文章目錄

• 1. 深度學習
• • 1.1 圖像分類
  • • 1. A Neural Network Method for Classification of Sunlit and Shaded Components of Wheat Canopies in the Field Using High-Resolution Hyperspectral Imagery
    • 2. Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks
    • 3. Data augmentation for automated pest classification in Mango farms
    • 4.Data augmentation for automated pest classification in Mango farms
    • 5. An attribution-based pruning method for real-time mango detection with YOLO network
    • 6. Predicting pasture biomass using a statistical model and machine learning algorithm implemented with remotely sensed imagery
    • 7.Irrigation water infiltration modeling using machine learning
    • 8. Short term soil moisture forecasts for potato crop farming: A machine learning approach
    • 9. Wild blueberry yield prediction using a combination of computer simulation and machine learning algorithms
    • 10. Citrus advisory system: A web-based postbloom fruit drop disease alert system
    • 11. Automated crop plant counting from very high?resolution aerial imagery
    • 12. EfficientNet-B4-Ranger: A novel method for greenhouse cucumber disease recognition under natural complex environment
    • 13.Automatic vegetable disease identification approach using individual lesion features
    • 14. Comparison of convolution neural networks for smartphone image based real time classification of citrus leaf disease
  • 1.2 語義分割
  • • 1. Establishing a model to predict the single boll weight of cotton in northern Xinjiang by using high resolution UAV remote sensing data
    • 2. Tomato leaf segmentation algorithms for mobile phone applications using deep learning
    • 3. Biophysical parameters of coffee crop estimated by UAV RGB images
    • 4. Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques
    • 5. Accuracy of carrot yield forecasting using proximal hyperspectral and satellite multispectral data
    • 6. Evaluation of cotton emergence using UAV-based imagery and deep learning
    • 7. Deep learning techniques for automatic butterfly segmentation in ecological images
    • 8. Improving segmentation accuracy for ears of winter wheat at flowering stage by semantic segmentation 利用語義分割提高冬小麥穗開花期的分割精度
  • 2.3 目標檢測
  • • 1. Brown rice planthopper (Nilaparvata lugens Stal) detection based on deep learning
    • 2. Identification of olive fruit, in intensive olive orchards, by means of its morphological structure using convolutional neural networks
• 2. 機器學習
• • • 1. A random forest ranking approach to predict yield in maize with uav-based vegetation spectral indices
• 3. 其他
• • • 1. DropLeaf: A precision farming smartphone tool for real-time quantification of pesticide application coverage
    • 2. Underutilised crops database for supporting agricultural diversification
    • 3. Replacing traditional light measurement with LiDAR based methods in orchards
    • 4. A cyber-physical intelligent agent for irrigation scheduling in horticultural crops
    • 5. Biophysical parameters of coffee crop estimated by UAV RGB images
    • 6. A satellite-based ex post analysis of water management in a blueberry orchard
    • 7.A 3D white referencing method for soybean leaves based on fusion of hyperspectral images and 3D point clouds
    • 8. Assessing winter wheat foliage disease severity using aerial imageryacquired from small Unmanned Aerial Vehicle (UAV)

1. 深度學習

1.1 圖像分類

1. A Neural Network Method for Classification of Sunlit and Shaded Components of Wheat Canopies in the Field Using High-Resolution Hyperspectral Imagery

總結： 這篇論文運用的是圖像分類的方法。線性判別分析（LDA），以找到表征預選類別（陰影葉片（SHL），陰影耳朵（SHE），陽光葉片（SL），陽光耳朵（SE）和背景（ BG） 的特征的線性組合。. RGB數據由620 nm（紅色），535 nm（綠色）和445 nm（藍色）三個波段組成。帶注釋的數據是從不同作物生長階段的23個小麥品種的高光譜圖像中收集的。SL，SE，SHL，SHE和BG的5類注釋數據的總數分別為119,447、164,223、11,644、4361和227,232像素（這個地方應該是指照片）。使用了平均準確度（AA），F評分和召回評分，將CNN模型與梯度下降和支持向量機分類進行了比較。 優點：該研究由實際的拍攝裝置，有充分的大田實驗和較大的數據集。缺點：看完這篇論文不知道解決了一個什么樣的實際問題。參考價值：2分。

2. Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks

總結： 在整個研究過程中，七個不同的預先訓練的CNN模型(VGG-16, VGG-19, ResNet-50，開端- v3，Xception、MobileNet、SqueezeNet)使用適當的遷移學習和微調策略，對40個類的公開D0數據集進行了修改和再培訓。隨后，通過最大概率和策略對性能最好的三個CNN模型Inception-V3、Xception和MobileNet進行集成以提高分類性能，該模型被命名為SMPEnsemble。然后，利用加權投票的方法對這些模型進行整合。遺傳算法綜合考慮三個CNN模型的成功率和預測穩定性，確定權重，模型命名為GAEnsemble。GAEnsemble在D0數據集上獲得了98.81%的最高分類精度。為了增強集成模型的魯棒性，在不改變D0上初始性能最好的CNN模型的情況下，使用另外兩個數據集，即10類的小數據集和102類的IP102數據集重復這個過程。的準確性GAEnsemble的值為95.15%的小數據集和67.13%的IP102。優點： 不突出，論文很普通。 缺點：數據集小。參考價值： 2分。

3. Data augmentation for automated pest classification in Mango farms

總結：本文提出了一種先進的機器學習(ML)技術，用于分析大規模芒果田，并使用計算機視覺和深度學習技術識別生物威脅的發生。本文提出的ML技術擴展了預先訓練好的VGG-16深度學習模型，用一個兩層的全連接網絡訓練來補充最后一層。此外，本研究也考慮到印尼農民在收集和處理芒果農場的視覺信息時所面臨的實際操作條件。有效訓練深度學習網絡的數據集可用性的稀疏性是通過應用數據增強過程來解決的，該過程能夠準確地重現農民所面臨的條件。在驗證數據集和測試數據集上，本文提出的訓練方案的總體準確率分別為73%和76%。應用增廣變換函數后，測試數據的精度提高了13.43%。

