本文提出了一种深度学习算法Triple-S Network，用于同时对越橘进行分割和计数，以帮助预测产量和日照情况，并且利用低成本中心点注释监督方法。作者通过引入三个损失函数对其进行优化，获得比同类算法更好的分割结果和计数结果，同时提供了最大的陆地越橘图像数据集CRAID用于算法评测。

Apr, 2020

本研究使用UAV和深度学习技术进行树木监测，特别是在洪水淹没区域中探测树冠和倒伏的树木，获得了一定效果，因此可以考虑将其推广应用。

Apr, 2022

本研究探讨了在森林环境中基于视觉的分割是自主林业操作（如伐树和前进）的关键功能之一。在本研究中，我们提出使用模拟森林环境来自动生成具有像素级注释的43k真实合成图像，并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集训练的模型在真实数据集上的有效性，证明了模型的迁移学习能力。

Oct, 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

本研究针对农业应用中的图像分割问题，通过结合RGB和NDVI作为输入，比较了不同的融合方法在作物行检测中的效果，研究发现，传统的边缘检测和阈值法等经典分割方法在需要精确的前景-背景分离任务中具有竞争力，融合策略中的后期融合表现为最有效的方法，在不同的分割场景中展现出卓越的适应性和效果。

Jul, 2023

视觉在农业中发挥着重要作用，研究和应用You Look Only Once (YOLO)在农业领域的物体识别能够实现实时监测、自动化监视和物体处理，减少劳动力、生产成本和环境影响，同时最大限度地提高资源效率。

Jan, 2024

该研究使用深度学习模型推进了激光雷达数据中的个体树冠分割，适用于不同的激光扫描类型：机载（ULS），地面（TLS）和移动（MLS）。它解决了3D森林场景分析中在不同数据特征之间的可转移性挑战。研究评估了模型在平台（ULS，MLS）和数据密度上的性能，测试了包括稀疏版本在内的五种输入数据情景，以评估其适应性和冠层功效。该基于PointGroup架构的模型是一个具有语义分割和实例分割两个独立头部的3D CNN，在各种点云数据集上得到了验证。结果表明，点云稀疏化能提高性能，有助于稀疏数据处理，并改善对密集森林中的检测。该模型在每平方米大于50个点的密度下表现良好，但在每平方米10个点的情况下性能较差，由于漏掉的比例更高。它在检测率、漏掉率、错误率和F1分数方面优于现有方法（如Point2Tree，TLS2trees），并在LAUTx、Wytham Woods和TreeLearn数据集上设立了新的基准。总之，该研究显示了一种对于不同激光雷达数据的无感知模型的可行性，超越了传感器特定方法，并在树木分割中树立了新的标准，特别是在复杂森林中。这对于未来的生态建模和森林管理的进步做出了贡献。

Jan, 2024

通过使用UAV监测森林环境的变化，本研究介绍了一个新的大型航拍数据集，用于森林巡视任务，该数据集包含了真实和虚拟记录的自然环境，密集标注的语义分割标签和深度图，并研究了不同采集条件下多尺度神经网络的性能以及从虚拟数据到真实数据的迁移学习能力，结果表明，最佳结果来自于包含多种情景的数据集，而非将数据按特定类别分离。还开发了一个评估地区森林破坏程度的框架。

Mar, 2024

本文解决了在激光扫描数据中自动检测树木轮生的问题。通过应用一个基于姿态估计的深度学习模型，研究展示了如何从点云数据中精确识别树木的关键特征，揭示了树木生长模式和木材质量的新见解，具有潜在的生物标记功能，对林业价值链管理具有重要影响。

Sep, 2024

本研究解决了辐射松树手动修剪中存在的安全隐患问题，提出了一种无人机修剪系统，通过立体视觉相机和深度学习算法实现准确的枝条检测与距离测量。研究结果表明，该系统显著提高了修剪的安全性和效率，同时推动了无人机技术在农业和林业自动化中的应用，为环境管理创新奠定了基础。

Sep, 2024