1. Optimized deep residual network system for diagnosing tomato pests番茄生产经常受到多种害虫（主要是粉虱和棉铃虫）叮咬的威胁
害虫存在于整个番茄生长期，及时发现和防治这些顽固的害虫有助于经济损失
近年来，深度学习被广泛用于识别植物病虫害
深度学习模型的性能受网络结构和超参数的影响很大，尤其是超参数，往往需要人工参与选择
为了获得合适的超参数，本文改进了果蝇优化算法，并使用改进后的算法来优化深度网络的学习率
实验结果表明，改进后的果蝇优化算法可以得到更好的学习率
与其他6个网络比较，IResNet50对7种番茄害虫的平均诊断准确率为94.4%，优于其他模型
总结：用了ResNet 改进算法+1分，主题太旧-1分，多方法对比+1分
2. Applying convolutional neural networks for detecting wheat stripe rust transmission centers under complex field conditions using RGB-based high spatial resolution images from UAVs无人机的使用为获取用于作物病害检测的高空间分辨率图像提供了一种及时且低成本的方法
本研究通过探索卷积神经网络（CNNs）和基于RGB的无人机高空间分辨率图像，检测湖北复杂田间条件下小麦条锈病传播中心（感染面积占比小于1.35%）
为了充分利用端到端学习功能，应用CNNs语义分割架构 （deeplabv3+）对图像进行像素分类，以检测健康小麦和条纹锈病感染小麦 （SRIW）
使用具有不同场条件和阳光照明属性的丰富数据集，我们能够准确地检测SRIW（Rust class F1 = 0.81）
该研究还评估了分类框架和空间分辨率对模型训练的影响
结果表明，当使用多分支二进制框架而不是多分类框架进行不平衡类的CNN训练时，rust类的模型精度有所提高
较粗糙的空间分辨率（8 cm）显著降低了模型精度（Rust class F1-score）
此外，定义了宏观疾病指数（MDI）以定量测量SRIW的发生
我们的研究结果证明了超高空间分辨率无人机成像在检测SRIW方面的能力
随着端到端深度学习分割方法大大减少了对密集预处理的需要，CNN和基于RGB的无人机超高空间分辨率图像的结合为大规模准确检测作物病害提供了一种简单快速的方法
总结：这篇论文比上一篇论文内容翔实很多，虽然同样为病虫害检测问题，但有了具体的科学问题+0.5分
语义分割+2分，无人机飞行拍摄的高分辨率地理配准航空图像+2分，多种语义分割算法（DeepLabv3+、FPN、U-Net、Linknet、Manet、Pan、PSPnet）对比+1分
3. Improving vegetation segmentation with shadow effects based on double input networks using polarization images部分植被覆盖（FVC）在植被生长状态研究中起着重要作用，关键问题是从背景中准确分割和提取绿色植被
然而，自然光产生的阴影在图像中会产生极端的照度差异，这大大降低了植被提取精度
地面物体的偏振信息与地面物体反射率的物理状态无关，可用于在一定程度上消除图像中强烈反射的影响，减少极端阳光条件下的照度差异，有助于提高阴影条件下的植被识别效果
为提高阴影条件下植被分割的精度，提出一种植被偏振反射信息，并提出一种改进的语义分割网络，特别是基于DeepLabv3plus（DIR_DeepLabv3plus）的双输入残差网络，并提出基于级联加法的融合策略
该网络通过深残差网络和亚鲁空间金字塔池（ASPP）结构，从光强（红绿蓝（RGB））图像和线性偏振度（DoLP）图像中独立提取不同空间尺度的低层特征和高级特征，有效提高了阴影条件下植被分割的准确性
结果表明，无阴影植被、光影和带阴影植被的并集交集（mIoU）均值分别为94.01%、92.508%和90.969%
与采用抗阴影算法（SHAR-LABFVC）从数字图像中提取色指数法和绿色分数植被覆盖层相比，该方法大大提高了提取精度，与无偏振信息的方法相比，不同阴影条件下的植被mIoU值分别高出0.18%、1.00%和1.49%
