深度学习在农业领域应用论文笔记5
1. Channel pruned YOLO V5s-based deep learning approach for rapid and accurate apple fruitlet detection before fruit thinning,2021
苹果疏果前果实的快速、准确检测对实现早期产量估计和自动疏果具有重要意义。然而，复杂的生长环境、不确定的光照、苹果小果的聚类和闭塞，特别是小果和背景之间的极端相似性等因素，很难有效地检测到苹果果实。本研究的总体目标是建立一种基于通道剪枝YOLO v5深度学习算法的小模型尺寸准确的苹果果实检测方法。首先，利用迁移学习方法建立了苹果果实的YOLO v5检测模型。为了简化在保证检测效率的前提下，采用通道剪枝算法对YOLO v5模型进行剪枝。然后对修剪后的模型进行微调，实现苹果小果的快速、准确检测。实验结果表明，通道剪枝的YOLO v5模型为不同条件下的苹果果实检测提供了一种有效的方法。获得的召回率为87.6%，准确率为95.8%，F1评分为91.5%，误检率为4.2%;平均检测时间为每幅图像8 ms;而模型大小仅为1.4 MB。我们的方法的性能进行了7种方法的对比，说明我们的方法在保证检测精度的前提下有效简化了模型。我们的方法提供为便携式移动疏果终端的开发提供参考，也可用于帮助种植者优化果园管理。
个人总结：对YOLO v5模型进行剪枝，剪枝后的效果与其他的模型进行了比较。是实际应用中，这个说对小果的额外好处是比较牵强的。 yolov5(2分)+剪枝（2分）+蒸馏（2分）自己数据但不多（1分）=7分
2. Apple detection during different growth stages in orchards using the improved YOLO-V3 model, 2018
果园苹果的实时检测是判断苹果生长阶段的重要方法之一
苹果和估产。苹果的大小、颜色、簇密度和其他生长特征会发生变化随着他们的成长。传统的检测方法只能检测特定生长阶段的苹果，但是使用同一模型的方法不能适应不同的生长阶段。我们提出了一种改进的YOLO-V3光照波动果园不同生长阶段苹果检测模型背景、重叠的苹果、树枝和树叶。年轻苹果、膨胀苹果和成熟苹果的图像苹果最初是收集的。这些图像随后使用旋转变换、颜色和颜色进行增强平衡变换、亮度变换和模糊处理。增强后的图像用于创建训练集。DenseNet方法用于处理YOLO-V3中低分辨率的特征层网络这有效地增强了功能传播，促进了功能重用，并提高了网络性能。训练模型后，在测试数据集上测试训练模型的性能。测试结果结果表明，所提出的YOLOV3稠密模型优于原YOLO-V3模型和更快的R-CNN模型采用VGG16网络模型，这是最先进的水果检测模型。模型的平均检测时间为在3000×3000分辨率下，每帧0.304秒，可提供果园苹果的实时检测。此外，YOLOV3稠密模型可以有效地提供重叠苹果和非重叠条件下的苹果检测，并且可以应用于果园的实际环境中.
