随着现代信息技术在农业领域的广泛应用,以智慧农业为表现形态的农业智能革命已经到来。智慧农业是农业信息化发展从数字化到网络化再到智能化的高级阶段,对农业发展具有里程碑意义,已成为世界现代农业发展的趋势。分析了日本、欧盟、英国、加拿大、美国等国家和地区政府针对智慧农业发展相继出台的政策、措施和发展规划,并分析了中国农业1.0到4.0的发展历程和近年来智慧农业的发展现状。围绕发展过程中存在的各种问题和需求,阐述了突破智慧农业核心技术、实现农业“机器替代人力”、“电脑替代人脑”、“自主技术替代进口”的三大转变,提高农业生产智能化和经营网络化水平,加快信息化服务普及,降低应用成本,为农民提供用得上、用得起、用得好的个性化精准信息服务,大幅度提高农业生产效率、效能、效益,引领现代农业发展的战略目标。最后并提出了8个重点任务建议和推动智慧农业发展的5项政策建议。
中国水产养殖的生产模式已由粗放型向集约型转变，生产结构不断调整升级，生产水平不断提高。但较低的劳动生产率、生产效率和资源利用率，低质量的水产品以及缺乏安全保障等问题都严重制约中国水产养殖业的快速发展。利用现代信息技术，研究智能设备来实现精确、自动化和智能化的水产养殖，提高渔业生产力和资源利用率是解决上述矛盾的主要途径。水产养殖中的人工智能是研究利用计算机实现水产养殖的过程，也就是利用机器和计算机监视水下生物的生长，进行问题判断、讨论和分析，提出养殖相关决策，完成自动化养殖。为深入了解人工智能技术在水产养殖中的研究发展现状，本文从水产养殖的生命信息获取、水产生物生长调控与决策、鱼类疾病预测与诊断、水产养殖环境感知与调控，以及水产养殖水下机器人5个具体方面入手，结合生产中面临的实际问题，分析了人工智能在水产养殖中的研究应用现状和技术特点；阐述了人工智能应用的主要技术手段和原理，总结了近年来人工智能技术在水产养殖中的最新应用研究进展，分析了当前人工智能技术在水产养殖发展中面临的主要问题和挑战，并提出了推动水产养殖转型的主要建议，以期为加速推进中国渔业数字化、精准化和智慧化提供参考。
农田作物信息的快速获取与解析是开展精准农业实践的前提和基础。根据农作物病虫草害的实际程度进行变量喷施和作业管理,可减少农业生产成本、优化作物栽培、提高农作物产量和品质,从而实现农业精准管理。近年来,随着无人机产业的快速发展,无人机农业遥感技术因其空间分辨率高、时效性强和成本低等特点,在农作物病虫草害监测应用中发挥了重要作用。本文首先介绍了精准农业航空的基本思想与系统组成和无人机遥感在精准农业航空的地位。接着探讨了无人机农业遥感系统常见的成像方式和遥感影像解析方法,并阐述了国内外无人机农业遥感技术在农作物病虫草害检测研究的最新进展。最后总结了无人机农业遥感技术发展至今面临的挑战并展望了未来的发展方向。本文将为开展无人机农业遥感技术在精准农业航空领域的研究提供理论参考和技术支撑。
为理清国内外农业机械与信息技术融合发展现状，找到重点发展方向，借此大力推进中国农业机械智能化发展，本文首先分析了国外农业机械与信息技术融合发展的现状，总结了其发展的五大特点。之后指出中国农业机械化发展虽然成效显著，但仍存在农机信息化融合的区域及结构发展不平衡、企业和农民对农业机械信息化的认可度还不高、基础研究与关键技术研究薄弱、农机作业信息系统管理水平不高且缺乏统一标准等问题。最后提出了中国农业机械与信息技术融合发展的方向，包括促进智能感知技术发展与导航技术研究、推进农业机械装备智能化、构建农机智慧作业系统、推进农机自主作业技术研究与无人农场建设、加强农机信息化技术标准制定与复合型人才培养等。农业机械与信息技术融合是中国现代农业机械发展的必然趋势，利用信息技术促进农业机械的发展，能够最大化发挥信息技术的引导效应，提高农业生产效率，对于推进中国农业机械高质高效发展具有重要意义。