本研究为植被分割提供了一种新方法，提高了阴影条件下FVC计算的准确性
总结：语义分割+2，阴影主题+0.5，改进方法+2分，自己的数据集+1分
4. 3D point cloud density-based segmentation for vine rows detection and localisation用于作物监测的新传感器的采用导致获取大量数据，这些数据通常不能直接用于农业应用
从遥感数据生成的田地和地块的 3D 点云图就是此类大数据的示例，需要开发特定的算法对其进行处理和解释，最终目的是获得有关作物状况的有价值信息
本手稿基于关键点检测和基于密度的聚类方法，提出了一种创新的 3D 点云处理算法，用于葡萄园地图中的葡萄藤行检测和定位
藤行定位是解释复杂和巨大的农业环境 3D 点云的关键阶段，这使得焦点从宏观层面（地块和地块规模）转移到微观层面（植物、水果和树枝）成为可能）
该算法的输出通过一组关键点和一条插值曲线充分描述了整个农业环境 3D 模型中每行葡萄藤的空间位置
该算法特别被认为是稳健的，并且：（i）独立于用于获取现场数据的采用的机载传感器（不需要具有颜色或光谱信息的模型）； (ii) 能够管理具有任何葡萄行布局或方向（例如曲线）的葡萄园，以及 (iii) 不受缺失植物发生的阻碍
对七个案例地块的模型进行处理得到的实验结果证明了该算法的可靠性和准确性：葡萄行自动检测100%符合人工检测；获得的定位指标显示平均误差为 12 cm，标准差为10 cm，与所考虑的农业应用完全兼容
此外，算法输出可用于增强用于现场操作的自主农业机器的路径规划总结：这篇文章采用3D 点云处理算法（+2.5分），用无人机对7个葡萄园葡萄藤进行了测定（大量实际数据+3分），主题新颖（+1分）
5. Design of smart seed sensor based on microwave detection method and signal calculation model目前用于播种监测的大多数传感器都是光电传感器
它们容易受到灰尘和光线的影响，并且不能准确地识别重叠的种子
监测精度仍有待提高
本研究设计了一种基于微波检测方法和信号计算模型的智能种子传感器，以提高双重叠种子的抗粉尘性和监测精度
智能种子传感器使用微波射频前端作为信号源，产生24 GHz电磁波信号
传感器和种子之间的相对运动会产生微弱的IF（中频）信号
在放大和滤波中频信号后，传感器产生原始脉冲信号
与传统传感器不同，这款智能种子传感器增加了计算识别部分：原始脉冲信号由电压采集模块采集，产生的电压信号被记录下来，种子数量根据电压信号计算模型确定，然后输出相应的种子信号
种子信号最终由种子监测系统采集，并计算目标参数
本研究设计的智能种子传感器与传统的光电传感器和高频无线电波型WaveVision种子传感器进行了比较
测试结果表明，智能种子传感器对单颗种子的监测准确率达到99%以上，双重叠种子的识别准确率达到56.3%
然而，光电传感器和WaveVision种子传感器对双重叠种子的识别精度几乎为0
而且，智能种子传感器在防尘性能方面优于光电传感器
智能种子传感器具有更好的综合性能
本研究对播种监测技术的进一步发展具有积极作用
总结：该论文主要研究了一种新型传感器，做了多方面实验验证该传感器相比传统传感器在抗灰尘、种子重叠等方面的准确性有所提高
该研究的主题较新颖+1分，硬件设计+3分，多方面实验设计并测定检测有效性+2分
6. A deep learning approach incorporating YOLO v5 and attention mechanisms for field real-time detection of the invasive weed Solanum rostratum Dunal seedlings茄子Dunal是一种常见的外来入侵杂草，可以破坏本地生态系统和生物多样性
在生长的早期阶段检测Dunal，可以在造成严重损害之前对其进行治疗
为此，构建了一个卷积神经网络模型YOLO-CBAM，用于检测茄子罗斯特拉图姆杜纳尔种子，该模型结合了YOLO v5和注意力机制
设计了一种通过计算重叠率来切片高分辨率图像的方法，以构建数据集，从而降低在训练过程中由于压缩高分辨率图像而导致细节丢失的可能性
