[论文总结] 深度学习在农业领域应用论文笔记

1. 深度学习

1.1 图像分类

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

总结： 这篇论文运用的是图像分类的方法。线性判别分析（LDA），以找到表征预选类别（阴影叶片（SHL），阴影耳朵（SHE），阳光叶片（SL），阳光耳朵（SE）和背景（ BG） 的特征的线性组合。. RGB数据由620 nm（红色），535 nm（绿色）和445 nm（蓝色）三个波段组成。带注释的数据是从不同作物生长阶段的23个小麦品种的高光谱图像中收集的。SL，SE，SHL，SHE和BG的5类注释数据的总数分别为119,447、164,223、11,644、4361和227,232像素（这个地方应该是指照片）。使用了平均准确度（AA），F评分和召回评分，将CNN模型与梯度下降和支持向量机分类进行了比较。 优点：该研究由实际的拍摄装置，有充分的大田实验和较大的数据集。缺点：看完这篇论文不知道解决了一个什么样的实际问题。参考价值：2分。

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

总结： 在整个研究过程中，七个不同的预先训练的CNN模型(VGG-16, VGG-19, ResNet-50，开端- v3，Xception、MobileNet、SqueezeNet)使用适当的迁移学习和微调策略，对40个类的公开D0数据集进行了修改和再培训。随后，通过最大概率和策略对性能最好的三个CNN模型Inception-V3、Xception和MobileNet进行集成以提高分类性能，该模型被命名为SMPEnsemble。然后，利用加权投票的方法对这些模型进行整合。遗传算法综合考虑三个CNN模型的成功率和预测稳定性，确定权重，模型命名为GAEnsemble。GAEnsemble在D0数据集上获得了98.81%的最高分类精度。为了增强集成模型的鲁棒性，在不改变D0上初始性能最好的CNN模型的情况下，使用另外两个数据集，即10类的小数据集和102类的IP102数据集重复这个过程。的准确性GAEnsemble的值为95.15%的小数据集和67.13%的IP102。优点： 不突出，论文很普通。 缺点：数据集小。参考价值： 2分。

3. Data augmentation for automated pest classification in Mango farms

总结：本文提出了一种先进的机器学习(ML)技术，用于分析大规模芒果田，并使用计算机视觉和深度学习技术识别生物威胁的发生。本文提出的ML技术扩展了预先训练好的VGG-16深度学习模型，用一个两层的全连接网络训练来补充最后一层。此外，本研究也考虑到印尼农民在收集和处理芒果农场的视觉信息时所面临的实际操作条件。有效训练深度学习网络的数据集可用性的稀疏性是通过应用数据增强过程来解决的，该过程能够准确地重现农民所面临的条件。在验证数据集和测试数据集上，本文提出的训练方案的总体准确率分别为73%和76%。应用增广变换函数后，测试数据的精度提高了13.43%。

4.Data augmentation for automated pest classification in Mango farms

总结：芒果虫害分类框架，该框架由15个类别组成，根据对VGG-16网络的改进，划分16类害虫和健康叶片。提出的ML技术扩展了预先训练好的VGG-16深度学习模型，用一个两层的全连接网络训练来补充最后一层。有效训练深度学习网络的数据集可用性的稀疏性是通过应用数据增强过程来解决的，该过程能够准确地重现农民所面临的条件，并实时接收可能影响芒果生产的害虫类别的分类输出。优点：最后开发了一个基于安卓的APP。缺点：我不知道。个人感觉没什么亮点，也只有一个网页界面，并没有说开发的APP解决了什么问题。参考价值：3分。

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

总结：该研究提出了一种易于微调的剪枝检测网络广义归因方法检测芒果。通过设计信道和空间掩码来推广归因方法，可以检测出原始YOLOv3-tiny网络中与特定目标输出紧密相关的卷积核。然后，对不相关的核进行逐层的通道维剪枝。在对修剪后的网络进行微调之前，采用锚点大小、数据增强和学习率衰减来检测芒果。实验结果表明，得到的网络是一个规模和旋转不变的芒果检测网络，在2.6 GFLOPs (giga-浮点运算)下获得了f1得分0.944。与未进行剪枝的精调网络相比，我们的网络计算量减少了68.7%，而准确率提高了0.4%。与使用相同mango数据集训练的最先进网络相比，该算法的计算量减少了83.4%，精度损失仅2.4% 左右。所提出的剪枝方法可以从大规模检测网络中剥离一个子网，以满足移动设备低功耗处理器的实时性要求，例如ARM Cortex-A8执行约4.0 GFLOPS (giga-浮点运算每秒)。训练过的网络和测试代码可供比较研究。优点：这篇论文是2019年7月就投稿了。提出了微调和剪枝。缺点： 奇怪的是说是芒果检测，但我没有找到论文中的芒果数据集，也没有大田实验。更像是一篇一般的工学论文想发到农学不错的期刊。参考价值：2分，和我们做的差不多，但没我们做的好。