4.Data augmentation for automated pest classification in Mango farms

總結：芒果蟲害分類框架，該框架由15個類別組成，根據對VGG-16網絡的改進，劃分16類害蟲和健康葉片。提出的ML技術擴展了預先訓練好的VGG-16深度學習模型，用一個兩層的全連接網絡訓練來補充最后一層。有效訓練深度學習網絡的數據集可用性的稀疏性是通過應用數據增強過程來解決的，該過程能夠準確地重現農民所面臨的條件，并實時接收可能影響芒果生產的害蟲類別的分類輸出。優點：最后開發了一個基于安卓的APP。缺點：我不知道。個人感覺沒什么亮點，也只有一個網頁界面，并沒有說開發的APP解決了什么問題。參考價值：3分。

5. An attribution-based pruning method for real-time mango detection with YOLO network

總結：該研究提出了一種易于微調的剪枝檢測網絡廣義歸因方法檢測芒果。通過設計信道和空間掩碼來推廣歸因方法，可以檢測出原始YOLOv3-tiny網絡中與特定目標輸出緊密相關的卷積核。然后，對不相關的核進行逐層的通道維剪枝。在對修剪后的網絡進行微調之前，采用錨點大小、數據增強和學習率衰減來檢測芒果。實驗結果表明，得到的網絡是一個規模和旋轉不變的芒果檢測網絡，在2.6 GFLOPs (giga-浮點運算)下獲得了f1得分0.944。與未進行剪枝的精調網絡相比，我們的網絡計算量減少了68.7%，而準確率提高了0.4%。與使用相同mango數據集訓練的最先進網絡相比，該算法的計算量減少了83.4%，精度損失僅2.4% 左右。所提出的剪枝方法可以從大規模檢測網絡中剝離一個子網，以滿足移動設備低功耗處理器的實時性要求，例如ARM Cortex-A8執行約4.0 GFLOPS (giga-浮點運算每秒)。訓練過的網絡和測試代碼可供比較研究**。優點**：這篇論文是2019年7月就投稿了。提出了微調和剪枝。缺點： 奇怪的是說是芒果檢測，但我沒有找到論文中的芒果數據集，也沒有大田實驗。更像是一篇一般的工學論文想發到農學不錯的期刊。參考價值：2分，和我們做的差不多，但沒我們做的好。

6. Predicting pasture biomass using a statistical model and machine learning algorithm implemented with remotely sensed imagery

總結：本研究的目的是測試一個集成方法的性能結合獲得的遙感圖像與多光譜相機安裝在無人機(UAV),統計模型(GAM全面相加模型)和機器學習算法(隨機森林,RF)實現與公開的數據來預測未來的牧草生物量的負載。本研究表明，利用草地生長觀測、環境變量和草地管理變量，GAM和RF兩種模型均可預測放牧前草地生物量產量，平均誤差在20%以下。優點：該論文有實際的天氣數據，施肥數據以及無人機飛行數據。缺點：只有訓練集和測試集。沒有用新的方法。參考價值 ：2分。

7.Irrigation water infiltration modeling using machine learning

總結：本研究提出了五個標準的人工智能模型包括人工神經網絡(ANN),自適應神經模糊推理系統(ANFIS) 分組的數據處理方法(GMDH) , 多元線性回歸和**支持向量回歸(SVR)以及它們的綜合模型結合螢火蟲算法（FA)**預測溝中的滲透水的灌溉系統。在構建綜合模型時，FA是一種優化工具。評估這些模型的數據是收集自發表的文獻和在伊朗科曼斯布克大學研究農場進行的實地實驗。模型的輸入參數為溝長(L)、入滲速率(Q)、溝尾提前時間(TL)、入滲橫斷面面積(Ao)和入滲機會時間(To)。采用均方根(RMSE)、平均絕對誤差(MAE)、相關系數(R2)、Nash-Sutcliffe效率指數(NSE)和一致性指數(IA)對模型的預測效果進行評價。結果表明，FA能夠提高模型的精度，在ANFIS、GMDH、MLPNN和SVR中RMSE值分別提高5%、1%、4%和47%。綜合綜合指數(SI)的計算值表明，SVR和FA的結合顯著提高了標準SVR模型的性能達97%。優點：用了多種模型以及FA算法預測水的灌溉系統。缺點：沒有顯示數據集大小。參考價值：3分。

8. Short term soil moisture forecasts for potato crop farming: A machine learning approach

總結：這篇論文介紹了使用傳感器利用3年的數據，在多種場景下進行了實驗。3個土壤深度，每年測10次。和天氣變化數據以及參考了其他文獻的數據。。優點：豐富的實驗數據。缺點：相比大數據而言，數據還是少了。用的方法為特征提取，支持向量機以及神經網絡。參考價值：3分。

9. Wild blueberry yield prediction using a combination of computer simulation and machine learning algorithms

總結：這項研究中，我們使用的數據產生的野生藍莓傳粉模型是一種空間顯式的模擬模型，通過近30年美國緬因州的野外觀測和實驗數據驗證了該模型（仿真模型）的有效性。本研究的主要目的是評價蜜蜂種類組成和天氣因子在調節野生藍莓農業生態系統中的相對重要性。具體來說，我們試圖揭示蜜蜂種類組成和天氣如何影響產量，并預測最佳產量。利用計算機模擬和機器學習算法實現最佳產量的蜜蜂種類組成和天氣條件。多元線性回歸(MLR)、增強決策樹(BDT)、隨機森林(RF)和極端梯度增強(XGBoost) 作為預測工具進行評估。在向學習算法提交數據之前，我們還進行了預測器選擇。這樣，我們就可以在不顯著降低預測精度的情況下減少輸入的維數。結果表明，無性系大小、蜜蜂、大黃蜂、雄蜂種類、雌蜂種類、最高高溫范圍、降水日數是預測結果的最優變量。結果表明,XGBoost優于其他算法在所有措施模型預測性能的野生藍莓的收益率達到確定系數(R2) 0.938,均方根誤差(RMSE)為343.026,206年的平均絕對誤差(MAE)和相對均方根誤差的5.444%。優點：用了的仿真模型。缺點：方法上沒覺得有創新。參考價值：4分。