多尺度训练方法已被用于提高训练绩效
对比测试表明，所提YOLO_CBAM的精度和召回率均高于YOLO v5
经过多尺度训练后，网络性能得到进一步提升，YOLO_CBAM的平均精度（AP）从0.9017提高到0.9272
经过训练的网络模型被部署到Jetson AGX Xavier进行现场试验
网络模型的精度为0.9465，实时识别的召回率为0.9017
检测速度和检测效果可应用于野外实时检测野外杂草Dunal幼苗
总结：通过YOLOv5和注意力机制检测杂草+3分，硬件操作+2分=5分
看这篇论文时会忍不住想要问SO WHAT？如作者在论文中下图中提到的那样通过机器人搭载设备，获得地面杂草图像进行识别
即使识别准确率非常高又如何？能解决什么实际问题?7. N distribution characterization based on organ-level biomass and N concentration using a hyperspectral lidar准确估计植物器官中的氮浓度和生物量(W)可提供有关氮分布机制的信息，这对于提高氮利用效率(NUE) 和优化氮管理至关重要
遥感数据在提取 W 时可能会导致渐近饱和问题，而仅采用一个波段的商用激光雷达系统在 N 检索中的能力有限
结合被动遥感和传统激光雷达的优势，高光谱激光雷达（HSL）能够同时提取植物的结构和光谱信息
本研究的目的是评估HSL在器官水平上估计玉米N浓度和W的能力，并测试HSL是否可以表征玉米在不同生长阶段和不同氮肥条件下的N分布
基于以光谱指数作为输入的偏最小二乘回归(PLSR)方法，观察到叶和茎 N 提取的广泛HSL性能 (R = 0.71–0.91)
提取的高度指标（茎高和植物高度）与器官水平W之间建立了密切关系（R≥0.75）
基于估计的W分配、N浓度动态以及N随W积累的变化被成功监测N 浓度和 W，从而证明了HSL表征玉米植物内N分布模式的能力
我们的研究结果表明，新型HSL 系统在监测植物氮分布和服务精准农业方面具有很大潜力
总结：测植物的氮素和生物量含量的研究非常多，主题算比较老了-0.5，用了高光谱雷达预测+3分，自己数据和实验+2分=4.5分8. Practical cucumber leaf disease recognition using improved Swin Transformer and small sample size基于卷积神经网络（CNN）的深度学习方法在植物叶病的数据集扩充和识别中得到了广泛应用
与CNN相比，最近开发的基于变压器的模型（如Swin Transformer（SwinT））在各种视觉基准测试上表现出很强竞争力，甚至更好的性能
本文提出了一种基于改进SwinT的骨干网络，并将其应用于实用黄瓜叶病的数据增强和识别
首先，通过逐步小补丁嵌入改进了SwinT的补丁分区，在不增加参数数量的情况下增强了特征提取能力
其次，将所提出的骨干网络和Grad-CAM组成的叶片提取模块集成到生成对抗网络（GAN）中，构建STA-GAN（基于SwinT和注意力引导的GAN），仅在背景复杂的健康图像的叶区生成病斑，以增强疾病数据集
最后，利用迁移学习和增强数据集，通过提出的骨干网络对黄瓜叶病的识别模型进行训练
从实验结果来看，STA-GAN表现出比LeafGAN更强的生成高质量图像的能力
此外，以STA-GAN为识别模型的骨干，以SwinT、原SwinT、EfficientNet-B5和ResNet-101为识别模型的骨干，比SwinT、原SwinT、EfficientNet-B5和ResNet-101的病害识别准确率高出很多，表明基于改进SwinT的方法确实有助于提高数据增强和实用黄瓜叶病识别的性能
所提出的方法有可能应对其他类似植物科学任务中数据量不足和复杂背景的共同挑战
总结：识别病叶这个主题-1分但又用小样本识别是热门方向+1分
改进Swin Transformer模型+3分
无监督学习+1分，自己的数据包括4种叶片疾病+0-0.5分
