Panoptic One-Click Segmentation: Applied to Agricultural Data
University of Bonn（波恩大学）
在杂草控制方面，精准农业可以帮助大大减少除草剂的使用，从而产生经济和生态效益。一个关键因素是能够从图像数据中定位和分割所有植物。现代实例分割技术可以实现这一点，然而，训练这样的系统需要大量的手工标记的数据，这是昂贵的和费力的获得。监督不力的培训有助于大大减少标签工作和成本。我们提出了全景一键分割，一个有效的和准确的离线工具，以产生伪标签从点击输入，减少标签的努力。我们的方法联合估计场景中所有N个对象的像素位置，与传统的方法相比，这些方法独立地通过所有N个对象进行计算;这大大减少了训练时间。仅使用10%的数据进行训练，我们的全景单击分割方法在具有挑战性的甜菜和玉米图像数据上分别产生68.1%和68.8%的平均对象交集（IoU），提供与传统单击方法相当的性能，同时训练速度约为12倍。我们证明了我们的系统的适用性，通过生成伪标签，从点击其余90%的数据。然后，这些伪标签以半监督的方式用于训练Mask R-CNN，分别将甜菜和玉米数据的绝对性能（平均前景IoU）提高了9.4和7.9个点。最后，我们证明了我们的技术可以在注释过程中恢复错过的点击，这比传统方法有更大的好处。
2023-03-15 cs.AI cs.CV
Panoptic Scene Graph Generation
Nanyang Technological University（南洋理工大学）；SenseTime Research（商汤科技研究院）
现有的研究从检测的角度解决了场景图生成（SGG）--图像中场景理解的关键技术，即，使用边界框检测对象，然后预测它们的成对关系。我们认为，这样的范例会导致几个问题，阻碍了该领域的进展。例如，当前数据集中基于限界框的标签通常包含头发等冗余类，并遗漏了对理解上下文至关重要的背景信息。在这项工作中，我们引入全景场景图生成（PSG），一个新的问题任务，需要模型生成一个更全面的场景图表示的基础上，而不是刚性的边界框的全景分割。一个高质量的PSG数据集，其中包含来自COCO和Visual Genome的49 k注释良好的重叠图像，是为社区创建的，以跟踪其进展。为了进行基准测试，我们构建了四个两阶段基线，它们是从SGG中的经典方法修改而来的，以及两个一阶段基线，称为PSGTR和PSGFormer，它们基于高效的基于transformer的检测器，即，DETR.虽然PSGTR使用一组查询来直接学习三元组，但PSGFormer以来自两个Transformer解码器的查询的形式分别对对象和关系进行建模，然后是一个类似关系对象匹配的机制。最后，我们分享了对开放挑战和未来方向的见解。
2022-07-22 cs.AI cs.CL cs.CV
Plant Doctor: A hybrid machine learning and image segmentation software to quantify plant damage in video footage
Waseda University（早稻田大学）；Kyoto Prefecture Momoyama High School（京都府立桃山高等学校）；Kyushu University（九州大学）；The University of Tokyo Hospital（东京大学医学部附属医院）；Ryukoku University（龙谷大学）
本文提出Plant Doctor系统，结合YOLOv8、DeepSORT和DeepLabV3Plus，从视频中自动跟踪叶片并分割量化病害损伤，实现城市植物健康的高效监测。
2024-07-03 cs.CV
Hierarchical Approach for Joint Semantic, Plant Instance, and Leaf Instance Segmentation in the Agricultural Domain
University of Bonn（波恩大学）；University of Oxford（牛津大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；La Sapienza University of Rome（罗马第一大学）
针对农业植株表型分析需求，提出一种带任务特定跳跃连接和新型后处理的分层卷积神经网络，可同时完成语义、植株实例与叶片实例联合分割，性能更优、参数量更少且达相机帧率。
2023-06-14 cs.CV
Volume and leaf area calculation of cabbage with a neural network-based instance segmentation
University of Hohenheim（霍恩海姆大学）
果实大小和叶面积是植物健康的重要指标，对植物营养管理、植物保护和收获都有意义。本文提出了一种基于图像的甘蓝果实体积和叶面积的测量方法。为此，训练基于掩模区域的卷积神经网络（Mask R-CNN）以将卷心菜果实从叶子中分割出来并将其分配给相应的植物。结果表明，即使在单个相机的情况下，所开发的方法也可以提供92.6%的果实大小和89.8%的单株水平上的叶面积的计算精度。
2021-04-12 cs.CV cs.RO
Leveraging multiple datasets for deep leaf counting
University Of Edinburgh（爱丁堡大学）；IMT Lucca（卢卡IMT高等研究院）
植物的叶片数量是描述其发育和生长的关键性状（表型）之一。在这里，我们提出了一种自动化的，基于深度学习的方法来计算模型莲座植物的叶子。虽然最近已经报道了使用深度学习方法进行叶计数的最新结果，但它们通过叶分割获得计数，因此需要对每个叶（实例）进行分割以训练模型（相当强的注释）。相反，我们的方法将叶计数作为一个直接的回归问题，因此只需要注释每株植物的总叶数。我们认为，在训练深度神经网络时，组合不同的数据集是有益的，并改善了所提出的方法的结果。我们在CVPPP 2017叶计数挑战数据集上评估了我们的方法，该数据集包含拟南芥和烟草植物的图像。实验结果表明，该方法的性能显着优于之前CVPPP挑战的获胜者，将每个测试数据集的结果至少提高了约50%，并且可以在不知道数据的实验来源的情况下实现此性能（即在挑战的狂野设置中）。我们还比较了我们的模型的计数精度与每叶分割算法，实现了20%的平均绝对差计数（|DiC|）减少。
2017-09-05 cs.CV
Deep Learning-Based Direct Leaf Area Estimation using Two RGBD Datasets for Model Development
