摘要:

摘要:

摘要:加快推进人工智能等现代信息技术在农业中的应用，是现代农业发展的迫切需求，也有利于推进国家乡村振兴战略、数字乡村建设和智慧农业的发展。为深入剖析人工智能技术驱动智慧农业发展的潜力与方向，本文综述了农业人工智能的几个关键技术以及人工智能在种植业、禽畜牧业和农产品溯源与分级等应用研究领域的现状；分析了国内外农业人工智能技术的差距以及我国农业人工智能技术面临的国际态势和挑战；提出了我国发展农业人工智能的对策与建议。

摘要:现代农业中，农业生产者需要实时、准确、全面地了解农田环境和农作物的生长状态，并对得到的农田信息数据做出相应分析、归纳和决策。农情信息智能感知和解析技术在现代农业生产中具有不可替代的地位。本文从农情智能感知和信息解析技术2个方面展开论述，重点分析了国内外农业物联网农情信息智能感知技术和基于大数据分析的农情解析方法研究进展，详细介绍了基于农情信息的智能决策技术在农机装备智能化应用的研究现状，总结了目前农用传感器应用存在的问题，并对今后在农情感知、信息解析技术、农业数据库技术以及智能决策技术方面的发展提出了建议，以期为智慧农业的深入发展提供参考。

摘要:稻田生态系统中的杂草是造成水稻产量下降和品质降低的主要原因之一，施用化学除草剂会带来作物药害、杂草抗药性和环境污染等诸多负面问题，机械除草作为一种环境友好型的绿色除草方式，可以有效地替代化学除草，缓解施用除草剂带来的危害。本文针对水稻株间机械除草的技术难点，从苗草根系差异特点的角度对水稻株间机械除草装置研究现状进行了系统介绍，归纳了水稻机械除草新技术的类型和特点，总结了几种新型水稻机械除草装备的特色和优点。提出具有高精度杂草定位功能的智能除草技术将是未来水田机械除草技术发展的必然趋势。

摘要:目的 针对水稻株间机械除草自动化程度低、难度大的问题，在机器视觉识别定位技术研究的基础上，研制一种气动式水稻株间机械除草装置。方法 采用机械设计理论、离散元动力学仿真方法结合田间试验，研制出气动式水稻株间机械除草装置。首先对气动式株间除草机构的结构进行设计，运用运动学方程计算并确定机构的几何参数，通过Pro/E运动学仿真验证机构的可行性；然后对除草刀齿与水田土壤的相互作用过程进行仿真，并对仿真结果进行验证试验；最后进行田间试验验证整机工作性能，并利用三因素五水平二次旋转正交试验对影响除草率与伤苗率的工作参数进行分析。结果 气动式水稻株间除草机构连杆长35.00 mm，摆杆长72.24 mm，除草部件到回转中心水平距离为84 mm，垂直距离为191 mm。离散元动力学仿真分析表明，倾角为10°的弯齿刀除草刀齿与土壤的接触阻力较小，阻力平均值为3.12 N，且对土壤的扰动程度较大，受影响的面积达149.69 cm²。田间试验中，在机具前进速度0.25 m/s、气缸伸缩速度0.45 m/s和除草深度2.5 cm的工作参数下，平均除草率为83.91%、伤苗率为3.63%。结论 该机具满足除草率大于80%、伤苗率小于4%的设计要求，能够满足水稻株间避苗除草的作业要求。

摘要:目的 探索在大田环境中不同助剂和喷头型号对无人机喷洒雾滴分布和漂移的影响。方法 利用色素染色法染色雾滴，使用大疆MG-1S无人机进行喷洒作业，并收集雾滴卡进行扫描分析。喷洒中使用φ为1%的不同助剂溶液或不同种类喷头，以比较助剂和喷头对雾滴分布的影响。结果 室内喷洒φ为1%助剂溶液时，雨燕油性助剂、禾大助剂提高雾滴粒径的效果较优。IDK 120-01喷头增大雾滴粒径效果最明显。在大田测试中，所有的助剂相比清水对照都降低了漂移。大部分雾滴集中于距离喷洒航线2 m距离内。离地80 cm处的雾滴沉积量比离地50 cm的雾滴沉积量少40%~60%。雨燕油性助剂在目标区域沉积较多。目标区域内使用IDK 120-01喷头的雾滴沉积量最大，但单位面积的雾滴数量较少。结论 使用助剂和大粒径喷头均可以明显降低雾滴漂移，提高目标区域雾滴沉积量。不同助剂抗漂移效果有明显差异。