9. A novel approach for the 3D localization of branch picking points based on deep learning applied to longan harvesting UAVs龙眼是著名的特产水果和栽培药用植物，具有重要的食用和药用价值；如何提高收获时的生产力是一个重要问题
目前，龙眼主要种植在丘陵地区
对于复杂的场地条件和高大的树木，地面收割机械无法正常工作
本研究以无人机采摘龙眼果实为目标，提出了一种结合改进的YOLOv5s、改进的DeepLabv3+模型和深度图像信息的方法，用于复杂自然采摘点的三维（3D）定位
首先，利用改进的YOLOv5s模型，快速检测复杂果园环境中的龙眼果串和主要果枝
根据其相对位置关系得到正确的主果枝，作为语义分割模型的输入
其次，使用改进的DeepLabv3+模型，对上一步提取的图像进行语义分割，得到主要龙眼果枝的2D坐标信息
最后结合龙眼果串的生长特性，在3D空间对主果枝进行RGB-D信息融合，得到主果枝的中轴和位姿信息，以及采摘的3D坐标计算积分，为龙眼收获无人机提供目的地信息
为验证所提方法的有效性，在龙眼园进行了主要果枝及采摘点的识别与定位试验
实验结果表明，龙眼串果和主果枝检测准确率为85.50%，主果枝语义分割准确率为94.52%
整个算法在实际场景中耗时0.58 s，能够快速准确地定位拾取点
综上所述，本文充分发挥了卷积神经网络与RGB-D图像信息相结合的优势，进一步提高了龙眼采集无人机在3D空间精准定位采摘点的效率
总结： 3d目标检测YOLOV5+DeepLabv3模型=5分，实际场景数据+1分
硬件+1分
10. Detection and classification of whiteflies and development stages on soybean leaves images using an improved deep learning strategy本文提出了一种检测和分类成年粉虱5个发育时期的新策略
粉虱是大豆作物中的主要害虫，通过检测、计数和区分其在田间叶片中的5个生命阶段，可以做出控制管理决策
该解决方案基于深度学习对象检测算法（YOLOv4），在数据增强、图像镶嵌和假设对象类别融合等方面进行了创新，将其修改为一种特定的新学习策略
来自感染粉虱卵的对照实验提供了真实且带注释的图像数据集，该实验包含了121张图像和973个注释对象
实验结果表明，与单一YOLOv4算法相比，该算法的f1得分为0.87，性能有前景，而f1得分为0.80，整体战略可以扩展到其他类似的基于图像的害虫管理任务中
总结：该研究通过改进YOLOV4的方法对大豆作物的主要害虫粉虱5个生命阶段进行识别
该研究的主题比较老了，我个人认为，该论文实验数据较少，很难得到非常准确的结果
此外，图像识别方式是放大叶片，在实践检测过程中是很难把镜头非常靠近叶子识别
11. Multiple disease detection method for greenhouse-cultivated strawberry based on multiscale feature fusion Faster R_CNN病害对草莓品质和产量有显著影响，深度学习已成为检测作物病害的重要途径
为了解决自然环境中草莓病害图像中复杂背景和小病斑的问题，我们提出了一种新的Faster R_CNN架构
多尺度特征融合网络由ResNet、FPN和CBAM区块组成，可有效提取丰富的草莓病害特征
建立了草莓叶、花、果数据集，实验结果表明，该模型在自然条件下能够有效检测出健康草莓和7种草莓病害，mAP为92.18%，平均检测时间仅为229 ms
将该模型与Mask R_CNN和YOLO-v3进行比较，我们发现我们的模型可以保证高精度和快速检测操作要求
我们的方法为作物病害检测提供了有效的解决方案，可以改善农民对草莓种植过程的管理
总结：该研究使用了注意力机制和改进的Faster R_CNN架构识别草莓病虫害+3分，数据来自自己拍摄照片和网络开源图片
12. TomatoScan: An Android-based application for quality evaluation and ripening determination of tomato fruit本研究采用接触成像和聚光束注入等新方法预测番茄果实品质相关指标，并确定成熟期
总共使用了220个番茄样本，分为六个成熟阶段和两个储存阶段