Western Sydney University（西悉尼大学）；The University of New South Wales（新南威尔士大学）
针对RGBD植物图像，本文改进Mask R-CNN并提出双骨干网络直接估计叶面积，利用离体与着生叶片数据集训练、5折交叉验证及独立测试，评估分割与面积回归性能。
2025-03-13 cs.AI cs.CV
GrowliFlower: An image time series dataset for GROWth analysis of cauLIFLOWER
University of Bonn（波恩大学）；Forschungszentrum Jülich GmbH（于利希研究中心）；JB Hyperspectral Devices GmbH（JB高光谱设备有限公司）
本文介绍了GrowliFlower数据集，包含花椰菜田的无人机图像时间序列及表型特征，支持分类、分割等计算机视觉任务，促进农业自动化发展。
2022-04-01 cs.AI cs.CV cs.LG
Combining Object Detection with Geometry-Aware Clustering to Distinguish Overlapping Plants in UAV Imagery
Rowan University（罗文大学）
本研究提出一种几何感知后检测框架，结合目标检测与聚类，利用RGB无人机影像区分重叠植株，在茄子与番茄作物上验证了有效性，无需额外传感器或重训练。
2026-09-21 cs.CV
Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping
Athena Research and Innovation Center（雅典娜研究与创新中心）；Institute of Mediterranean & Forest Ecosystems（地中海与森林生态系统研究所）
植物表型分析是指对植物性状的定量描述，而在基于图像的表型分析中，我们的重点主要是植物的解剖学、个体发育学和生理学特性。这种技术在基于图像的分析领域的成功加强了深度学习，适用于广泛的研究领域，使植物的高通量筛选成为可能，减少了表型表征所需的时间和精力。在这项研究中，我们使用深度学习方法（监督和无监督学习为基础的方法），以语义分割葡萄叶图像，以开发一个自动的目标检测（通过分割）在这些方向上，我们研究了几种深度学习方法，并取得了可喜的成果，我们还报告了一些未来具有挑战性的任务，精准农业领域。我们的工作有助于植物生命周期监测，通过该监测可以捕获和量化生长和发育等动态特征，有针对性地干预和选择性地使用农用化学品，以及葡萄品种鉴定，这些都是可持续农业的关键先决条件。
2022-10-24 cs.CV
EgoMaize: A First-Person Maize Instance Segmentation Benchmark under Severe Field Occlusion
针对严重遮挡下第一人称玉米实例分割，提出EgoMaize基准，采用证据闭合标注流程，并分析基线方法，揭示现有架构难以解决精细结构恢复与同类归属的耦合挑战。
2026-09-14 cs.CV
Deep Leaf Segmentation Using Synthetic Data
Robotics and Autonomous Systems The Commonwealth Scientific and Industrial Research Organisation (CSIRO), Data61 Brisbane, Australia（澳大利亚联邦科学与工业研究组织（CSIRO）数据61部布里斯班机器人与自主系统部（Robotics and Autonomous Systems））
图像中植物个体叶片的自动分割是高通量表型分析中测量更复杂表型性状的先决条件。应用最先进的机器学习方法来处理叶实例分割需要大量手动注释的训练数据。目前，叶分割的基准数据集只包含几百个标记的训练图像。在本文中，我们提出了一个框架，叶实例分割，通过增加真实的植物数据集与域随机化的启发，产生的合成图像的植物。我们训练了一个最先进的深度学习分割架构（Mask-RCNN），结合了拟南芥植物的真实图像和合成图像。我们提出的方法在A1测试集上实现了90%的叶分割分数，优于CVPPP叶分割挑战赛（LSC）的最先进方法。我们的方法在所有五个测试数据集上的平均性能也达到了81%。
2019-03-21 cs.CV
LDD: A Dataset for Grape Diseases Object Detection and Instance Segmentation
University of Parma（帕尔马大学）；Horta s.r.l.（霍塔有限公司）；Università Cattolica del Sacro Cuore（圣心天主教大学）
实例分割任务是众所周知的目标检测任务的扩展，在许多领域都有很大的帮助，例如精准农业：能够自动识别植物器官和与它们相关的可能疾病，允许有效地扩展和自动化作物监测及其疾病控制。为了解决与葡萄植物的早期疾病检测和诊断相关的问题，已经创建了一个新的数据集，其目标是通过实例分割方法来推进疾病识别的最新技术。这是通过收集在自然环境中受疾病影响的叶子和葡萄串的图像来实现的。该数据集包含10种对象类型的照片，其中包括有和没有8种常见葡萄疾病症状的叶子和葡萄，在1，092张图像中共有17，706个标记实例。提出了多种统计措施，以提供一个完整的视图的数据集的特点。Mask R-CNN和R^3-CNN模型的目标检测和实例分割任务的初步结果作为基线提供，表明该过程能够达到自动疾病症状识别目标的有希望的结果。
2022-06-21 cs.CV
Automated classification of stems and leaves of potted plants based on point cloud data
College of Science, Beijing Forestry University（北京林业大学理学院）
植物器官的准确分类是监测植物生长状况和生理的关键步骤。提出了一种基于植物点云数据的自动分类方法，该方法是一种无损采集方法。叶点训练样本采用三维凸包算法自动提取，茎点训练样本采用二维投影点密度自动提取。利用支持向量机（SVM）算法对两个训练集进行分类，得到叶点和茎点。利用3种盆栽植物的点云数据对该方法进行了测试，并与其他两种方法进行了比较，结果表明，该方法能够准确、高效地对叶和茎点进行分类。
2020-02-28 cs.CV
Can We See Photosynthesis? Magnifying the Tiny Color Changes of Plant Green Leaves Using Eulerian Video Magnification
