总结;方法不新啦，自己有动物数据集加3分。
7. A detection algorithm for cherry fruits based on the improved YOLO-v4 model，2021“数字”农业正在迅速影响农业产值。成熟农产品的机器人采摘，实现精准快速采摘，让农业收割智能化。如何提高产品产量也成为数字农业面临的寻衅。在樱桃成长过程中，实现樱桃果实的快速准确检测是樱桃果实数字农业发展的关键。由于樱桃果实检测不准确，遮光等环境问题成为樱桃果实检测的最大寻衅。这篇论文提出了一种改进的 YOLO-V4 深度学习算法来检测樱桃果实。此型号适用于樱桃体积小。建议在YOLO-V4骨干网CSPDarknet53根本上增加网络network，结合 DenseNet 层与层之间的密度，YOLO-V4模型中的先验框，改成适宜樱桃果实形状的圆形标记框。基于改进的YOLO-V4模型，增强特色提取，深化网络构造，提高检测速率。为了验证该方法的有效性，比较了YOLO-V3、YOLO-V3-dense和YOLO-V4的不同深度学习算法。结果表明，利用本文改进的YOLO-V4模型（YOLO-V4-dense）网络得到的mAP（均匀准确率）值比yolov4高0.15。在实际果园运用中，可以检测出同一地区樱桃成熟度不同的樱桃，对成熟度差异较大的果实进行人工干预，终极提高樱桃果实的产量。总结：改进YOLOV4加1分，自己大量数据+3分=4分。
8. MinneApple: A Benchmark Dataset for Apple Detection and Segmentation在这项事情中，我们提出了一个新的数据集来推进果园环境中水果检测、分割和计数的最新技能。虽然最近人们对办理这些问题产生了浓厚的兴趣，但由于缺少统一的数据集，因此很难比较结果。我们希望通过供应在果园中得到的大量高分辨率图像以及对树上果实的人工注释来进行直接比较。水果利用多边形掩码为每个工具实例进行标记，以帮助进行精确的工具检测、定位、和分割。此外，我们供应了基于补丁的聚类水果计数数据。我们的数据集包含 1000 张图像中超过 41’0000 个带注释的工具实例。我们供应了数据集的详细概述以及边界框检测、分割和水果计数的基线性能剖析以及产量估计的代表性结果。我们公开供应此数据集，并举办 CodaLab 寻衅赛，以鼓励对通用数据集的结果进行比较。下载数据并理解有关 MinneApple 数据集的更多信息，请参阅项目网站：http://rsn.cs.umn.edu/index.php/MinneApple。最新信息可在线获取.总结:这个数据集有拍摄的1000多张图像，每张图像中包括1-20个苹果，有41000个实例分割标签数据，数据是记录了两年。
本研究提出了一种基于物联网技能和智能图像识别。农业决策须要丰富的履历；利用所提出的系统，可以通过演习神经网络模型通过目标检测来确定作物成熟度，然后可以利用机器臂收成成熟的作物。 Keras 用于构建多层感知器机器学习模型并预测多轴机器臂运动和位置。在对图像实行目标检测之后，图像中目标作物中央点的像素坐标被用作神经网络输入，而机器臂被视为输出端。然后利用 MobileNet 版本 2 卷积神经网络作为图像特色提取模型，将其与单发多盒检测器模型组合为后层形成目标检测模型。然后该模型通过网络和标记图像来实行作物检测。履历证据表明，所提出的模型演习的均匀精度（mAP）为84%，高于其他模型；从手臂拾取结果中不雅观察到 89% 的 mAP。总结: 想法可以（1分）+开拓了机器臂3分=4分
10. Real-time nondestructive fish behavior detecting in mixed polyculture system using deep-learning and low-cost devices, 2021,7分鱼类行为在环球水产养殖中引起了越来越多的关注，由于它供应了主要的信息，关于生产力和鱼类质量。通过供应比手动丈量等传统方法更高的空间分辨率、效率和准确性，利用图像来检测鱼类行为已在水产养殖行为研究中显示出潜力。此外，与其他方法比较，它许可进行更多的定量数据剖析。迄今为止，用于监测鱼类行为的传统图像处理方法紧张基于外不雅观、形态和颜色信息。