10. Citrus advisory system: A web-based postbloom fruit drop disease alert system

總結：PFD（橘子采后病）可能會導致柑桔花后落果是柑桔的一種嚴重真菌病，可導致果實過早脫落。該研究開發一個基于網絡的工具，以協助柑橘種植者為管理PFD風險的噴霧決策。信息技術如數據庫、查詢和編程語言已經被用來開發這個工具。該系統從佛羅里達自動天氣網絡(FAWN)和農業氣候研究小組安裝的氣象站收集天氣數據，并使用天氣觀測運行PFD疾病模型，并估計環境對感染的有利程度。該系統向農民發送通知并根據不同的PFD風險和花期推薦使用殺菌劑。首先描述天氣數據源，葉片濕度模型和葉片濕度決策算法。 最后，我們介紹了如何使用信息技術來提供允許用戶輕松訪問系統的解決方案。優點：做了網頁界面。該系統目前已在佛羅里達州使用，但作者的目標是將其地理擴展到美國其他柑橘種植州。缺點：方法很普通，相當于就是利用氣候數據區模擬葉片濕度模型，然后在PFD模型計算時間間隔指數，當分生孢子萌發指數達到一定閾值時，就會促發噴霧，達到預防PDF的目的。參考價值：4分。我們有天氣數據可以做什么預測？

11. Automated crop plant counting from very high?resolution aerial imagery

總結：在這項研究中，提出了一種自動方法，用于從超高分辨率無人機圖像中對植物進行計數。擬議的方法使用機器視覺-過量綠色指數和大津的方法-并使用卷積神經網絡進行轉移學習以識別和計數植物。集成方法已被實施，以在表面積為3.2公頃的實驗田中對10周齡的菠菜植物進行計數。植物計數的驗證數據可用于表面積的1/8。結果表明，所提出的方法論可以在面積達172 m2的區域中以8 mm /像素的空間分辨率對植物進行計數，準確度為95％。此外，當空間分辨率降低50％時，獲得的最大附加計數誤差為0.7％。最終，在3.5公頃的面積中計算出170,000株植物的總誤差為42.5％。研究表明，使用基于無人機的現成產品對單個植物進行計數是可行的，并且通過機器視覺/學習算法，可以將圖像數據轉換為非專家的實用信息。優點：工作做的挺好的。做了很多的大田實驗也有實際數據。邏輯合理。缺點：方法用的是AlexNet和遷移學習，較為一般。參考價值：3.5分。

12. EfficientNet-B4-Ranger: A novel method for greenhouse cucumber disease recognition under natural complex environment

摘要:在這項研究中，我們的主要任務是找到一種有效的方法來解決同一葉片中發生的兩種疾病和外界光的影響所導致的疾病相似性問題。首先，我們在自然復雜的溫室背景下獲得了黃瓜葉片疾病數據集，其中不僅包括白粉病，霜霉病，健康葉片，還包括白粉病和霜霉病的組合。其次，我們使用當前最先進的方法E?cientNet為上述四種類型建立分類模型，模型精度為97％，并證明E?cientNet-B4是最適合本研究的方法。最后，我們使用經過最先進的優化程序Ranger改進的E ? cientNet-B4構建了黃瓜相似疾病的兩個分類模型，獲得了出乎意料的準確性（96％）。方法：CNN。基于上面的相關工作,我們選擇EfficientNet模型作為疾病分類研究的方法,并選擇當前典型深VGG等學習方法 ,ResNet, AlexNet, Ierception v4, SqueezeNet, DensenNet 比較模型進行分類研究類似的疾病cu-cumber葉子參與這項研究。本研究的目的是:
?1. 探索自然和復雜環境下溫室黃瓜病害(主要包括PM、DM、PD和健康葉片)的有效分類方法。
2. ?利用目前最先進的優化器(Ranger)對目前最先進的EfficientNet模型進行改進，并將其應用于相似性高的DM和PD黃瓜病的重新認識。
3. ?探討植物病害鑒定與分類在未來可能面臨的挑戰和機遇。
數據集來源：一天中拍攝到5000多張的4種類型病蟲害樣本。通過強化學習將數據集總數增加到了2萬張。訓練集、驗證集、測試集比例為8：1：1.
個人總結: 這篇論文就是采用EfficientNet模型對黃瓜葉片混合蟲害進行分類。工作做的可以。結構合理。方法一般。

13.Automatic vegetable disease identification approach using individual lesion features

總結：本研究提出了一種從單個褪綠和壞死病變中提取局部特征的方法，最大限度地減少特征冗余和向量大小。顏色一致性載體(CCV)，一個特征，描繪不同的同質模式相對于疾病進展是從褪綠區域提取。另一方面，從壞死區域提取局部二值模式(LPB)。將這些單個的病變特征連接起來，形成用于疾病識別的病理特征向量，從而使特征大小最小化，并避免處理表面描述符的可能性。為了驗證所提方法的有效性，我們使用不同的傳統分類器（支持向量機、樸素貝葉斯、KNN）來測試這些特征在精確分類植物病害時的質量和效率。結果表明，該方法在所有案例中均獲得了較高的準確率和召回率，召回率超過99%，與其他文獻報道的方法相比，準確率有所提高。AlexNet的最后三個完全連接的層被修剪，并被新的層所取代，這些層將劃分為EB、LB和HL三個等級。這樣，來自其他層的特征就被保留了，也就是，轉移的層權重。然而，新層的權重和偏差增加了10倍,學習速度變快。ResNet與AlexNet遷移學習中應用的過程類似，這一層和輸出層都被新的層取代，輸出的數量等于疾病類別的數量。然而，在這種情況下，當較早的層的權值被重新初始化時，網絡的前十層的權值通過將其學習速率設置為0而被凍結。這加快了網絡訓練，因為這些層中的梯度不會更新。結論：單個褪綠和壞死疾病區域模式的使用導致產生有效的病理特征描述符，使特征向量長度最小化，并改進了識別結果。此外，在只有4個顏色特征的情況下，SVM分類器能夠達到99.33%的整體精度，AUC為0.99。在總共15個特征描述符中，僅使用7個子集也獲得了類似的結果。這強烈地強調了將疾病區域定位為褪綠和壞死的重要性，以及CCV的顏色時刻在疾病鑒定中的重要性。

