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。
数字农业与前沿技术
浏览数字农业与前沿技术相关政策、产业动态与研究。
技术筛选 · 已选 1 项
34 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)。
AgriField-40K: Adapting Vision Models to Agriculture With Efficient Continual Pretraining
Vasileios Tzouras、Paraskevas Pegios、Lazaros Nalpantidis于arXiv(2026-08-08)发表预印本。研究引入AgriField-40K,一个源自17个公开数据集的以田野为中心的农业数据集,涵盖多样化作物、杂草和田间条件;并提出AgriMAE,一种参数高效的持续预训练基线,通过仅训练轻量适配器来适配在自然图像上预训练的掩码自动编码器。AgriMAE在下游任务上一致提升性能,使用多达9倍更少的可训练参数即可匹配甚至超越全量微调,证明AgriField-40K是农业视觉持续预训练实用的资源。为精准农业模型开发提供低成本高效率的迁移学习路径,对农业视觉应用具有显著价值。
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。