本文介绍了一种基于图像的非破坏性自动测量系统，利用 2D 和 3D 数据创造了番茄植物的 3D 虚拟表示，并将叶子检测到相应的 2D RGB 图像上，通过平面配合算法提取出叶子大小提供生长监测数据。该测量系统的性能已得到实测，并开源了数据集。提出的叶片大小估算方法表现出 4.47mm 的 RMSE 值和 0.87 的 R ^ 2 值。

Apr, 2023

本文基于高光谱图像和相应的深度学习回归模型，开发了一种用于测量甜樱桃番茄 SSC 和果实硬度的无损检测技术，实验结果表明，该技术相对于现有技术，可以使 SSC 和硬度检测的准确性分别提高 26.4％和 33.7％，这表明了高光谱成像技术在检测甜樱桃番茄果实质量方面的应用潜力，为未来的非破坏性测试提供了新的选择。

Mar, 2022

该研究提出了一种使用多传感器机器人平台的高质量 3D 多光谱点云（3D-MPC）的方法，其中包括自适应数据采集和反射率校正，以便在自然光条件下为植物进行表型分析。

May, 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

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

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

本研究使用多模态数据，比如 RGB 和热成像数据，基于香蕉幼苗研究了非生物胁迫的预测方法，神经网络可以高达 90％的准确率预测不同处理组中的植物状态。

Nov, 2020

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

使用 U-Net 卷积神经网络对植物根系图像进行自动分割，实现了根长度密度和深度测量的自动测量，结果表明自动分割比人工注释更准确。

Feb, 2019

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