農(nóng)業(yè)科學院和農(nóng)業(yè)農(nóng)村部為提高現(xiàn)有蘋果目標檢測的性能和適應性，改進輕量級的MobileNetV3網(wǎng)絡，在保持較高檢測精度的同時，減輕模型計算量，降低檢測耗時，減少模型計算和存儲資源占用的目的，為非結(jié)構(gòu)環(huán)境下果園作業(yè)平臺的輕量化果實目標檢測模型研究提供新的思路;

農(nóng)業(yè)科學院和農(nóng)業(yè)農(nóng)村部為提高現(xiàn)有蘋果目標檢測的性能和適應性，改進輕量級的MobileNetV3網(wǎng)絡，在保持較高檢測精度的同時，減輕模型計算量，降低檢測耗時，減少模型計算和存儲資源占用的目的，為非結(jié)構(gòu)環(huán)境下果園作業(yè)平臺的輕量化果實目標檢測模型研究提供新的思路;

針對溫室番茄智能化管理需要，北京農(nóng)業(yè)智能裝備技術(shù)研究中心等機構(gòu)，分別以莖稈、葉片和綠果器官作為識別目標，為農(nóng)業(yè)環(huán)境近色目標視覺識別相關(guān)研究提供參考;

針對大豆-玉米輪作生產(chǎn)中，兩者競爭水肥，進而影響到兩者品質(zhì)的問題，同時人工傳統(tǒng)檢測方法的不足，北達科他州立大學研究了可自動監(jiān)測大豆生長過程中玉米雜苗情況的系統(tǒng)，為農(nóng)民提供準確的信息，幫助其進行生產(chǎn)決策和田間管理;

中國農(nóng)業(yè)科學院等機構(gòu)，為應對糧食安全產(chǎn)生威脅的害蟲—草地貪夜蛾防治，利用深度學習方法，可視化分析可以直觀認識模型的特征學習情況，可為行業(yè)內(nèi)或其他領域的研究人員提供參考;

國家農(nóng)業(yè)信息化工程技術(shù)研究中心等機構(gòu)，聯(lián)合研究了基于葉片圖像的番茄病害識別，發(fā)現(xiàn)了CCHKMSM模型具有一定優(yōu)勢，識別準確率高且計算量小，對系統(tǒng)要求低，具有在手持設備、邊緣計算終端等低配置感知系統(tǒng)中的應用潛力;

蔬菜價格波動，對居民和菜農(nóng)都是雙刃劍，針對菜價波動幅度大、影響因素多樣、精度不高等難點，北京市農(nóng)林科學院等機構(gòu)以黃瓜為研究對象，分析了影響黃瓜價格的供給、需求、流通等因素，實現(xiàn)了黃瓜的短期價格預測，也可推廣到其他蔬菜品種，對于保障菜農(nóng)收入、穩(wěn)定蔬菜市場價格等具有重要意義;

上海大學等機構(gòu)針對現(xiàn)有的自動化除草解決方案，魯棒性不強、過度依賴大量樣本等不足，提出了基于圖像處理多算法融合的田間雜草檢測方法，設計了一套田間雜草自動識別算法。針對復雜多變的農(nóng)業(yè)場景，進行了存在雨滴和陰影干擾的魯棒性測試，實現(xiàn)了90%以上的作物識別結(jié)果，可為智能移動機器人除草作業(yè)等領域應用提供技術(shù)支持;

對于小麥倒伏影響產(chǎn)量的問題，北達科他州立大學學生提出了一種基于圖像處理的自動數(shù)據(jù)集生成方法，利用無人機和深度學習算法對小麥倒伏檢測情況進行分類，可有效地替代人工檢測方法，其檢測精度達到了75%;

中國農(nóng)業(yè)大學為提升果園管理能力，改進了果實檢測算法與產(chǎn)量擬合網(wǎng)絡的產(chǎn)量測定方法，利用無人機及攝像頭原位圖像，提升蘋果果園原位測產(chǎn)的準確性和有效性，基本可以滿足自然環(huán)境下樹上蘋果的測產(chǎn)要求，為現(xiàn)代果園環(huán)境下的智能農(nóng)業(yè)技術(shù)參考;

中國農(nóng)業(yè)大學等機構(gòu)為快速準確計數(shù)大豆籽粒，研究了一種基于密度估計和VGG-Two (VGG-T)的大豆籽粒計數(shù)方法，實現(xiàn)大豆籽粒的快速計數(shù)任務，提高大豆考種速度和育種水平;