Assiut University（艾斯尤特大学）；York University（约克大学）；University of London（伦敦大学）；San Francisco State University（旧金山州立大学）
植物的生命力是通过实验室实验和特殊的科学仪器来证明的。在本文中，我们的目的是检测程度的动画的植物的基础上，使用欧拉视频放大率的植物的绿叶中的小的颜色变化的放大。在受控环境下捕获视频，例如，使用三脚架和直流（DC）光源，减少相机移动并最大限度地减少光线波动;我们的目标是尽可能减少外部因素。然后稳定所获取的视频，并使用所提出的算法来减少照明变化。最后，利用欧拉放大来放大光不变视频上的颜色变化。所提出的系统不需要任何专用仪器，因为它使用具有规则帧速率的数码相机。对自然叶片和塑料叶片的放大颜色变化的结果表明，与塑料叶片相比，活绿叶具有颜色变化。因此，我们可以认为，叶子的颜色变化是由于生物操作，如光合作用。到目前为止，这可能是第一个专注于视觉解释的工作，没有任何特殊用途的仪器的植物的一些生物操作。
2017-08-29 cs.CV
Panoptic Mapping with Fruit Completion and Pose Estimation for Horticultural Robots
University of Bonn（波恩大学）；University of Oxford（牛津大学）
针对农业环境中果实与植株部分可观测、三维信息获取难的问题，提出带果实形状补全与7自由度位姿估计的在线多分辨率全景建图系统，在两类场景下精度显著提升且推理速度快。
2023-08-22 cs.CV cs.RO
Identification of Traditional Medicinal Plant Leaves Using an effective Deep Learning model and Self-Curated Dataset
Gauhati University（古瓦哈提大学）
本文提出一种含6个卷积层的自定义CNN模型，用于传统药用植物叶片识别，在三个数据集上分别取得99.5%、98.4%和99.7%的准确率，减少了对人类专家的依赖。
2025-01-16 cs.CV
A Deep Learning Generative Model Approach for Image Synthesis of Plant Leaves
Università degli Studi di Milano（米兰大学）
目标.我们通过先进的深度学习（DL）技术以自动化的方式生成人工叶图像。我们的目标是处理用于现代作物管理的人工智能应用程序的训练样本来源。这些应用程序需要大量的数据，虽然叶子图像并不真正稀缺，但图像收集和注释仍然是一个非常耗时的过程。数据稀缺性可以通过增强技术来解决，该技术包括对属于小数据集的样本进行简单变换，但增强数据的丰富性是有限的：这促使人们寻找替代方法。方法.追求一种基于DL生成模型的方法，我们提出了一个叶到叶翻译（L2 L）的过程分为两个步骤：第一，残余的变分自编码器架构生成合成叶骨架（叶轮廓和静脉）从同伴二值化骨架的真实图像。在第二步中，我们通过Pix 2 pix框架执行翻译，该框架使用条件生成器对抗网络来再现叶片的着色，保留形状和脉序模式。结果L2 L程序生成具有逼真外观的树叶合成图像。我们解决的性能测量在定性和定量的方式;对于后者的评估，我们采用了DL异常检测策略，量化的合成叶片相对于真实样本的异常程度。结论.生成DL方法有可能成为一种新的范例，为计算机辅助应用提供低成本的有意义的合成样品。目前的L2 L方法代表了朝着这一目标迈出的一步，能够生成与真实叶子具有相关定性和定量相似性的合成样品。
2021-11-05 cs.CV cs.LG
A Novel Technique Combining Image Processing, Plant Development Properties, and the Hungarian Algorithm, to Improve Leaf Detection in Maize
University of Saskatchewan（萨斯喀彻温大学）；Queen’s University（女王大学）
人工确定植物表型特性，如植物结构、生长和健康是非常耗时的，有时是破坏性的。自动图像分析已经成为一种流行的方法。本研究的目的是确定的位置（和数量）的叶子从一个时间序列的高质量的室内图像组成的多个视图，特别是玉米的图像集中。该程序使用的图像分割，使用凸包挑选在每个时间步长的最佳视图，然后由相应的图像的卷积。为了去除骨架毛刺，应用离散骨架进化修剪过程。纳入了关于玉米发育的先前存在的统计数据，以帮助区分真叶和假叶。此外，对于每个时间步，使用图论匈牙利算法将叶子与前三天和后三天的叶子进行匹配。这种匹配算法既可以用来去除假阳性，也可以用来预测真叶，即使它们被图像本身完全遮挡。使用由来自两个不同视图的27天内的13株玉米植物组成的开放数据集来评估该算法。来自数据集的真叶总数为1843个，我们提出的技术检测到总共1690个叶，包括1674个真叶，只有16个假叶，召回率为90.8%，准确率为99.0%。
2020-05-18 cs.CV
Partially Occluded Leaf Recognition via Subgraph Matching and Energy Optimization
University of Western Ontario（西安大略大学）
我们提出了一种方法来匹配部分闭塞的植物叶片与完整的植物叶片的数据库。虽然基于轮廓的二维形状匹配在过去的几十年里得到了广泛的研究，但遮挡叶片与完整叶片数据库的匹配是一个开放的和很少工作的问题。由于叶片结构的巨大变化和复杂性，对被遮挡的植物叶片进行分类比完整的叶片匹配更具挑战性。将遮挡轮廓与数据库中的所有完整轮廓进行匹配是一个NP难题[Su et al. ICCV 2015]，因此我们的算法必然是次优的。
2017-07-03 cs.CV
SSM-Net for Plants Disease Identification in Low Data Regime
植物病害检测是提高农业产量的重要因素。由于病害检测难度大，农民为了保护农作物，对农作物的生长和粮食标准造成了极大的危害。深度学习可以为检测此类疾病提供关键帮助。然而，收集关于影响特定植物物种的所有形式的疾病的大量数据是非常不方便的。在本文中，我们提出了一种新的基于度量的少样本学习SSM网络架构，它由堆叠的连体和匹配的网络组件，以解决在低数据制度的疾病检测问题。我们在两个数据集上展示了我们的实验：小叶病和甘蔗病害数据集。我们已经展示了SSM-Net方法可以实现更好的决策边界，在迷你叶数据集上的准确率为92.7%，在甘蔗数据集上的准确率为94.3%。与广泛使用的VGG 16迁移学习方法相比，准确性分别提高了约10%和约5%。此外，我们在甘蔗数据集上使用SSM Net获得了0.90的F1得分，在迷你叶数据集上获得了0.91的F1得分。我们的代码实现可以在Github上找到：https://github.com/shruti-jadon/PlantsDiseaseDetection。
