人们提出了一种称为CapsNet的新方法， 将有助于差异植物叶脉进行分类。
所提出的方法包括提取叶脉的四个紧张步骤-照片采样，照片预处理（RGB到灰度转换，sobel区域检测，骨架化），CapsNet技能的特色提取和PNN方法的特色类型。
通过CapsNet技能利用叶脉模式进行了植物叶片识别。

2.The Smart Image Recognition Mechanism for Crop Harvesting System in Intelligent Agriculture （IF=3.073，2020）2.1 研究目的

通过利用神经网络演习的智能识别模型，然后系统再确认作物是否可以收成，末了利用机器臂收割作物。

2.2 系统模型

研究可以分为三个部分，即目标检测、手臂掌握和通信系统。

目标检测系统紧张卖力图像检测，并将检测结果发送得手臂掌握系统进行手臂运动预测。
末了，通信系统将图像信息发送到目标检测模型进行检测并实现机器手臂掌握。

精度检测利用TensorFlow构建的MobileNet SSD CNN模型进行目标检测，紧张通过调度演习图像和批量演习不同数量的图像来得到系统容忍度，以测试模型网络的检测精度。

手臂掌握包括硬件的组装。
硬件采取树莓派，卖力图像流媒体和吸收网页命令;机器臂，由六个伺服马达组成;网络摄像头;一个GPS模块;超声波传感模块;以及携带各种物品的履带式移动车辆。

2.3 目标检测模型

工具检测模型多种类型的目标检测神经网络模型目前存在。
然而，本研究须要一个别系兼具检测精度和检测速率。
通过参考各种工具的结果检测神经网络模型，本研究终极选定，一个根本CNN架构与低并系统与bbox的SSD配对容纳各种大小工具的算法。
常日，在演习过程中会网络不同的演习数据集通过机器演习，避免得到过拟合的模型这样得到的结果涌现假阳性。

因此，本研究对目标类型、图像捕捉角度、打开摄像机间隔、环境照明和环境繁芜性增加了神经网络的模型的理解。
图像是通过仿照农田的设置，从而提高模型的准确性。
其余，图像的大小和分辨率也受到了影响，统一用智好手机拍摄演习数据。

数据分为两类，即成熟番茄和不成熟番茄。
这个别系决定了一个水果是否成熟可以收割了。
两种尺寸的演习图像以测试演习图像大小对模型的影响准确性。
目前的研究以农作物为检测工具，并对其进行期望以不同的大小被检测到。
本研究共准备了890张演习图像以1:9的比例随机分布在主数据集中491张来自网上，399张是农田中抓获。

2.4 结论

这项研究利用了具有IoT技能的工具检测算法来开拓远程农作物收割系统。
发起的工具检测模型是MobileNet SSD模型。
其均匀准确度为84％，高于其他模型。
还设计了利用四层感知器模型的手臂运动预测模型；均匀采摘精度达到89％。

[个人总结] 论文紧张通过数据网络，信息互换通讯，以及机器人采摘3个部分来展开研究。
但从实际运用而言，通过机器臂采摘果实比较人力速率慢，比较机器去摇树收结果树更费时，实际运用空间不大。

3. Deep Convolutional Neural Networks for Fruit Tree Classification and Spatial Analysis Using Aerial Imagery （An ASABE Meeting Presentation，2020）

运用了AlexNet和VGGNet之类的高等DCNN模型来识别视觉模式并提取图像特色，从而提高了果树分类的性能。
利用这些修正后的DCNN模型，我们可以在航拍照片上轻松识别出果树，如蜡苹果，枣，柑桔或荔枝树。
我们还运用了工具检测技能来近似不同作物类型的边界框并估计其耕种面积。

