Brazilian Insect Survey: A Platform for Pest Management
巴西昆虫调查平台整合计算机视觉、田间试验与种群建模，实现害虫实时监测与治理。
农业AI与大模型
人工智能算法、大模型与决策支持系统
技术筛选 · 已选 1 项
33 篇内容清除全部筛选
AshGdNutDefAM: Machine-learning-based multi-feature framework for nutrient deficiency detection and classification in Ash gourd Plant
提出AshGdNutDefAM多特征机器学习框架，自动检测和分类冬瓜缺镁缺铁症状。
International Journal of Electrical and Electronics Engineering·9月14日 · 周一77 分 论文农业AI与大模型智慧农业 / 农业物联网阅读 2
Automated Cocoa Bean Classification and Defect Detection Based on ASEAN Standard Using Image Processing and Feature-Based Analysis
基于图像处理与特征分析，按东盟标准自动分类可可豆并检测缺陷。
Evaluation of hybrid models based on image segmentation and inference for pig weight estimation
用YOLOv8n-seg分割猪体并提取EfficientNet特征，结合回归模型实现非侵入式猪体重估
ABUAD Journal of Engineering Research and Development (AJERD)·9月12日 · 周六71 分 论文农业AI与大模型农业人工智能与决策模型阅读 2
Quality Assessment of Scotch Bonnet Pepper (Capsicum Chinense Jacq) Using Image Processing Techniques
用图像处理和CNN/SVM/逻辑回归对苏格兰帽椒进行好坏二分类质量分级。
Spectral Transforms as a Tool to Optimize Digital Phenotyping in Biological Images
用离散小波变换提取蛋壳图像多尺度空间特征，实现小样本高效数字表型。
Two Decades of Computer Vision in Precision Livestock Farming: an Umbrella Review of Applications, Benchmarking Evidence, and the Performance-to-Deployment Gap Across Cattle, Pig, and Poultry Systems
伞式综述112篇综述，梳理牛猪禽精准养殖计算机视觉应用与部署差距。
Identifying mounting behaviour in boars using deep learning-based instance segmentation and binary classification - a pilot study
提出基于Mask R-CNN和SVM的猪爬跨行为自动检测方法，实现群养公猪连续监测。
The Evolution of Image Segmentation from Classical Techniques to Deep Learning: A Survey
综述图像分割从经典方法到深度学习的演变，比较精度、计算成本和速度。
Video-based fruit detection and tracking: effects of scanning conditions on fruit load estimation
研究视频多目标跟踪系统在不同扫描条件下估算苹果产量的性能。
Monitorización continua y autónoma de árboles frutales mediante imagen
用固定可见光传感器和AI视觉技术，连续监测柑橘果实生长与成熟。
Computer Vision from Tea Cultivation to Quality Evaluation(MDPI Foods 2026-08-17)
茶叶栽培到品质评估的计算机视觉综述。全面比较视觉技术(RGB、高光谱、近红外、热成像、LiDAR、UAV)并建立任务导向的算法选择框架。小样本或近线性问题传统机器学习(SVM、PLSR)依然有效;非结构化田间任务深度学习表现优越:害虫检测准确率超97%,茶芽RGB图像检测96.8%,高光谱预测氮含量R²>0.90、茶多酚R²高达0.925。算法选择需进一步按任务粒度区分:轻量级CNN平衡边缘部署速度与精度(16fps);YOLO系列检测器在移动平台实现实时定位(93.1%准确率、24ms/目标)。
面向大豆害虫的改进计算机视觉检测与计数方法
原文：Automated Detection and Counting of Redbanded Stink Bugs in Soybean Using an Improved Computer Vision Model。研究使用2281张田间图像训练YOLOv8变体，加入注意力模块和自适应空间特征融合后，最佳模型精确率96.30%、召回率76.40%、F1值85.20%，mAP50为82.00%。成果可辅助大豆害虫监测，但数据集与部署环境仍限制外推。