2020-09-07 cs.CV cs.LG eess.IV
An overlapping-free leaf segmentation method for plant point clouds
College of Information Sciences and Technology, Donghua University（东华大学信息科学与技术学院）；Engineering Research Center of Digitized Textile & Fashion Technology, Ministry of Education, Donghua University（东华大学数字化纺织服装技术教育部工程研究中心）
自动叶片分割以及基于它的识别和分类方法能够提供对植物生长状态的即时监测，以保证产量。虽然三维植物点云包含丰富的表型特征，但植物叶片通常呈簇状分布，有时在冠层中严重重叠。因此，从高度拥挤的植物冠层中以3D方式自动分割每个单独的叶子以用于植物表型分析目的仍然是一个很大的挑战。在这项工作中，我们提出了一种无锯齿的植物点云叶片分割方法，使用三维滤波和小平面区域生长。为了分离具有不同重叠情况的叶片，我们开发了一种新的3D联合滤波算子，该算子集成了基于半径的离群点滤波器（RBOF）和表面边界滤波器（SBF）来帮助分离被遮挡的叶片。通过引入小平面过分割和基于小平面的区域生长，分别抑制了分割过程中的噪声，并将标记的叶片中心扩展到整个叶片。该方法可以应用于三种三维成像平台上生成的点云数据，并且适用于不同种类的植物。在实验中，获得了点级覆盖率为97%的黄金树，99%的龟背竹，99%的竹芋，87%的常春藤样植物。在叶级，我们的方法分别达到了100.00%的平均召回率，99.33%的精度和99.66%的平均F-测量。该方法还可以方便地自动估计每片叶片的性状（如叶面积，长度和宽度），这有可能成为一个高效的工具，植物研究和农业工程。
2019-08-12 cs.CV
Botany-Bot: Digital Twin Monitoring of Occluded and Underleaf Plant Structures with Gaussian Splats
The AUTOLab at UC Berkeley（伯克利大学AUTOLab）；Siemens Research Lab（西门子研究实验室）
针对固定相机受叶片遮挡难以感知植物细节的问题，提出 Botany-Bot 系统，结合立体视觉、转台、机械臂和3D Gaussian Splat 构建带标注数字孪生并操控叶片成像，实验验证了分割、检测、拨叶和上下侧成像性能。
2025-10-20 cs.CV cs.RO
From greenhouse climate to individual leaves: an organ-resolved model of lettuce growth
Auburn University（奥本大学）；SynapGarden
提出一种基于单叶生理的器官尺度生菜生长模型，耦合光合作用、碳分配与三维结构，实现温室环境与个体叶片互馈模拟，为双向数字孪生提供正向预测支持。
2026-09-24 cs.CV cs.GR
Leaf segmentation through the classification of edges
Aberystwyth University（阿伯里斯特威斯大学）
提出了一种基于边缘检测的拟南芥叶片级图像分割方法。我们介绍了一种新的边缘分类方法，它形成了一种方法的重要组成部分，既计数的叶子，并建立一个不断增长的植物从图像中获得的高通量表型系统的叶面积。我们的技术使用一个相对较浅的卷积神经网络分类图像边缘的背景，植物边缘，叶对叶边缘或内部叶噪声。使用Canny边缘检测器发现边缘本身，并且分类的边缘可以与简单的图像处理技术一起使用，以生成基于区域的分割，其中叶子是不同的。这种方法是强大的在区分闭塞对叶，其中一片叶子很大程度上是隐藏的，在过去的植物图像分析系统，这已被证明是麻烦的情况。此外，我们还介绍了用于这项工作的公开可用的植物图像数据集。
2019-04-05 cs.CV
Neural Network Application on Foliage Plant Identification
Gadjah Mada University（加查马达大学）
一些叶片识别的研究没有包括颜色信息作为特征。主要原因是他们使用绿色的叶子作为样本。然而，对于观叶植物来说，不能忽视那些叶子五颜六色、叶子上有奇特图案的植物，以及形状、颜色和质地独特的有趣植物。例如，Epipremnum pinnatum 'Aureum'和Epipremnum pinnatum 'Marble Queen'具有相似的图案，相同的形状，但不同的颜色。结合叶片的形状、颜色、纹理等特征，对叶片进行分类识别是非常有用的。采用极坐标傅里叶变换和三种几何特征表示形状特征，颜色矩由均值、标准差和偏度组成，纹理特征由灰度共生矩阵提取，并加入静脉特征以提高识别系统的性能。辨识系统使用概率神经网络（PNN）作为分类器。结果表明，该系统对60种观叶植物的平均识别率为93.0833%。
2013-11-20 cs.CV cs.NE
Plant Species Classification Using Transfer Learning by Pretrained Classifier VGG-19
Indian Institute of Information Technology, Bhopal（博帕尔印度信息技术学院）；Maulana Azad National Institute of Technology, Bhopal（博帕尔毛拉纳·阿扎德国立理工学院）
深度学习是目前机器学习中最重要的分支，在语音识别、计算机视觉、图像分类和医学成像分析中有应用。植物识别是利用图像分类从植物叶片中识别植物种类的一个领域。植物学家投入大量的时间通过亲自观察来识别植物物种。本文介绍了一种用于解剖瑞典叶片彩色图像和识别植物种类的方法。为了实现更高的准确性，该任务是在预训练分类器VGG-19的帮助下使用迁移学习完成的。分类的四个主要过程是图像预处理、图像增强、特征提取和识别，它们作为整体模型评估的一部分执行。VGG-19分类器通过采用预定义的隐藏层（如卷积层，最大池层和全连接层）来掌握叶子的特征，并最终使用soft-max层为所有植物类生成特征表示。该模型获得的知识连接到瑞典叶数据集，其中包含15个树类的方面，并帮助预测正确的未知植物类的准确率为99.70%，这是高于以前的研究工作报道。