病虫害是农业生产过程中影响粮食产量和质量的重要生物灾害。目前，我国的作物病虫害监测方式以点状的地面调查为主，无法大面积、快速获取作物病虫害发生状况和空间分布信息，难以满足作物病虫害的大尺度科学监测和防控的需求。近年来，随着国内外卫星光谱、时间和空间分辨率的不断提升，利用遥感手段开展高效、无损的病虫害监测成为有效提升我国病虫害测报水平的重要手段。与此同时，多平台、多种方式的作物病虫害遥感监测也为病虫害的有效防治和管理提供了重要科技支撑。本文从作物病虫害光谱特征、遥感监测方法和遥感监测系统等方面阐述了作物病虫害遥感监测研究的进展，分析了当前面临的挑战，并对未来发展趋势进行了展望。
鲜食果蔬收获是难以实现机械化作业的生产环节，高效低损采摘也是农业机器人研发领域中的难题，导致目前市场化的自动化果蔬采摘装备生产应用几乎空白。针对鲜食果蔬采摘需求，为改善人工采摘费时费力、效率低下、自动化程度低的问题，近30年来，国内外学者设计了一系列自动化采摘设备，推动了农业机器人技术的发展。在研发鲜食果蔬采摘设备时，首先要确定采收对象和采收场景，针对作物的生长位置、形状和重量、场景的复杂程度、所需自动化程度，通过复杂度预估、力学特性分析、姿态建模等方式，明确农业机器人的设计需求。其次，作为整个采摘动作的核心执行者，采摘机器人的末端执行器设计尤为重要。本文对采摘机器人末端执行器的结构进行了分类，总结了末端执行器的设计流程与方法，阐述了常见的末端执行器驱动方式、切割方案，并对果实收集机构进行了概括。再次，本文概述了采摘机器人的总体控制方案、识别定位方法、避障方法及自适应控制方案、品质分类方法以及人机交互、多机协作方案。为了总体评价采摘机器人的性能，本文还提出了平均采摘效率、长期采摘效率、采收质量、损伤率和漏采率指标。最后，本文对自动化采摘机械的总体发展趋势进行了展望，指明了采摘机器手系统将向着采摘目标场景通用化、结构形式多样化、全自动化、智能化、集群化方向发展的趋势。
中国现代农业的发展以及乡村振兴战略的实施需要大量及时有效的农业环境、生产条件、状态及过程信息。基于农业内在的特点,卫星遥感是农业信息快速准确获取的关键技术手段之一。发达国家可用于农业应用的遥感卫星已经形成星座或体系进行联合观测,具有较高的观测时间分辨率,卫星遥感器载荷设计较为充分地考虑了农业应用的需求,观测手段不断创新、观测性能不断提高。目前,我国农业遥感卫星应用还存在很多问题,例如传感器多光谱遥感为主、观测要素缺乏,受遥感传感器性能和遥感卫星地面应用系统能力不足制约,缺少光学与微波等多手段同时相协同观测能力、遥感数据保障率和质量有待提高等,遥感监测手段与国外先进水平存在一定差距。从国内农业生产常规监测、国外农业生产常规监测、重大农业政策执行情况监测和绘制重要农业资源图四个方面全面分析了中国当前遥感卫星业务需求,并考虑未来发展深入分析了农业对遥感卫星应用装备的需求。建议构建编队顺序飞行的,具备多光谱、高光谱、红外以及微波等多种手段的农业卫星星座系统,有效提高多源数据融合精度,综合提供不同波段、不同极化、主动被动、光学微波相互融合的多尺度卫星遥感数据及产品,促进农业遥感技术的快速发展,推动“天空地”数字农业的一体化发展。最后,提出了立足于用户需求,建立中国民用遥感领域农业综合观测卫星系统采用“分步走”战略建议。