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

总结：本研究的目的是测试一个集成方法的性能结合获得的遥感图像与多光谱相机安装在无人机(UAV),统计模型(GAM全面相加模型)和机器学习算法(随机森林,RF)实现与公开的数据来预测未来的牧草生物量的负载。本研究表明，利用草地生长观测、环境变量和草地管理变量，GAM和RF两种模型均可预测放牧前草地生物量产量，平均误差在20%以下。优点：该论文有实际的天气数据，施肥数据以及无人机飞行数据。缺点：只有训练集和测试集。没有用新的方法。参考价值 ：2分。

7.Irrigation water infiltration modeling using machine learning

总结：本研究提出了五个标准的人工智能模型包括人工神经网络(ANN),自适应神经模糊推理系统(ANFIS) 分组的数据处理方法(GMDH) , 多元线性回归和支持向量回归(SVR)以及它们的综合模型结合萤火虫算法（FA)预测沟中的渗透水的灌溉系统。在构建综合模型时，FA是一种优化工具。评估这些模型的数据是收集自发表的文献和在伊朗科曼斯布克大学研究农场进行的实地实验。模型的输入参数为沟长(L)、入渗速率(Q)、沟尾提前时间(TL)、入渗横断面面积(Ao)和入渗机会时间(To)。采用均方根(RMSE)、平均绝对误差(MAE)、相关系数(R2)、Nash-Sutcliffe效率指数(NSE)和一致性指数(IA)对模型的预测效果进行评价。结果表明，FA能够提高模型的精度，在ANFIS、GMDH、MLPNN和SVR中RMSE值分别提高5%、1%、4%和47%。综合综合指数(SI)的计算值表明，SVR和FA的结合显著提高了标准SVR模型的性能达97%。优点：用了多种模型以及FA算法预测水的灌溉系统。缺点：没有显示数据集大小。参考价值：3分。

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

总结：这篇论文介绍了使用传感器利用3年的数据，在多种场景下进行了实验。3个土壤深度，每年测10次。和天气变化数据以及参考了其他文献的数据。。优点：丰富的实验数据。缺点：相比大数据而言，数据还是少了。用的方法为特征提取，支持向量机以及神经网络。参考价值：3分。

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

总结：这项研究中，我们使用的数据产生的野生蓝莓传粉模型是一种空间显式的模拟模型，通过近30年美国缅因州的野外观测和实验数据验证了该模型（仿真模型）的有效性。本研究的主要目的是评价蜜蜂种类组成和天气因子在调节野生蓝莓农业生态系统中的相对重要性。具体来说，我们试图揭示蜜蜂种类组成和天气如何影响产量，并预测最佳产量。利用计算机模拟和机器学习算法实现最佳产量的蜜蜂种类组成和天气条件。多元线性回归(MLR)、增强决策树(BDT)、随机森林(RF)和极端梯度增强(XGBoost) 作为预测工具进行评估。在向学习算法提交数据之前，我们还进行了预测器选择。这样，我们就可以在不显著降低预测精度的情况下减少输入的维数。结果表明，无性系大小、蜜蜂、大黄蜂、雄蜂种类、雌蜂种类、最高高温范围、降水日数是预测结果的最优变量。结果表明,XGBoost优于其他算法在所有措施模型预测性能的野生蓝莓的收益率达到确定系数(R2) 0.938,均方根误差(RMSE)为343.026,206年的平均绝对误差(MAE)和相对均方根误差的5.444%。优点：用了的仿真模型。缺点：方法上没觉得有创新。参考价值：4分。

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

总结：PFD（橘子采后病）可能会导致柑桔花后落果是柑桔的一种严重真菌病，可导致果实过早脱落。该研究开发一个基于网络的工具，以协助柑橘种植者为管理PFD风险的喷雾决策。信息技术如数据库、查询和编程语言已经被用来开发这个工具。该系统从佛罗里达自动天气网络(FAWN)和农业气候研究小组安装的气象站收集天气数据，并使用天气观测运行PFD疾病模型，并估计环境对感染的有利程度。该系统向农民发送通知并根据不同的PFD风险和花期推荐使用杀菌剂。首先描述天气数据源，叶片湿度模型和叶片湿度决策算法。 最后，我们介绍了如何使用信息技术来提供允许用户轻松访问系统的解决方案。优点：做了网页界面。该系统目前已在佛罗里达州使用，但作者的目标是将其地理扩展到美国其他柑橘种植州。缺点：方法很普通，相当于就是利用气候数据区模拟叶片湿度模型，然后在PFD模型计算时间间隔指数，当分生孢子萌发指数达到一定阈值时，就会促发喷雾，达到预防PDF的目的。参考价值：4分。我们有天气数据可以做什么预测？

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

总结：在这项研究中，提出了一种自动方法，用于从超高分辨率无人机图像中对植物进行计数。拟议的方法使用机器视觉-过量绿色指数和大津的方法-并使用卷积神经网络进行转移学习以识别和计数植物。集成方法已被实施，以在表面积为3.2公顷的实验田中对10周龄的菠菜植物进行计数。植物计数的验证数据可用于表面积的1/8。结果表明，所提出的方法论可以在面积达172 m2的区域中以8 mm /像素的空间分辨率对植物进行计数，准确度为95％。此外，当空间分辨率降低50％时，获得的最大附加计数误差为0.7％。最终，在3.5公顷的面积中计算出170,000株植物的总误差为42.5％。研究表明，使用基于无人机的现成产品对单个植物进行计数是可行的，并且通过机器视觉/学习算法，可以将图像数据转换为非专家的实用信息。优点：工作做的挺好的。做了很多的大田实验也有实际数据。逻辑合理。缺点：方法用的是AlexNet和迁移学习，较为一般。参考价值：3.5分。