这种方法繁芜和/或耗时，并限定了这种方法在水产养殖中的实用性。为理解决这些问题，我们在此提出了一种基于水下成像系统和深度学习框架的无创、快速、低本钱的程序，以在稠浊混养系统中以高精度检测鱼类的行为。本研究的详细目标是 (1) 设计一个低本钱的水下成像系统，可以通过视觉图像描述和量化鱼类的行为，以及 (2) 开拓一种轻量级的深度学习构造，以快速准确地检测各种不同环境下的鱼类行为。状况。为此，首先通过低本钱成像系统捕获鱼的图像，然后对其进行预处理以减少噪音并增强数据信息。末了，改进的 You Only Look Once version 3 Lite (YOLOv3-Lite) 网络具有新颖的骨干构造，用于改进池化块和丢失函数，从而更好地识别鱼类行为。所提出的方法在真实数据集上进行了测试，并且产生 0.897 的精度、0.884 的召回、0.892 的联合交叉和每秒 240 帧。此外，与更快的区域卷积神经网络 YOLO、YOLOv2、YOLOv3 和单次多盒检测器比较，所提出方法的每个评估指标的性能提高了 10%–20%。这一综合剖析表明，所提出的方法供应了最前辈的性能，可用于养鱼场。总结：改进Yolov3+1分，真实鱼类数据，+3分，做了实验+1分=5分
11. In-field tea shoot detection and 3D localization using an RGB-D camera，2021在这项研究中，利用打算机视觉模型实现了一种算法来检测和分类咖啡果实，并绘制收成期间果实的成熟阶段。本研究的紧张贡献在于为每个帧分配地理坐标，这使得跨咖啡行的检测择要映射成为可能。用于检测和分类咖啡果的模型是利用 Darknet 实现的，Darknet 是一个用 C 编写的开源神经网络框架。咖啡果检测和分类是利用名为 YOLOv3-tiny 的工具检测系统实行的。对付这项研究，在结束时，录制了 90 个视频2020 年阿拉比卡咖啡 (Catuaí 144) 收成期间咖啡收成机的卸料运送机巴西米纳斯吉拉斯州帕托斯德米纳斯地区。模型性能达到峰值，当考虑 800 × 800 像素的图像输入分辨率时，第 3300 次迭代。该模型提出了一个验证集的 mAP 为 84%，F1-Score 为 82%，精度为 83%，召回率为 82%。未成熟、成熟和过熟咖啡果实类别的均匀精度分别为 86%、85% 和 80%。由于该算法能够对收成期间网络的视频进行检测和分类，因此可以沿着作物线绘制有关咖啡成熟阶段的定性属性。这些属性图为管理者在作物管理中运用精准农业技能供应了主要的空间信息。此外，这项研究该当勉励未来的研究为农业和精准农业中的某些任务定制深度学习模型。
12. Faster R-CNN With Classifier Fusion for Automatic Detection of Small Fruits，2020水果检测是自动产量估算的一项基本任务。目标是检测图像中的所有水果。最前辈的水果检测算法，Faster R-CNN，显示对小水果缺少检测上风。缘故原由之一是仅利用单级特色和分类器来定位候选提案。在本文中，我们建议将多分类器领悟策略合并到 Faster R-CNN 网络中以进行小水果检测。我们利用三个不同层次的特色，在提案定位阶段学习三个分类器进行工具性分类。来自分类器的概率由一个大略的卷积层组合，以天生候选提案的终极目标分类。期间演习，为了演习一个泛化能力强的模型，我们建议利用干系系数来衡量多个分类器的多样性。引入了一种具有分类器干系性的新型丢失函数来演习区域发起网络。我们在两个小水果数据集上评估了所提出的模型。大量实验表明，所提出的模型优于最前辈的水果检测检测器。总结：Faster R-CNN +分类2分旁边。
