DeepPhenoTree-Apple Edition: a multi-site apple phenology RGB annotated dataset with deep learning baseline models
发布多站点多品种苹果物候RGB图像数据集，并给出深度学习基线检测模型。
果树
苹果、柑橘、猕猴桃、葡萄、热带亚热带果树
技术筛选 · 已选 1 项
34 篇内容清除全部筛选
Real-time on-tree Korla pear grading with a shared ordinal–anomaly descriptor field
提出共享序数-异常描述子场，实现树上库尔勒香梨实时分级。
Lightweight Detection of Blueberries at Different Maturity Stages in Complex Orchard Environments(YOLOv12n+SHSA2C2f+知识蒸馏)
提出轻量YOLOv12n改进模型，实现复杂果园中多成熟期蓝莓的实时检测。
中国农科院资划所构建可解释 AI 模型实现猕猴桃产地精准溯源(AI in Agriculture)
中国农科院农业资源与农业区划研究所智慧农业创新团队利用光谱成像技术与多模型组合策略,以中国 6 个地区猕猴桃为对象构建产地溯源模型,并运用可解释性分析方法对最优组合模型进行分层和整体解读。在提升溯源准确率的同时,揭示了光谱数据背后判断产地的内在逻辑。该研究为破解光谱分析中数据分析模型难以解释的难题提供了系统解决思路,在关键波长选择、模型稳定性提升及预测结果可信度增强等方面具有参考价值。成果发表在《Artificial Intelligence in Agriculture》。
[预印本]Multi-Task Learning for Sparsely-Labeled Time Series: A Case Study on Cold-Hardiness Modeling
提出RNN多任务学习方法，用于标签稀疏的葡萄抗寒时间序列建模。
Lightweight nighttime citrus fruit detection in UAV imagery using an enhanced NightNet
提出增强NightNet实现无人机夜间柑橘果实轻量检测。
华中农大实现柑橘黄龙病早期无损诊断 提LLM辅助拉曼光谱相似度融合框架
提出LLM辅助多通道光谱相似度融合框架，实现柑橘黄龙病早期无损诊断。
AI Drones Unlock Hidden Avocado & Hazelnut Secrets（Information Processing in Agriculture）
开发基于AI的无人机系统，用无监督算法从航拍图像估算果树高度和冠层体积。
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。
Instance Segmentation and Multi-Object Tracking for Fruit Quality Grading and Dynamic Yield Estimation in Egyptian Citrus Orchards
构建柑橘果园AI框架，实现果实质量分级与动态产量估计，并评估多种分割与跟踪模型。
From sky to ground: Enabling autonomous vineyard traversal with UAV-derived navigation maps
利用无人机生成导航地图，实现葡萄园地面机器人自主遍历。
ERG-Mask: An edge–region collaborative instance segmentation model for greenhouse table-grape clusters
提出ERG-Mask模型，用于温室鲜食葡萄串的实例分割，提升边缘与区域协同精度。
Adapting SAM3 for 3D fruit counting with cross-view contrastive learning and Hough voting
将SAM3适配到3D水果计数，结合跨视图对比学习和Hough投票，提升密集遮挡下的检测与定位。
A Feature Enhancement Framework for Joint Mango Fruit and Stem Detection in Complex Orchard Environments (复杂果园环境中芒果果实与果柄联合检测的特征增强框架)
MDPI Agriculture 2026, 16(17), 1888, 2026年8月31日发表,作者来自华南农业大学工程学院和农业装备技术国家重点实验室。研究提出MangoNET,基于YOLOv11n的芒果果实与果柄联合检测框架,适用于复杂果园环境。P2高分辨率检测头保留小目标的精细空间信息,SPPF-ELAN聚合局部和上下文特征用于部分可见对象,SENet在光照变化下重新校准通道响应,WIoU v3调节具有不同定位质量的边界框样本。数据集包含1782张台农和金煌芒果原始图像,仅对训练集应用数据增强,将训练集大小从1172张增加到2886张图像。MangoNET果实和果柄F1分数分别为0.920和0.916,mAP50和mAP50-95值为0.941和0.690。