有机除草控制是提高农作物收益的可持续方法的关键所在。本文提出了一种专为有机农场设计的定向能量除草机器人原型。该机器人利用分布式阵列机器人 (DAR) 单元进行除草处理。对大豆和玉米数据库进行建模以训练深度学习神经网络进行除草识别。初始的深度学习神经网络在分类农作物方面表现出很高的性能。该机器人使用一种专利的有机除草配方，无紫外线 C (UV-C)，并且对土壤没有化学损害或物理扰动。深度学习可以在自然环境下对大豆田中的 8 种常见杂草进行高达 98% 准确率的分类。

May, 2024

使用 DeepWeeds 数据集，通过深度学习算法实现草地杂草物种的自动化分类，为澳大利亚大草原地区实现机器人除草控制提供了具有前景的技术支持。

Oct, 2018

通过卷积神经网络加入空间信息作为特征，实现了在复杂环境下农田杂草与作物的自动分割识别，并在实验中取得了优异的结果。

Jun, 2018

本文针对以减少除草剂使用量为目标的精准农业机器人的需要，提出了一种利用 RGB 数据进行基于 CNN 的作物分割和背景分类的方法，该方法利用植被指数实现实时分类，并且通过少量训练数据，可以在陌生的地块上进行有效的重新训练。在德国和瑞士的不同领域进行了实地测试，结果显示该系统的泛化能力很好，可在约 20Hz 的速度下进行在线操作，适合实际的农业生产。

Sep, 2017

设计并进行实验，展示了一款称为农业应用机器人 (AAR) 的轻型、太阳能电动的智能地面机器人，其使用智能感知进行植物的检测和分类，在半自主的情况下可以对低矮蔬菜进行各种操作，如除草、施肥、喷洒杀虫剂等，并提供了对未来研究的有用信息。

Aug, 2022

介绍了在 TrimBot2020 项目中开发的第一款可用于自动修剪灌木和修剪玫瑰花的户外机器人。

Apr, 2018

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

利用深度学习算法，自主监测麦田并提供病害检测报告的无人机系统，为解决麦类作物病虫害、提高农业效率提供了潜在解决方案

Jun, 2022

利用多光谱影像和人工智能的先进技术，本论文研究自动植物分割、可持续林业中植物清理的问题，提出了一种适应各种天气条件、植物变异、地形和杂草的自主系统。

Apr, 2024

利用基于无人机的高分辨率图像和计算机视觉技术，进行基于位置的玉米田杂草控制，以减少化学草 herbicides 的使用。

Jun, 2022