文章目录1. Tomato leaf segmentation algorithms for mobile phone applications using deep learning2. Internet of Things (IoT) and Machine Learning based Leaching Requirements Estimation for Saline Soils （IF=9.968, 2020）2.1 提出的方案2.2 材料与方法2.3 分析和讨论2.4 结论3. A Mobile Application for Tree Classification and Canopy Calculation using Machine Learning （会议论文，2019）3.1 介绍3.2 方法： CNN11.3 机器学习3.4 结论和未来的工作4. DropLeaf: A precision farming smartphone tool for real-time quantification of pesticide application coverage5. Underutilised crops database for supporting agricultural diversification6. Replacing traditional light measurement with LiDAR based methods in orchards7. A cyber-physical intelligent agent for irrigation scheduling in horticultural crops8. Data augmentation for automated pest classification in Mango farms9 Citrus advisory system: A web-based postbloom fruit drop disease alert system10. Deep learning-based automatic detection of productive tillers in rice11. Design of Crop Information Storage Analysis System Based on Cloud Service Architecture12. Towards automated mobile-phone-based plant pathology management13. Adapting smartphone app used in water testing, for soil nutrient analysis1. Tomato leaf segmentation algorithms for mobile phone applications using deep learning方法：在Matlab 2019b中编写了一个小脚本来调整图像大小并调用Image Segmenter App（Mathworks Inc.，n.d.）。
该应用程序提供了用于为每个图像手动创建地面真相二进制掩码的界面。
调整图像大小，以使图像的最大尺寸缩放到256像素。
如图3所示，将图像的较短边调整相同的大小，然后在两边均匀零填充以使图像方形。
此过程保留了原始图像的长宽比。
可以在www.ejus-t.edu.eg上获取数据集和各自的蒙版中的自获取图像。
对于需要使用增强数据集的实验，将1,408张图像及其各自的遮罩划分如下：将1,000个图像-遮罩对保留为训练集，保留200对作为验证集，其余208对构成测试。
这确保了在三个子集中没有重复的图像。
通过以下方法，对训练和验证集中的每张图像进行了增强，以产生另外的六份副本。
建议将图1中所示的基于Web的应用程序与深度学习结合使用，以用于针对手机的作物病害识别系统。
背景减除是疾病识别步骤之前的重要步骤，将在这种系统中实现。
在其他研究中也提出了基于Web的叶子识别和叶子疾病识别系统用于移动应用程序。
2. Internet of Things (IoT) and Machine Learning based Leaching Requirements Estimation for Saline Soils （IF=9.968, 2020）摘要: 土壤盐分是一种严重影响作物生产的土壤退化现象。
物联网（IoT） 辅助解决方案旨在确定土壤盐分水平和环境条件，以推荐灌溉用水，目的是将盐分从盐渍土中的作物根区淋溶掉。
基于物联网（IoT）和机器学习（ML）技术，利用盐分水平和作物田间温度的现场监测，对盐渍土淋溶需水量进行了估算。
粮食及农业组织（FAO）提出的浸出要求方法是为了有效估计浸出水。
这些估计值用于训练和测试用于机器学习的朴素贝叶斯分类器，以便在仅使用温度和土壤盐分水平的情况下预测未来的浸出需求。
机器学习的性能是根据 准确度、f-度量、精度和召回率 来判断的。