摘要:目的 叶绿素含量是表征粳稻生长状态的重要指示信息，利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础，利用连续投影算法(SPA)进行有效波段的提取，提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入，利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中，针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80，w为0.9~0.3线性递减，C₁和C₂分别为2.80和1.10，m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887，均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型，前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。

摘要:目的 获取水稻田的低空遥感图像并分析得到杂草分布图，为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法，对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较；引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN)，对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s，分类精度分别达到89.75%、85.58%和90.25%，CNN对图像的分类精度达到92.41%，高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草，获取杂草的分布信息，生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高，生成的水稻田杂草分布图效果最好。

摘要:目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别，得出最优的网络模型，为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象，利用CCD感光相机采集杂草图像样本，构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取，并进行建模与试验。结果 在各深度模型对比试验中，VGG16模型取得了最高精度，其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992，其平均F值为0.954。在所设置的深度模型优化器试验中，VGG16-SGD模型取得了最高精度，其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982，其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中，无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900，而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草，这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义，可以有效地协助农业种植过程中的杂草防治工作。

摘要:目的 引入区域卷积神经网络Faster R-CNN算法并对其改进，以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅，人工标注后对原始图像进行离线数据增强扩充；对Faster R-CNN算法进行适应性改进，在卷积层加入批标准化处理层，引入中心代价函数构建混合代价函数，提高相似病斑的识别精度；采用随机梯度下降算法优化训练模型，分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练，并测试得到最优特征提取网络，利用训练好的模型选取不同天气条件下的测试集进行对比，并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中，以VGG16卷积层结构作为特征提取网络具有更出色的性能，利用测试集图像检验模型，识别结果的平均精度为 0.971 8，平均召回率为0.971 9，F1为0.971 8，总体平均准确率可达97.23%；晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比，平均精度高0.088 6，单张图像检测耗时减少0.139 s；与SSD算法相比，平均精度高0.0425，单张图像检测耗时减少0.018 s，表明在大田环境中具有复杂背景的玉米病害智能检测领域，改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的，具有较高的准确率和较快的检测速度，能够避免传统人工识别的主观性，该方法为田间玉米病害的及时精准防控提供了依据。

摘要:目的 实现香蕉病害的远程诊断。方法 基于深度学习方法对香蕉作物的7种常见病害进行诊断。收集了5944幅健康及染病香蕉植株图像，按7：1：2分为训练集、验证集和测试集。利用迁移学习对GoogLeNet深度卷积神经网络训练获取诊断模型。进一步开发了包含手机移动应用程序(APP)和远程服务器的软件系统。结果 通过对比不同迭代次数及不同优化器，最终采用了MomentumOptimizer迭代10000次的模型，平均测试精度达到了98%。设计的APP能够就地获取香蕉图像，并通过网络与集成了诊断模型的远程服务器通信，实时获取诊断结果。结论 该病害诊断模型识别主要病害的精度高，在线诊断系统简单易操作，可快速有效地在线诊断香蕉常见病害，具有良好的应用前景。

摘要:目的 结合传统与现代农业病虫害监测的优缺点，探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像，经过光谱预处理和特征工程后，采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合，基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法，建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve，AUC)分别为0.883 0和0.912 0，分类准确率均超过95%；提取出698和762 nm的特征波长组合，基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率，证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。

摘要:目的 玉米穗丝是玉米的授粉器官，生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝，提出一种基于多特征融合SSD (MF-SSD)卷积神经网络的玉米穗丝检测模型。方法 基于特征图对玉米穗丝进行检测，在VGG16-SSD的基础上，用MobileNet替换特征提取器，加入多层特征融合结构，得到MF-SSD网络模型；通过网络优化调整，试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构，优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集，应用0~180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验，并对比分析Loss的下降过程。结果 通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力，提升识别速度。与VGG16-SSD相比，MF-SSD在交并比指标方面的平均精度提高7.2%，对玉米穗丝小目标检测的平均召回率提高19.6%，检测速度最高能提升18.7%。在存储空间和运行时间有较高要求的嵌入式环境下，MF-SSD-cut-3模型在满足检测效果的前提下，以较小的空间代价获得了相对较短的运行时间；在不考虑空间和时间因素的情况下，MF-SSD模型获得更好的检测效果。二次训练策略提高了网络的收敛速度和模型的稳定性；Focal loss有效解决了SSD算法中正负样本数量不平衡问题，使网络模型的训练更容易收敛。结论 MF-SSD模型对小目标的检测能力能满足农业生产中对玉米穗丝的实时检测需要，可以用于玉米生长状态的自动监控和产量的精准预测。