2022-09-07 cs.CV stat.ML
Detection and Classification of Diseases in Multi-Crop Leaves using LSTM and CNN Models
VNR Vignana Jyothi Institute of Engineering and Technology（VNR维格纳·乔蒂工程技术学院）
本研究应用 CNN 和 LSTM 模型对包含 38 个病害类别的多作物叶片图像进行分类，结果显示 CNN 模型在验证集上达到 96.4% 的准确率，证实了深度学习在植物病害分类中的有效性和可扩展性。
2025-04-30 cs.CV cs.LG
Image-based phenotyping of diverse Rice (Oryza Sativa L.) Genotypes
Indian Institute of Technology Bombay（孟买印度理工学院）；ICAR-Indian Agricultural Research Institute（ICAR-印度农业研究所）
水稻（Oryza sativa L.）抗旱或耐旱品种的开发，特别是在气候变化的背景下实现高产，是全世界的一项关键任务。对高产水稻品种的需求是印度、中国和其他亚非国家等发展中国家的主要关注点，因为水稻是这些国家的主要主食。本研究旨在区分耐旱和敏感基因型。总共150种基因型在受控条件下生长，以在新德里的印度农业研究委员会-印度农业研究所的Nanaji Deshmukh植物表型组学中心的高产量植物表型组学设施进行评估。从150个基因型中选出10个基因型的子集用于当前的研究。为了区分基因型，我们考虑了诸如每株植物的叶片数、植物的凸包和凸包面积-通过连接叶尖形成的凸包、植物的每单位凸包的叶片数、冠层扩展-植物的垂直扩展和水平扩展的特征。我们训练了You Only Look Once（YOLO）深度学习算法，用于叶尖检测和估计水稻植株中的叶片数量。在此框架下，我们根据所选性状筛选基因型。这些基因型之间的耐旱和干旱敏感的基因型，使用沃德聚类方法进一步分组。
2020-04-06 cs.CV q-bio.PE
Statistical shape representations for temporal registration of plant components in 3D
University of Lincoln（林肯大学）；University of Cambridge（剑桥大学）
针对野外机器人跨时间关联植物三维扫描的难题，提出无标志点形状压缩与PCA形状空间表示，结合形状、位置和旋转信息将番茄叶片时间匹配真正率提升至75%。
2023-06-06 cs.CV
Real-time Plant Health Assessment Via Implementing Cloud-based Scalable Transfer Learning On AWS DeepLens
The Institute for Sustainable Industries and Liveable Cities (ISILC), Victoria University（维多利亚大学可持续产业与宜居城市研究所（ISILC））；Namal Institute（纳马尔学院）；Charles Sturt University（查尔斯特大学）；Victoria University（维多利亚大学）
在农业部门，控制植物叶病至关重要，因为它影响植物物种的质量和产量，对任何国家的经济都有影响。因此，在早期阶段对植物叶片病害进行自动识别和分类对于减少经济损失和保护特定物种至关重要。在此之前，为了检测和分类植物叶片病害，已经提出了各种机器学习模型，然而，由于硬件不兼容、可扩展性有限以及实际使用效率低下，这些模型缺乏可用性。我们提出的DeepLens分类和检测模型（DCDM）方法通过AWS SageMaker上的可扩展迁移学习引入水果（苹果、葡萄、桃和草莓）和蔬菜（马铃薯和番茄）中叶病的自动检测和分类，并将其导入AWS DeepLens以实现实时的【形】实用性，从而解决了这些限制。云集成为我们的方法提供了可扩展性和无处不在的访问。在大量的健康和不健康的果蔬叶片图像数据集上进行的实验表明，该方法对植物叶片病害的实时的【形】诊断准确率达到98.78%。我们使用了4万张图像来训练深度学习模型，然后在1万张图像上进行评估。使用AWS DeepLens测试图像进行疾病诊断和分类的过程平均耗时0.349秒，在不到一秒的时间内为用户提供疾病信息。
2020-09-10 cs.CV cs.LG eess.IV
A Review of Visual Descriptors and Classification Techniques Used in Leaf Species Identification
RMD Engineering College（RMD工程学院）
植物对生命至关重要。植物科学的主要研究领域包括植物物种识别，使用高光谱图像进行杂草分类，监测植物健康和跟踪叶片生长，以及叶片信息的语义解释。植物学家很容易通过区分叶的形状、叶尖、叶基部、叶缘和叶脉，以及复叶的质地和小叶的排列来识别植物物种。由于对专家的需求和对生物多样性的要求越来越高，人们需要智能系统来识别和表征叶片，以便仔细检查特定的物种，影响它们的疾病，叶片的生长模式，等等.我们回顾了几种图像处理方法在叶片的特征提取，鉴于特征提取是计算机视觉的关键技术.由于计算机无法理解图像，因此需要通过单独分析图像的形状，颜色，纹理和时刻将其转换为特征。看起来相同的图像可能在几何和光度变化方面有所不同。在我们的研究中，我们还讨论了某些机器学习分类器，用于分析不同种类的叶子。
2020-09-13 cs.AI cs.CV cs.MM
On the Image-Based Detection of Tomato and Corn leaves Diseases : An in-depth comparative experiments
Northwestern Polytechnical University（西北工业大学）；Tsinghua University（清华大学）
本研究针对番茄和玉米叶片病害图像分类问题，提出基于CNN的新型检测模型，通过多组对比实验验证了不同模型及改进策略的检测性能。
2023-12-14 cs.CV
Joint Multi-Leaf Segmentation, Alignment and Tracking from Fluorescence Plant Videos