13. EFDet: An efficient detection method for cucumber disease under natural complex environments，2021提高疾病检测模型的运用能力是农业信息化领域的关键问题。繁芜的背景、图像的多样性和模型的繁芜性是影响自动疾病识别实现的紧张成分。本研究构建了高效检测模型（EFDet），紧张由高效骨干网络、特色领悟模块和预测器组成。 EFDet通过领悟特色图在繁芜背景下提高黄瓜叶子的检测效果不同的层次。我们网络了霜霉病、细菌角斑病和康健三类黄瓜叶子来构建黄瓜病害数据集。它包含 7,488 张图像，具有三个繁芜度级别，用于模型演习和评估。 YOLO V3-V5、EfficientDet-D1、YOLO V3-ASFF等六种检测模型作为比拟模型，我们从模型大小、FLOPs、mAP等方面验证了EFDet的性能。实验结果表明，EFDet对繁芜环境下黄瓜病叶具有较强的鲁棒性。它还具有更小的参数和打算，适宜实际运用。总结：3分。
14. Improved multi-classes kiwifruit detection in orchard to avoid collisions during robotic picking深度学习实现了猕猴桃检测精度高、速率快。然而，所有的猕猴桃在大多数机器人水果采摘研究中，它们仅被标记和检测为一类，个中被树枝或电线遮挡的水果已被检测为可采摘目标。末端实行器或机器人在被迫采摘水果时可能会被树枝或电线破坏。因此，猕猴桃基于它们的遮挡在多类中被标记、演习和检测，以避免检测被树枝或线遮挡的果实作为可拾取目标。根据机器人采摘策略和园地遮挡，将水果分为四类和五类。著名的 YOLOv3 和最近发布的 YOLOv4 被用来做多类奇异果检测的迁移学习。结果表明，水果中的 mAP（均匀精度）五类高于四类，而YOLOv4的mAP高于YOLOv3。 YOLOv4和YOLOv3在五类和四类中的mAP分别为91.9%、91.5%、91.1%和89.5%。结果表明，在更多种别中标记和演习的水果可以得到更高的 mAP。 YOLOv3和YOLOv4的均匀检测速率有显著差异，但在四类和五类中没有。总体而言，YOLOv4 在五个种别中实现了 91.9% 的最高 mAP，其花费了 25.5 毫秒均匀处理 2352 × 1568 图像。结果表明，多类奇异果检测有助于避免对末端实行器或机器人的破坏。总结：大量数据+3分，YOLOV4+1分。
15. YOLO fish detection with Euclidean tracking in fish farms，2021管理鱼类养殖场的活动，如鱼类池塘监测，是鱼类养殖者艰巨且本钱高昂的任务之一。 常日，这些活动是手动完成的，对鱼类养殖者来说是摧残浪费蹂躏韶光和金钱。 本文先容了一种方法，该方法可以在水条件具有寻衅性的情形下改进 鱼 检测和 鱼 轨迹。 图像增强算法首先用于改进不清晰的图像。 然后在增强图像上利用工具检测算法来检测 鱼。 末了，从检测到的工具的坐标中提取 鱼 计数和轨迹等特色。 我们的方法旨在对鱼类养殖场的鱼类池塘进行更好的鱼类跟踪和检测。总结:方法有点老啦
16. Recent advances in the application of deep learning methods to forestry(综述)，2021本文对深度学习（DL）的基本理论进行了概述和剖析，特殊是对一些主要的算法进行了比较和剖析。文章回顾和剖析了DL方法在林业中的紧张运用，包括锯材表面质量评价、森林资源调查、树种鉴定、木材含水率预测、详细运用。林业信息文本分类等。通过综合剖析和回顾，创造：（1）DL方法在表面质量方面得到了广泛的运用。锯材评价，研究领域紧张采取卷积神经网络（CNN）DL算法开展锯材表面评价研究，YOLOv4、YOLOv5m算法实现近实时目标检测识别。 (2)基于DL建立适宜的森林资源遥感图像识别方法，在未来森林资源调查、森林植被覆盖率统计、植物成长状况监测剖析等领域具有主要运用代价。 (3)基于深度学习的树种识别方法有效地避免了其他方法须要对树木图像进行图像预处理，导致操作过程繁琐、效率低、事情量大的缺陷。 (4)DL方法为木材含水量的预测供应了一种快速有效的预测方法。此外，DL方法在林业信息文本分类中的运用为林业信息文本分类供应了新的办理方案。文章末了对全文进行了总结，预测了DL在林业中运用的未来发展趋势：高端林业装备研究、林业微不雅观研究、聪慧林业等领域。
17. Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments实现对自然环境中苹果花的快速准确检测对付产量估算和自动花稀释剂的开拓至关主要。提出了一种利用通道剪枝YOLO v4深度学习算法的实时苹果花检测方法。首先构建了CSPDarknet53框架下的YOLO v4模型，然后为了简化苹果花检测模型并担保模型的效率，采取通道剪枝算法对模型进行剪枝。末了，利用统共2230张人工标注的苹果花图像（包括富士、红爱、嘎啦三个品种）对模型进行微调，实现对苹果花的快速准确检测。测试结果表明，修剪后的苹果花检测模型参数个数减少了96.74%，模型大小减少了231.51 MB，推理韶光减少了39.47%，mAP为97.31%，达到了仅比修剪前的模型低 0.24%。为了验证所提出方法的有效性，比较了五种不同的深度学习算法，包括 Faster R-CNN、Tiny-YOLO v2、YOLO v3、SSD 300 和 EfficientDet-D0。比拟结果表明，该方法检测苹果花的mAP为97.31%；检测速率为72.33f/s；模型大小为 12.46 MB； mAP分别比其他五种算法高12.21%、15.56%、14.19%、5.67%和7.79%；检测速率知足实时性哀求。此外，还谈论了不同苹果树种和光照条件下苹果花的检测性能。结果表明该方法对果树品种和光照方向的变革具有很强的鲁棒性。结果表明，将所提方法运用于实时、准确的检测是可行的。苹果花。该研究可为果园产量估算和开拓供应技能参考。
总结：剪枝+YOLOV4=3分，自己的数据+1分=4分。
18. Detecting Trees in Street Images via Deep Learning with Attention Module，2019只管目标检测技能已广泛运用于各种实际运用中，但自动树木检测仍旧是一项艰巨的寻衅，尤其是对付街道查看图像。在本文中，我们提出了一个统一的端到端用于自动街道树检测的可演习网络，基于在最前辈的基于深度学习的工具检测器上。我们办理树中的低照度和重度遮挡情形直到现在还没有被广泛研究的检测，由于明显的寻衅。由于上述寻衅，现有的通用工具检测器不能直接应用于此任务。为理解决这些问题，我们首先提出了一种大略而有效的图像亮度调度方法来处理低照度情形。此外，受先条件出的遮挡感知 R-CNN 事情的启示，我们提出了一种新的丢失和树部分把稳模块，以减少由重度遮挡引起的缺点检测。我们演习和评估所发起网络的多个版本，并验证每个组件的主要性。结果表明，用于树木检测的部分把稳力网络（PANTD）可以有效地检测街景图像中的树木。实验结果表明，我们的方法在各种条件下都实现了高精度和鲁棒性。总结：择要没有详细的方法和结果。
19. An experimental study of stunned state detection for broiler chickens using an improved convolution neural network algorithm，2020肉鸡晕厥状态的有效识别方法一贯是现实行业中的一个主要问题。近年来，神经网络等识别方法因其诊断准确率高、易于实现等优点而受到越来越多的关注。为了提高肉鸡晕厥状态识别的准确性和效率，提出了一种改进的基于区域的快速卷积神经网络（You Only Look Once + Multilayer Residual Module (YOLO + MRM)）算法，并将其运用于三种肉鸡晕厥状态的识别：不敷、适当和过度的眩晕。这些图像是利用互补金属氧化物半导体 (CMOS) 相机从肉鸡屠宰线上网络的。根据PASCAL VOC数据格式对原始图像中肉鸡头部和翅膀的区域进行标记，得到每只肉鸡晕厥状态的数据集。结果表明，YOLO+MRM算法取得了良好的性能，准确率为96.77%。为了将YOLO + MRM与其他模型进行比较，利用传统的反向传播神经网络（BP-NN）分类器以及YOLO进行了类似的实验，识别准确率分别为90.11%和94.74%。 YOLO+MRM每小时可完成超过18万只肉鸡的检测任务。与传统方法比较，不须要图像识别方面的先验知识，识别准确率和速率明显提高。这项研究为自动检测肉鸡致昏状态供应了根本并强调了其潜力，这对付家禽业自动电致致昏过程的成功至关主要。
总结：这篇论文大概是5-6分旁边。