3.1 方法3.1.1 处理过程树木的数据处理分为两个种别，预处理和分类。
预处理是去除耕地和云等滋扰条件。
分类是将检测到的果树的种类进行区分。
通过航拍图片将地皮话分为小地块，然后再进行分割。
以地瓜、大枣、荔枝等果树为演习集。
监督学习须要大量的标记数据集，在地理信息系统(GIS)上分别对不同种类的果树在航拍照片上进行标记，将标记好的地块映射成多个多边形，然后将这些多边形导出到一个形状文件中。
利用标记后的形状文件，在GIS赞助下从航拍图像中截取某一种果树。
将GIS工具转换成python代码，并在不手动重复相同过程的情形下完成所有分离操作。
进行数据的筛选。
如不同果树在不同时令的形态会变革。
下一步统一输入图片的大小。
有两种常用的方法来统一图像的大小。
首先,up-sampling或向下采样将所有图像调度为指定的大小。
其次，修剪一定大小的地块。
然而,第一种方法会导致分辨率的损失，从而模糊物体的特色。
果树的一些特色可能消逝。
我们更关心的是树木的栽种安排，而不是每个地块的形状。
农田的图案和纹理比形状主要得多。
因此，第二种方法对付我们的研究彷佛是一个更好的选择。
数据增加在我们的演习数据集中有7584张图像。
利用数据增强来扩大数据集。
我们运用旋转、放大、放大、翻转和拉伸原始数据，创建更多数据集，办理数据不敷问题。
3.1.2 卷积神经网络修正后的AlexNet修正后的VGG163.1.3 调度学习效率3.1.4 删除不清楚的模块和图片3.1.5 区分白色的网

比如有些枣树会覆盖白色的网，从薄薄的白网里，我们还能辨认出枣树的图案。
然而，如果覆盖的是一张厚厚的白色网，我们只能得到网的颜色，而看不到任何树的图案。
在模型的改进中，应多采取不同网眼厚度的枣园地块的辨别。

3.1.6 区分玄色的网

一些蜡苹果树被玄色的网覆盖以保护果实。
“无遮盖的苹果蜡”和“有遮盖的苹果蜡”“苹果”常日被标在一块地皮上。
改进了标记事情，以区分这两种类型图案分离，使“黑网覆蜡苹果”成为一个独立的类型。

3.2 结论

修正后的AlexNet和VGG16模型可以成功地将航拍图像分类为蜡苹果，枣，荔枝和柑桔果树。
利用这些分类器模型，我们可以更有效地剖析航拍照片中的果树分布。
如果可以更彻底地实现原始航拍图像的色彩校正和地块的数据选择，则DCNN模型将具有更好的性能。

4. Image Processing Techniques for Detecting and Classification of Plant Disease – A Review (会议论文，2019)4.1 择要

本文通过检讨用于检测植物叶子或果实上疾病的技能以及用于分类疾病的机器学习模型，对图像处理领域确当前研究进行了概述。
本文的紧张目的是展示当前的技能水平，并阐明在图像处理阶段所采纳的步骤，并检讨所用每种技能的优缺陷，以及用于分类疾病的机器学习模型的性能。

4.2 目前运用在检测叶片、果实上虫害的深度学习方法

(下表列出的期刊中大多都不错，影响因子3-5分)

5. Anthracnose disease diagnosis by image processing, support vector machine and correlation with pigments （IF=1.15，2019）

基于MATLAB，通过从DSLR摄像机捕获图像来剖析疾病严重程度。
通过预处理提高了图像的质量，并利用灰度共生矩阵（GLCM）得到了图像的纹理特色。
通过支持向量机（SVM）将图像分类为康健或传染（炭疽病）。
还估计了真菌传染对色素的影响，包括总叶绿素和类胡萝卜素含量，并与打算数据干系。

6. Deep learning – Method overview and review of use for fruit detection and yield estimation （IF=3.998，2019）6.1 择要

重点先容了深度学习模型在水果检测和定位任务中的实际运用，以支持树木作物负荷估计。
对果树影像计数外推到产量估计中的方法进行了综述，以办理影像中果实遮挡的问题。

6.2 先容

1 运用深度学习工具检测框架包括Faster R-CNN、SSD和YOLO，检测器包括Oxford Visual Geometry Group Network (VGGNet) (Simonyan and Zisserman, 2014)、残值网络(ResNet) (He et al.， 2016)、Zeiler and Fergus Network (ZFNet) (Zeiler and Fergus, 2014)。
重点放在实际方面，须要考虑时，采取标准的深度学习模型的水果检测任务。
提出了对文献作出原创性贡献所需的建议，而不是将已建立的方法公式化地运用于新的运用领域(例如，一种新的商品)，包括利用涉及的模型比较的标准度量标准二进制分类。
2. 公共数据集目前很多公共数据集都得到了更多的利用但缺少果园的公共数据集体。
3. 许多已揭橥的事情集中在提高算法的准确性，以准确预测树冠图像中的果实数量。
但是较少的事情将图像水果的数量与果园块的实际产量干系。

