本文介绍了一种用于水果检测和计数的图像处理框架，使用单眼视觉系统所获得的高分辨率图像数据，包括多尺度多层感知器和卷积神经网络，结合元数据进行分割和检测，并在商业苹果园中进行了实验，得出了最佳性能。
Oct, 2016
使用 CNN 技术结合计算机视觉方法对葡萄园中的葡萄簇进行检测、分割和跟踪，为农业和环境应用的传感组件的开发提供了一种可复制的检测，培训，评估和跟踪农业模式的图像的方法。
Jul, 2019
本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测，包括芒果、杏仁和苹果，通过消融实验，数据增强技术和瓦片方法来提高检测精度和效率，并获得比以前更好的检测表现，对于苹果和芒果的 F1 值达到了 > 0.9。
本文介绍了一个新颖的高质量水果图像数据集，并通过一些数字实验结果展示了训练神经网络以检测水果的成果。同时，我们提出了几种可能需要应用这类神经网络的场景，并探讨了为什么选择使用水果作为本项目的研究对象。
Dec, 2017
探讨如何利用深度学习模型实现对葡萄图像进行实例分割，以提高移动机器人在葡萄园监测工作中的视觉感知能力。
Jul, 2023
通过自我监督学习从原始农业图像数据中学习有意义的特征表示，我们提出了一种利用 SimCLR 对大规模未注释数据集上进行预训练的轻量级框架，该框架具有较强的适用性，可以解决各种农业视觉任务，并降低对注释数据的依赖，从而提高成本效益和可用性，推动农业中计算机视觉技术的广泛应用。
Mar, 2024
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
本文提出了一种基于知识蒸馏的新方法以增强领域通用性，在精度农业中进行作物分割的应用，旨在解决移动机器人在野外环境中识别和定位作物所需的实时感知问题。通过在一个有多个领域的合成数据集上评估，该方法取得了明显的表现改进。
Apr, 2023
利用基于近红外成像、计算机视觉和机器学习的自动系统，这篇论文提出了一种用于柑橘作物预测的非侵入性替代方案，该系统通过视频计数水果，并结合其他树木数据（如作物品种和树木大小）估计水果的总数。通过对视频中至少 30% 的水果进行准确检测、跟踪和计数，可以实现令人印象深刻的 0.85 的决定系数。该研究是少数几个以手动水果计数为评估参考点的柑橘估算方法尝试之一，并提供了用于图像水果计数的注释数据集以促进新方法的发展。
Dec, 2023
本篇论文对语义分割中的 Few-Shot Learning 进行了概述，提出了新的分类法，并描述了当前的局限性和展望。