提出了一种新的荧光植物视频处理框架。植物研究界对植物叶片水平的光合作用分析很感兴趣。这种分析的先决条件是分割所有叶子，估计它们的结构，并随时间跟踪它们。我们确定这是一个联合多叶分割，对齐和跟踪问题。首先，对植物视频的最后一帧应用叶分割和对齐，以找到许多对齐良好的叶候选者。第二，叶跟踪应用于剩余的帧与叶候选变换从前一帧。我们形成了两个优化问题，在其目标函数的叶对齐和跟踪分别共享条款。一个定量的评估框架，制定评估我们的算法的性能与四个指标。通过学习两个模型，分别预测对准精度和检测跟踪失败，为后续的植物生物学分析提供指导。本文还研究了算法的局限性。实验结果表明了该方法的有效性、高效性和鲁棒性。
2017-05-09 cs.CV
Unified View of Damage leaves Planimetry & Analysis Using Digital Images Processing Techniques
Government College of Engineering & Textile Technology Serampore（塞兰坡政府工程与纺织技术学院）；G. L. Bajaj Institute of Technology and Management（G.L.巴贾吉技术与管理学院）；Noida Institute of Engineering and Technology（诺伊达工程技术学院）；Noakhali Science and Technology University（诺亚克利科技大学）；Velammal Engineering College, Anna University（安娜大学韦拉马尔工程学院）
本文提出使用直方图比较和k-means聚类等图像处理技术检测柑橘叶片溃疡病，通过基于叶片图案生成的直方图识别病害发展，为农业专家确定治疗方案提供依据。
2023-06-29 cs.CV
Uncertainty-Guided Attention and Entropy-Weighted Loss for Precise Plant Seedling Segmentation
Faculty of Computer Science October University for Modern Science \& Arts Giza, Egypt
本文提出UGDA-Net，通过不确定性引导双注意力、熵加权损失和深度监督提升植物幼苗分割精度，实验表明其在Dice系数和减少假阳性方面优于基线模型。
2026-04-12 cs.CV cs.LG
Zero-shot Hierarchical Plant Segmentation via Foundation Segmentation Models and Text-to-image Attention
The University of Osaka（大阪大学）；Phytometrics；Nagoya University（名古屋大学）
ZeroPlantSeg通过基础分割模型和文本到图像注意力实现零shot分层植物分割，有效提取植物个体，优于现有方法。
2025-12-19 cs.CV
Leaf Counting with Deep Convolutional and Deconvolutional Networks
University of Saskatchewan（萨斯喀彻温大学）
在本文中，我们研究的问题，从RGB图像，在植物表型的一个重要任务，莲座叶计数。我们提出了一个数据驱动的方法，这项任务概括了不同的植物物种和成像设置。为了完成这项任务，我们使用了最先进的深度学习架构：用于初始分割的去卷积网络和用于叶计数的卷积网络。在CVPPP-2017对叶片计数挑战数据集进行评价。尽管该数据集中的训练样本数量较少，但与典型的深度学习图像集相比，我们在整体上从背景中分割叶子并使用简单的数据增强策略计算叶子数量方面获得了令人满意的性能。对以前的竞争数据集上评估的方法进行了比较分析。我们的框架实现了所有五个测试数据集的平均绝对计数差异的平均值和标准差分别为1.62和2.30。
2017-08-29 cs.CV
Automated Disease Diagnosis in Pumpkin Plants Using Advanced CNN Models
School of Science and Engineering, Al Akhawayn University（阿赫韦因大学科学与工程学院）
本文利用ResNet、DenseNet和EfficientNet等先进CNN模型对南瓜叶片病害进行自动分类，在2000张图像上微调并优化超参数，最终DenseNet-121以86%准确率成为兼顾精度与计算复杂度的最优模型。
2024-09-29 cs.CV eess.IV
ARIGAN: Synthetic Arabidopsis Plants using Generative Adversarial Network
The Alan Turing Institute（艾伦·图灵研究所）；Forschungszentrum Jülich（于利希研究中心）；University of Edinburgh（爱丁堡大学）
近年来，人们对基于图像的植物表型分析越来越感兴趣，应用最先进的机器学习方法来解决具有挑战性的问题，例如叶分割（多实例问题）和计数。这些算法中的大多数都需要标记数据来学习手头任务的模型。尽管最近发布了一些植物表型数据集，但缺乏用于训练深度学习算法的大型注释植物图像数据集。缓解训练数据缺乏的一种常见方法是数据集增强。在这里，我们提出了一种替代的解决方案，以数据集增强植物表型，创建人工图像的植物使用生成神经网络。我们提出了Arabidopsis Rosette Image Generator（through）Adversarial Network：一种深度卷积网络，能够生成合成的玫瑰花状植物，灵感来自DCGAN（最近使用卷积层的对抗网络模型）。具体来说，我们使用CVPPP 2017 LCC数据集的A1，A2和A4训练网络，其中包含拟南芥植物。我们表明，我们的模型能够生成逼真的128x128彩色图像的植物。我们训练我们的网络调节叶数，使得可以生成具有给定数量的叶的植物，其中包括适合训练基于回归的模型。我们提出了一个新的人工植物图像的Ax数据集，由我们的ARIGAN获得。我们使用最先进的叶计数算法评估这个新的数据集，表明当Ax用作训练数据的一部分时，测试误差减少。
2017-09-04 cs.CV
A Smartphone-Based Method for Assessing Tomato Nutrient Status through Trichome Density Measurement