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

摘要:在这项研究中，我们的主要任务是找到一种有效的方法来解决同一叶片中发生的两种疾病和外界光的影响所导致的疾病相似性问题。首先，我们在自然复杂的温室背景下获得了黄瓜叶片疾病数据集，其中不仅包括白粉病，霜霉病，健康叶片，还包括白粉病和霜霉病的组合。其次，我们使用当前最先进的方法EfficientNet为上述四种类型建立分类模型，模型精度为97％，并证明EfficientNet-B4是最适合本研究的方法。最后，我们使用经过最先进的优化程序Ranger改进的E ffi cientNet-B4构建了黄瓜相似疾病的两个分类模型，获得了出乎意料的准确性（96％）。方法：CNN。基于上面的相关工作,我们选择EfficientNet模型作为疾病分类研究的方法,并选择当前典型深VGG等学习方法 ,ResNet, AlexNet, Ierception v4, SqueezeNet, DensenNet 比较模型进行分类研究类似的疾病cu-cumber叶子参与这项研究。本研究的目的是:
1. 探索自然和复杂环境下温室黄瓜病害(主要包括PM、DM、PD和健康叶片)的有效分类方法。
2. 利用目前最先进的优化器(Ranger)对目前最先进的EfficientNet模型进行改进，并将其应用于相似性高的DM和PD黄瓜病的重新认识。
3. 探讨植物病害鉴定与分类在未来可能面临的挑战和机遇。
数据集来源：一天中拍摄到5000多张的4种类型病虫害样本。通过强化学习将数据集总数增加到了2万张。训练集、验证集、测试集比例为8：1：1.
个人总结: 这篇论文就是采用EfficientNet模型对黄瓜叶片混合虫害进行分类。工作做的可以。结构合理。方法一般。

13.Automatic vegetable disease identification approach using individual lesion features

总结：本研究提出了一种从单个褪绿和坏死病变中提取局部特征的方法，最大限度地减少特征冗余和向量大小。颜色一致性载体(CCV)，一个特征，描绘不同的同质模式相对于疾病进展是从褪绿区域提取。另一方面，从坏死区域提取局部二值模式(LPB)。将这些单个的病变特征连接起来，形成用于疾病识别的病理特征向量，从而使特征大小最小化，并避免处理表面描述符的可能性。为了验证所提方法的有效性，我们使用不同的传统分类器（支持向量机、朴素贝叶斯、KNN）来测试这些特征在精确分类植物病害时的质量和效率。结果表明，该方法在所有案例中均获得了较高的准确率和召回率，召回率超过99%，与其他文献报道的方法相比，准确率有所提高。AlexNet的最后三个完全连接的层被修剪，并被新的层所取代，这些层将划分为EB、LB和HL三个等级。这样，来自其他层的特征就被保留了，也就是，转移的层权重。然而，新层的权重和偏差增加了10倍,学习速度变快。ResNet与AlexNet迁移学习中应用的过程类似，这一层和输出层都被新的层取代，输出的数量等于疾病类别的数量。然而，在这种情况下，当较早的层的权值被重新初始化时，网络的前十层的权值通过将其学习速率设置为0而被冻结。这加快了网络训练，因为这些层中的梯度不会更新。结论：单个褪绿和坏死疾病区域模式的使用导致产生有效的病理特征描述符，使特征向量长度最小化，并改进了识别结果。此外，在只有4个颜色特征的情况下，SVM分类器能够达到99.33%的整体精度，AUC为0.99。在总共15个特征描述符中，仅使用7个子集也获得了类似的结果。这强烈地强调了将疾病区域定位为褪绿和坏死的重要性，以及CCV的颜色时刻在疾病鉴定中的重要性。

个人总结：方法上没有创新，结构合理，逻辑也合理。参考

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

总结：专家通过使用农业实验室或观察视觉症状帮助农民诊断柑橘疾病。由于专家的费用和没有实验室，这些方法可能不是所有农民都能得到。本研究比较了两种不同的卷积神经网络(CNN)结构来对柑橘叶片的病害进行分类。本文采用两种CNN体系结构，即MobileNet和自结构(Self-Structured, SSCNN)分类器，对柑橘植物期叶片病害进行检测和分类。该研究准备了一个基于柑橘疾病数据集的智能手机图像。两个模型都在同一个柑橘数据集上进行了训练和测试。分别利用训练集和验证集的精度和损失来评估模型的性能。MobileNet CNN的最佳训练精度为98%，在epoch 10的验证精度为92%。但SSCNN在epoch 12的最佳训练精度为98%，验证精度为99%。结果表明，基于智能手机图像的SSCNN算法对柑橘叶片病害分类具有较高的准确率和实用性。此外，与MobileNet相比，SSCNN算法的计算时间更短，可以被认为是一种经济有效的柑橘病害检测方法。