接触图像由RGB智能手机摄像头拍摄
采用逐步回归法选择接触图像的优越特征后，利用多层感知器人工神经网络创建预测和分类模型
使用白光对a（CIELAB色彩空间），可滴定酸度和可溶性固形物含量，类胡萝卜素的650nm激光，L的532和650nm激光的组合（CIELAB色空间），弹性和番茄红素以及650和780nm波长的组合来获得最佳的预测性能
对于基于成熟阶段的西红柿分类，白光也是最好的光源
基于MATLAB中创建的预测/分类模型的架构以及神经元的偏差和权重值，该应用程序称为 TomatoScan是为安卓智能手机开发的
评估结果TomatoScan应用程序的结果几乎与使用MATLAB软件在神经网络模型测试阶段获得的结果相似
根据测试数据集的结果，L、a、弹性、总叶绿素、类胡萝卜素、番茄红素、可滴定酸度和可溶性固体含量的估计系数（R）分别为0.901、0.964、0.856、0.664、0.824、0.923、0.816和0.792，而均方误差的相应值为3.549、13.485、0.000、14.070、0.065、39.198，分别为 0.058和0.259
TomatoScan还能够确定西红柿的成熟阶段，总体准确率为75.00%
总结：该研究使用接触成像和聚光束注入番茄果实品质和成熟度
开发了一个番茄果实质量检测APP，要结合使用有CMOS传感器的相机的智能手机+4分
13. A low-cost integrated sensor for measuring tree diameter at breast height (DBH)胸高树木直径（DBH）的测量是估计森林木材体积，生物量和碳通量的基础
测量胸径的传统接触方法既耗时又费力
因此，实现一种低成本和快速的胸径测量方法非常重要
本文通过集成无源（智能手机）和有源光学传感器（激光游侠）提出了一种非接触式方法
使用该设备，同时收集激光测距仪获取的从传感器到树干的水平距离和智能手机获取的目标树的图像
采用自动检测算法识别图像中的树干，然后基于摄影测量原理结合水平距离测量树的直径进行测量
采用卷尺在371棵树上验证了所提出方法的性能，其中主要品种是意大利杨树（Populus euramevicana）和松树（Pinus tabuliformis），直径范围为6至51 cm
为了研究可能影响该方法的因素，在4种不同条件下进一步分析了结果，即不同的光照条件、城市和天然林条件以及具有不同表面纹理特征的不同树种
结果表明，所提装置的测量结果与传统接触法的测量结果吻合良好，绝对平均误差（MAE）为1.12 cm，RMSE为1.55 cm
该方法的吸引力在于它成本低，便携，易于使用且足够准确
还期望所提出的方法能够方便测量DBH相关的冠层结构参数，如树木体积，以及其他参数，如树木高度
总结： 该研究采用了一种全新的方法对树木胸径进行快速识别，该研究有硬件和软件的共同支持，选择了两个试验地分别对公园和人工林中树木的37+210棵树木的胸径进行检测以确保结果有效，但10%的验证集太小
该研究的主题比较新而且解决了实际问题+2分，硬件+2分，自己收集实验且用了两种不同环境下的数据但数据量不大+2分=6分
14. MS-DNet: A mobile neural network for plant disease identification从粮食安全的角度来看，植物病害鉴定最近引起了极大的关注
由于植物病害的复杂性和多样性，使用图像处理技术进行植物病害识别是一项具有挑战性的任务
虽然深度神经网络在识别各种植物病害方面前景广阔，但它们存在一些缺点，例如它们对大量参数的需求，这需要大量的注释数据来训练模型
为了克服这一挑战，本研究提出了一种名为MS-DNet的新型轻量级网络架构，用于识别作物病害;该网络具有较小的模型尺寸和高计算速度
该方法在比较实验中取得了令人满意的性能，在识别不同作物病害类型方面的平均准确率为98.32%
实验结果进一步表明，该方法优于其他现有方法，并证明了其效率和可扩展性
我们的代码可见https://github.com/xtu502/Automatic-crop-disease-identification-under-field-conditions