植物病害准确检测与识别是其早期诊断与智能监测的关键，是病虫害精准化防治与信息化管理的核心。深度学习应用于植物病害检测与识别中，可以克服传统诊断方法的弊端，大幅提升病害检测与识别的准确率，引起了广泛关注。本文首先收集和介绍了部分公开的植物病害图像数据集，然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展，阐述了从早期检测和识别算法到基于深度学习的检测和识别算法的研究进展，以及各算法的优点和存在的问题。调研了相关研究文献，提出了光照、遮挡、复杂背景、病害症状之间相似性、病害在不同时期症状会有不同的变化以及多种病害交叠共存是目前植物病害检测和识别面临的主要挑战。并进一步指出，将性能更好的神经网络、大规模数据集和农业理论基础相结合，是未来主要的发展趋势，同时还指出了多模态数据可以用于植物早期病害的识别，也是未来发展方向之一。本文可为植物病害识别的深入研究与发展提供参考。
家畜智能养殖设备是智能农机装备的组成部分之一,是国际农业装备产业技术竞争的焦点。本文重点围绕家畜智能养殖设备与饲喂技术在实践中的应用,进行了系统的性能特点分析。目前家畜智能养殖设备的开发对象主要针对猪和奶牛,主要研发的系统包括妊娠母猪电子饲喂站、哺乳母猪精准饲喂系统、奶牛精准饲喂系统和挤奶机器人等。家畜智能养殖设备的工业化应用必须与养殖模式、畜舍结构布局结合起来,才能发挥设备的使用效率,同时从满足动物的福利出发,与动物生理、生长及行为结合起来,形成设备与动物的互作和相互适应。最后指出了智能设备的研究必须与畜牧业生产的理论、目标产品的功能驱动及养殖方式的创新协调一致,要不断地更新换代,才能助推畜牧业的转型升级。
株高是动态衡量作物健康和整体生长状况的关键指标，广泛用于估测作物的生物学产量和最终籽粒产量。传统的人工测量方式存在规模小、效率低以及耗时长等问题。近十年来，近地遥感技术在农业领域发展迅速，使得高精度、高频次、高效率的作物株高采集成为可能。本文首先回顾了国内外基于遥感手段获取株高研究的论文发表情况；其次对获取株高的不同平台以及传感器的基本原理、优势及其局限性进行了介绍和评述，重点论述了激光雷达和可见光相机两种传感器的测高流程与涉及的关键技术；在此基础上归纳了株高在作物生物量估算、倒伏监测、产量预测和辅助育种等方面的应用研究进展；最后对近地遥感技术在株高获取上存在的问题进行讨论分析，并从测高平台和传感器、裸土探测和插值算法、株高应用研究及农学与遥感测高差异四个方向进行了展望，可为今后近地遥感测高的研究与方法应用提供参考。
随着信息技术的快速发展和农业农村经济的平稳增长，农业信息技术越来越受到关注，资本和技术在农业领域逐渐发力的趋势已经形成。近几年，中国大型信息技术公司开始涉足农业产业，智慧农业发展势头强劲。本文分析了大型互联网企业从事农业的现状及技术应用特点；阐述了当前大批互联网企业进入农业领域的原因，分析了信息技术与农业产业结合的关键领域及存在问题；重点剖析了信息技术在农业领域中的应用需求、瓶颈和前景；针对农业农村数字化发展与新技术应用，提出了防范市场投机风险、明晰主体功能定位、加强科技创新力度、做好引领示范带动等政策建议。