1.2 语义分割

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

总结：利用无人机获取的多时相高分辨率可见光遥感数据，建立了单铃重量预测模型。对新疆昌吉、石河子和沙湾地区29块农田的开花期和铃期遥感数据进行了研究。在每个田间选取5个半径为1 m的圆形区域作为地面调查区，采集棉铃样本。作为模型的因变量，利用全卷积神经网络对遥感图像进行像素级语义分割，提取图像中的棉花段，消除土壤像元对模型精度的影响。相关分析是由结合VDVI (可见频带植被指数) 在开花和结铃阶段,VDVI棉子开放阶段,VDVI吐絮领域(FCN提取)和RGB值,然后使用最小二乘线性回归和BP神经网络模型对上,中间,低棉层计算调查地区平均单铃重。随后，进行K-fold交叉验证以评估结果。结果表明，最小二乘线性回归结果(R2 = 0.8162)与BP神经网络(R2 = 0.8170)几乎相等。开花期和结铃期的面积开铃率和VDVI与上部单铃重高度相关。本研究提出了一种实现单铃重大规模预测的方法，为棉花产量预测和育种筛选提供了新的思路。优点： 有大田实验和专门的设备。缺点：数据量不大，工作量也不大。就是用了无人机跑了一周得到的数据。然后用了测定了不同参数与单铃重量的相关系数，确定他们之间的相关性，达到预测产量的目的。参考价值：3分。，为本研究收集了1408张具有挑战性的叶片图像。由于以下几个原因，本研究获得的结果是新颖的:(1)我们已经证明,准确自动背景去除叶子图像捕获使用FCNNs场条件下是可能的,(2)我们已经表明,语义分割网络可以用来执行实例分割对象的一个实例提供目标主导图像即使图像包含其他相似但不太突出对象。

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

摘要：在本文中，我们提出全卷积神经网络来执行在移动应用程序中捕获的叶子图像的自动背景减法。在移动应用程序中使用在这种情况下，目标叶片通常会主导农民拍摄的图像。叶子也会被包围通过各种背景特征，包括其他叶、茎、果实、土壤和覆盖物。分割网络的目标是去除这些背景特征，从而只保留目标叶片。为了训练和测试提议的网络，准备了一个代表这种情况的数据集。它由1408个番茄叶片图像组成。所提出的技术取代了竞争的背景减法算法，但不需要用户干预，也不限制目标叶片的方向，形状或照明。此外，所有CNN模型能够在GPU上运行时在0.12秒内对256x256像素的RGB图像执行分割，在CPU上运行时在2.1秒内执行分割；这比任何竞争技术都快得多。
结论：我们研究已经表明,语义分割网络可以用来执行实例分割对象的一个实例提供目标主导图像即使图像包含其他相似但不太突出对象。本文还对两种损耗函数在像素分类层的性能进行了评估。我们已经报道过GDL优于交叉熵损失，并执行更干净的掩模边界。提出网络实现超过0.96 mwIoU 0.91 mBFScore储备测试集。具体地说,我们提出设计KijaniNet得分0.9766 mwIoU和0.9439 mBFScore储备测试集,我们知道没有其他研究现有文献中,产生类似的结果在叶子图像分割任务。
总结： 我个人不知道这个的难度，看起来也不是很难的样子。但作者的描述而言，他好像是第一个做这个的人。参考价值：4分。

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

总结：这项工作旨在评估使用SfM点云的摄影测量技术的准确性，该点云用于通过无人机用RGB（红色，绿色，蓝色）获得的航拍图像估算咖啡树的高度（h）和树冠直径（d）相机并将结果与​​12个月现场测量的144棵树的数据进行比较。旋翼无人机用于自动飞行模式，并与常规相机连接，以30m的高度飞行，图像重叠率为80％，速度为3m / s。使用PhotoScan软件处理图像，并在Qgis中进行分析。在野外获得的h值与通过无人机获得的h值之间的相关性为87％，在野外获得的d值与通过无人机获得的值之间的相关性为95％。使用通过RGB数码相机获取的UAV–SfM图像，可以获得诸如咖啡树的h和d之类的属性的大量估计值。优点：有一年的数据。缺点：他这个咖啡树的高度和树径的评估预测，不能概括为是生理数据这么大范围。用的分析方向是相关性分析。参考价值：2分。

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

总结：通过结合植被指数（VI）来感知作物的健康状况并通过计算机视觉获得植被分数覆盖率（Fc）来预测最终产量，以衡量植物的活力。从无人飞行器（UAV）获得的多光谱图像可用于获取VI和Fc，并与人工神经网络（ANN）一起使用，以对VI，Fc和产量之间的关系进行建模。所提议的方法被应用在葡萄园中，在该葡萄园中使用了不同的灌溉和施肥剂量。结果表明，在精密的葡萄栽培中，使用计算机视觉技术区分冠层和土壤是获得准确结果的必要条件。此外，结合使用VIs（反射法）和Fc（几何法）来预测葡萄园的产量会带来更高的准确性（均方根误差（RMSE）= 0.9千克藤蔓-1和相对误差（RE）= 21.8％）与接近使用VI相比（RMSE = 1.2 kg vine-1和RE = 28.7％）。机器学习技术的实施比线性模型（RMSE = 0.5 kg vine-1和RE = 12.1％）产生的结果更准确。优点：该研究有一年生理实验的多个处理数据，大量的大田实验与对照实验来检验无人机拍摄的图片预测葡萄产量的结果。逻辑清楚，结构合理。缺点：运用的方法在计算机方面确实不新。参考价值：4分。

