基于生成式人工智能的图像数据增强的甜瓜水果检测与质量评估
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。
Oct, 2016
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
本文旨在研究计算机视觉和深度学习技术在农业方面的应用，特别是在果实采摘和贮藏后期，探索针对苹果这一易产生瑕疵的水果的缺陷检测问题，研究是否可以利用YOLOv3等深度学习方法对健康苹果和有缺陷苹果进行有效检测，提高农产品质量和生产效率。
May, 2020
本文介绍了基于计算机视觉技术的香蕉分类模型，可用于实现准确的香蕉品种识别和质量检测，从而帮助提高库存管理自动化和减轻手工劳动强度。经过对3064张香蕉图片数据集的训练，模型在香蕉品种和质量检测方面的准确性分别达到93.4%和100%。
Apr, 2022
通过使用深度学习中的 YOLOv3 模型，可以自动计算并分析产出树果，像甜樱桃的数量、大小和颜色等相关因素，该模型的准确度高达99%。
Feb, 2023
通过VFMs进行水果检测，开发了适应不同果园条件的水果检测系统，并推出了MetaFruit数据集，该数据集在农业技术和机器人收获领域创造了新的基准，以解决农业部门的紧迫需求。
May, 2024
本研究解决了草莓成熟阶段准确识别的问题，以优化产量管理和害虫控制。通过评估YOLOv8模型配置，发现YOLOv8n模型在分割准确性和推理速度上表现最佳，mAP达到80.9%，处理速度为12.9毫秒。这一研究结果展示了先进物体分割算法在开放农业中解决复杂视觉识别任务的潜力。
Aug, 2024
本研究针对开放环境中草莓在成熟阶段的准确识别问题，评估了不同YOLOv8模型配置的性能。研究发现，YOLOv8n模型在分割精度上表现优越，平均准确率达到80.9%，且推理速度最快，为开放农业视觉识别任务提供了有效解决方案。
Aug, 2024
本研究解决了传统甜橙叶病害检测方法效率低且易出错的问题，通过采用YOLOv8这一先进的人工智能模型，提供了一种更为迅速和高效的检测手段。研究结果显示，YOLOv8和VIT的高准确率不仅提高了农业病害管理的有效性，还有助于减少农药使用，促进可持续农业发展。
Sep, 2024