6.3 CNN 和深度学习-背景

精度的提高常日与模型深度的增加有关，该模型深度是通过利用图层之间的连接进行调节的。
但是，演习和测试偏差会随着深度的增加而增加，使得更深层的模型难以演习。

目前深度学习运用模型紧张有：

ZFNet利用类似于AlexNet的体系构造，但具有更多的较小尺寸的卷积过滤器。
较小的过滤器大小可以捕获在图像中更局部分布的信息，这可以导致更准确的分类/检测结果。
VGGNet利用了更小的过滤器大小和更多的卷积层（16-19层），但是巨大的内存需求使其在打算上变得昂贵。
利用更多的层（更深的模型）会捐躯打算速率以提高准确性。
GoogLeNetResNet利用了具有“身份快捷办法连接”功能的残留块，该残留块使信息能够在深层网络中流动而不会丢失（“消逝梯度”问题）。
门控双向网络（GBDNet）Region-CNN（R-CNN）在Fast R-CNN（Girshick，2015年）中，SPP层被固定大小的兴趣池（ROIPooling）层取代，从而实现了比R-CNN更快的速率。
2015年，Faster R-CNN以区域提案网络取代了Fast R-CNN中的选择性搜索.Mask-RCNN作为对Faster RCNN的扩展YOLO,YOLOv2, YOLOv36.4 目标图像检测6.4.1 框架步骤

包括图像预处理、得分假设、办理检测（删除得分较低的假设）等步骤。

6.4.2 特色提取Circular Hough Transform (CHT)Random Hough Transform (RHT)HOG (Dalal and Triggs, 2005), LBP (Ojala et al.,1996), Scale-Invariant Feature6.4.3 CNN作为特色提取器YOLOv2模型CNN在卷积层中开拓过滤器目标检测框架利用CNN特色提取器进行分类任务，利用盒回归进行目标定位。
例如，已在RCNN和Overfeat中实现AlexNet，在SPPNet中利用ZFNet，在Fast R-CNN，Vaster R-CNN和SSD中利用VGG-16，在YOLOv2中利用Darknet-19，并利用Darknet-53在YOLOv3中。
然而，根据运用，特色提取器可以互换利用。
例如，ZFNet可以在Faster R-CNN框架中利用。
6.4.4 深度学习工具检测框架CNN滑动窗口检测器早期基于CNN的工具检测框架，如Overfeat利用.两极检测Fast R-CNN是为了提高RCNN的检测速率而开拓的。
Faster R-CNN用区域发起网络（RPN）代替了Fast R-CNN的启示式选择性搜索方法，该发起利用CNN和锚点盒来提高速率。
一级检测(单炮检波器)单发MultiBox检测器Single Shot MultiBox Detector（SSD）同时预测图像上的工具类和边界框使其比Faster R-CNN更快。
YOLO,YOLOv2, YOLOv36.4.5 网络和模型演习演习模型和测试哀求演习图像数演习深度学习模型所需的最小图像数量取决于用于目标检测的图像的视觉繁芜性和用于学习的深度学习模型。
如：通过捕获测试集中变革的最小数量演习图像进行评估，针对利用从演习集中采样的越来越多的图像开拓的模型打算AP。
6.5 总结

通过自动学习，在人工神经网络中不再须要手工制作特色和设计特色描述符。
常日，ANN模型的精度会随着模型层数的增加而提高，但代价是打算繁芜性增加。
在对更高速率的需求的选择性压力下，目标检测框架已经发展起来，从基于两级区域的检测器发展到单发密集目标检测器。
据宣布，深度学习模型优于传统的像素分割技能 机器学习和CNN和神经网络来完成植物上水果的检测任务。
具有预先演习的权重的公开可用检测框架以及用于注释的大型公共带注释图像数据集的可用性使得采取深度学习相对随意马虎。
常日，通过利用数百个演习图像，可以对模型进行微调，以用于特定的图像工具检测任务。
应创建树上（和其他农业运用）水果的带注释图像的公共数据集，以利用相同的图像演习，验证和测试集促进算法比较。

在这篇综述中，机器视觉的背景下谈论了深度学习，但是这项技能与其他数据类型干系。
深度学习方法来自动从多维的原始数据中提取有用的信息(例如,数字图像,激光雷达数据、多光谱、遥感和卫星数据、景象、景象和环境数据来自多个传感器)及其与大数据的可伸缩性等为运用程序带来了实时产量估计和预测,作物成长模型和植物疾病和害虫的造型。
运用开拓将依赖于包括一系列环境条件、品种和作物类型和模式(传感器和数据类型)的数据质量。

