本研究提出了一种新颖的集成框架，利用不同的农作物和杂草模型以及可训练的元架构来结合它们的输出，从而在未知测试数据上显著提高了甘蓝作物和科冷草杂草的性能。经过消融研究的验证，证明了我们提出的模型的有效性。此外，我们还提出了两个用于比较的新颖数据集。

Oct, 2023

本研究提出了一种新的基于能量消耗估计的卷积神经网络 (CNNs) 剪枝算法，该算法比以前的算法更加激进，并具有更高的准确性，AlexNet 和 GoogLeNet 的能量消耗分别降低了 3.7x 和 1.6x，用于降低卷积神经网络在移动设备上的能量消耗的新工具和模型都可在链接网站上找到。

Nov, 2016

本文利用深度学习对地面影像进行农作物分类，选取 EU's LUCAS 数据库中的 12 种作物数据集，使用 Mobile-net 模型进行识别并通过信息论进行结果加工和后处理，并验证结果与 EU 的农业政策的实际应用相关性。

May, 2023

本文提出一种新的技术解决方案，利用客户端模型的网络修剪和聚合来解决在农业食品领域中数据异构性所带来的问题，该方法可以提高 15.5％至 20％的推理性能，并将本地模型大小减少高达 84％和客户端和服务器之间通信的数据量减少 57.1％至 64.7％。

Apr, 2023

该研究介绍了一个实时黑草分类与制图系统（RT-ABGCM），使用人工智能算法处理图像数据，推断黑草密度并覆盖两个成熟阶段，以实现精准的杂草管理，并探索了加速边缘端的 YOLOv8 和 YOLO-NAS 模型在农业实践中的应用，提供 AI 在农业实践中的潜在解决方案。此外，研究将两个数据集和模型权重提供给研究社区，促进杂草检测和精准农业技术的进一步发展。

May, 2024

研究了入侵物种 buffelgrass 在美国西南部引发严重野火和生物多样性损失的问题，探索利用卫星感应和深度学习的时间、视觉和多模态模型预测 buffelgrass 绿化，并发现所有基于神经网络的方法都优于传统模型，讨论了神经模型部署将带来的显著资源节约。

Oct, 2023

本文提出了一种在资源受限设备上部署和训练最先进模型的新解决方案，其中包括通过一种基于滤波修剪的模型压缩方法创造轻量级可训练模型，以及一种新型知识转移方法，允许在设备上的模型实时增量更新，并以无监督的方式通过云端模型学习新的类别。实验结果表明，该新方法可以在保持良好准确率的同时移除高达 99.36％的模型参数，并且允许在设备上的压缩模型在实时内收敛于增量学习任务并识别未见过的数据类别。

Jan, 2022

本文介绍了利用自动摄像系统和深度学习技术对植物群落组成进行快速、准确分析的方法，并提出了一种名为 Monte-Carlo Cropping 的新方法来处理高分辨率图像以及处理大量没有标签的图像数据。经过评估发现，该方法可以提高物种、群落和分割度量的精度。

Jul, 2023