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

总结：近端和远端传感器已经证明了它们对许多不同作物的一些生物物理和生物化学变量的估计，包括产量的有效性。对它们在蔬菜作物中的准确性评价是有限的。本研究探讨了近端高光谱和卫星多光谱传感器(Sentinel-2和WorldView-3)在不同作物配置、季节和土壤条件下对胡萝卜根产量的预测精度。采集了澳大利亚西澳大利亚州(WA)、昆士兰州(Qld)和塔斯马尼亚州(Tas) 24个田414个样点的地上生物量(AGB)、冠层反射率和相应的产量测量值。以不同植被指数(VIs)与产量的总决定系数(overall determination coefficient between yield and different vegetation index, VIs)最高为最佳传感器(高光谱或多光谱)，以线性和非线性模型为最佳传感器(linear and nonlinear models)，确定最佳传感器(VIs)及其对空间分辨率的影响。每个区域的最佳回归拟合用于将点源测量值外推到每个采样作物的所有像素，从而产生一个预测产量图，并估计作物水平上的平均胡萝卜根产量(t/ha)。后者与从种植者获得的商品胡萝卜根产量(t/ha)进行比较，以确定预测的准确性。实测产量在17 ~ 113 t/ha之间变化，平均产量预测的总体精度(%误差)在WA为9.2%，Qld为10.2%，Tas为12.7%。来自高光谱传感器的VIs产生的产量相关系数(R2 < 0.1)低于来自多光谱传感器的类似测量(R2 < 0.57, p < 0.05)。空间分辨率从10 m提高到1.2 m，回归性能提高了69%。不可能对胡萝卜等根类蔬菜在收获前的空间产量变化进行无损估计。回归系数为0.27-0.77，且误差达到了1%。优点：有丰富的大田实验，采用了不同地域的田地进行了综合分析，判断预测的准确率。 缺点：实际效果不佳。参考价值：3.5分。

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

总结：本研究旨在开发一种新型的无人机图像处理方法，以实现无人机图像的近实时处理。本研究利用无人机成像系统采集棉花幼苗的RGB图像帧，以评价林分数量和冠层大小。对图像进行预处理，以纠正失真，计算地面样本距离和图像中的地理参考棉花行数。利用预训练的深度学习模型resnet 18在每个图像帧中估计棉花幼苗的林分数量和冠层大小。结果表明，在试验数据集上，该方法能够准确估计林分数，R2 = 0.95。在测试数据集中，冠层尺寸的估算精度为R2 = 0.93，也得到了类似的结果。对每个作物行都有地理参照的2000 M像素图像帧的处理时间为2.22 s(包括预处理的1.80 s)，比传统的基于拼接的图像处理方法效率更高。开发了一个开放源代码的自动图像处理框架，用于棉花出苗率评估，并可向社区提供有效的数据处理和分析。本研究利用基于无人机的RGB图像和深度学习技术，开发一个有效的图像数据处理和分析框架，用于及时评估棉花的出现。本研究不同于以往发表的研究，其方法是直接处理单个图像帧，而不是开发正构图像以减少处理时间。具体目标包括:(1)开发预处理管道，在每个单独的图像帧中分割和地理参考作物行;(2)实现深度学习模型，以估计棉花数量和冠层大小;(3)建立基于地理信息的棉花应急地图自动生成框架。优点:大量的大田实验和无人机监测图片。缺点：不知道。参考价值：2分。因为我们没有设备也没有实验地。

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

摘要：基于深度学习的方法在蝴蝶生态图像分割方面比传统方法更具前景，因为它们具有强大的特征学习和表示能力。但是，当图像中出现复杂的背景干扰时，蝶形分割仍然具有挑战性。为了解决这个问题，我们提出了一种扩展的编码器网络，以捕获更多高级功能并获得高分辨率输出，该输出既轻巧又准确，可以自动进行蝴蝶生态图像分割。另外，我们采用骰子系数损失函数来更好地平衡蝶形和非蝶形区域。
结论：本文提出了一种膨胀的自编码器网络。首先，将原始的蝴蝶生态图像输入到膨胀的特征编码器模块（膨胀卷积）中。然后将提取的特征馈入特征解码器模块并生成分割图。另外，我们采用骰子系数损失函数来更好地平衡蝶形和非蝶形区域。在利兹蝴蝶数据集上的实验结果表明，我们的方法优于基于最新的深度学习的图像分割方法。实验结果表明，该方法基本克服了生态图像中蝴蝶的自动分割问题。