7. DeepWeeds: A Multiclass Weed Species Image Dataset for Deep Learning （IF=3.998, 2019）

这项事情先容了第一个大型的多类杂草物种图像数据集，该数据集完备从澳大利亚牧场原地采集。
DeepWeeds包含八种对澳大利亚具有国家主要意义的杂草，并且分布在澳大利亚北部的八个地理位置。
我们利用Inception-v3和ResNet-50 CNN模型在数据集上表现出很强的基准性能，它们的均匀分类性能达到95.1％ 和95.7％。
在目标杂草掌握运用程序的实时哀求下，性能最佳的ResNet-50模型的推理效果也很好，每幅图像的推理速率为53.4毫秒，每秒图像的推理速率为18.7 fps。

这些强大的分类结果进一步证明了深度学习对付高度可变的图像数据集的强大功能，并表明实时支配此类繁芜模型是可行的。
我们估量，该数据集和分类结果将引发对现实条件下牧场杂草分类的进一步研究。
该领域的未来事情包括：提高对DeepWeeds数据集进行分类的准确性和鲁棒性，将我们的学习模型作为杂草掌握机器人原型的检测系统进行现场履行，并研究将NIR光谱学和高光谱成像技能用于杂草物种分类。
网络包括牧场环境的现实生活繁芜性在内的数据集所花的韶光太长，该当可以实现出色的现场性能。

8. Artificial cognition for applications in smart agriculture: A comprehensive review（IF=6.628, 2020）

本文的目的是回顾农业智能的各种运用，例如精准农业，疾病检测，机器学习，深度学习，图像处理，人工神经网络，深度学习，卷积神经网络，无线传感器网络（WSN）技能，无线通信，机器人技能，物联网（IoT） ，不同的遗传算法，模糊逻辑和打算机视觉等。

8.1 精准农业

精准耕种与“精确的地点，精确的韶光和精确的产品”有关。
精确耕种比传统耕种更精确，可掌握的技能取代了重复性劳动密集型农业。
数据网络，数据剖析，管理决策和耕种是精确耕种的四个紧张阶段。

目前精准农业的技能运用有GPS / GNSS，移动设备，机器人，无人驾驶拖沓机，灌溉，无人翱翔器（UAV），物联网（IoT），传感器，可变速率播种，景象建模等。
也有基于人工智能的新技能，例如人工神经网络（ANN）和模糊逻辑掌握器，用于调节温室的温度和湿度。

分类过程对付精确垦植过程也至关主要。
野口等在田间作业中利用通用算法（GA）优化的模糊逻辑对农作物进行分类。
人工神经网络也运用于估算大豆的高度和宽度。

同样，神经网络和模糊逻辑在进行农作物分类时很有用。
这样的过程包括图像捕获或输入信息，特色提取，然后分类和/或分级（Naganur等，2012）。
基于尺寸，形状等参数（Mustafa等，2009），颜色，喷鼻香气等。
作物的终极分级按1-10的范围进行。
同样，也可以根据日期树可能供应的条件和产量进行分级，以帮助农人精确利用其资源（Mazloumzadeh等，2009）。

自主移动机器人也运用于精确农业中完成各种不同任务。
自主机器人具有适应能力和学习能力。
大多数自主机器人都有用于输入信息的传感器，然后由掌握单元进行处理。
机器人掌握系统可以基于模糊逻辑（Hagras等，2000）。
机器人可以通过内置的抓爪系统和手眼系统来检讨和处理植物。
（Acaccia等人，2003）。
其他广泛利用的机器人运用包括除草（Slaughter等，2008）。
它基于机器视觉系统，并包括精密化学运用系统。
这彷佛在很大程度上是有益的，由于掌握杂草是一项极其繁琐且效率低下的任务，会增加人工劳动。
除此之外，机器人还用于作物表型评估植物的康健状况。
只管不同的机器人利用了不同的导航系统，但它们常日在GPS与人类操作的条记本电脑组合时在两行植物之间移动时受到勾引。