将提出的解决方案实施于盐碱地棉花作物上，以检验所提出方案对农艺的影响。
2.1 提出的方案.建议解决方案的体系结构提出的解决方案是基于对微环境参数的直接感知，如温度、土壤电导率(EC)，根据这些参数来估计浸出水的需求，以便从根区浸出盐。
利用机器学习算法，根据作物田间温度和土壤盐分水平，对未来的淋溶需水量进行预测。
所提出的解决方案流程图如图1所示。
提出的解决方案的特点1)提出的解决方案特别针对盐碱地的改善措施和实施精确灌溉实践，通过对盐碱地特征的近端感知。
2)该研究采用了粮农组织提出的布兰尼·克里德尔(Blaney Criddle)标准方法来预测水淋失需求，从而在保持产量的同时有效利用灌溉用水。
3)本研究采用直接部署在野外的土壤EC、空气温度传感器。
4)提出的解决方案是在实时场景中实现和测试的，而不是在保护或温室中。
5)本研究利用机器学习的方法，根据温度和盐度水平提出未来的淋溶需水量。
2.2 材料与方法A.作物与季节棉花（陆地棉）是所选地区的主要农作物，时间时间为五月至十一月。
B.设备土壤EC传感器，温度和湿度传感器用于原型开发，以实现建议的解决方案。
描述了这些传感器的详细特性。
1）Mec10土壤EC传感器MEC10是一种可靠且稳定的传感器，用于估算土壤和灌溉水中的盐度。
该传感器用于测量施用灌溉水时的土壤ECw，如图6所示，其特性如表1所示。
C.浸出要求计算淋溶需求的估算取决于使用粮食及农业组织（FAO）提出的Blaney Criddle方法确定参考蒸散量（ET0）[43]得出的作物系数蒸散量（ETc）[43]。
Blaney-Criddle方法提供的ETc测量值被FAO建议的方法用于测量浸出要求。
D.原型开发和部署解决方案的硬件部分是使用Arduino平台开发的。
如图9所示，开发了硬件原型并将其部署在农田中。
桌面应用程序是使用Microsoft（MS）Visual Studio，MS SQL Server开发的，并已部署在IoT服务器上。
桌面应用程序捕获微环境数据，进行处理和存储。
下图显示了一些数据捕获和分析会话。
E.朴素贝叶斯算法实现F.实现机器学习的课程开发了不同的课程来训练和测试机器学习，以预测未来的盐度。
这些类别基于使用IoT功能捕获的作物田地的实时数据进行。
如表1所示，实时感测的EC值用于将粮农组织提出的灌溉土地分类为不同的盐度等级。
2.3 分析和讨论选定地区的棉花在5月生长，10月结束。
因此，对数据的分析仅限于2018年5月至11月以及2019年5月至8月。
基于IoT的环境捕获温度显示在2018年的图12和2019年的图13中，其中Tmax ，Tmin和Tmean。
A.朴素海湾分类器的性能机器学习模型是使用Scikit-learn库针对python编程语言实现。
机器学习算法的性能是使用python中的“yellow brick”库进行测量的，其准确度为Naive-Bayes的85％，f1的精度很高，精度高，召回了不同的预测特征，如表9所示。
B.农艺措施还通过观察植物的生长和产量，并在建议的解决方案的实施中，在一英亩大小的试验区中应用淋洗水建议，来测量提出的解决方案的性能。
在未实施建议的解决方案进行比较的情况下，也将判断控制图。
根据植物的数量，植物的平均高度和植物上的铃的平均数量来测量植物的生长。
表10显示了不同农艺措施与对照和实验区的比较。
2.4 结论物联网辅助作物田间环境用于确定盐渍土淋溶灌溉需求，以从作物根区淋溶盐分。
这些要求被用来训练和测试机器学习模型的朴素Bays分类器，以便仅使用温度和盐度水平来预测未来的浸出需求。
该模型的预测准确率和查全率为85%。
这些估计和预测被证明是非常有效的，为盐渍土中更好的生产从植物根区淋溶盐的需水量的建议。
基于物联网的数据有助于在实时现场微环境条件下实现高精度的活动。
该模型的实施表明，棉花产量在株数、株高和结实率等方面都有显著提高。
[个人总结] 该论文既涉及到计算机科学的硬件，又使用了较新的方法，再加上大田试验（农林科学），使得文章的结构内容饱满。
但文中的图表格式并不美观，此外，大田试验是如何实践的并未详细介绍。
个人觉得必须论文提及的参数介绍情况如下

参数内容方法物联网、传感器、机器学习、大田试验速度是模型大小否准确率accuracy是精度precision是召回率recall否F1参数是数据集大小无明确表示训练集、验证集、测试集情况无与其他方法对比无数据集来源大田试验软硬件平台python; yellow brike开源无其他无3. A Mobile Application for Tree Classification and Canopy Calculation using Machine Learning （会议论文，2019）这篇论文提出了一个新的机器学习的应用，通过一个移动应用程序，根据树的体积和叶片的数量的预测来计算农药(如杀虫剂)用量的信息。
3.1 介绍在本文中，我们提供了一个这样的iOS应用程序，该应用程序可以获取树木或树叶的图像并返回树木类型的分类并估算其树冠体积，从而可以进一步降低用水效率。