个人总结：2018年的论文啦，用的VGG16和YOLOV3技术比较老啦，不做评价。
3. An attribution-based pruning method for real-time mango detection with YOLO network, 2020
果园中实时的水果检测和定位对于产量估计、产量作图和自动收获的农艺应用是必不可少的。传统的基于手工特征提取的检测方法难以适应真实果园环境的复杂变化。现代神经深处
网络(dnn)需要高性能的计算单元进行推理，这对于典型的农场和果园是不现实的，尽管有很高的检测性能。为了降低dnn算法的计算成本，提出了一种广义归因的剪枝检测网络方法，该方法易于微调，能够实时准确地检测到芒果。通过设计通道和空间掩模来推广归因方法，可以检测到与原yolov3微网络中特定目标输出紧密相关的卷积核。然后，在通道维度上逐层对不相关的核进行修剪。在精细调整修剪后的网络之前，锚点大小、数据增强和学习率衰减被用于芒果检测。实验结果表明，所提出的剪枝方法能够识别出高度目标相关卷积核，且优化后的网络具有较好的芒果检测性能。我们得到的网络是一个规模和旋转不变的芒果检测网络，通过2.6 GFLOPs (giga浮点运算)获得了0.944的f1评分。与未修剪的微调网络相比，该网络的计算量减少了68.7%，准确率提高了0.4%。与使用相同芒果数据集训练的最先进的网络相比，计算量减少了83.4%，精度损失仅约2.4%。本文提出的修剪方法可以从大规模检测网络中剥离出一个子网络，以满足移动设备低功耗处理器的实时需求，如ARM Cortex-A8执行约4.0 GFLOPS (giga-floating point operations per second)。经过训练的网络和测试代码可用于比较研究。
总结：NDD和yolov3比较老啦，剪枝+2分
4. Phenotypic Evaluation of Brown Swiss Dairy Cattle Using Images Processing，2021
瑞士棕牛的表型评价是秘鲁安第斯地区用来鉴定和选择育种雌性的一种方法。选择的依据是它们是否接近理想的乳制品结构。这项工作由股票判断专家完成。在此背景下，本研究的目的是论证执行部分的可行性通过建立奶牛检测模型和决策支持系统对瑞士棕牛进行识别和自动分类，通过重叠模板对瑞士棕牛进行表型评价。采用TensorFlow对象检测API对奶牛进行实时检测。采用学习迁移方法进行培训，并选择MobilNet作为预培训体系结构。因此，开发了一款手机应用程序，通过自动调整和校准奶牛的模板，确定动物是否具有瑞士棕牛品种的表型特征。
5. Detection, classification, and mapping of coffee fruits during harvest with computer vision，2021
在本研究中，利用计算机视觉模型实现了一种算法来检测和分类咖啡果实，并绘制果实在收获过程中的成熟阶段。本研究的主要贡献是关于为每一帧分配地理坐标，这使得能够跨咖啡行映射检测用于咖啡水果检测和分类的模型使用c语言编写的开源神经网络框架Darknet实现。咖啡水果检测和分类使用名为YOLOv3-tiny的目标检测系统实现。在这项研究中，在巴西米纳斯吉拉斯州帕托斯德米纳斯地区的一个商业区，在2020年阿拉比卡咖啡收获期间(Catuaí 144)，咖啡收割机的卸料输送机末端录制了90个视频。当考虑800 × 800像素的图像输入分辨率时，模型性能在~3300次迭代时达到峰值。该模型提出了验证集mAP为84%，F1-Score为82%，precision为83%，recall为82%。未熟、熟和过熟咖啡果实分类的平均精度分别为86%、85%和80%。由于该算法能够对收获期间收集的视频进行检测和分类，因此有可能沿着作物线绘制关于咖啡成熟阶段的定性属性。这些属性图为精确农业技术在作物管理中的应用提供了重要的空间信息。此外，本研究将激励未来的研究针对农业和精准农业的特定任务定制深度学习模型。
总结：YOLOv3-tiny+1分，目标检测+1分，自己数据3分=5分
6. A modified YOLOv3 model for fish detection based on MobileNetv1 as backbone,2020