個人總結：方法上沒有創新，結構合理，邏輯也合理。參考

14. Comparison of convolution neural networks for smartphone image based real time classification of citrus leaf disease

總結：專家通過使用農業實驗室或觀察視覺癥狀幫助農民診斷柑橘疾病。由于專家的費用和沒有實驗室，這些方法可能不是所有農民都能得到。本研究比較了兩種不同的卷積神經網絡(CNN)結構來對柑橘葉片的病害進行分類。本文采用兩種CNN體系結構，即MobileNet和自結構(Self-Structured, SSCNN)分類器，對柑橘植物期葉片病害進行檢測和分類。該研究準備了一個基于柑橘疾病數據集的智能手機圖像。兩個模型都在同一個柑橘數據集上進行了訓練和測試。分別利用訓練集和驗證集的精度和損失來評估模型的性能。MobileNet CNN的最佳訓練精度為98%，在epoch 10的驗證精度為92%。但SSCNN在epoch 12的最佳訓練精度為98%，驗證精度為99%。結果表明，基于智能手機圖像的SSCNN算法對柑橘葉片病害分類具有較高的準確率和實用性。此外，與MobileNet相比，SSCNN算法的計算時間更短，可以被認為是一種經濟有效的柑橘病害檢測方法。

1.2 語義分割

1. Establishing a model to predict the single boll weight of cotton in northern Xinjiang by using high resolution UAV remote sensing data

總結：利用無人機獲取的多時相高分辨率可見光遙感數據，建立了單鈴重量預測模型。對新疆昌吉、石河子和沙灣地區29塊農田的開花期和鈴期遙感數據進行了研究。在每個田間選取5個半徑為1 m的圓形區域作為地面調查區，采集棉鈴樣本。作為模型的因變量，利用全卷積神經網絡對遙感圖像進行像素級語義分割，提取圖像中的棉花段，消除土壤像元對模型精度的影響。相關分析是由結合VDVI (可見頻帶植被指數) 在開花和結鈴階段,VDVI棉子開放階段,VDVI吐絮領域(FCN提取)和RGB值,然后使用最小二乘線性回歸和BP神經網絡模型對上,中間,低棉層計算調查地區平均單鈴重。隨后，進行K-fold交叉驗證以評估結果。結果表明，最小二乘線性回歸結果(R2 = 0.8162)與BP神經網絡(R2 = 0.8170)幾乎相等。開花期和結鈴期的面積開鈴率和VDVI與上部單鈴重高度相關。本研究提出了一種實現單鈴重大規模預測的方法，為棉花產量預測和育種篩選提供了新的思路。優點： 有大田實驗和專門的設備。缺點：數據量不大，工作量也不大。就是用了無人機跑了一周得到的數據。然后用了測定了不同參數與單鈴重量的相關系數，確定他們之間的相關性，達到預測產量的目的。參考價值：3分。，為本研究收集了1408張具有挑戰性的葉片圖像。由于以下幾個原因，本研究獲得的結果是新穎的:(1)我們已經證明,準確自動背景去除葉子圖像捕獲使用FCNNs場條件下是可能的,(2)我們已經表明,語義分割網絡可以用來執行實例分割對象的一個實例提供目標主導圖像即使圖像包含其他相似但不太突出對象。

2. Tomato leaf segmentation algorithms for mobile phone applications using deep learning

摘要：在本文中，我們提出全卷積神經網絡來執行在移動應用程序中捕獲的葉子圖像的自動背景減法。在移動應用程序中使用在這種情況下，目標葉片通常會主導農民拍攝的圖像。葉子也會被包圍通過各種背景特征，包括其他葉、莖、果實、土壤和覆蓋物。分割網絡的目標是去除這些背景特征，從而只保留目標葉片。為了訓練和測試提議的網絡，準備了一個代表這種情況的數據集。它由1408個番茄葉片圖像組成。所提出的技術取代了競爭的背景減法算法，但不需要用戶干預，也不限制目標葉片的方向，形狀或照明。此外，所有CNN模型能夠在GPU上運行時在0.12秒內對256x256像素的RGB圖像執行分割，在CPU上運行時在2.1秒內執行分割；這比任何競爭技術都快得多。
結論：我們研究已經表明,語義分割網絡可以用來執行實例分割對象的一個實例提供目標主導圖像即使圖像包含其他相似但不太突出對象。本文還對兩種損耗函數在像素分類層的性能進行了評估。我們已經報道過GDL優于交叉熵損失，并執行更干凈的掩模邊界。提出網絡實現超過0.96 mwIoU 0.91 mBFScore儲備測試集。具體地說,我們提出設計KijaniNet得分0.9766 mwIoU和0.9439 mBFScore儲備測試集,我們知道沒有其他研究現有文獻中,產生類似的結果在葉子圖像分割任務。
總結： 我個人不知道這個的難度，看起來也不是很難的樣子。但作者的描述而言，他好像是第一個做這個的人。參考價值：4分。