United Graduate School of Agricultural Sciences, Iwate University（岩手大学联合农学研究科）；Faculty of Agriculture and Life Science, Hirosaki University（弘前大学农生命科学学部）
本研究提出一种基于智能手机的无创方法，结合增强现实与图像处理算法量化幼叶毛状体密度，以早期检测番茄施肥胁迫，并通过验证实验证明其有效性，为精准农业提供低成本诊断工具。
2024-11-21 cs.CV
From Species to Cultivar: Soybean Cultivar Recognition using Multiscale Sliding Chord Matching of Leaf Images
School of Engineering, Griffith University（格里菲斯大学工程学院）；School of Computer Science and Technology, Wuhan University of Technology（武汉理工大学计算机科学与技术学院）；Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences（中国科学院东北地理与农业生态研究所）
植物叶片图像识别技术是植物种类识别中的一个研究热点。然而，目前还不清楚叶片图案是否可以提供足够的信息，品种识别。本文首次尝试从植物叶片中识别大豆品种，这不仅是一个具有挑战性的研究课题，而且对大豆品种的评价、选择和农业生产具有重要意义。在本文中，我们提出了一种新的多尺度滑动弦匹配（MSCM）的方法来提取叶片模式，是独特的大豆品种识别。定义了一条沿轮廓线滑动的弦，用于测量大豆叶片图像的外部形状和内部外观的同步模式。提出了一种多尺度滑动弦策略，以粗到细的层次顺序提取特征。为了进一步提高品种描述的鉴别力，提出了一种将大豆植株不同部位的叶片描述符整合起来的联合描述方法。为了进行性能评估，我们建立了一个包含200个大豆品种1200个样本叶片图像的品种叶片图像数据库-。实验结果表明，该方法能够有效地提取大豆叶片中的品种信息，并能有效地进行大豆品种识别，从而推动了从种到品种的叶片识别研究。
2019-10-11 cs.CV cs.LG eess.IV
Zoom in on the Plant: Fine-grained Analysis of Leaf, Stem and Vein Instances
Technical University of Denmark（丹麦技术大学）
针对农业精准机器人植物理解粒度不足的问题，研究提出提取叶片、茎、叶脉细粒度表型信息的模型，发布首个关键点引导折线标注的RumexLeaves数据集，并提出适配指标POKS，验证其优于OKS。
2023-12-14 cs.CV cs.RO
NeuraLeaf: Neural Parametric Leaf Models with Shape and Deformation Disentanglement
The University of Osaka（大阪大学）；Microsoft Research Asia – Tokyo（微软亚洲研究院-东京）
NeuraLeaf提出一种神经参数化叶片模型，通过将叶片几何解耦为2D基础形状和3D形变，结合无骨架蒙皮模型和新数据集DeformLeaf，实现多样叶片生成及对3D观测的精确拟合。
2025-08-07 cs.CV cs.GR
Analysis of Plant Nutrient Deficiencies Using Multi-Spectral Imaging and Optimized Segmentation Model
organization= Temasek Life Sciences Laboratory , country= Singapore；Disruptive \& Sustainable Technologies for Agricultural Precision, Singapore-MIT Alliance for Research；organization= Department of Biological Sciences, National University of Singapore , country= Singapore；organization= Department of Physics, University of Gothenburg , country= Sweden；organization= Science for Life Laboratory, Department of Physics, University of Gothenburg , country= Sweden
本文提出一种结合多光谱成像与Transformer注意力增强YOLOv5的植物叶片营养缺乏分割方法，在九通道输入下平均Dice和IoU较基线提升约12%，有效检测褪绿和色素积累等病症。
2025-07-18 cs.CV
Leaf vein segmentation using Odd Gabor filters and morphological operations
Amity University（阿米提大学）
叶脉是叶片特征和分类的基础。不同的物种有不同的叶脉图案。可以看出，叶脉分割将有助于根据其特定的纹理模式维护所有叶片的记录，从而提供了一种有效的方式来检索和存储数据库中的各种植物物种的信息，以及提供了一种有效的手段来表征植物的叶脉结构的基础上，这是唯一的每一个物种。该算法提出了一种新的方法分割的叶片静脉与使用奇Gabor滤波器和使用形态学操作产生一个更好的输出。Odd Gabor滤波器给出了有效的输出，并且与现有技术相比是鲁棒的和可扩展的，因为它更有效地检测叶子中存在的细纤维状静脉。
2012-06-22 cs.AI cs.CV
Using Deep Learning for Image-Based Plant Disease Detection
EPFL（洛桑联邦理工学院）；Penn State University（宾夕法尼亚州立大学）
作物病害是对粮食安全的一个主要威胁，但由于缺乏必要的基础设施，在世界许多地方，快速识别作物病害仍然很困难。全球智能手机普及率的不断提高以及深度学习在计算机视觉方面的最新进展，为智能手机辅助疾病诊断铺平了道路。使用在受控条件下收集的54，306张患病和健康植物叶片图像的公共数据集，我们训练深度卷积神经网络以识别14种作物物种和26种疾病（或不存在）。训练后的模型在测试集上达到了99.35%的准确率，证明了这种方法的可行性。当在从可信的在线来源收集的一组图像上测试该模型时-即在与用于训练的图像不同的条件下拍摄-该模型仍然达到31.4%的准确率。虽然这种准确度比基于随机选择的准确度（2.6%）高得多，但需要更多样化的训练数据集来提高总体准确度。总的来说，在越来越大的公开图像数据集上训练深度学习模型的方法为全球范围内的智能手机辅助作物疾病诊断提供了一条清晰的道路。