总结：该研究收集了966张作物病害图像，其中包括500个水稻和466个玉米植物病害的图像
先在54，306个植物叶图像组成的PlantVillage病叶数据集预训练模型，后迁移学习到自己的数据集中
使用了DenseNet改进的模型与其他方法对比（+2分），作者命名为MS-DNet的轻量级网络架构
此外，该研究开源了代码（+2分）
15. An online machine learning-based sensors clustering system for efficient and cost-effective environmental monitoring in controlled environment agriculture传感器在受控环境农业中至关重要，用于测量有效决策的参数
目前，由于经济影响和数据管理问题，大多数种植者随机安装有限数量的传感器
受保护的栽培系统中的微气候不断受到宏观气候（环境）的影响，这进一步使围绕最佳传感器放置的决策复杂化
环境天气对室内小气候的影响使得通过使用传感器预测或获取系统的理想状况变得具有挑战性
本研究提出并实现了一种机器学习（K-Means++）算法，通过聚类选择最佳传感器位置
温度和相对湿度数据从温室内的56个不同位置收集了一年多，覆盖了四个主要季节（春季，夏季，秋季和冬季）
使用四分位来处理数据以消除异常值或噪声干扰
将原始温度和相对湿度数据转换为其他空气属性（温度、焓、湿度等）并在模拟中使用
结果表明，最佳传感器位置的数量在3~5之间
开发了一个基于Web的在线机器学习系统，以系统地确定传感器的最佳数量和位置
总结：该研究通过对温室中56个传感器分析温室中的温度、湿度、温度和相对湿度、比容积等指标，然后使用K-Means++算法对收集到的数据进行聚类分析最佳传感器放置位置
最后，基于Web的机器学习软件，用于优化传感器放置和模型验证
该研究有一个很好的问题，也应用了实际方法去解决，并开发了网页，但是界面没有开源
5分
16. Machine learning-based prediction of nutritional status in oil palm leaves using proximal multispectral images本研究评估了近端多光谱图像的应用，并伴有4种机器学习方法来估计油棕叶的营养状况
该图像对五个波段进行了响应：蓝色，绿色，红色，红色边缘和近红外区域，中心波长为475，560，668，717和840 nm
从各波段的叶像素中提取平均值和标准偏差（SD）值，从5个波段获得5个平均值和5个SD值
根据这些平均值和SD值生成了34个植被变量
总共有44个变量由10个基于平均值和SD的特征组成，34个植被变量被用作针对10个目标变量的分析的输入候选变量：氮（N），磷（P），钾（K），钙（Ca），镁（Mg），铁（Fe），锰（Mn），锌（Zn），硼（B）和叶绿素（SPAD）
基于逐步选择的P和Zn建模没有明显的输入
因此，本研究提出了8种营养模型
使用包含50个样本的训练集对每个目标进行建模，并使用具有15个样本的测试集来评估模型的性能
基于随机森林（RF）、支持向量回归（SVR）、偏最小二乘回归（PLSR）和人工神经网络（ANN）的建模，叶绿素、N和Ca预测的模型可以进行筛选，K和Mg预测的模型可以接受粗筛选
基于RF开发的叶绿素模型在预测决定系数（r）、预测均方根误差（RMSEP）和预测标准误（SEP）方面分别具有预测统计量，分别为0.752、5.46 SPAD和5.65 SPAD
另外2种基于SVR和RF分别针对N和Ca开发的筛选模型给出了r，RMSEP和SEP的性能范围分别为0.655至0.718，0.12至0.17%和0.12至0.18%
在使用RF算法建立的2个粗略筛选模型中，r的预测统计量范围为0.496至0.530，RMSEP和SEP的预测统计量为0.07-0.16%
在这项研究中，Fe，Mn和B模型的结果较差，r，RMSEP和SEP的范围分别为0.308-0.491，2.39-72.9 ppm和2.45-62.8 ppm
基于研究结果，本研究证实，油棕叶近端多光谱信息具有足够的意义，足以解释叶绿素和常量营养素（N、K、Ca和Mg）在叶片中的地位
总结：该研究使用4种机器学习方法来估计不同树龄的油棕叶多光谱图像的8种营养元素状况，同时通过实验定量测定了不同树龄的8种营养元素实际含量