这项工作的主要贡献概括如下：（1）我们提出了一个HCDC模块，以捕获更多的高级功能并获得高分辨率的输出； （2）我们将提出的HCDC块与编码器-解码器结构集成在一起，以构建一种称为“扩展编码器网络”（DE-Net）的新型网络结构； （3）据我们所知，这是使用深度学习对复杂蝴蝶生态图像进行分割的首次尝试。在我们的实验中，针对自然图像分割设计的五种最先进的深度学习方法被应用于利兹蝴蝶数据集，以与所提出的方法进行比较。实验结果表明，该方法的准确性优于最新方法。 （4）提出的DE-Net比蝶形生态图像分割问题小1.2到6倍，可以实现比大型模型更好的学习能力，从而节省了存储空间并提高了模型的可移植性。

个人总结：该论文运用的是网络数据集。语义分割的方法。不知道方法是否创新。结构合理，逻辑合理。参考价值：4分。

8. Improving segmentation accuracy for ears of winter wheat at flowering stage by semantic segmentation 利用语义分割提高冬小麦穗开花期的分割精度

摘要：在这项研究中，提出了一种基于语义分割的方法，即EarSegNet，以执行像素级分类，以从实地条件下捕获的冠层图像中分割出小麦的耳朵。 EarSegNet集成了编码器-解码器结构和扩展卷积，旨在进一步提高冬小麦耳朵的分割精度和效率。结果表明，提出的EarSegNet能够从花期捕获的冠层图像中实现小麦耳朵的精确分割（分割质量= 0.7743，F1得分= 87.25％，结构相似度= 0.8773）。为了验证所提出的方法，将所提出的EarSegNet的性能与广泛使用的分割方法（即SegNet，两阶段方法和Panicle-SEG）进行了比较。结果表明，所提出的EarSegNet优于已比较的方法，从而成为了一种强大的有效工具，可根据在播种期捕获的树冠图像对冬小麦的耳朵进行分割。泛化测试表明，所提出的EarSegNet的性能优于比较方法，表明EarSegNet在现场应用方面具有巨大的潜力。所得结果表明，编码器的深度（即VGG16）对EarSegNet的性能没有显着影响，但是，加深VGG16可以提高EarSegNet的召回评估指标的性能。方法：得到每个生长季节36张原始图像。这些图像的像素分辨率为5184 × 3456，然后手工裁剪并重塑为2500 × 2500像素分辨率。由于每个小区有3幅ROI图像，因此随机从每个小区中选取2幅ROI图像构建语义分割网络，左边一幅用于性能评价，即48幅用于构建模型，24幅用于性能评价。最后图片扩增到3000张。个人总结：结构清晰，逻辑合理。好像是有一点创新。可参考价值：4分。

2.3 目标检测

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

总结：褐飞虱是水稻的主要害虫之一。快速、准确地检测稻飞虱，有助于及时处理水稻。由于BRPHs体积小、数量多、背景复杂，对其进行图像检测具有一定的挑战性。本文提出了一种基于深度学习技术的两层检测算法来检测它们。这两个层的算法是更快的RCNN(带有CNN特征的区域)。为了有效地利用计算资源，为每一层选择了不同的特征提取网络。此外，对第二层检测网络进行了优化，以提高最终检测性能。将两层检测算法的检测结果与单层检测算法的检测结果进行比较。对检测不同群体和数量BRPHs的双层检测算法的检测结果进行测试，并与深度学习目标检测网络YOLO v3进行比较。测试结果表明，两层检测算法的检测结果明显优于单层检测算法。在不同数量的BRPHs测试中，该算法的平均召回率为81.92%，平均正确率为94.64%;YOLO v3的平均召回率为57.12%，平均正确率为97.36%。在不同年龄的BRPHs实验中，该算法的平均召回率为87.67%，平均正确率为92.92%。YOLO v3的平均召回率为49.60%，平均正确率为96.48%。优点：结构合理。缺点：训练集测试集验证集的比例为8:1:1。数据集的较小。参考价值：1分。

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

总结：由于橄榄栽培具有较高的经济价值，因此准确的产量估算是橄榄栽培的一个重要目标。本文提出了一种旨在实现这一目的的方法论。它包括一个人工视觉算法，能够检测可见的橄榄树的数字图像，在夜间，在人工照明下直接在田间捕获。这些照片拍摄于2018年9月(收获前两个月)，地点是欧洲皮油橄榄(Picual Olea europaea L.)的一个密集橄榄果园。在该方法中，首先对图像进行预处理，生成一组含有橄榄的高概率子图像，从而将搜索空间缩小到103的量级。接下来，这些子图像被卷积神经网络(CNN)分类为橄榄，如果它们以橄榄水果为中心，或者在任何其他情况下(即使它们包含外围水果)。为了训练和验证CNN，一个名为OLIVEnet的特殊数据库被编译成两个不相交的集合，整合了这些子图像。分别用234,168和299,946个olive子图像和其他子图像构建了训练集和验证集。我们测试了五种不同的CNN拓扑结构，在83.13%的olive实例中正确地分类了表现最好的一个，准确率为84.80%，在其他实例中准确率为99.12%;测量精度为0.9822,F1得分为0.8396。就作者的知识而言，本文提出了第一个图像分析方法，以自动识别直接在田间拍摄的整棵树的图像中的橄榄果实。个人总结：这篇论文不咋地。

