本文介绍了一种使用编码器-解码器串联卷积神经网络进行密集语义杂草分类的方法，以通过微型飞行器收集的多光谱图像减少损害周围植物的可靠而精确的杂草检测，训练不同数量通道的模型并在嵌入式GPU系统中进行部署。

Sep, 2017

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

这篇文章提出了用于精准农业领域的作物-杂草识别新数据集 CWD30，并基于该数据集进行了精细识别和深度学习实验。实验显示，该数据集有助于提高模型性能和减少训练资源浪费，是作物-杂草识别算法的基准。

May, 2023

通过使用机器操作结合时间跟踪的Sentinel-2图像生成高质量的数据集,并应用半监督分类、监督和自监督深度学习方法自动检测生产性农田, 以解决传统手动识别的耗时和错误。结果表明在高置信正样本学习中的高准确性, 并在没有完整标注数据集情况下使用对比学习等方法获得最佳性能。

May, 2023

通过比较不同的You Only Look Once (YOLO)架构，本论文研究了在棉花中对Amaranthus palmeri （Palmer杂草）进行的8个生长阶段的识别。识别组合了视觉和大小特征，提高了性能。成功的生长阶段检测凸显了通过开源目标检测架构来改进植物表型研究和杂草识别技术的重大机遇。

Jul, 2023

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

该研究介绍了如何利用生成敌对网络来生成农业喷雾系统中的液滴图像，并利用这些合成数据集发展了一个轻量级液滴检测模型，从而提高了平均准确度（mAP）达到了16.06%。这是第一个应用生成模型增强液滴检测的研究，对于优化喷嘴设计以构建高效喷雾系统，并解决各种精确农业任务中数据不足的共同挑战具有重要意义，为达到最佳和可持续的农业实践做出了重要贡献。

Feb, 2024

为精准农业中的计算机视觉任务提供包含语义标签的12,000张图像数据集，通过在合适的光照条件下模拟大豆作物和杂草的成长阶段、不同的土壤条件和随机的田地布局，将真实世界纹理和环境因素融入到程序生成过程中，提高合成数据的逼真度和适用性，从而有效地增加了农业机器学习模型的训练数据。

Mar, 2024

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

本研究解决了农业领域作物分类中模型解释性不足的问题。通过评估多种机器学习和深度学习方法，尤其是表现最佳的Xception模型，研究强调了选择合适模型和解释性在AI农业应用中的重要性。研究结果表明，Xception模型在准确性、模型大小和预测时间方面表现优异，提供了可用于提升农业管理策略的有价值见解。

Aug, 2024