农业科学院和农业农村部为提高现有苹果目标检测的性能和适应性，改进轻量级的MobileNetV3网络，在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路;

农业科学院和农业农村部为提高现有苹果目标检测的性能和适应性，改进轻量级的MobileNetV3网络，在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路;

针对温室番茄智能化管理需要，北京农业智能装备技术研究中心等机构，分别以茎秆、叶片和绿果器官作为识别目标，为农业环境近色目标视觉识别相关研究提供参考;

针对大豆-玉米轮作生产中，两者竞争水肥，进而影响到两者品质的问题，同时人工传统检测方法的不足，北达科他州立大学研究了可自动监测大豆生长过程中玉米杂苗情况的系统，为农民提供准确的信息，帮助其进行生产决策和田间管理;

中国农业科学院等机构，为应对粮食安全产生威胁的害虫—草地贪夜蛾防治，利用深度学习方法，可视化分析可以直观认识模型的特征学习情况，可为行业内或其他领域的研究人员提供参考;

国家农业信息化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，发现了CCHKMSM模型具有一定优势，识别准确率高且计算量小，对系统要求低，具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力;

蔬菜价格波动，对居民和菜农都是双刃剑，针对菜价波动幅度大、影响因素多样、精度不高等难点，北京市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，也可推广到其他蔬菜品种，对于保障菜农收入、稳定蔬菜市场价格等具有重要意义;

上海大学等机构针对现有的自动化除草解决方案，鲁棒性不强、过度依赖大量样本等不足，提出了基于图像处理多算法融合的田间杂草检测方法，设计了一套田间杂草自动识别算法。针对复杂多变的农业场景，进行了存在雨滴和阴影干扰的鲁棒性测试，实现了90%以上的作物识别结果，可为智能移动机器人除草作业等领域应用提供技术支持;

对于小麦倒伏影响产量的问题，北达科他州立大学学生提出了一种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情况进行分类，可有效地替代人工检测方法，其检测精度达到了75%;

中国农业大学为提升果园管理能力，改进了果实检测算法与产量拟合网络的产量测定方法，利用无人机及摄像头原位图像，提升苹果果园原位测产的准确性和有效性，基本可以满足自然环境下树上苹果的测产要求，为现代果园环境下的智能农业技术参考;

中国农业大学等机构为快速准确计数大豆籽粒，研究了一种基于密度估计和VGG-Two (VGG-T)的大豆籽粒计数方法，实现大豆籽粒的快速计数任务，提高大豆考种速度和育种水平;