本文提出了一种结合 YOLOv3 和 MobileNetv1 的新方法，用于真实养殖场的鱼类检测。 MobileNet 的特征图根据它们的感受野重新选择，以更好地检测鱼，而不是原始 YOLOv3 框架中的固定选择策略。使用在养殖场获得的一组鱼类图像数据来评估所提出的方法。检测结果的高精度验证了所提出方法的有效性。此外，代替“ImageNet”，从“ImageNet”中挑选出一个包含16种鱼类图像的较小数据集用于骨干网络预训练，以提取鱼类特征。在此基础上，由于提取的特征更接近于鱼类目标，模型的检测效果进一步提升。因此，证明所提出的方法具有提供
必要和准确的鱼数量，然后将用于确定相应的育种行动。
总结;方法不新啦，自己有动物数据集加3分。
7. A detection algorithm for cherry fruits based on the improved YOLO-v4 model，2021
“数字”农业正在迅速影响农业产值。成熟农产品的机器人采摘，实现精准快速采摘，让农业收割智能化。如何提高产品产量也成为数字农业面临的挑战。在樱桃生长过程中，实现樱桃果实的快速准确检测是樱桃果实数字农业发展的关键。由于樱桃果实检测不准确，遮光等环境问题成为樱桃果实检测的最大挑战。这篇论文提出了一种改进的 YOLO-V4 深度学习算法来检测樱桃果实。此型号适用于樱桃体积小。建议在YOLO-V4骨干网CSPDarknet53基础上增加网络network，结合 DenseNet 层与层之间的密度，YOLO-V4模型中的先验框，改成适合樱桃果实形状的圆形标记框。基于改进的YOLO-V4模型，增强特征提取，深化网络结构，提高检测速度。为了验证该方法的有效性，比较了YOLO-V3、YOLO-V3-dense和YOLO-V4的不同深度学习算法。结果表明，使用本文改进的YOLO-V4模型（YOLO-V4-dense）网络得到的mAP（平均准确率）值比yolov4高0.15。在实际果园应用中，可以检测出同一地区樱桃成熟度不同的樱桃，对成熟度差异较大的果实进行人工干预，最终提高樱桃果实的产量。
总结：改进YOLOV4加1分，自己大量数据+3分=4分。
8. MinneApple: A Benchmark Dataset for Apple Detection and Segmentation
在这项工作中，我们提出了一个新的数据集来推进果园环境中水果检测、分割和计数的最新技术。虽然最近人们对解决这些问题产生了浓厚的兴趣，但由于缺乏统一的数据集，因此很难比较结果。我们希望通过提供在果园中获得的大量高分辨率图像以及对树上果实的人工注释来进行直接比较。水果使用多边形掩码为每个对象实例进行标记，以帮助进行精确的对象检测、定位、和分割。此外，我们提供了基于补丁的聚类水果计数数据。我们的数据集包含 1000 张图像中超过 41’0000 个带注释的对象实例。我们提供了数据集的详细概述以及边界框检测、分割和水果计数的基线性能分析以及产量估计的代表性结果。我们公开提供此数据集，并举办 CodaLab 挑战赛，以鼓励对通用数据集的结果进行比较。下载数据并了解有关 MinneApple 数据集的更多信息，请参阅项目网站：http://rsn.cs.umn.edu/index.php/MinneApple。最新信息可在线获取.
总结:这个数据集有拍摄的1000多张图像，每张图像中包括1-20个苹果，有41000个实例分割标签数据，数据是记录了两年。
9. The Smart Image Recognition Mechanism for Crop Harvesting System in Intelligent Agriculture
本研究提出了一种基于物联网技术和智能图像识别。农业决策需要丰富的经验；使用所提出的系统，可以通过训练神经网络模型通过目标检测来确定作物成熟度，然后可以使用机械臂收获成熟的作物。 Keras 用于构建多层感知器机器学习模型并预测多轴机械臂运动和位置。在对图像执行目标检测之后，图像中目标作物中心点的像素坐标被用作神经网络输入，而机械臂被视为输出端。然后使用 MobileNet 版本 2 卷积神经网络作为图像特征提取模型，将其与单发多盒检测器模型组合为后层形成目标检测模型。然后该模型通过收集和标记图像来执行作物检测。经验证据表明，所提出的模型训练的平均精度（mAP）为84%，高于其他模型；从手臂拾取结果中观察到 89% 的 mAP。
总结: 想法可以（1分）+开发了机械臂3分=4分