8.2 植物病害检测

紧张运用的算法有深度卷积神经网络（Ferentinos，2018）在识别相应的疾病和植物方面达到了99.53％的成功率。
神经网络也已经用于检测水稻等农作物中的疾病（Phadikar和Sil，2008年）。
K-均值算法（Mehra等，2016），主身分剖析（PCA），变异系数（CV）（Schor等，2016），支持向量机（SVM）（Bhange and Hingoliwala，2015）也是其他替代方法，在某些情形下还可以供应更有效的模型根本。
在一个示例研究中，将K均值聚类以将其分为两类：康健的和传染的，结果是支持向量机（SVM），比ANN供应了更好的结果。
（Omrani等，2014）。

Bashir和Sharma（2012）利用颜色和质地来识别和分类不同的农业/园艺，其结合特色证明是检测植物病害的有效方法。
利用K-mean聚类等方法，将贝叶斯分类器的颜色和纹理剖析用于家蝇的检测。

Golhani等。
（2018）利用可用的中性网络技能来处理高光谱数据，这些数据特殊侧重于植物病害检测。
Moshou等。
（2004年）利用神经网络多层感知器来自动检测小麦中的黄锈病。
利用ANN技能进行评估时，对统共5137个叶谱进行分类，分类性能从95％提高到了99％以上。

当代的植物病害检测方法包括将光谱和成像技能与自动农业工具相结合，后者可以在早期阶段供应有关疾病检测的信息，以掌握植物病害的传播（Sankaran等，2010）。
也可以利用分子方法和基于谱的技能。
但是，在涌现明显症状的情形下，首选成像和光谱技能，只需几分钟即可得出结果，并且可以远程处理。
对来自高光谱和多光谱荧光成像的数据进行领悟的目的是在可见症状涌现之前及早创造疾病，并许可以94.5％的准确度与康健植物区分开。
（Moshou等，2005）。

高光谱成像是一种将宽光谱的光施加到每个像素的技能，并且撞击像素的光被分解成光谱并进行剖析以供应信息。
与柑橘绿化的情形一样，如果网络了康健植物和病态植物的热红外光谱反射率数据，则两者的反射率值会有所不同，因此，会根据特定区域中每个区域的反射率以这种办法进行分类 。
类似地，还利用诸如荧光成像的技能，个中样品发出非常亮的荧光或发射光，与玄色背景形成比拟。
相反，红外热成像检测农作物中的温度信息。

植物病害检测平台（a）：高光谱和叶绿素荧光成像（Bauriegel和Herppich，2014年）。
（b）：用于对喷鼻香蕉植物进行疾病扫描的高光谱成像系统。
（Ochoa et al。
，2016）。
（c）：高光谱成像：从实验室到现场（Mahlein等，2017）。
（d）：用于柑橘绿化检测的红外和热成像（Sankaran等，2013）。

用于植物病害检测的成像技能

8.3 作物表型信息网络平台和传感器在农作物表型中，须要以非常有效的办法网络空间和韶光方面的信息，因此必须拥有强大的传感器系统。
Bai等。
（2016年）展示了一个由五个传感器组成的系统，即超声波间隔传感器，热红外辐射计，NDVI传感器，便携式光谱仪和RGB网络摄像头，用于植物育种中的高通量表型剖析。
支持向量机和纯挚形体积最大化之类的算法也用于剖析，此外还包括工神经网络（ANN），高斯稠浊模型。
一系列传感器可以与UAV平台集成，传感器用于丈量植物对生物和非生物胁迫的相应。
胁迫的例子有水分胁迫，植物养分缺少胁迫和热胁迫。
在模型中，利用偏最小二乘回归（PLSR），支持向量回归（SVR）和基于极限学习机的回归（ELR）技能，结合光谱指数/特色来预测作物参数。
自主的地面车辆也是作物表型的平台，例如能够丈量植物秸秆强度并利用非打仗式传感器阵列网络表型数据的机器人。
另一个平台是基于塔的表型不雅观察（Naito等人，2017）。
还有两个平台组合而成的架构：自动地面车辆（Vinobot）和移动不雅观测塔（Vinoculer）（Shafiekhani et al。
，2017）。
无人机网络多光谱成像技能作物表型的不同传感器平台不同作物利用人工智能技能的研究。
8.4 未来发展

人工智能在农业中的最盛行运用为农业机器人等种别。
基于图像的预测剖析，正在开拓机器学习模型，以检讨每天产生的大量数据，这些数据包括历史景象模式，土壤报告，新研究，降雨，病虫害，无人驾驶飞机和摄影机的图像，这些数据可为提高作物产量供应强大的见地，进行图像预处理的疾病检测等。