3.2 方法： CNN利用爬虫包从谷歌ImageNet和Bing中采集这些树的图像，进行数据(图像)采集。
从抓取的数据集中选择每种树类型的1000张图像。
然后对图像进行预处理，减噪，统一尺寸等。
这些数据形成了随后被创建并用于分类的机器学习模型的基础11.3 机器学习iOS被定位为移动平台的一个原因是使用了苹果的核心ML框架[9]，如图1所示。
这是许多iOS系统模块的基础。
这包括用于分类器训练和模型生成任务的性能优化器和神经网络例程。
Vision框架为核心ML提供可编程接口，用于树型标记的图像相关任务。
此外，该论文训练模型，怎么解决树木拍摄距离、角度的不同导致的精度降低。
介绍了设计的app的功能，以及如何使用。
3.4 结论和未来的工作本文介绍了一个iOS应用程序，该应用程序能够根据树木的图像及其叶子类型对树木类型进行分类。
机器学习模型是使用Apple的Core和Create ML创建的。
视觉框架用于处理图像并将其输入到ML模型中。
该应用程序的第二个关键功能是使用树木的照片来确定照片的比例，从而估计树冠的体积，最后计算出树木的用水量。
这是一个原型应用程序，可以帮助树木种植者获取有关树木的关键信息。
将来可以进行很多改进。
机器学习训练数据不是最佳的。
树图像的背景中存在过多的噪声，这会影响模型的准确性。
在将来的工作中，可以进行更多的预处理以优化图像，并且应该使用其他数据源以获得更高质量的图像。
目前，没有在单个过程中将树和叶子照片进行自动分类的自动分类。
理想情况下，应用程序应该能够同时对树木和树叶的照片进行分类，以获得更高的准确性。
机器学习模型的在线培训是将来要实施的另一个有益的功能。
该模型可以在应用程序最初发布后继续学习，方法是交互地让用户评论或评估其自身的性能，从而获得更多的知识并进行长期培训。
对于体积计算，可以改进用于确定树冠像素的算法。
未来的工作可能包括更准确的算法来判断“绿色”像素的标准，以及更好的方法来区分树冠与其他树木和/或草。
一种可能的解决方案是使用其他机器学习模型来首先确定主题树的边界框，这样就不会考虑图片的其他部分受干扰，提取的部分用于体积计算和分类。
。
估算顶篷形状和体积的更准确方法是，使用从不同角度拍摄的照片建立3-D模型，而不是将每个图像视为一堆圆柱体并取平均值的当前方法。
[个人总结] 这篇论文介绍了作者设计的app来识别树木叶片体积，从而来帮助农民指导施肥量或者农业的使用量。
论文的总结和未来展望写的很好，结合了自己设计的app的功能和实际遇到的问题对未来工作改进的方法提出了明确而详细的看法。
4. 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。
5. 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。
6. 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。
7. 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，制动和传感系统（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 schedulingFig. 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。
8. 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。
9 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，就会触发喷雾，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。
10. Deep learning-based automatic detection of productive tillers in rice单株生产分till的数量是与稻米产量相关的重要农艺性状之一。
但是，人工计数生产分till非常耗时，费力且容易出错。
在这项研究中，提出了一种基于深度学习卷积神经网络（CNN）的自动检测和计数水稻作物生产分method的方法。
使用移动电话在各种环境条件下从各种水稻作物中获取的大量现场图像，对CNN模型进行了训练。
设计了一个Web应用程序，它将经过训练的CNN模型和Django服务器集成在一起，用于快速，高通量地检测生产性耕作机。
已针对基于现场的实际应用程序评估了Web应用程序的性能。
结果表明，所选择的CNN模型具有较高的精度和较快的检测率。
通过将Web应用程序应用于200张现场图像，每幅图像有5至30个分ers，无论水稻品种或手机类型如何，检测到的生产分till数量均与手动计数数据相吻合 (论文无法下载)11. Design of Crop Information Storage Analysis System Based on Cloud Service Architecture为了满足农田作物信息收集与分析服务的需求，结合智能手机终端硬件，微信小程序软件和云服务平台，设计了一种基于云服务架构的作物信息收集与分析工具。