3. Biophysical parameters of coffee crop estimated by UAV RGB images

總結：這項工作旨在評估使用SfM點云的攝影測量技術的準確性，該點云用于通過無人機用RGB（紅色，綠色，藍色）獲得的航拍圖像估算咖啡樹的高度（h）和樹冠直徑（d）相機并將結果與??12個月現場測量的144棵樹的數據進行比較。旋翼無人機用于自動飛行模式，并與常規相機連接，以30m的高度飛行，圖像重疊率為80％，速度為3m / s。使用PhotoScan軟件處理圖像，并在Qgis中進行分析。在野外獲得的h值與通過無人機獲得的h值之間的相關性為87％，在野外獲得的d值與通過無人機獲得的值之間的相關性為95％。使用通過RGB數碼相機獲取的UAV–SfM圖像，可以獲得諸如咖啡樹的h和d之類的屬性的大量估計值。優點：有一年的數據。缺點：他這個咖啡樹的高度和樹徑的評估預測，不能概括為是生理數據這么大范圍。用的分析方向是相關性分析。參考價值：2分。

4. Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques

總結：通過結合植被指數（VI）來感知作物的健康狀況并通過計算機視覺獲得植被分數覆蓋率（Fc）來預測最終產量，以衡量植物的活力。從無人飛行器（UAV）獲得的多光譜圖像可用于獲取VI和Fc，并與人工神經網絡（ANN）一起使用，以對VI，Fc和產量之間的關系進行建模。所提議的方法被應用在葡萄園中，在該葡萄園中使用了不同的灌溉和施肥劑量。結果表明，在精密的葡萄栽培中，使用計算機視覺技術區分冠層和土壤是獲得準確結果的必要條件。此外，結合使用VIs（反射法）和Fc（幾何法）來預測葡萄園的產量會帶來更高的準確性（均方根誤差（RMSE）= 0.9千克藤蔓-1和相對誤差（RE）= 21.8％）與接近使用VI相比（RMSE = 1.2 kg vine-1和RE = 28.7％）。機器學習技術的實施比線性模型（RMSE = 0.5 kg vine-1和RE = 12.1％）產生的結果更準確。優點：該研究有一年生理實驗的多個處理數據，大量的大田實驗與對照實驗來檢驗無人機拍攝的圖片預測葡萄產量的結果。邏輯清楚，結構合理。缺點：運用的方法在計算機方面確實不新。參考價值：4分。

5. Accuracy of carrot yield forecasting using proximal hyperspectral and satellite multispectral data

總結：近端和遠端傳感器已經證明了它們對許多不同作物的一些生物物理和生物化學變量的估計，包括產量的有效性。對它們在蔬菜作物中的準確性評價是有限的。本研究探討了近端高光譜和衛星多光譜傳感器(Sentinel-2和WorldView-3)在不同作物配置、季節和土壤條件下對胡蘿卜根產量的預測精度。采集了澳大利亞西澳大利亞州(WA)、昆士蘭州(Qld)和塔斯馬尼亞州(Tas) 24個田414個樣點的地上生物量(AGB)、冠層反射率和相應的產量測量值。以不同植被指數(VIs)與產量的總決定系數(overall determination coefficient between yield and different vegetation index, VIs)最高為最佳傳感器(高光譜或多光譜)，以線性和非線性模型為最佳傳感器(linear and nonlinear models)，確定最佳傳感器(VIs)及其對空間分辨率的影響。每個區域的最佳回歸擬合用于將點源測量值外推到每個采樣作物的所有像素，從而產生一個預測產量圖，并估計作物水平上的平均胡蘿卜根產量(t/ha)。后者與從種植者獲得的商品胡蘿卜根產量(t/ha)進行比較，以確定預測的準確性。實測產量在17 ~ 113 t/ha之間變化，平均產量預測的總體精度(%誤差)在WA為9.2%，Qld為10.2%，Tas為12.7%。來自高光譜傳感器的VIs產生的產量相關系數(R2 < 0.1)低于來自多光譜傳感器的類似測量(R2 < 0.57, p < 0.05)。空間分辨率從10 m提高到1.2 m，回歸性能提高了69%。不可能對胡蘿卜等根類蔬菜在收獲前的空間產量變化進行無損估計。回歸系數為0.27-0.77，且誤差達到了1%。優點：有豐富的大田實驗，采用了不同地域的田地進行了綜合分析，判斷預測的準確率。 缺點：實際效果不佳。參考價值：3.5分。

6. Evaluation of cotton emergence using UAV-based imagery and deep learning

總結：本研究旨在開發一種新型的無人機圖像處理方法，以實現無人機圖像的近實時處理。本研究利用無人機成像系統采集棉花幼苗的RGB圖像幀，以評價林分數量和冠層大小。對圖像進行預處理，以糾正失真，計算地面樣本距離和圖像中的地理參考棉花行數。利用預訓練的深度學習模型resnet 18在每個圖像幀中估計棉花幼苗的林分數量和冠層大小。結果表明，在試驗數據集上，該方法能夠準確估計林分數，R2 = 0.95。在測試數據集中，冠層尺寸的估算精度為R2 = 0.93，也得到了類似的結果。對每個作物行都有地理參照的2000 M像素圖像幀的處理時間為2.22 s(包括預處理的1.80 s)，比傳統的基于拼接的圖像處理方法效率更高。開發了一個開放源代碼的自動圖像處理框架，用于棉花出苗率評估，并可向社區提供有效的數據處理和分析。本研究利用基于無人機的RGB圖像和深度學習技術，開發一個有效的圖像數據處理和分析框架，用于及時評估棉花的出現。本研究不同于以往發表的研究，其方法是直接處理單個圖像幀，而不是開發正構圖像以減少處理時間。具體目標包括:(1)開發預處理管道，在每個單獨的圖像幀中分割和地理參考作物行;(2)實現深度學習模型，以估計棉花數量和冠層大小;(3)建立基于地理信息的棉花應急地圖自動生成框架。優點:大量的大田實驗和無人機監測圖片。缺點：不知道。參考價值：2分。因為我們沒有設備也沒有實驗地。