根据预测值和实际值的对比，发现不同的元素用不同的方法会有更好的预测结果
不同树龄的大量的元素分析实验+3分
主题+高光谱图片2分
17. A deep learning image segmentation model for agricultural irrigation system classification有效的水资源管理需要大规模了解农业灌溉系统，以及它们如何因各种压力因素而变化
在这里，我们利用机器学习的进步和高分辨率遥感影像的可用性来帮助解决这一长期存在的问题
作者开发了一个深度学习模型，以使用遥感影像对区域尺度的灌溉系统进行分类
在测试了不同的模型架构、超参数、类权重和镜像大小后，选择了一个带有Resnet-34骨干的U-Net架构
应用迁移学习来提高训练效率和模型性能
在美国爱达荷州的一个案例研究中，作者将四个灌溉系统以及城市和背景区域视为土地利用/覆盖类别，并将该模型应用于8，600张高分辨率（1 m）图像，这些图像标有灌溉类型的地面实况观测值
图像来自美国农业部的国家农业图像计划
我们的模型在训练数据（85%至94%），验证数据（72%至86%）和测试数据（70%至86%）上对不同类进行分割方面取得了最先进的性能，这证明了该模型在基于空间特征分割图像方面的有效性
除了利用深度学习和遥感解决多灌溉类型分割的现实问题外，本研究还开发并公开共享标记数据以及经过训练的深度学习模型用于灌溉类型分割，还可以应用于/转移到全球其他地区
此外，本研究还提供了关于迁移学习的影响，不平衡的训练数据以及各种模型结构对多灌溉类型分割的有效性
总结：该研究使用了来自国家农业影像计划（NAIP）的高分辨率（1米）图像，该研究每三年在农业生长季节获得航空图像
影像包含4个波段的红色、绿色、蓝色和近红外波段
在研究区域分为了6个类别，然后随机生成了8600多个坐标，作为NAIP图像补丁的中心点
每个图像贴片的大小设置为 400 X400 像素（400x400 米）
工作量很大也有实际的研究意义（+4分）
作者提到将所有数据和模型开源（+2分），https://github.com/ehsanraei/Irrigation但是查看不到信息
18. Grapevine stem water potential estimation based on sensor fusion在葡萄栽培管理和灌溉规划中，估算葡萄水分状况对于实现酿酒葡萄质量和产量之间的预期平衡至关重要
智慧农业对从田间数据中提取有意义的信息以支持灌溉决策的需求不断增长，这可以通过使用田间监测技术以及先进的建模算法来促进完成
这项研究是在商业葡萄园内的Vitis Vinifera cv.“长相思”实验地块中进行的
主要目标是基于来自多个传感器的数据融合，为酿酒葡萄藤生成水分胁迫估计模型
使用传感器从五个监测的葡萄藤中收集数据，每个葡萄藤都用不同的水分胁迫状态处理
传感器在20和40厘米的深度提供了树干和果实生长，叶温和土壤含水量（SWC）的测量值
此外，葡萄园的气象站记录了温度，相对湿度，风速和太阳辐射
使用从传感器派生的数据组成了每日的多变量时间序列
测量受监测葡萄藤的茎水势（SWP）值，并根据多变量时间序列分析因子，以确定其相互关系和相互作用
最后，使用增强回归树（BRT）算法定义了SWP估计的预测模型，并优化了一组因子
使用随机选择的测试集和使用训练的BRT模型实现的预测SWP值集之间的比较统计数据进行验证
在处理数据并消除多共线性引起的大部分因素后，该模型由日最高叶温（LT），中午40 cm的SWC，树木水分亏缺（TWD），20 cm处的SWC日振幅，水分输入，蒸气压亏缺和物候时期组成
BRT算法的最大贡献者是最大LT（44.5%），其次是中午的SWC，为40厘米（16.9%）和TWD（16%）
使用各种度量值估计模型性能，并导致估计的 SWP 值与测试集之间的相关性为 0.9
它们的均值（t = -0.31，p值= 0.76）和分布（D = 0.13，p值= 0.77）之间未发现显着差异
RMSE为0.16 MPa，当归一化到测试集的范围时，有12%的误差
因此，通过SWP的传感器融合方法是一种很有前途的技术，它整合了土壤-水-植物-大气连续体的代表性因素;应该在不同的气候条件和多个葡萄品种中进一步研究