8.5 结论

从研究的根本上可以推断出，在精确农业的支持下，可以利用科学方法（如遥感，GPS，数据剖析等）进行更务实的农业，这有助于提高农业产量并减少潜在的环境风险。
除此之外，借助图像识别软件，人工神经网络和许多其他工具，可以在早期创造疾病。
由于早期作物的疾病检测 可以监控康健状况，并以最小或可忽略的丢失得到高质量的生产率。
农业上的人工智能还可以办理资源短缺和劳动力短缺等问题。

9. Image-based classification of plant genus and family for trained and untrained plant species （IF=2.511, 2019）9.1 研究问题的提出

该论文通过深度学习技能对植物识别进行科属的自动分类。
利用一组广泛的代表西欧被子植物区系的植物物种，我们调查了在物种、属和科三个分类层次上可达到的分类精度，以回答以下研究问题(Q):

Q1 分类精度是如何受到增加的类内视觉变异和类间视觉相似性的影响，当概括分类水平从种到属吗?

Q2 能否从物种的图像中学习到较高分类级别的明显视觉特色，以便于对未经由演习的物种进行分类分类?

Q3 哪些植物器官具有相同的视觉特色，可以进行精确的分类?

9.2 对提出问题展开研究9.3 针对问题展开谈论

[个人总结]： 这篇论文的研究内容实在目前已经发展的很成熟了，内容的创新性不大。
该论文在每一个谈论小节中都通过研究结果剖析对提出的问题，做出详细了回答。
这个地方值得借鉴，有问有答，善始善终，论文构造整体性强。

9.4 采取的方法：CNN10. Current and future applications of statistical machine learning algorithms for agricultural machine vision systems （IF=3.998, 2019）

本文全面调查了统计机器学习技能在机器视觉系统中的运用现状，剖析了每种技能在详细运用中的潜力，并概述了不同农业领域的辅导性例子。
针对特定的目的，给出了详细的统计机器学习技能的建议以及每种技能的局限性。
谈论了统计机器学习技能运用的未来趋势。

10.1 先容

讲述了深度学习在农业中的运用，如：叶片虫害识别、叶绿素预测、杂草检测、作物管理、叶片识别、产量预测、植物表型（胁迫预测）、水果、植物中的疾病检测、水果分级、土壤剖析、管理区聚类、灌溉等。

论文目的是（i）利用统计机器学习（ML）算法概述在农业机器视觉系统领域中所做的事情（ii）突出显示针对特定农业运用的不同统计ML算法的局限性，以及（iii）建议 农业领域中每个特定区域的有效统计ML算法。

10.2 统计机器学习技能10.2.1 监督机器学习算法

1. 朴素的贝叶斯 （Naïve bayes）Naive Bayes (NB)算法是一种天生概率模型，基于预测变量/特色之间的条件独立性假设，即类中某个特色的存在与任何其他特色不干系(Frank et al.， 2000)。
朴素贝叶斯的条件独立性假设有助于打算样本数据的类条件概率，这些概率可以直接从演习数据中估计出来，而不是评估一个特色的所有可能性(Bishop, 2007)。
2. 判别剖析（Discriminant analysis）判别剖析（DA）是一种天生模型，通过估计不雅观测值的后验概率对不雅观测值进行分类属于每个阶层(Lachenbruch, 1975)。
后验概率由类成员的先验概率打算，并利用平方马氏间隔估计每个类的多元正态分布(条件)(Klecka, 1980)。
不雅观察被分配给具有最高后验概率或马氏间隔平方最小的类(Lachenbruch, 1975)。
3. K-Nearest Neighbour （KNN）与NB和DA相对的kNN是有差异的，非参数的以及基于实例的分类器，它不会对每个类中的数据集的分布做出任何明确的假设（Bishop，2007年），因此可以适用于非高斯数据集。
4. 支持向量机(SVM)SVM是二元分类器，能够将实验数据样本分为两个不干系的种别。
SVM的事理来自简化的情形，即这两个司帐种别是线性可分离的。
存在能够区分两个种别中的所有数据样本的超平面。
SVM分类器还可用于对不可线性分离的数据进行分类。
数据空间被转换为一个高维空间，在该空间中，类可以线性分离。
5. 其他监督式学习决策树，随机森林和逻辑回归等。