主要包括腾讯云服务器模块和手机微信小程序模块。
My SQL用于构建数据库，用于在云服务器上进行数据存储，处理和下载。
微信小程序是由CSS，JavaScript和小程序打包组件开发的。
它被用来实现收集和上传数据与信息反馈之间的交互。
为了应用和测试该系统，以田间小麦生物量指示参数的调查为例。
进行了冠层覆盖度和行距的计算研究。
在苗期捕获了100多个小麦采样图像，并将这些图像从applet上传到背景进行处理。
通过霍夫变换，图像掩模分割和侵蚀增强图像对目标区域进行图像预处理后，对小麦的冠层进行分割，并利用HSV色彩空间突出采样植物的像素，计算出冠层的覆盖率。
提出了通过投影和滤波的方法提取植物峰线的算法。
然后，用它来计算行中的植物行距。
建立线性回归模型以指示图像识别像素的行距与测量值之间的拟合精度。
结果表明，建模精度R2达到0.911。
可为田间作物信息的检测和调查提供技术支持。
(论文无法下载)12. Towards automated mobile-phone-based plant pathology management论文提出了一个框架，该框架使用计算机视觉算法来标准化图像并对其进行分析以自动识别农作物病害。
使用手机捕获的病态/受感染作物的图像，创建工具来弥合农民，咨询呼叫中心和农业专家之间的信息鸿沟。
这些图像通常对许多因素敏感，包括相机类型和照明。
因此，我们提出了一种在咨询系统范围内标准化植物图像颜色的技术。
随后，为帮助咨询过程，结合图像学习和机器学习技术，使疾病识别过程自动化。
我们描述了我们提出的叶提取，受影响的区域分割和疾病分类技术。
所提出的疾病识别系统使用六种芒果疾病进行了测试，结果显示超过80％的准确性。
我们系统的最终输出是带有相关管理建议的可能疾病清单。
(论文无法下载)13. Adapting smartphone app used in water testing, for soil nutrient analysis智能手机技术现已渗透到现代生活的各个方面。
以如此高的访问率和实用性，如今，在许多行业中，智能手机作为高性能工具的发展潜力很大。
传统上，智能手机已被用作例如发展中国家的即时检验设备；现在，类似的方法可以扩展到农业。
本文评估了在土壤分析中使用智能手机的可行性。
基于Android的智能手机应用程序与市售的Quantofix®测试条一起被用于分析整个印度尼西亚采集的92个土壤样品。
所测试的土壤包含多种多样的质地（分别有13％，60％和25％的样品构成沙质，壤土和黏性土壤），土壤有机质含量（范围：0.8–19.7％）和养分含量（适用于植物的氮含量范围：0.1–137.4 mg kg-1，磷：1.2至64.2 mg kg-1；基于干燥土壤）。
该应用程序将智能手机用作便携式反射仪，该检测仪将试纸的颜色与土壤介质中特定营养素的浓度相关联。
目前市场上有三款代表低，中，高端产品的移动设备用于测试该应用程序。
通过智能手机获得的结果与在实验室条件下测定可萃取硝酸盐-N和可交换磷（Olsen-P）的标准方法进行了比较。
研究人员发现，智能手机介导的土壤分析与硝酸盐氮测定的标准方法高度吻合（87％的硝酸盐氮样品的高端方法标准偏差小于10 mg kg-1智能手机），但不能用于磷测定，因为在这种情况下，化学干扰会影响试纸条的显色。
所有这三种移动设备均被证明可作为便携式反射仪有效。
但是，发现颜色感觉在设备之间有所不同，从而导致高端电话与其余设备之间存在一致的偏差。
鉴于在进行智能手机介导的土壤分析之前，必须考虑智能手机之间的读数变化和环境因素（例如温度），而智能手机测试条组合可以用作可接受的土壤养分浓度评估筛选工具，以进行土壤养分浓度评估。
提高作物产量，增加产量并防止投入物过度使用，从而减少随之而来的财务和环境影响。
进一步的增强可以测试智能手机介导的土壤分析在现场条件下的适用性。
图1. A–D。
由于灰度范围和测试条的半定量性质，反应性焊盘的辨别颜色在评估者之间的一致性和可重复性方面存在问题。
Akvo Caddis fly在实验室工作期间进行设置（B），将该应用程序与校准卡和对硝酸盐敏感的测试条（C）以及Quantofix商用反射仪（D）一起安装。
校准卡由Akvo制造和提供。
使用的智能手机型号包括：Samsung Galaxy S8（如图），OnePlus 3，Samsung Galaxy Tab2。
设备保持在相同的高度（约18厘米），彼此之间的距离不超过10厘米。
面对工作站的窗户是自然光的主要来源图2 方法摘要。
土壤预处理包括土壤筛分和风干。
基于智能手机的土壤分析是通过安装在三种智能手机型号即OnePlus 3（OP3），Samsung Galaxy S8（S8）和Samsung Galaxy Tab 2（SGT2）上的Akvo Caddis fly应用程序（测试版10）进行的。
参考值是通过完善的硝酸盐氮和磷分析的标准方法获得的。
M1指Mehlich 1解决方案。