10. Real-time nondestructive fish behavior detecting in mixed polyculture system using deep-learning and low-cost devices, 2021,7分
鱼类行为在全球水产养殖中引起了越来越多的关注，因为它提供了重要的信息，关于生产力和鱼类质量。通过提供比手动测量等传统方法更高的空间分辨率、效率和准确性，使用图像来检测鱼类行为已在水产养殖行为研究中显示出潜力。此外，与其他方法相比，它允许进行更多的定量数据分析。迄今为止，用于监测鱼类行为的传统图像处理方法主要基于外观、形态和颜色信息。这种方法复杂和/或耗时，并限制了这种方法在水产养殖中的实用性。为了解决这些问题，我们在此提出了一种基于水下成像系统和深度学习框架的无创、快速、低成本的程序，以在混合混养系统中以高精度检测鱼类的行为。本研究的具体目标是 (1) 设计一个低成本的水下成像系统，可以通过视觉图像描述和量化鱼类的行为，以及 (2) 开发一种轻量级的深度学习结构，以快速准确地检测各种不同环境下的鱼类行为。状况。为此，首先通过低成本成像系统捕获鱼的图像，然后对其进行预处理以减少噪音并增强数据信息。最后，改进的 You Only Look Once version 3 Lite (YOLOv3-Lite) 网络具有新颖的骨干结构，用于改进池化块和损失函数，从而更好地识别鱼类行为。所提出的方法在真实数据集上进行了测试，并且产生 0.897 的精度、0.884 的召回、0.892 的联合交叉和每秒 240 帧。此外，与更快的区域卷积神经网络 YOLO、YOLOv2、YOLOv3 和单次多盒检测器相比，所提出方法的每个评估指标的性能提高了 10%–20%。这一综合分析表明，所提出的方法提供了最先进的性能，可用于养鱼场。
总结：改进Yolov3+1分，真实鱼类数据，+3分，做了实验+1分=5分
11. In-field tea shoot detection and 3D localization using an RGB-D camera，2021
在这项研究中，使用计算机视觉模型实现了一种算法来检测和分类咖啡果实，并绘制收获期间果实的成熟阶段。本研究的主要贡献在于为每个帧分配地理坐标，这使得跨咖啡行的检测摘要映射成为可能。用于检测和分类咖啡果的模型是使用 Darknet 实现的，Darknet 是一个用 C 编写的开源神经网络框架。咖啡果检测和分类是使用名为 YOLOv3-tiny 的对象检测系统执行的。对于这项研究，在结束时，录制了 90 个视频
2020 年阿拉比卡咖啡 (Catuaí 144) 收获期间咖啡收获机的卸料输送机巴西米纳斯吉拉斯州帕托斯德米纳斯地区。模型性能达到峰值，当考虑 800 × 800 像素的图像输入分辨率时，第 3300 次迭代。该模型提出了一个验证集的 mAP 为 84%，F1-Score 为 82%，精度为 83%，召回率为 82%。未成熟、成熟和过熟咖啡果实类别的平均精度分别为 86%、85% 和 80%。由于该算法能够对收获期间收集的视频进行检测和分类，因此可以沿着作物线绘制有关咖啡成熟阶段的定性属性。这些属性图为管理者在作物管理中应用精准农业技术提供了重要的空间信息。此外，这项研究应该激励未来的研究为农业和精准农业中的某些任务定制深度学习模型。
12. Faster R-CNN With Classifier Fusion for Automatic Detection of Small Fruits，2020
水果检测是自动产量估算的一项基本任务。目标是检测图像中的所有水果。最先进的水果检测算法，Faster R-CNN，显示对小水果缺乏检测优势。原因之一是仅使用单级特征和分类器来定位候选提案。在本文中，我们建议将多分类器融合策略合并到 Faster R-CNN 网络中以进行小水果检测。我们利用三个不同层次的特征，在提案定位阶段学习三个分类器进行对象性分类。来自分类器的概率由一个简单的卷积层组合，以生成候选提案的最终目标分类。期间训练，为了训练一个泛化能力强的模型，我们建议使用相关系数来衡量多个分类器的多样性。引入了一种具有分类器相关性的新型损失函数来训练区域提议网络。我们在两个小水果数据集上评估了所提出的模型。大量实验表明，所提出的模型优于最先进的水果检测检测器。
总结：Faster R-CNN +分类2分左右。