10.2.2 无监督机器学习算法

1. K均值聚类 （K-means clustering）2. 模糊聚类 （Fuzzy clustering）模糊聚类（也称为软聚类）可启用每个数据表示有可能属于每个（预定义）群集，而不是像传统的kmeans聚类算法那样仅属于一个聚类，模糊方法适用于在集群中央之间多少有些模棱两可的数据集。
3. 高斯稠浊模型（Gaussian mixture models ，GMM）高斯稠浊模型与模糊稠浊模型相似，适用于真实聚类之间数据点重叠的情形。
4. 其他无监督机器学习算法主身分剖析（PCA）算法选择、隐马尔可夫模型（HMM）和关联剖析 Apriori和FP-growth（频繁模式增长）算法。

10.2.3 强化机器学习算法

机器学习在很大程度上被归类为监督学习和无监督学习。
然而，强化学习侧重于交互性目标导向的学习，可以通过交互性学习行为(Sutton and Barto, 1998)。
强化学习的一个非常有前景的运用可以是自动化农业机器人/智能机器，由于它可以用来教机器人根据他们自己和周围环境之间的关系，在一段韶光内改进他们的行为。
该机器人可用于农业栽种，精确地在一排栽种作物，更均匀的栽种大小。
强化学习与机器人技能/智能机器可以很好地适应农人数量减少和作物产量增加的趋势(Bechar和Vigneault, 2016)。

10.3 结论

机器学习技能将适当的特色提取和选择过程与适当的预测算法结合在一起。
机器学习方法的潜在运用在很大程度上取决于机器学习算法在作物系统特定领域的适当运用。
基于目前用于机器视觉系统特色剖析的机器学习技能和方法的研究动态，估量未来精确农业系统中特色数据剖析的未来趋势。
对论文中谈论的算法进行了以下总结：

基于NB的ML算法适用于对数据分布和不同特色之间干系性有较强先验知识的任务。
可以看到，对付不同特色的组合，NB算法的表现并不好。
这可能是由于该算法无法学习到特色之间的相互浸染，由于特色之间存在干系性。
但是，仔细的特色选择(利用PCA或其他特色选择程序)可以帮助实现特色的条件独立性。
总结对NB的文献综述，47%的文献与农产品分级有关，29%用于作物病害检测，18%用于杂草检测，6%用于植物养分缺少检测。
像NB一样，DA也适用于已知的数据分布;然而，这些类型的算法能够学习不同特色之间的交互浸染。
总体而言，非线性算法(QDA、KDA)的性能优于LDA和NB。
总结DA的文献综述，50%的论文用于办理与农产品分级有关的问题，42%用于杂草检测，8%用于作物病害检测。
对付很少或根本不理解数据分布的运用程序，可以使kNN，由于它对数据不做任何假设。
须要把稳的是，kNN常日须要很长的处理韶光。
文献综述表明，结合不同的特色，kNN的表现优于NB。
总结kNN的文献综述，47%的文献用于办理与农产品分级有关的问题，21%用于作物病害检测，16%用于杂草检测，剩下的用于营养缺少、地皮分类等。
只管支持向量机在培训和测试方面存在一些局限性，但该方法的有效性仍旧有待提高分类器在植物病害检测和杂草识别中具有广阔的运用前景。
特殊是在行作物栽种中，基于支持向量机的机器学习分类器在田间条件和数据倾斜的地方非常有效。
总结支持向量机的文献综述，70%用于作物病害检测，18%用于办理农产品分级问题，12%用于杂草检测。
在无监督ML算法中，当数据点明显可分离时，可以利用K-means聚类，从而将数据点归为一类。
如果类有一些重叠，K-means算法是不得当的。
k - means聚类综述文献的总结,论文的39%被用于办理农产品分级的问题,21%的人用于农作物疾病检测,18%的人用于杂草检测,11%被用于自动化的机器人运用程序和其他用于估产、作物行检测,树映射,可变利率(VR)灌溉和作物基因型分类。
基于模糊和GMM的算法适用于数据点在不同类之间重叠的情形。
这些是对模糊点分类K-means聚类的很好的替代方法。
模糊聚类没有充分利用变量之间的干系性，因此不适用于空间干系的变量。
对付这些具有干系性的情形，利用GMM。
GMM可以用于关于数据分布的先验信息是已知的并且每个类都是正态分布的情形。
基于模糊和GMM的算法在农产品中并不是很常见。
总结回顾了文献中对模糊聚类,37%是用于杂草检测,31%的人用于站点特定的作物管理,19%的人用于作物疾病检测和其他作物行被用于检测和产量估算。
在综述文献的总结GMM, 29%被用于植物表型涌现技能,14%是用于作物疾病检测14%是用于VR灌溉和其他用于产量/压力估计,杂草检测，树木测绘和自动化机器人运用。

