提出基于YOLOv8和树莓派的实时个人防护装备检测系统，准确率96.5%。
提出AshGdNutDefAM多特征机器学习框架，自动检测和分类冬瓜缺镁缺铁症状。
Multi-Species Egg Morphometry and Weight Prediction Using Computer Vision。Research Square
基于图像处理与特征分析，按东盟标准自动分类可可豆并检测缺陷。
用YOLOv8n-seg分割猪体并提取EfficientNet特征，结合回归模型实现非侵入式猪体重估
综述AI、物联网与无人机等智能技术在反盗猎监测中的进展、挑战与未来方向。
用图像处理和CNN/SVM/逻辑回归对苏格兰帽椒进行好坏二分类质量分级。
用离散小波变换提取蛋壳图像多尺度空间特征，实现小样本高效数字表型。
用提示引导的视觉语言模型对野生稻米粒进行检测，并给出基于证据的推理。
伞式综述112篇综述，梳理牛猪禽精准养殖计算机视觉应用与部署差距。
系统综述2014-2025年计算机视觉中知识引导机器学习，提出分类法并分析286篇研究。
提出基于Mask R-CNN和SVM的猪爬跨行为自动检测方法，实现群养公猪连续监测。
综述图像分割从经典方法到深度学习的演变，比较精度、计算成本和速度。
研究视频多目标跟踪系统在不同扫描条件下估算苹果产量的性能。
用固定可见光传感器和AI视觉技术，连续监测柑橘果实生长与成熟。
茶叶栽培到品质评估的计算机视觉综述。全面比较视觉技术(RGB、高光谱、近红外、热成像、LiDAR、UAV)并建立任务导向的算法选择框架。小样本或近线性问题传统机器学习(SVM、PLSR)依然有效;非结构化田间任务深度学习表现优越:害虫检测准确率超97%,茶芽RGB图像检测96.8%,高光谱预测氮含量R²>0.90、茶多酚R²高达0.925。算法选择需进一步按任务粒度区分:轻量级CNN平衡边缘部署速度与精度(16fps);YOLO系列检测器在移动平台实现实时定位(93.1%准确率、24ms/目标)。
Vasileios Tzouras、Paraskevas Pegios、Lazaros Nalpantidis于arXiv(2026-08-08)发表预印本。研究引入AgriField-40K,一个源自17个公开数据集的以田野为中心的农业数据集,涵盖多样化作物、杂草和田间条件;并提出AgriMAE,一种参数高效的持续预训练基线,通过仅训练轻量适配器来适配在自然图像上预训练的掩码自动编码器。AgriMAE在下游任务上一致提升性能,使用多达9倍更少的可训练参数即可匹配甚至超越全量微调,证明AgriField-40K是农业视觉持续预训练实用的资源。为精准农业模型开发提供低成本高效率的迁移学习路径,对农业视觉应用具有显著价值。
原文：Automated Detection and Counting of Redbanded Stink Bugs in Soybean Using an Improved Computer Vision Model。研究使用2281张田间图像训练YOLOv8变体，加入注意力模块和自适应空间特征融合后，最佳模型精确率96.30%、召回率76.40%、F1值85.20%，mAP50为82.00%。成果可辅助大豆害虫监测，但数据集与部署环境仍限制外推。
