研究针对农业领域中小麦和高粱田间的蚜虫危害以及植物病毒传播所导致的大量减产问题，提出了研发一种智能自主系统的紧迫性，该系统能够在复杂农作物冠层中定位和喷洒蚜虫，减少农药使用和环境影响。通过收集和标记了大量的蚜虫图像数据集，并提出使用实时语义分割模型来分割蚜虫簇群。生成了一个多尺度数据集，以便在不同尺度上学习这些簇群。通过将四种最新的实时语义分割模型与非实时模型进行比较，对蚜虫簇群数据集的分割速度和准确性进行了评估。研究结果表明了实时解决方案的有效性，可以减少农药的低效使用，增加农作物产量，为自主的害虫检测系统铺平道路。

Jul, 2023

本文提出了一种检测蚜虫集群的方法，通过使用机器学习模型和对象检测技术对图像进行分析，以准确地评估感染水平，精确定位并应用杀虫剂，以最大程度地提高农作物产量和避免环境污染和成本浪费。

Jul, 2023

使用深度学习模型检测蚜虫簇集，我们提出了一种新的方法来估计感染水平。通过对多麦科田野捕捉的 5,447 张图像中的蚜虫集群进行手动选择并进行注释，我们构建了一个庞大的数据集。然后，我们在该数据集上实施和比较了四种最先进的目标检测模型（VFNet、GFLV2、PAA 和 ATSS）的性能。结果表明，所有模型在平均精度和召回率方面都表现出稳定的相似性能。我们进一步提出合并紧邻簇集和去除由裁剪引起的小簇集的方法，使性能进一步提升约 17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并将该标注数据集公开提供给研究界。

Aug, 2023

该研究使用半监督学习方法，在只使用原始训练数据的 10％的情况下，实现了类似监督方法的高精度识别高粱穗的效果。

May, 2023

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

研究提出了一种集成检测网络和密度图估计网络的混合自动蚜虫计数网络架构，通过对比实验验证了该方法在计算蚜虫数量方面优于其他所有方法，提供了对甜菜田蚜虫引发的病毒黄病风险的有效预警，保护甜菜生长并确保甜菜产量。

Aug, 2023

本研究提出了一种精准农业方法，采用弱监督学习技术和点击输入，提出一种高效准确的离线工具 —— 全景一键分割法，它可以在降低标注数据成本的同时，有效地定位和分割所有的作物对象。在糖菜和玉米图像数据上的表现表明，我们的方法不仅与传统的一键分割法比拼，而且训练速度更快，使得我们能够将众多的边缘标记转化为面标记，从而有效地提高了模型的性能

Mar, 2023

农民在农产品产量期间面临的最大挑战之一是与昆虫害虫的斗争。为了解决这个问题并避免经济损失，需要及时采取预防措施，而这需要以简单而有效的方式鉴别昆虫害虫。本文对主要基于名为 IP102 的健壮数据集的迁移学习与微调，注意力机制和自定义架构等不同方法进行了广泛的实验，并展示了另一个数据集 D0 的示例来展示我们实验技术的健壮性。

Oct, 2023

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

机器视觉技术在农业等多个领域的精细分析有潜力进行转型。本文提出了一种层次式全景分割方法，用于同时识别植物生长的指标和图像中的杂草，并在此基础上探索了使该架构更紧凑适用于时间和计算受限应用的方法。通过更紧凑的架构，推理速度提升了 60％，PQ 得分降低不到 1％。

Oct, 2023