2. 机器学习

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

总结：提出了一种基于排序的方法来增强RF方法对玉米产量预测的潜力。该方法基于单个植被指数(VIs)的相关参数。VIs是根据一个价值指标进行单独排名的，该指标通过使用RF对比基线方法来衡量皮尔逊相关系数的改进。因此，只有最相关的VIs被认为是射频模型的输入特征。我们使用了从多光谱无人机(无人机)图像中提取的33个VIs。利用Sequoia和MicaSense两种不同的传感器生成多光谱数据;分别为2017/2018和2018/2019作物季。在所有评价指标中，NDVI、NDRE和GNDVI排名前三，它们与RF的结合提高了玉米产量预测。结论是：基于排序的植被恢复策略指数（VIs）可以实现随机森林（RF）算法的潜在化仅使用多光谱无人机图像预测玉米产量。优点：有2年时间的数据，用无人机拍摄的图像。有11个玉米品种，且有33个相关指标。数据量大。缺点：大田实验数据的结果并没有在文中出现。而操作方法也挺简单的。

3. 其他

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

总结： 这项工作介绍并实验评估了一种新型工具，该工具可用作基于智能手机的移动应用程序，名为DropLeaf-Spraying Meter。使用DropLeaf进行的测试表明，尽管操作简便，但仍可以高精度估算农药的覆盖率。我们的方法基于定制图像分析软件的开发，用于实时评估水敏纸的喷涂沉积。所建议的工具可以被携带常规智能手机的农民和农艺师广泛使用， DropLeaf可轻松用于各种方法的喷雾漂移评估，包括新兴的无人机和智能喷雾器。这篇论文讲了一个开发的APP，名字为DropLeaf。可以用于评估农药喷洒的覆盖率。优点：开发了可用的APP。缺点：市面上已有类似的APP。 参考价值：2分。

2. Underutilised crops database for supporting agricultural diversification

总结：本文构建一个可使用的全局访问数据库的尝试为未充分利用的作物储存信息。检查了设计相关的农业数据库、数据标准和作物多样化的重点，建立了一个数据模型包括粮食系统中作物价值链的主要元素。为了保证数据的准确性，我们添加了一个元数据表，该表存储关于数据库中记录的所有数据源的信息。并为数据管理和访问构建了基于web的用户界面。开放访问的用户界面允许根据用户需求进行简单的数据排序和过滤操作。 优点：建立了一个数据库，开发了网站。 缺点：不知道。 参考指数 ：2分。

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

总结：该文利用树木的虚拟模型可以分析光照环境，以及树冠体积等几何测量。但是，这些仿真模型允许对不能直接测量的变量进行分析。该研究提出了一项基于激光雷达的方法的研究，以取代光拦截使用轻型小车，显示了不错的结果，具有广泛的适用性。（这篇论文是探究LiDAR激光雷达捕获光数据的效果，且与传统方法的结果进行的对比）。优点：探讨了新方法来测量树木的光拦截效率，验证了其可能性。缺点：不知道。参考指数：3分。

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

摘要：本文介绍了基于智能代理概念的电子物理作物灌溉系统的设计和实现。该系统允许通过传感器获取现场信息，根据决策系统加水并激活电磁阀。解释了通信能力和性能测量，环境，致动和传感系统（PEAS）。通过中央站及其互联网连接，可以在场中或从其他位置远程进行监视。该系统的性能评估是通过使用作物建模软件和位于哥伦比亚博伊亚卡和费拉维托沃巴的大规模灌溉和排水区的一个试验作物进行的。开发的系统可以通过几种灌溉策略使土壤湿度保持在田间持水量附近，并避免了水资源浪费和过度使用。该论文的创新之处在于将智能体的推理和主动能力集成到嵌入式板中。该开发的系统允许使用嵌入式系统作为中心站进行灌溉调度和水管理，并拥有一个集中的服务器用于信息存储和监控，使用具有互联网接入的设备。
方法：cyber-physical设计原则遵循智能的概念agent基于多个子系统的集成，如图1所示。该智能体由位于现场的智能多传感器阵列(SMSA)和完成感知系统功能的气象站子系统(WSS)组成。此外，代理使用灌溉激活子系统(IAS)在现场执行操作。无线电收发模块用于在SMSA、IAS和位于农家的代理中心站(ACS)之间生成网状网络。实现了一个web服务器来从de ACS和WSS获取数据。其他系统可以参考web服务器数据库来监控决策中的任务支持活动。SMSA和IAS子系统采用ATmega328p单片机。WS和ACS使用Raspberry- Pi®- 3b板开发。

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.
在土壤传感器配方中，根据土壤水分传感器的测量来确定耗竭和浇水时间。这些结果证实了基于产量和水分利用效率预测的智能agent灌溉调度系统适用于灌溉调度，能够提高节水效果。

