- 探究无需训练标签的端到端农田边界映射模型对小农户边界的应用
利用 2 米分辨率的 SkySat 卫星图像，本研究探讨了使用 Segment Anything Model（SAM）在印度比哈尔邦无需额外训练的情况下勾勒农田边界。结果表明，SAM 正确识别了约 58% 的田地边界，与需要大量训练数据的其 - 稻草人监控系统：运用 MobileNet SSD 加强动物监督
通过机器学习、深度学习和计算机视觉技术，该研究旨在应用 MobileNet SSD 模型进行实时动物分类，以解决农业领域野生动物对作物的威胁，通过智能稻草人与目标检测的无缝集成，为精准农业提供了一种健壮的解决方案。
- 半自监督域适应：利用有限标注数据开发小麦穗分割的深度学习模型
利用深度学习方法，通过半自我监督域适应技术在精确农业领域实现农作物图像的自动化标注，以及在不同环境条件下适应性强的解决方案，以推动先进技术在农业领域的广泛应用。
- 马铃薯品种的预测分析
应用机器学习算法预测 Russet 土豆克隆体在育种试验中的适应性，并通过使用来自 Oregon 州手动收集的试验数据，分析数据集的预处理、特征工程和缺失值插补等方面，论文结果强调了机器学习在土豆品种选择过程中的潜力和在决策中应用先进技术的 - 基于深度学习的超低功耗袖珍无人机害虫监测系统
智慧农业和精确农业是高效和可持续农业的革命性技术，该研究提出了一种新的垂直集成解决方案，利用微型无人机作为智能传感器来检测农作物的有害虫，运行深度学习模型以轻量级和准确的方式进行虫害检测。
- 为基于视觉的农业应用生成多样化农业数据
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 - 通过神经辐射场在温室中探索准确的 3D 表型
通过使用神经辐射场的学习方法，本研究在温室环境中实现了辣椒植株的准确原位表型鉴定，结果表明此学习方法具有与 3D 扫描方法相近的准确性，且具备可扩展性和鲁棒性。
- 神经网络用于创建化肥管理区域的反事实分析
本研究提出了一种基于化肥响应的管理区（MZ）聚类方法，通过使用卷积神经网络（CNN）生成所有田地内的 N 响应曲线，并利用函数主成分分析对其进行特征化。结果显示，对于 MZ 成员资格影响最大的特征与地形特性相关，例如地势坡度或地势方位等，这 - 利用生成对抗网络增强的液滴分析
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 - 基于多条件生成对抗网络的时间变化生成图像的数据驱动作物生长模拟
基于图像的作物生长建模可通过展示随时间变化的空间作物发展情况，为精确农业做出重要贡献。我们提出了一个两阶段的框架，包括图像预测模型和生长估计模型，可以独立进行训练，并允许模拟多种生长影响因素依赖的时间变化的人工图像，从而进行作物表型分析。该 - 昆虫基础：用于视觉昆虫理解的基础模型和大规模百万级数据集
通过引入一种名为 “Insect-1M” 的新型数据集，本研究旨在为虫类相关的基础模型训练提供资源，并通过微特征自监督学习方法和相关注意机制来提高昆虫图像建模效果，通过介绍一种描述一致性损失来改善微特征建模，从而在昆虫相关任务的标准基准上实 - 农业精密种植：利用机器学习和 Sentinel-2 卫星图像进行作物映射
本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方 - 能否识别作物？通过卫星图像生成精准农业的作物类型地图时，量化语义分割基础模型的零样本性能
全球气候变化对农业产生越来越大的影响，因此为了解决粮食生产中日益增长的挑战，最前沿的管理策略，如精确农业，为农民和决策者提供丰富而实用的信息，以提高农业实践的效率和可持续性。本文研究了 Meta AI 公司的 Segment Anythin - TDiffDe：一种用于遥感高光谱图像去噪的截断扩散模型
本研究提出了一种被称为 TDiffDe 的截断扩散模型，用于逐步恢复高光谱图像中的有用信息，从而解决由于传感器设备和成像环境引起的噪声问题。
- ChatGPT 在精准农业数据分析中的应用
本研究主张将 ChatGPT 集成到精确农业自动传感器的数据处理管道中，以增强现代农业实践的各个方面，并为政策制定者提供更直观、自然的方式与农业数据处理系统进行交互，从而实时分析和解释农业数据并向利益相关者提供建议。
- S$^3$AD：果园环境中的半监督小苹果检测
本研究提出了一种半监督的小苹果检测系统 (S^3AD)，通过利用大型高分辨率数据集 MAD，基于上下文关注和选择性平铺的方法，解决了水果检测中小型水果检测的困难，同时限制了计算开销，并在评估中表现出了明显优势。
- 利用神经辐射场进行植物高保真度三维重建
精准农业领域的重要问题之一是植物表型的准确重建。最近，神经辐射场（NeRF）方法在 2D 新视图图像合成和 3D 农作物和植物模型重建方面表现出出色的性能，但在农业环境中尚未深入研究。本研究通过两种最先进的方法 Instant-NGP 和 - SugarViT -- 基于视觉 Transformer 和深度标签分布学习的无人机图像多目标回归在甜菜病害严重性预测中的应用
通过远程遥感和人工智能技术，本文介绍了一种用于大规模病害严重程度评分的自动化机器学习框架，结合了深度标签分布学习、特殊损失函数和定制模型架构的 SugarViT 模型。同时，本框架还可以适用于各种基于图像的分类和回归任务。
- 利用深度学习方法从无人机图像中识别玉米植株异常
该研究通过使用深度学习技术，分析无人机拍摄的图片，自动识别玉米植株中的异常区域并分类成低、中、高或无异常。研究旨在能在最早的阶段识别异常，以最大化潜在治疗的有效性。同时，该系统为人工标注员提供宝贵的信息，帮助他们只关注一小部分图片进行真实数 - 基于 ChouBERT 方法的推文中植物健康威胁的命名实体识别
精准农业应用领域中，使用传感器和数据分析技术检测和测量作物健康威胁是一个重要的应用场景。然而，由于缺乏标注数据和细粒度的语义资源，文本数据在现有解决方案中仍未得到充分探索。最近的研究表明，农民的日益连接性和在线农业社区的出现使得类似 Twi