2016-04-15 cs.CV
Estimating Phenotypic Traits From UAV Based RGB Imagery
Purdue University（普渡大学）
在许多农业应用中，人们希望表征植物的物理性质并使用测量来预测例如生物量和环境影响。这个过程被称为表型分析。传统的表型信息收集是劳动密集型且耗时的。图像的使用越来越流行的表型。在本文中，我们提出的方法来估计高粱植物的性状从RBG相机上的无人机（UAV）。通过一种新的三角剖分方法，得到了图像的位置和方向以及感兴趣区域上稀疏点的坐标。然后从影像生成校正的正射影像镶嵌图。提出了一种基于模型的叶片形态学分析方法，用于叶片分割。我们提出了一个统计模型，以找到每一个高粱植物的位置。
2018-07-02 cs.CV
Deep Learning for Plant Identification and Disease Classification from Leaf Images: Multi-prediction Approaches
University of Tasmania（塔斯马尼亚大学）；Deakin University（迪肯大学）
本文提出一种名为GSMo-CNN的新型深度学习模型，用于植物识别与病害分类的多预测任务，并在三个基准数据集上验证了其优于现有方法的先进性能。
2023-10-25 cs.CV
XAI and Few-shot-based Hybrid Classification Model for Plant Leaf Disease Prognosis
Birla Institute of Technology and Science Pilani, Dubai Campus（比拉理工学院和科学学院迪拜校区）
本文提出结合可解释人工智能与少样本学习的混合模型，用于在有限数据条件下预测植物叶片疾病阶段，实验表明模型在准确率和可解释性方面均优于传统方法。
2026-03-03 cs.AI cs.CV cs.LG
Automatic Leaf Extraction from Outdoor Images
Merchant Venturers' School of Engineering, University of Bristol（布里斯托大学商人冒险者工程学院）
自动植物识别和疾病分析可以通过作为初始输入的完整的孤立叶的图像来简化。从自然图像中分割树叶是一个困难的问题。杂乱和复杂的背景：通常由其他叶子组成是司空见惯的。此外，它们的外观高度依赖于照明和观察视角。为了解决这些问题，我们提出了一种方法，利用叶静脉系统串联与其他低级别的功能。背景和叶子标记是使用颜色，强度和纹理创建的。两种方法进行了研究：分水岭和图切割和结果进行了比较。主-次静脉检测和一个突出的缺口去除应用到细化提取的叶片。我们的方法的有效性证明对现有的工作。
2017-09-19 cs.CV
A Novel Feature Extraction Model for the Detection of Plant Disease from Leaf Images in Low Computational Devices
A. K. Choudhury School of Information Technology, University of Calcutta（加尔各答大学A.K.乔杜里信息技术学院）；Institute of Engineering and Management（工程与管理学院）
本文提出一种面向低计算设备的新型特征提取方法，用于从番茄叶片图像中检测病害，并在包含10,000张图像的数据集上比较五种深度学习模型，其中AlexNet以87%准确率和轻量优势适用于嵌入式与移动设备。
2024-10-01 cs.CV eess.IV
DeepWheat: Estimating Phenotypic Traits from Crop Images with Deep Learning
Univ. Saskatchewan（萨斯喀彻温大学）
本文研究了利用彩色图像和高程图估测小麦出苗和生物量性状的方法。我们采用最先进的去卷积网络进行分割和卷积架构，具有残差和Inception-like层，通过高维非线性回归来估计特征。对两种不同种类的小麦进行评价，所述小麦在田间小区中生长用于实验植物育种研究。我们的框架取得了令人满意的性能，平均值和标准差的绝对差异为1.05和1.40计数的出现和1.45和2.05生物量估计。我们的结果计数小麦植物从田间图像的准确性比报告的类似，但可以说是不太困难，从室内图像的莲座植物计数叶片的任务。我们的生物量估计的结果，即使是一个非常小的数据集，改善所有以前提出的方法在文献中。
2018-01-26 cs.CV
Stem-leaf segmentation and phenotypic trait extraction of maize shoots from three-dimensional point cloud
College of Information and Electrical Engineering, Shenyang Agricultural University（沈阳农业大学信息与电气工程学院）；School of Information and Intelligence Engineering, University of Sanya（三亚学院信息与智能工程学院）
目前，获取玉米植株三维点云的方法有很多种。然而，从三维（3D）点云的玉米芽的自动茎-叶分割仍然具有挑战性，特别是对于在幼苗阶段非常接近并包裹在一起的新出现的叶子。针对这一问题，提出了一种自动分割方法，该方法包括三个主要步骤：骨架提取、基于骨架的粗分割、基于茎叶分类的细分割。分割方法进行了测试30玉米幼苗，并与手动获得的地面真相。我们的分割算法的平均精度，平均召回率，平均微观F1得分和平均过准确率分别为0.964，0.966，0.963和0.969。利用分割结果，本文还开发了两个应用程序，包括表型性状提取和骨架优化。该系统可自动、准确地测量株高、冠幅、茎高、茎粗、叶宽、叶长等6个表型参数。6个表型性状的R2值均在0.94以上。实验结果表明，该算法不仅能自动准确地分割出完全展开的叶片，而且能自动准确地分割出包裹在一起的新叶片。该方法在玉米基因型到表型研究、几何重建和动态生长动画等方面具有重要的应用价值。我们在网站https://github.com/syau-miao/seg4maize.git上发布了源代码和测试数据
2020-09-07 cs.CV
