本文介绍了AppleGrowthVision数据集，旨在解决苹果园监测中的数据集限制问题。该数据集包含高分辨率立体图像，支持准确的表型分析和3D重建。研究表明，使用YOLOv8和Faster R-CNN进行水果检测时，性能显著提升，为精准农业提供了基础。

本文介绍了基于深度学习的水果检测技术，包括Faster R-CNN和YOLOv3模型，应用于果园水果的检测与计数。研究显示，苹果和芒果的F1值超过0.9，检测精度高。此外，提出了新的数据集和框架，推动了水果检测技术的发展，满足农业实际需求。

本文介绍了一种结合多尺度感知器和卷积神经网络的图像处理框架，用于水果检测和计数，实验结果在商业苹果园中表现最佳。此外，提出了一种基于无人机激光雷达的无参数分割决策树方法，能够在各种地形中准确识别树木特征。研究还涉及木材髓心检测、森林点云处理及树木年轮分析等技术，均优于现有方法。

该论文介绍了一个新的数据集，包含41000个图像实例和1000张高分辨率图像，用于果园水果检测、分割和计数。提供了水果对象实例的多边形掩膜，以协助精确定位、检测和分割。作者提供了基线性能分析结果和代表性收益评估结果，并在CodaLab上托管了比赛以鼓励使用统一的数据集进行结果比较。