谷歌支持Agua Segura和Agrow Analytics在比利时Scheldt流域实施AI精准农业，覆盖超过1000公顷农田。Agrow技术平台结合卫星和热成像数据，提供精准灌溉和施肥建议，旨在减少灌溉需求和肥料使用，补充高达1.58亿加仑水，增强当地生态系统和水资源韧性。

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。

该研究提出了一种基于层次决策结构的强化学习规划方案（HAM-PPO），旨在优化精准农业中的生物胁迫管理。结果表明，该方法在作物产量恢复和资源利用效率方面显著优于传统方法。

本文探讨了地理空间人工智能（GeoAI）的发展，识别了研究空白及未来方向，分析了其在精准农业和环境监测等领域的应用潜力与挑战，强调了GeoAI与GIS及大规模地理空间数据的紧密联系。

本研究提出了一种基于无人机影像和机器学习的新方法，自动计算叶面积指数，克服了传统方法的耗时、破坏性和高成本问题，提高了精准农业的效率。

本文介绍了SICKLE数据集，包含多光谱、热学和微波数据，旨在解决农业遥感中的数据稀缺问题。研究利用机器学习技术进行作物类型、生长季节和产量预测，开发了新的注释数据集和自动化系统，提高了作物分类的准确性，促进了精准农业的发展。

本文介绍了一种基于深度学习的杂草分类方法，利用编码器-解码器卷积神经网络和多光谱图像，实现精准农业中的杂草检测与识别。研究提出的新数据集CWD30展示了模型在不同环境下的有效性，并通过自监督学习解决了类别不平衡问题。结果表明，使用较少的训练数据也能达到高准确率，推动了精准农业技术的发展。

本文介绍了一种多模态移动远程操作系统，结合视觉手部姿态回归网络和IMU臂部追踪方法，利用低成本深度摄像头实现手-臂控制。系统通过图像转换生成机器人手部姿势的深度图像，展示了高效稳定的操作性能。同时，研究探讨了农业环境中的机器人导航、作物检测及3D重建技术，推动精准农业的发展。

本研究利用弱监督学习和深度学习方法，开发了多种模型以识别和计数农作物病虫害，特别是蚜虫。研究表明，这些方法在准确性和效率上优于传统方法，为精准农业提供了有效解决方案。

该论文提出了一种基于卷积神经网络的作物行检测算法，利用RGB图像实现农田自动导航。研究开发了Agronav框架，结合语义分割和深度学习技术，支持地面和空中机器人。测试结果表明，该系统在复杂环境中表现良好，导航误差控制在50cm以内，为精准农业提供了有效解决方案。

本研究探讨了人工智能在农业可视化中的应用，结合chatGPT和DALLE 2模型，将文本转化为视觉内容。研究强调了DALLE 2在优化决策和资源分配中的重要性，预示着精准农业的转型即将到来。

AdaptiveClick 是一种基于 Transformer 的图像分割框架，采用 CAMD 和自适应焦点损失来解决数据标注不一致性问题。研究还提出了测试时间训练策略和新型异常检测方法，展示了在多个数据集上的优越性能，并探讨了工业视觉异常检测和精准农业，提出了高效的分割工具，显著提高了模型性能。

本文介绍了一种基于卷积神经网络（CNN）的精准农业机器人技术，旨在减少除草剂使用。该技术利用RGB数据进行作物分割和背景分类，具备实时分类能力，并能在新地块上有效重新训练。实地测试表明，该系统具有良好的泛化能力，适合农业生产，能够在复杂环境中自动识别杂草和作物，提高农药使用效率。

本文探讨了图像识别技术在农业中的应用，特别是利用无人机采集农作物和杂草图像数据集进行深度学习模型的训练与测试。研究提出了一种新颖的集成框架，显著提升了甘蓝和科冷草的检测性能，并讨论了农业领域面临的计算机视觉挑战及合成数据生成方法，强调了人工智能在精准农业中的潜力。

该研究提出了BTS-RED框架，包含三个算法，用于解决实验设计中的多个条件同时评估和重复观测噪声大而异方差的问题。三个算法分别适用于已知和未知噪声方差的情况，并能在噪声异方差的情况下保证理论性能，适用于精准农业和自动机器学习等实际应用。

本文介绍了在精准农业应用领域中，使用传感器和数据分析技术检测和测量作物健康威胁的重要性。最近的研究表明，农民的日益连接性和在线农业社区的出现使得类似 Twitter 的社交媒体成为检测陌生植物健康事件的参与平台。介绍了法语预训练语言模型ChouBERT，能够准确识别涉及观察植物健康问题的推文，并且能推广到未见过的自然灾害。通过进一步研究ChouBERT在小规模标记数据上进行的令牌级注释任务，解决了标注数据的不足问题。