以上建议是基于统计ML算法在机器视觉中的运用。
ML技能的未来运用将在农业上推广。
因此，本研究建议(但不限于)采取NB、DA、kNN、SVM和K-means聚类方法进行农产品分级、作物病害检测和杂草检测，采取模糊聚类方法进行作物定点管理和土壤剖析，采取GMM方法进行植物表型/胁迫检测和水分含量测定。
只管一些有监督的和无监督的ML算法，包括ANNs和深度学习(非统计ML)也被证明在农业作物生产中具有潜力，但是目前的研究不能覆盖所有这些技能。

[个人总结] 这篇论文紧张总结了不同机器学习方法在农业的中的运用，综述了不同方法的特点以及它们适用于农业自动化检测的哪些方面。

11. A Mobile Application for Tree Classification and Canopy Calculation using Machine Learning （会议论文，2019）

这篇论文提出了一个新的机器学习的运用，通过一个移动运用程序，根据树的体积和叶片的数量的预测来打算农药(如杀虫剂)用量的信息。

11.1 先容

在本文中，我们供应了一个这样的iOS运用程序，该运用程序可以获取树木或树叶的图像并返回树木类型的分类并估算其树冠体积，从而可以进一步降落用水效率。

11.2 方法： CNN

利用爬虫包[8]从谷歌ImageNet和Bing中采集这些树的图像，进行数据(图像)采集。
从抓取的数据集中选择每种树类型的1000张图像。
然后对图像进行预处理，减噪，统一尺寸等。
这些数据形成了随后被创建并用于分类的机器学习模型的根本

11.3 机器学习

iOS被定位为移动平台的一个缘故原由是利用了苹果的核心ML框架[9]，如图1所示。
这是许多iOS系统模块的根本。
这包括用于分类器演习和模型天生任务的性能优化器和神经网络例程。
Vision框架为核心ML供应可编程接口，用于树型标记的图像干系任务。

此外，该论文演习模型，怎么办理树目拍摄间隔、角度的不同导致的精度降落。
先容了设计的app的功能，以及如何利用。

11.4 结论和未来的事情

本文先容了一个iOS运用程序，该运用程序能够根据树木的图像及其叶子类型对树木类型进行分类。
机器学习模型是利用Apple的Core和Create ML创建的。
视觉框架用于处理图像并将其输入到ML模型中。
该运用程序的第二个关键功能是利用树木的照片来确定照片的比例，从而估计树冠的体积，末了打算出树木的用水量。
这是一个原型运用程序，可以帮助树木栽种者获取有关树木的关键信息。
将来可以进行很多改进。
机器学习演习数据不是最佳的。
树图像的背景中存在过多的噪声，这会影响模型的准确性。
在将来的事情中，可以进行更多的预处理以优化图像，并且该当利用其他数据源以得到更高质量的图像。

目前，没有在单个过程中将树和叶子照片进行自动分类的自动分类。
空想情形下，运用程序该当能够同时对树木和树叶的照片进行分类，以得到更高的准确性。
机器学习模型的在线培训是将来要履行的另一个有益的功能。
该模型可以在运用程序最初发布后连续学习，方法是交互地让用户评论或评估其自身的性能，从而得到更多的知识并进行长期培训。
对付体积打算，可以改进用于确定树冠像素的算法。

未来的事情可能包括更准确的算法来判断“绿色”像素的标准，以及更好的方法来区分树冠与其他树木和/或草。
一种可能的办理方案是利用其他机器学习模型来首先确定主题树的边界框，这样就不会考虑图片的其他部分受滋扰，提取的部分用于体积打算和分类。
。
估算顶篷形状和体积的更准确方法是，利用从不同角度拍摄的照片建立3-D模型，而不是将每个图像视为一堆圆柱体并取均匀值确当前方法。

[个人总结] 这篇论文先容了作者设计的app来识别树木叶片体积，从而来帮助农人辅导施肥量或者农业的利用量。
论文的总结和未来展望写的很好，结合了自己设计的app的功能和实际碰着的问题对未来事情改进的方法提出了明确而详细的意见。