13. EFDet: An efficient detection method for cucumber disease under natural complex environments，2021
提高疾病检测模型的应用能力是农业信息化领域的关键问题。复杂的背景、图像的多样性和模型的复杂性是影响自动疾病识别实现的主要因素。本研究构建了高效检测模型（EFDet），主要由高效骨干网络、特征融合模块和预测器组成。 EFDet通过融合特征图在复杂背景下提高黄瓜叶子的检测效果
不同的层次。我们收集了霜霉病、细菌角斑病和健康三类黄瓜叶子来构建黄瓜病害数据集。它包含 7,488 张图像，具有三个复杂度级别，用于模型训练和评估。 YOLO V3-V5、EfficientDet-D1、YOLO V3-ASFF等六种检测模型作为对比模型，我们从模型大小、FLOPs、mAP等方面验证了EFDet的性能。实验结果表明，EFDet对复杂环境下黄瓜病叶具有较强的鲁棒性。它还具有更小的参数和计算，适合实际应用。
总结：3分。
14. Improved multi-classes kiwifruit detection in orchard to avoid collisions during robotic picking
深度学习实现了猕猴桃检测精度高、速度快。然而，所有的猕猴桃在大多数机器人水果采摘研究中，它们仅被标记和检测为一类，其中被树枝或电线遮挡的水果已被检测为可采摘目标。末端执行器或机器人在被迫采摘水果时可能会被树枝或电线损坏。因此，猕猴桃基于它们的遮挡在多类中被标记、训练和检测，以避免检测被树枝或线遮挡的果实作为可拾取目标。根据机器人采摘策略和场地遮挡，将水果分为四类和五类。著名的 YOLOv3 和最近发布的 YOLOv4 被用来做多类奇异果检测的迁移学习。结果表明，水果中的 mAP（平均精度）
五类高于四类，而YOLOv4的mAP高于YOLOv3。 YOLOv4和YOLOv3在五类和四类中的mAP分别为91.9%、91.5%、91.1%和89.5%。结果表明，在更多类别中标记和训练的水果可以获得更高的 mAP。 YOLOv3和YOLOv4的平均检测速度有显着差异，但在四类和五类中没有。总体而言，YOLOv4 在五个类别中实现了 91.9% 的最高 mAP，其花费了 25.5 毫秒
平均处理 2352 × 1568 图像。结果表明，多类奇异果检测有助于避免对末端执行器或机器人的损坏。
总结：大量数据+3分，YOLOV4+1分。
15. YOLO fish detection with Euclidean tracking in fish farms，2021
管理鱼类养殖场的活动，如鱼类池塘监测，是鱼类养殖者艰巨且成本高昂的任务之一。 通常，这些活动是手动完成的，对鱼类养殖者来说是浪费时间和金钱。 本文介绍了一种方法，该方法可以在水条件具有挑战性的情况下改进 鱼 检测和 鱼 轨迹。 图像增强算法首先用于改善不清晰的图像。 然后在增强图像上使用对象检测算法来检测 鱼。 最后，从检测到的对象的坐标中提取 鱼 计数和轨迹等特征。 我们的方法旨在对鱼类养殖场的鱼类池塘进行更好的鱼类跟踪和检测。
总结:方法有点老啦
16. Recent advances in the application of deep learning methods to forestry(综述)，2021
本文对深度学习（DL）的基本理论进行了概述和分析，特别是对一些重要的算法进行了比较和分析。文章回顾和分析了DL方法在林业中的主要应用，包括锯材表面质量评价、森林资源调查、树种鉴定、木材含水率预测、具体应用。
林业信息文本分类等。通过综合分析和回顾，发现：（1）DL方法在表面质量方面得到了广泛的应用。锯材评价，研究领域主要采用卷积神经网络（CNN）DL算法开展锯材表面评价研究，YOLOv4、YOLOv5m算法实现近实时目标检测识别。 (2)基于DL建立适合的森林资源遥感图像识别方法，在未来森林资源调查、森林植被覆盖率统计、植物生长状况监测分析等领域具有重要应用价值。 (3)基于深度学习的树种识别方法有效地避免了其他方法需要对树木图像进行图像预处理，导致操作过程繁琐、效率低、工作量大的缺点。 (4)DL方法为木材含水量的预测提供了一种快速有效的预测方法。此外，DL方法在林业信息文本分类中的应用为林业信息文本分类提供了新的解决方案。文章最后对全文进行了总结，预测了DL在林业中应用的未来发展趋势：高端林业装备研究、林业微观研究、智慧林业等领域。
17. Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments
实现对自然环境中苹果花的快速准确检测对于产量估算和自动花稀释剂的开发至关重要。提出了一种使用通道剪枝YOLO v4深度学习算法的实时苹果花检测方法。首先构建了CSPDarknet53框架下的YOLO v4模型，然后为了简化苹果花检测模型并保证模型的效率，采用通道剪枝算法对模型进行剪枝。最后，使用总共2230张人工标注的苹果花图像（包括富士、红爱、嘎啦三个品种）对模型进行微调，实现对苹果花的快速准确检测。测试结果表明，修剪后的苹果花检测模型参数个数减少了96.74%，模型大小减少了231.51 MB，推理时间减少了39.47%，mAP为97.31%，达到了仅比修剪前的模型低 0.24%。为了验证所提出方法的有效性，比较了五种不同的深度学习算法，包括 Faster R-CNN、Tiny-YOLO v2、YOLO v3、SSD 300 和 EfficientDet-D0。对比结果表明，该方法检测苹果花的mAP为97.31%；检测速度为72.33f/s；模型大小为 12.46 MB； mAP分别比其他五种算法高12.21%、15.56%、14.19%、5.67%和7.79%；检测速度满足实时性要求。此外，还讨论了不同苹果树种和光照条件下苹果花的检测性能。结果表明该方法对果树品种和光照方向的变化具有很强的鲁棒性。
结果表明，将所提方法应用于实时、准确的检测是可行的。
苹果花。该研究可为果园产量估算和开发提供技术参考。
总结：剪枝+YOLOV4=3分，自己的数据+1分=4分。
18. Detecting Trees in Street Images via Deep Learning with Attention Module，2019
尽管目标检测技术已广泛应用于各种实际应用中，但自动
树木检测仍然是一项艰巨的挑战，尤其是对于街道查看图像。在本文中，我们提出了一个统一的端到端用于自动街道树检测的可训练网络，基于在最先进的基于深度学习的对象检测器上。我们解决树中的低照度和重度遮挡情况直到现在还没有被广泛研究的检测，由于明显的挑战。由于上述挑战，现有的通用对象检测器不能直接应用于此任务。为了解决这些问题，我们首先提出了一种简单而有效的图像亮度调整方法来处理低照度情况。此外，受先前提出的遮挡感知 R-CNN 工作的启发，我们提出了一种新的损失和树部分注意模块，以减少由重度遮挡引起的错误检测。我们训练和评估所提议网络的多个版本，并验证每个组件的重要性。结果表明，用于树木检测的部分注意力网络（PANTD）可以有效地检测街景图像中的树木。实验结果表明，我们的方法在各种条件下都实现了高精度和鲁棒性。
总结：摘要没有具体的方法和结果。
19. An experimental study of stunned state detection for broiler chickens using an improved convolution neural network algorithm，2020
肉鸡昏迷状态的有效识别方法一直是现实行业中的一个重要问题。近年来，神经网络等识别方法因其诊断准确率高、易于实现等优点而受到越来越多的关注。为了提高肉鸡昏迷状态识别的准确性和效率，提出了一种改进的基于区域的快速卷积神经网络（You Only Look Once + Multilayer Residual Module (YOLO + MRM)）算法，并将其应用于三种肉鸡昏迷状态的识别：不足、适当和过度的眩晕。这些图像是使用互补金属氧化物半导体 (CMOS) 相机从肉鸡屠宰线上收集的。根据PASCAL VOC数据格式对原始图像中肉鸡头部和翅膀的区域进行标记，得到每只肉鸡昏迷状态的数据集。结果表明，YOLO+MRM算法取得了良好的性能，准确率为96.77%。为了将YOLO + MRM与其他模型进行比较，使用传统的反向传播神经网络（BP-NN）分类器以及YOLO进行了类似的实验，识别准确率分别为90.11%和94.74%。 YOLO+MRM每小时可完成超过18万只肉鸡的检测任务。与传统方法相比，不需要图像识别方面的先验知识，识别准确率和速度明显提高。这项研究为自动检测肉鸡致昏状态提供了基础并强调了其潜力，这对于家禽业自动电致致昏过程的成功至关重要。
总结：这篇论文大概是5-6分左右。