摘要:目的 针对目前玉米种子发芽率快速无损检测方法易受种子表皮颜色影响的问题，拟采用光声光谱深度扫描技术提高玉米种子发芽率的检测精度。方法 选取3种不同颜色、6个品种的玉米样本，利用人工老化方法得到8种不同老化时间的玉米种子；通过调制光谱频率获得7种不同深度的光声光谱信息，并利用主成分分析分别得到最佳扫描频率和特征光谱，比较偏最小二乘法回归、BP神经网络、广义回归神经网络和支持向量回归等发芽率预测模型精度。结果 光声光谱最佳扫描频率为500 Hz，支持向量回归的预测模型精度最高，相关系数均超过0.980 0。6个品种玉米种子的发芽率预测相关系数分别为0.983 8，0.984 7，0.983 6，0.987 8，0.983 3和0.994 7，6个品种混合的玉米种子发芽率预测相关系数为0.942 1。结论 通过拓展光谱、声音和深度信息，光声光谱深度扫描技术适用于不同颜色的玉米发芽率高精度检测，具有较好的泛化能力。

摘要:目的 通过无人机获取沙糖橘果园的遥感图像，快速提取果树分布位置，为果树的长势监测和产量预估提供参考。方法 以无人机拍摄的可见光遥感图像为研究对象，计算超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数和蓝绿比指数6种可见光植被指数，使用双峰阈值法选取阈值进行果树的提取。在使用光谱指数进行识别的基础上，结合数字表面模型作为识别模型的输入变量，进行对比试验。结果 相比使用单一光谱指数，结合数字表面模型提高了果树和非果树像元的提取精度，6次波段融合后的总体精度均大于97%。超红指数与数字表面模型结合后的总体精度最高，为98.77%，Kappa系数为0.956 7，植被信息提取精度优于其他5种可见光植被指数与数字表面模型结合后的提取精度。结论 数字表面模型结合可见光植被指数的提取方法能够更深层次地挖掘遥感数据蕴含的信息量，为影像中色调相似地物的提取提供参考。

摘要:目的 构建柑橘果园环境信息物联网实时采集系统，建立基于物联网和长短期记忆(LSTM)的柑橘园土壤含量和电导率预测模型，为果园灌溉施肥管理、效果预测评估提供参考依据。方法 利用土壤温度、含水量、电导率三合一传感器，在柑橘果园中设置5个节点和1个气象站，通过ZigBee短距离无线通信和GPRS远距离无线传输，将果园气象数据和土壤墒情数据传输至远程服务器。利用LSTM模型建立气象数据与土壤含水量和电导率的预测模型，计算均方根误差(RMSE)和决定系数(R²)以进行性能评估。结果 物联网系统能够实现远程传输柑橘果园环境数据，建立了基于LSTM和广义回归神经网络(GRNN)的土壤含水量和电导率预测模型，模型在5个节点的数据集的训练结果分别为：LSTM模型训练的土壤含水量和电导率的RMSE范围分别为6.74~8.65和6.68~8.50，GRNN模型训练的土壤含水量和电导率的RMSE范围分别为7.01~14.70和7.60~13.70。利用生成的LSTM模型和气象数据进行拟合，将土壤含水量和电导率的预测值与实测值进行回归分析，LSTM模型拟合的土壤含水量和电导率的R²范围分别为0.760~0.906和0.648~0.850，GRNN模型拟合的土壤含水量和电导率的R²范围分别为0.126~0.369和0.132~0.268，说明LSTM模型的性能表现较好。结论 建立了柑橘果园环境的物联网信息传输系统，构建的基于LSTM的果园土壤含水量和电导率预测模型具有较高的精度，可用于指导柑橘果园的灌溉施肥管理。