7. Deep learning techniques for automatic butterfly segmentation in ecological images

摘要：基于深度學習的方法在蝴蝶生態圖像分割方面比傳統方法更具前景，因為它們具有強大的特征學習和表示能力。但是，當圖像中出現復雜的背景干擾時，蝶形分割仍然具有挑戰性。為了解決這個問題，我們提出了一種擴展的編碼器網絡，以捕獲更多高級功能并獲得高分辨率輸出，該輸出既輕巧又準確，可以自動進行蝴蝶生態圖像分割。另外，我們采用骰子系數損失函數來更好地平衡蝶形和非蝶形區域。
結論：本文提出了一種膨脹的自編碼器網絡。首先，將原始的蝴蝶生態圖像輸入到膨脹的特征編碼器模塊（膨脹卷積）中。然后將提取的特征饋入特征解碼器模塊并生成分割圖。另外，我們采用骰子系數損失函數來更好地平衡蝶形和非蝶形區域。在利茲蝴蝶數據集上的實驗結果表明，我們的方法優于基于最新的深度學習的圖像分割方法。實驗結果表明，該方法基本克服了生態圖像中蝴蝶的自動分割問題。

這項工作的主要貢獻概括如下：（1）我們提出了一個HCDC模塊，以捕獲更多的高級功能并獲得高分辨率的輸出； （2）我們將提出的HCDC塊與編碼器-解碼器結構集成在一起，以構建一種稱為“擴展編碼器網絡”（DE-Net）的新型網絡結構； （3）據我們所知，這是使用深度學習對復雜蝴蝶生態圖像進行分割的首次嘗試。在我們的實驗中，針對自然圖像分割設計的五種最先進的深度學習方法被應用于利茲蝴蝶數據集，以與所提出的方法進行比較。實驗結果表明，該方法的準確性優于最新方法。 （4）提出的DE-Net比蝶形生態圖像分割問題小1.2到6倍，可以實現比大型模型更好的學習能力，從而節省了存儲空間并提高了模型的可移植性。

個人總結：該論文運用的是網絡數據集。語義分割的方法。不知道方法是否創新。結構合理，邏輯合理。參考價值：4分。

8. Improving segmentation accuracy for ears of winter wheat at flowering stage by semantic segmentation 利用語義分割提高冬小麥穗開花期的分割精度

摘要：在這項研究中，提出了一種基于語義分割的方法，即EarSegNet，以執行像素級分類，以從實地條件下捕獲的冠層圖像中分割出小麥的耳朵。 EarSegNet集成了編碼器-解碼器結構和擴展卷積，旨在進一步提高冬小麥耳朵的分割精度和效率。結果表明，提出的EarSegNet能夠從花期捕獲的冠層圖像中實現小麥耳朵的精確分割（分割質量= 0.7743，F1得分= 87.25％，結構相似度= 0.8773）。為了驗證所提出的方法，將所提出的EarSegNet的性能與廣泛使用的分割方法（即SegNet，兩階段方法和Panicle-SEG）進行了比較。結果表明，所提出的EarSegNet優于已比較的方法，從而成為了一種強大的有效工具，可根據在播種期捕獲的樹冠圖像對冬小麥的耳朵進行分割。泛化測試表明，所提出的EarSegNet的性能優于比較方法，表明EarSegNet在現場應用方面具有巨大的潛力。所得結果表明，編碼器的深度（即VGG16）對EarSegNet的性能沒有顯著影響，但是，加深VGG16可以提高EarSegNet的召回評估指標的性能。方法：得到每個生長季節36張原始圖像。這些圖像的像素分辨率為5184 × 3456，然后手工裁剪并重塑為2500 × 2500像素分辨率。由于每個小區有3幅ROI圖像，因此隨機從每個小區中選取2幅ROI圖像構建語義分割網絡，左邊一幅用于性能評價，即48幅用于構建模型，24幅用于性能評價。最后圖片擴增到3000張。個人總結：結構清晰，邏輯合理。好像是有一點創新。可參考價值：4分。

2.3 目標檢測

1. Brown rice planthopper (Nilaparvata lugens Stal) detection based on deep learning

總結：褐飛虱是水稻的主要害蟲之一。快速、準確地檢測稻飛虱，有助于及時處理水稻。由于BRPHs體積小、數量多、背景復雜，對其進行圖像檢測具有一定的挑戰性。本文提出了一種基于深度學習技術的兩層檢測算法來檢測它們。這兩個層的算法是更快的RCNN(帶有CNN特征的區域)。為了有效地利用計算資源，為每一層選擇了不同的特征提取網絡。此外，對第二層檢測網絡進行了優化，以提高最終檢測性能。將兩層檢測算法的檢測結果與單層檢測算法的檢測結果進行比較。對檢測不同群體和數量BRPHs的雙層檢測算法的檢測結果進行測試，并與深度學習目標檢測網絡YOLO v3進行比較。測試結果表明，兩層檢測算法的檢測結果明顯優于單層檢測算法。在不同數量的BRPHs測試中，該算法的平均召回率為81.92%，平均正確率為94.64%;YOLO v3的平均召回率為57.12%，平均正確率為97.36%。在不同年齡的BRPHs實驗中，該算法的平均召回率為87.67%，平均正確率為92.92%。YOLO v3的平均召回率為49.60%，平均正確率為96.48%。優點：結構合理。缺點：訓練集測試集驗證集的比例為8:1:1。數據集的較小。參考價值：1分。

2. Identification of olive fruit, in intensive olive orchards, by means of its morphological structure using convolutional neural networks

總結：由于橄欖栽培具有較高的經濟價值，因此準確的產量估算是橄欖栽培的一個重要目標。本文提出了一種旨在實現這一目的的方法論。它包括一個人工視覺算法，能夠檢測可見的橄欖樹的數字圖像，在夜間，在人工照明下直接在田間捕獲。這些照片拍攝于2018年9月(收獲前兩個月)，地點是歐洲皮油橄欖(Picual Olea europaea L.)的一個密集橄欖果園。在該方法中，首先對圖像進行預處理，生成一組含有橄欖的高概率子圖像，從而將搜索空間縮小到103的量級。接下來，這些子圖像被卷積神經網絡(CNN)分類為橄欖，如果它們以橄欖水果為中心，或者在任何其他情況下(即使它們包含外圍水果)。為了訓練和驗證CNN，一個名為OLIVEnet的特殊數據庫被編譯成兩個不相交的集合，整合了這些子圖像。分別用234,168和299,946個olive子圖像和其他子圖像構建了訓練集和驗證集。我們測試了五種不同的CNN拓撲結構，在83.13%的olive實例中正確地分類了表現最好的一個，準確率為84.80%，在其他實例中準確率為99.12%;測量精度為0.9822,F1得分為0.8396。就作者的知識而言，本文提出了第一個圖像分析方法，以自動識別直接在田間拍攝的整棵樹的圖像中的橄欖果實。個人總結：這篇論文不咋地。

