由中國農業科學院與華中農業大學研究團隊利用機器深度學習分析豬隻姿態檢測，檢測豬的站立、側臥、趴臥、坐姿等姿勢，可以全面評估豬的心理和生理狀況，並預測豬的異常或有害行為，評估養殖條件，未來有望提高豬隻產量。隨著智慧農業引進養殖業，有效且適用的農畜姿態檢測方法成為智慧、自動化農業不可或缺的方式。

由阿拉伯與埃及大學研究團隊提出基於深度學習之框架稱為「DenseHHO」，設計了一種新穎的卷積神經網路(CNN)模型架構設計，透過選擇最合適的參數，使用 Harris Hawk 最佳演算法Harris Hawk優化(HHO)對噴霧無人機捕獲的雜草影像進行分類，研究結果所提出的方法能夠檢測非結構化現場環境中的雜草，準確率達到97%以上，是最佳化雜草檢測策略中準確度最高的。

農業部林業試驗所指出，以「點雲」打造的數位森林已在現代森林經營中發揮作用，不僅提供更多資訊及工具，也為森林經營者提供更多選擇，以實現永續及高效森林管理，此數位化方法有望在未來的研究及實踐中發揮關鍵作用，促進森林經營不斷的改進和進步。

由韓國世宗大學農業工程系研究團隊提出了一種基於圖對圖翻譯模型的數據增強方法，透過補充這些不足的病葉圖像來解決數據偏差，所提出方法在健康和患病葉子影像之間進行轉換，並利用注意力機制(attention)來創建更明顯疾病紋理反映影像，並進行了實驗來驗證這種數據增強方法是否可以進一步提高植物早期診斷分類模型的性能，實驗中使用PlantVillage資料集，利用生成影像和原始影像建立擴展資料集，並透過測試集評估分類模型的效能。

由法國巴黎計算機電子工程學院實驗室與巴黎文理研究大學研究團隊提出一種智慧農業管理和監視系統設計方法，以養蜂業應用為例，由於蜜蜂的消失，產業受到了危機的影響，運用基於感測器和開放數據架構來幫助業者做決策，例如：搭載感測器之設備以及收集蜂箱數據並向養蜂人顯示通知和警報，研究結果提出的架構可以在不同技術成熟度級別的背景下使用，是為農業4.0開發可廣用的架構。

由墨西哥研究團隊提出水產養殖系統中重量和質量計算非常重要，因為可以決定捕獲時期；一般情況下，以上都是人工操作，對魚本體造成應激反應維持數小時。為了解決這個問題，使用人工智慧、近紅外光譜相機、哈爾特徵分類器和數學模型實施改善方案，軟硬體設計是為了在真實條件下拍攝魚在其環境中的照片，目的是在真實條件下獲得魚的重量和長度，以避免在上述過程中用手觸碰到魚，避免魚的應激反應，並減少反應時間。

由土耳其Karamanoglu Mehmetbey大學與波蘭國家園藝研究所合作，提出無人機在溫室系統為其中一環重要角色，無人機可在溫室內執行噴灑、監測、產量估算、雜草檢測等。近年來，與農業無人機相關的文章不斷出現在影響較高的期刊上，但大多數無人機精準農業應用研究在可以使用GPS的室外環境中，而此研究團隊實驗證實，無人機的應用可進行全季節作物生產的溫室中，未來發展精準農業可廣泛運用。