结论：采用传感器监控5种不同的灌溉策略的葡萄藤（低，中，高，先低后高，先高后低），集合树干葡萄藤树干、叶温、浆果、气候和实际灌溉量等指标来确定这些因素之间的相互作用以及对葡萄藤水势的影响
这项研究的重点是在2021年生长季节使用传感器融合方法估算葡萄园的水分胁迫
通过多方面估算水胁迫被证明是可行的
实验测量的指标很多，实验的结构也很完整，做的主题本身具有实际意义
大量生理实验+4分，主题好和具有实际意义+1分，传感器融合建立模型+2分=7分
19. A visual identification method for the apple growth forms in the orchard该工作旨在对水果的生长形式进行视觉识别，以促进机器人随后对不同生长形式的水果使用不同的收获机制
利用改进的YOLOv5深度学习算法，提出了一种果园中苹果生长形式的视觉识别方法
具体而言，YOLOv5算法的特征提取模块模仿BiFPN模型，提出了BiFPN-S结构
功能的扩展和功能重用得到了增强，以更好地拟合功能
改进的算法称为YOLOv5-B
网络SiLU激活功能被ACON-C激活功能取代，以提高其网络性能
COCO数据集用于预训练网络，然后通过迁移学习方法训练工作的数据集
训练后，将生成的最优模型应用于苹果果实生长的视觉识别测试
结果表明，改进算法模型考虑了高精度和实时性，达到98.4%，F1值为0.928
测试装置识别苹果生长形态的平均准确率为98.45%，处理速度为71 FPS
总结： 该研究通过改进了的YOLOV5算法对苹果树上果实的4种状态进行了检测（a没有覆盖单个苹果的枝条和茎; b覆盖一个苹果果实的枝和茎; c没有覆盖重叠苹果的枝和茎;d 覆盖重叠苹果的树枝和茎）取得了较高的精度
但是这个研究主题的实际意义并不大，4种状态是可以理解为4种遮挡状态而不是苹果本身的生长形态
参考价值3分
20. Improved Na estimation from hyperspectral data of saline vegetation by machine learning+利用遥感监测植被生长状态是当前农业研究的趋势
本研究旨在基于盐碱植被高光谱数据，确定一种改善中国西北地区叶片Na监测的最优高光谱植被提取框架
构建偏最小二乘（PLS）、支持向量机（SVM）、随机森林（RF）模型对叶片Na进行建模，采用聚合提升树（ABT）和随机森林（RF）变量重要性筛选方法对叶片Na提取中的变量进行优化
然后，确定了最优变量筛选方法和倒置植被Na模型
结果表明，33个植被指数符合要求，RF（R = 0.73，RMSE = 0.50）和PLS（R = 0.72，RMSE = 0.59）模型相对较好，其次是SVM（R = 0.68，RMSE = 0.53）模型，因此构建光谱指数估算盐渍植被叶片内Na含量是可行的， 其次是SVM（R = 0.68，RMSE = 0.53）模型
此外，所有三个模型都使用ABT可变重要性筛选方法进行了改进，其中RF（R = 0.81，RMSE = 0.42）模型具有最令人满意的效果
同样，基于RF重要性筛选方法，三种模型均有显著改进，其中最有效的是SVM（R = 0.82，RMSE = 0.45）模型
本研究表明，ABT-RF和RF-SVM是倒置盐渍植物叶片Na含量最理想的组合框架
本研究为变量筛选方法与模型构建相结合，提高了高光谱传感器监测植被相关化学特征变化的准确性
方法：设置了45个采样点，56个植被，每个采样点都为典型的盐类植被
一使用便携式特征光谱仪（FieldSpec3，ASD）在350-2500 nm范围内收集植被光谱
在测量过程中使用传感器位于叶子表面正上方15厘米处，每个观察结果重复10次
共采集了56个植被样本，根据正态植被光谱曲线对样本进行筛选，并拥有植被叶Na数据，最终选取51个合格的样本数据构建模型
个人总结：该研究的方法很有参考价值，有一个很好的科学问题
采用了大量的实验定量45个地点的56个实际植被的Na含量，此外，高光谱传感器监测植被的Na数据，再通过不同的机器学习方法组合来寻找最优的预测结果
参考价值：大量实验+3分，高光谱传感数据+2分，主题具有较好的实际意义+0.5分=5.5分