摘要:目的 简化果园网络部署，延伸信号覆盖范围，提供精细、实时的灌溉监控，并提高其对传统设备的兼容性。方法 通过窄带物联网(NB-IoT)和LoRa混合组网实现远程数据传输、延伸基站信号覆盖范围。采用终端电学参数检测电路及标定功率，结合异常检测算法，精准监测设备运行状态，并将异常状态即时上传，降低数据上传频率。同时在保证处理能力的前提下降低处理器主频，从而延长待机时长。结果 果园现场监测系统实现了150 ms内上报异常状态，并将上报次数限制为每年2万次。校正检测功率后，功率的线性回归预测决定系数(R²)为0.999 8。通过宏生成JSON数据，生成时长为cJSON方法的10%，进一步降低MCU计算需求。在满足计算和控制需求的前提下，2 MHz的微处理器主频和200 mA·H锂电池可以满足果园灌溉监控系统计算和持续工作的最低要求，采用低功耗微处理器可以进一步延长工作时间。结论 监控系统延伸了NB-IoT网络的覆盖范围，可实现精准、低成本和实时的远程监控。

摘要:目的 针对大面积水产养殖环境覆盖面积广、多种水体环境监测因素综合影响的特点，设计一种可同时监测水体溶解氧、盐度、pH、氨氮和温度5种参数的设备。设备可通过远距离无线通信技术实现水质数据远距离无线传输，并在上位机端可视化平台动态显示监测环境因素。方法 数据采集终端的控制核心采用TI公司具有16位总线的MSP430F149型微控制器。水质信息通过各传感器采集获取，氨氮采集终端采用量程为0~10 mg/L的NHN-202A型氨氮传感器；溶解氧与温度采集终端采用溶解氧量程为0~20 mg/L、温度量程为0~40 ℃的RDO-206型传感器；pH采集终端采用量程为0~14的PHG-200型传感器；盐度采集终端采用量程为0~0.5%的DDM-202I/C型传感器。服务器端采用Linux系统搭建，通过JetBrains下的IntelliJ IDEA开发工具搭建，使用的编程语言为Java。线上平台采用SpringMVC框架，数据库连接通过HiBernate对象关系映射框架连接操作。监测平台通过Tomcat部署在Linux系统上，数据展示界面通过调用可视化库Echarts实现。结果 系统实际所测水体溶解氧含量绝对误差为0.12 mg/L，盐度的绝对误差为0.001%，pH的绝对误差为0.017，温度的绝对误差为0.05 ℃。单一采集设备功耗测试中，5 200 mA电池可持续为终端设备供电28.5 h，且线上系统运行稳定。结论 本研究设备LoRa无线通信技术与上位机端数据可视化平台相结合的设计增强了远距离水质监测数据采集的可靠性，解决了动态实时测量中监测数据长距离传输问题及数据同步上位机端平台展示问题。

摘要:目的 针对传统奶牛养殖中采用人工识别奶牛个体的方法效率低且主观性强的问题，提出一种基于改进Mask R-CNN的奶牛个体识别方法。方法 该方法对Mask R-CNN中的特征提取网络结构进行优化，采用嵌入SE block的ResNet-50网络作为Backbone，通过加权策略对图像通道进行筛选以提高特征利用率；针对实例分割时目标边缘定位不准确的问题，引入IoU boundary loss构建新的Mask损失函数，以提高边界检测的精度；对3000张奶牛图像进行训练、验证和测试。结果 改进Mask R-CNN模型的精度均值(AP)达100%，IoU_Mask达91.34%；与原始Mask R-CNN模型相比，AP提高了3.28%，IoU_Mask提高了5.92%。结论 本文所提方法具备良好的目标检测能力，可为复杂农场环境下的奶牛个体精准识别提供参考。

摘要:目的 在群养环境下，实现生猪粘连、杂物遮挡等不同条件下生猪个体的高精度分割。方法 对真实养殖场景下的8栏日龄20~105 d共45头群养生猪进行研究，以移动相机拍摄图像为数据源，并执行改变亮度、加入高斯噪声等数据增强操作获取标注图片3 834张。探究基于2个骨干网络ResNet50、ResNet101与2个任务网络Mask R-CNN、Cascade mask R-CNN交叉结合的多种模型，并将循环残差注意力(RRA)思想引入2个任务网络模型中，在不显著增加计算量的前提下提升模型特征提取能力、提高分割精度。结果 选用Mask R-CNN-ResNet50比Cascade mask R-CNN-ResNet50在AP_0.5、AP_0.75、AP_0.5-0.95和AP_{0.5-0.95-large}指标上分别提升4.3%、3.5%、2.2%和2.2%；加入不同数量的RRA模块以探究其对各个任务模型预测性能影响，试验表明加入2个RRA模块后对各个任务模型的提升效果最为明显。结论 加入2个RRA模块的Mask R-CNN-ResNet50模型可以更精确、有效地对不同场景群养生猪进行分割，为后续生猪身份识别与行为分析提供模型支撑。