总结：该论文主要讲了如何利用传感器和一些硬件配置来判断作物灌溉需水，达到节约用水的目的。优点：有硬件有实验。缺点：不知道。参考价值：4分。

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

利用无人机RGB图像估算咖啡作物的生物物理参数数字农业的发展与计算工具和无人驾驶飞行器（UAV）相结合，使得数据的收集能够可靠地提取植被指数和从运动结构（SfM）算法得到的生物物理参数。本工作旨在评估使用SfM点云的摄影测量技术在无人机使用RGB（红、绿、蓝）相机获得的航空图像中估计咖啡树高度（h）和树冠直径（d）的准确性，并将结果与12个月的现场测量数据进行比较。实验在巴西米纳斯吉拉斯的一个咖啡种植园进行。采用旋转翼无人机自主飞行模式，与常规相机耦合，在30m高度飞行，图像重叠率为80%，速度为3m/s，图像处理采用PhotoScan软件，并在Qgis中进行分析。野外测得的h值与无人机测得的h值之间的相关性为87%，野外测得的d值与无人机测得的d值之间的相关性为95%。使用RGB数码相机获取的UAV–SfM图像，可以获得对属性的重要估计，例如咖啡树的h和d。

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

摘要：在当前由气候变化造成的水资源短缺和粮食生产对水的需求增加的情况下，农民必须适应水的管理方式，从供应驱动的水管理转向需求驱动的水管理，并考虑到利益相关者之间的权衡。质量，数量和成本。因此，农业实践必须充分利用技术，研究和开发的优势，并适应当地的要求。如今，遥感已成为估算作物需水量（蒸散量）以及绘制其空间和时间变化的有用工具。在这项工作中，我们提出了一种新的方法，该方法允许用户使用称为AquaSat®的灌溉决策决策支持系统作为主要工具，对智利中部蓝莓田的灌溉策略进行审核（事后）。该工具将卫星信息与现场数据结合在一起，并提供有关作物用水的空间分布信息，以管理农场规模的灌溉。这项工作的主要贡献是，通过比较所施加的水量，蒸散量和潜在需求，详细介绍了一种灌溉管理的新方法。该程序使用户可以审核当前的灌溉管理并确定对生产力的影响。根据我们的结果，我们可以得出结论，整个灌溉部门在两个季节中农场使用的施水量不足以达到潜在的蓝莓产量。。在这项工作中，我们提出了一种新的方法，该方法允许使用称为AquaSat®的灌溉决策决策支持系统来审核（事后分析）灌溉策略。该系统将卫星信息与实地数据相结合，并提供时空分布的作物蒸散量（ETc），并将其与施水量和潜在需求（达到最大产量的水量）进行比较。 本文以智利中部的蓝莓灌溉为例，说明了这种新颖方法的潜力。另外，AquaSat®是作者团队研究开发的决策支持系统这使得估计作物蒸散量(等)和它们的需水量，根据灌溉项目。它也是事后审核农民灌溉战略的有用工具(Lillo-Saavedra, 2019)。

个人总结：方法逻辑是清楚的。这篇论文感觉是做的挺好的，实验和模型设计。但我还是不知道是如何测得叶片蒸发量，通过卫星信息。

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

摘要：由于光源在不同波长的光强不均匀，原始图像需要使用白色基准进行校准。扁平的白色面板通常作为白色参考扫描。然而，像叶片倾斜角这样的几何因素不能用扁平的白色基准来校准。在这个出版物中，使用有角度的白色参考校准相应的原始图像的有效性首次被证明。此外，还创建了一个集成了高光谱相机和Kinect V2深度传感器系统中不同角度和空间位置的3D白色参考库。这样，叶片表面的像素可以通过三维参考库中倾斜角度和空间位置最近的点进行校准。该参考库的验证样本为温室大豆叶片。结果表明，与传统的平白参照定标相比，三维定标后的反射率光谱更接近标准定标(平白参照定标平叶)。此外，三维定标后的大豆叶片表面像素级归一化差值植被指数(NDVI)分布也更接近标准定标。该方法具有提高植物图像标定质量的潜力。与激光雷达传感器相结合，这种新方法有机会应用于野外环境。关键词：植物表型·不均匀照明·高光谱图像校准·3D白色参照库·3D点云。 我看不太懂这个论文。

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

摘要：通过飞行旋翼无人机获取红色，绿色和蓝色波段（RGB）图像。然后处理图像以发展正马赛克，并计算了三个植被指数。对获得的图像数据集进行进一步处理以生成绘图级数据。记录田间反应和叶锈病严重程度的视觉记录，以计算感染系数（CI）。在这两年中，发现小麦基因型之间的植被指数存在显着差异。标准化差异指数（NDI），绿色指数（GI）和绿叶指数（GLI）与CI呈线性相关，2017年的R2值范围为0.72至0.79（p <0.05），而2017年的R2值范围为0.63至0.68（p <0.05） 2018年。地面归一化差异植被指数（NDVI）在两个年份中也显示出与CI的显着相关性（R2 = 0.86，p <0.05，2017年； R2 = 0.83，p <0.05，2018年）。结果表明，无人机成像和自动数据提取可以促进针对疾病严重性等级的高通量表型数据的获取。