人工智能与农业的结合在智能农业方面取得了一定的成就，但在实际应用中仍有研究空间。国内许多高校和其他科研机构也致力于农业和人工智能的应用。在过去的一两年里，他们也取得了很大的进展，并在这里进行了科学实践：
一、树上苹果检测模型。
为了提高现有苹果目标测试的性能和适应性，农业科学院、农业和农村部提高了轻量级Mobilenetv3网络，降低了模型计算量、测试时间、模型计算和存储资源占用的目的。
二、玉米作物营养状况识别方法。
以水肥一体化设备为研究对象，提出了基于卷积神经网络的玉米作物营养状况识别方法，为提高水肥资源的有效利用提供了方法和依据;
三、番茄植株相似色目标识别方法。
根据温室番茄智能管理的需要，北京农业智能设备技术研究中心等机构以茎、叶、绿果器官为识别目标，为农业环境近色目标的视觉识别提供参考;
四、检测大豆作物幼苗期玉米杂苗。
北达科他州立大学研究了自动监测玉米幼苗生长系统，为农民提供准确的信息，帮助农民做出生产决策和田间管理;
五、草地贪夜蛾及其近缘成虫识别。
中国农业科学院等机构利用深度学习方法，可视化分析，直观了解模型的特点学习情况，为应对粮食安全威胁的害虫——草地贪婪夜蛾的防治提供参考;
六、番茄叶病害快速识别模型。
国家农业信息工程技术研究中心等机构联合研究了基于叶片图像的番茄病害识别，发现CCHKMSM模型具有识别精度高、计算量小、系统要求低、应用潜力低等优点;
7、研究蔬菜短期价格预测组合模型。
蔬菜价格波动是居民和蔬菜农民的双刃剑。北京农林科学院等机构以黄瓜为研究对象，分析了影响黄瓜价格的供给、需求、流通等因素，实现了黄瓜的短期价格预测，也可以推广到其他蔬菜品种，对保障蔬菜农民收入、稳定蔬菜市场价格具有重要意义;
八、杂草检测方法及试验。
针对现有的自动除草解决方案，上海大学和其他机构提出了基于图像处理多算法集成的田间杂草检测方法，并设计了一套田间杂草自动识别算法。对于复杂多变的农业场景，进行了雨滴和阴影干扰的鲁棒测试，实现了90%以上的作物识别结果，为智能移动机器人除草作业等领域的应用提供技术支持;
九、小麦倒伏率检测。
北达科他州立大学的学生提出了基于图像处理的自动数据集生成方法，利用无人机和深度学习算法对小麦倒伏检测进行分类，可有效替代75%的人工检测方法;
十、苹果树产量测定方法。
为了提高果园管理能力，提高果实检测算法和生产拟合网络的生产测量方法，中国农业大学利用无人机和摄像头原位图像，提高苹果果园原位生产的准确性和有效性，基本满足自然环境下苹果在树上的生产要求，为现代果园环境下的智能农业技术提供参考;
十一、大豆籽粒快速计数方法。
中国农业大学等机构研究了基于密度估计和VGG-Two(VGG-T)的大豆籽粒计数方法，实现了大豆籽粒的快速计数任务，提高了大豆的试验速度和育种水平;
越来越多的科研机构投资于智能农业的应用，提高了智能农业技术的应用水平。我相信，它将在未来智能农业的发展中发挥作用，方便数亿农业从业者。
官方微信