2. 機器學習

1. A random forest ranking approach to predict yield in maize with uav-based vegetation spectral indices

總結：提出了一種基于排序的方法來增強RF方法對玉米產量預測的潛力。該方法基于單個植被指數(VIs)的相關參數。VIs是根據一個價值指標進行單獨排名的，該指標通過使用RF對比基線方法來衡量皮爾遜相關系數的改進。因此，只有最相關的VIs被認為是射頻模型的輸入特征。我們使用了從多光譜無人機(無人機)圖像中提取的33個VIs。利用Sequoia和MicaSense兩種不同的傳感器生成多光譜數據;分別為2017/2018和2018/2019作物季。在所有評價指標中，NDVI、NDRE和GNDVI排名前三，它們與RF的結合提高了玉米產量預測。結論是：基于排序的植被恢復策略指數（VIs）可以實現隨機森林（RF）算法的潛在化僅使用多光譜無人機圖像預測玉米產量。優點：有2年時間的數據，用無人機拍攝的圖像。有11個玉米品種，且有33個相關指標。數據量大。缺點：大田實驗數據的結果并沒有在文中出現。而操作方法也挺簡單的。

3. 其他

1. DropLeaf: A precision farming smartphone tool for real-time quantification of pesticide application coverage

總結： 這項工作介紹并實驗評估了一種新型工具，該工具可用作基于智能手機的移動應用程序，名為DropLeaf-Spraying Meter。使用DropLeaf進行的測試表明，盡管操作簡便，但仍可以高精度估算農藥的覆蓋率。我們的方法基于定制圖像分析軟件的開發，用于實時評估水敏紙的噴涂沉積。所建議的工具可以被攜帶常規智能手機的農民和農藝師廣泛使用， DropLeaf可輕松用于各種方法的噴霧漂移評估，包括新興的無人機和智能噴霧器。這篇論文講了一個開發的APP，名字為DropLeaf。可以用于評估農藥噴灑的覆蓋率。優點：開發了可用的APP。缺點：市面上已有類似的APP。 參考價值：2分。

2. Underutilised crops database for supporting agricultural diversification

總結：本文構建一個可使用的全局訪問數據庫的嘗試為未充分利用的作物儲存信息。檢查了設計相關的農業數據庫、數據標準和作物多樣化的重點，建立了一個數據模型包括糧食系統中作物價值鏈的主要元素。為了保證數據的準確性，我們添加了一個元數據表，該表存儲關于數據庫中記錄的所有數據源的信息。并為數據管理和訪問構建了基于web的用戶界面。開放訪問的用戶界面允許根據用戶需求進行簡單的數據排序和過濾操作。 優點：建立了一個數據庫，開發了網站。 缺點：不知道。 參考指數 ：2分。

3. Replacing traditional light measurement with LiDAR based methods in orchards

總結：該文利用樹木的虛擬模型可以分析光照環境，以及樹冠體積等幾何測量。但是，這些仿真模型允許對不能直接測量的變量進行分析。該研究提出了一項基于激光雷達的方法的研究，以取代光攔截使用輕型小車，顯示了不錯的結果，具有廣泛的適用性。（這篇論文是探究LiDAR激光雷達捕獲光數據的效果，且與傳統方法的結果進行的對比）。優點：探討了新方法來測量樹木的光攔截效率，驗證了其可能性。缺點：不知道。參考指數：3分。

4. A cyber-physical intelligent agent for irrigation scheduling in horticultural crops

摘要：本文介紹了基于智能代理概念的電子物理作物灌溉系統的設計和實現。該系統允許通過傳感器獲取現場信息，根據決策系統加水并激活電磁閥。解釋了通信能力和性能測量，環境，致動和傳感系統（PEAS）。通過中央站及其互聯網連接，可以在場中或從其他位置遠程進行監視。該系統的性能評估是通過使用作物建模軟件和位于哥倫比亞博伊亞卡和費拉維托沃巴的大規模灌溉和排水區的一個試驗作物進行的。開發的系統可以通過幾種灌溉策略使土壤濕度保持在田間持水量附近，并避免了水資源浪費和過度使用。該論文的創新之處在于將智能體的推理和主動能力集成到嵌入式板中。該開發的系統允許使用嵌入式系統作為中心站進行灌溉調度和水管理，并擁有一個集中的服務器用于信息存儲和監控，使用具有互聯網接入的設備。
方法：cyber-physical設計原則遵循智能的概念agent基于多個子系統的集成，如圖1所示。該智能體由位于現場的智能多傳感器陣列(SMSA)和完成感知系統功能的氣象站子系統(WSS)組成。此外，代理使用灌溉激活子系統(IAS)在現場執行操作。無線電收發模塊用于在SMSA、IAS和位于農家的代理中心站(ACS)之間生成網狀網絡。實現了一個web服務器來從de ACS和WSS獲取數據。其他系統可以參考web服務器數據庫來監控決策中的任務支持活動。SMSA和IAS子系統采用ATmega328p單片機。WS和ACS使用Raspberry- Pi?- 3b板開發。

Fig. 1. Cyber-physical intelligent agent architecture for irrigation scheduling

Fig. 2. Smart Multi-Sensor Array (SMSA). Source: Authors.

Fig. 3. Irrigation Activation Subsystem (IAS). Source: Authors.
在土壤傳感器配方中，根據土壤水分傳感器的測量來確定耗竭和澆水時間。這些結果證實了基于產量和水分利用效率預測的智能agent灌溉調度系統適用于灌溉調度，能夠提高節水效果。

總結：該論文主要講了如何利用傳感器和一些硬件配置來判斷作物灌溉需水，達到節約用水的目的。優點：有硬件有實驗。缺點：不知道。參考價值：4分。

5. Biophysical parameters of coffee crop estimated by UAV RGB images

利用無人機RGB圖像估算咖啡作物的生物物理參數數字農業的發展與計算工具和無人駕駛飛行器（UAV）相結合，使得數據的收集能夠可靠地提取植被指數和從運動結構（SfM）算法得到的生物物理參數。本工作旨在評估使用SfM點云的攝影測量技術在無人機使用RGB（紅、綠、藍）相機獲得的航空圖像中估計咖啡樹高度（h）和樹冠直徑（d）的準確性，并將結果與12個月的現場測量數據進行比較。實驗在巴西米納斯吉拉斯的一個咖啡種植園進行。采用旋轉翼無人機自主飛行模式，與常規相機耦合，在30m高度飛行，圖像重疊率為80%，速度為3m/s，圖像處理采用PhotoScan軟件，并在Qgis中進行分析。野外測得的h值與無人機測得的h值之間的相關性為87%，野外測得的d值與無人機測得的d值之間的相關性為95%。使用RGB數碼相機獲取的UAV–SfM圖像，可以獲得對屬性的重要估計，例如咖啡樹的h和d。

6. A satellite-based ex post analysis of water management in a blueberry orchard

摘要：在當前由氣候變化造成的水資源短缺和糧食生產對水的需求增加的情況下，農民必須適應水的管理方式，從供應驅動的水管理轉向需求驅動的水管理，并考慮到利益相關者之間的權衡。質量，數量和成本。因此，農業實踐必須充分利用技術，研究和開發的優勢，并適應當地的要求。如今，遙感已成為估算作物需水量（蒸散量）以及繪制其空間和時間變化的有用工具。在這項工作中，我們提出了一種新的方法，該方法允許用戶使用稱為AquaSat?的灌溉決策決策支持系統作為主要工具，對智利中部藍莓田的灌溉策略進行審核（事后）。該工具將衛星信息與現場數據結合在一起，并提供有關作物用水的空間分布信息，以管理農場規模的灌溉。這項工作的主要貢獻是，通過比較所施加的水量，蒸散量和潛在需求，詳細介紹了一種灌溉管理的新方法。該程序使用戶可以審核當前的灌溉管理并確定對生產力的影響。根據我們的結果，我們可以得出結論，整個灌溉部門在兩個季節中農場使用的施水量不足以達到潛在的藍莓產量。。在這項工作中，我們提出了一種新的方法，該方法允許使用稱為AquaSat?的灌溉決策決策支持系統來審核（事后分析）灌溉策略。該系統將衛星信息與實地數據相結合，并提供時空分布的作物蒸散量（ETc），并將其與施水量和潛在需求（達到最大產量的水量）進行比較。 本文以智利中部的藍莓灌溉為例，說明了這種新穎方法的潛力。另外，AquaSat?是作者團隊研究開發的決策支持系統這使得估計作物蒸散量(等)和它們的需水量，根據灌溉項目。它也是事后審核農民灌溉戰略的有用工具(Lillo-Saavedra, 2019)。

個人總結：方法邏輯是清楚的。這篇論文感覺是做的挺好的，實驗和模型設計。但我還是不知道是如何測得葉片蒸發量，通過衛星信息。

7.A 3D white referencing method for soybean leaves based on fusion of hyperspectral images and 3D point clouds

摘要：由于光源在不同波長的光強不均勻，原始圖像需要使用白色基準進行校準。扁平的白色面板通常作為白色參考掃描。然而，像葉片傾斜角這樣的幾何因素不能用扁平的白色基準來校準。在這個出版物中，使用有角度的白色參考校準相應的原始圖像的有效性首次被證明。此外，還創建了一個集成了高光譜相機和Kinect V2深度傳感器系統中不同角度和空間位置的3D白色參考庫。這樣，葉片表面的像素可以通過三維參考庫中傾斜角度和空間位置最近的點進行校準。該參考庫的驗證樣本為溫室大豆葉片。結果表明，與傳統的平白參照定標相比，三維定標后的反射率光譜更接近標準定標(平白參照定標平葉)。此外，三維定標后的大豆葉片表面像素級歸一化差值植被指數(NDVI)分布也更接近標準定標。該方法具有提高植物圖像標定質量的潛力。與激光雷達傳感器相結合，這種新方法有機會應用于野外環境。關鍵詞：植物表型·不均勻照明·高光譜圖像校準·3D白色參照庫·3D點云。 我看不太懂這個論文。

8. Assessing winter wheat foliage disease severity using aerial imageryacquired from small Unmanned Aerial Vehicle (UAV)

摘要：通過飛行旋翼無人機獲取紅色，綠色和藍色波段（RGB）圖像。然后處理圖像以發展正馬賽克，并計算了三個植被指數。對獲得的圖像數據集進行進一步處理以生成繪圖級數據。記錄田間反應和葉銹病嚴重程度的視覺記錄，以計算感染系數（CI）。在這兩年中，發現小麥基因型之間的植被指數存在顯著差異。標準化差異指數（NDI），綠色指數（GI）和綠葉指數（GLI）與CI呈線性相關，2017年的R2值范圍為0.72至0.79（p <0.05），而2017年的R2值范圍為0.63至0.68（p <0.05） 2018年。地面歸一化差異植被指數（NDVI）在兩個年份中也顯示出與CI的顯著相關性（R2 = 0.86，p <0.05，2017年； R2 = 0.83，p <0.05，2018年）。結果表明，無人機成像和自動數據提取可以促進針對疾病嚴重性等級的高通量表型數據的獲取。

總結

以上是生活随笔為你收集整理的[论文总结] 深度学习在农业领域应用论文笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。