搭载高性能传感器和施药装备的农业植保无人机系统是精准农业领域具有代表性的智能装备之一。本研究首先从前端田间作业环境动态感知技术出发,阐述了无人机光谱成像遥感、多传感器融合的SLAM实时环境建模等技术在无人机植保作业方面的应用情况;然后对精准施药过程建模与优化控制有关的前沿技术进行了分析,包括旋翼下方风场结构演化及雾滴沉积过程仿真建模、多区域全覆盖条件下的智能作业路径规划、精准变量施药控制等;最后论述了作业效果评估与过程监管相关技术的发展现状,包括施药作业质量评价方法、基于云平台数据管理的全过程可视化监管等。在总结现有技术发展现状基础上,对未来智能化无人机植保关键技术发展趋势进行了预测,阐明了光谱图像获取与计算智能的深度学习识别聚类、基于高精度雾滴谱和风场模型预测的精准变量施药作业路径规划、基于传感器实时数据的作业质量评估和作业监管等新技术手段,将在遥感信息反演、药液飘移抑制、作业效率优化、施药过程管控等方面带来革命性的进步,使植保作业数据化、透明化,全过程可观化可控制,推动农业生产管理从机械化向智能化和智慧化迈进。
农业模型、农业人工智能及数据分析等技术贯穿于智慧农业的信息感知、信息传输、信息处理与控制全过程，是智慧农业的核心技术。为进一步明晰农业模型的内涵和作用，促进农业模型进一步研究及应用，推动智慧农业健康、稳定和可持续发展，本研究采用系统分析、比较及关系框图等方法，分析了农业模型的内涵，阐述了农业模型和智慧农业要素与过程的关系，明确了农业模型的作用并附以应用案例，比较了农业模型的国内外重要发展动态与趋势。国内外农业模型研究与应用重要进展比较表明，农业模型研究应用需要考虑农业生物要素的4个水平、农业环境要素的6个尺度、农业技术与农业经济要素的6个层次并采用相应方法进行，农业模型环境要素空间多尺度研究应用有较大发展潜力；农业模型与分子遗传学、感知技术及人工智能技术结合，农业模型研究应用的公私有组织协作，粮食安全挑战将成为农业模型进一步发展的重要推动力，且需更注重将各种农业系统模拟、数据库、和谐性与开放数据及决策支持系统相连接。中国农业模型研究与应用已形成具有中国特色的作物模型系列，也融入农业模型的互比较与改进、智慧农业等世界潮流，需要抢抓机遇，加快发展。农业模型是农业系统要素内及要素间关系的定量化表达，是农业科学定量与综合的重要方法，具有认识论价值，它与感知技术的结合可以在智慧农业数据获取与处理中发挥不可或缺的作用，成为信息农业技术落地应用的重要桥梁和纽带。
植物化学保护即使用植保机械喷施化学农药是当前最主要的病虫害防控方法，一直以来对保障农业生产安全与粮食有效供给起至关重要作用。能够实现按需精准施药、变量施药、人机分离与人药分离的高效、精准、智能的施药技术和装备是提高农药药效与利用率的保证，也是保障食品安全、降低农民劳动强度的重要措施，是目前国内外研究的热点。本研究对精准施药关键技术及研究现状进行了分析，对适用于不同作业场景的精准施药装备的研究现状、典型代表、应用进展等进行了分类总结，分析了目前精准施药发展中面临的挑战，并提出了对策和建议。本研究可为精准施药技术研究的推进、智能施药装备的研发和现代化农业的发展提供参考和思路。
病虫害是作物生产面临的主要胁迫之一。近年来，随着无人机产业的快速发展，无人机农业遥感因其图像空间分辨率高、数据获取时效性强和成本低等特点，在作物病虫害胁迫监测应用中发挥了重要作用。本文首先介绍了利用无人机遥感监测作物病虫害胁迫的相关背景；其次对目前无人机遥感监测作物病虫害胁迫中的常用方法进行了概述，主要探讨无人机遥感监测作物病虫害胁迫的数据获取方式和数据处理方法；之后从可见光成像遥感、多光谱成像遥感、高光谱成像遥感、热红外成像遥感、激光雷达成像遥感和多遥感融合与对比六个方面重点综述了近期国内外无人机遥感监测作物病虫害胁迫的研究进展。最后提出了无人机遥感监测作物病虫害胁迫研究与应用中尚未解决的关键技术问题与未来的发展方向。本文为把握无人机遥感监测作物病虫害胁迫研究热点、应用瓶颈、发展趋势提供借鉴和参考，以期助力中国无人机遥感监测作物病虫害胁迫更加标准化、信息化、精准化和智能化。
畜禽设施精细养殖是现代畜牧业发展的前沿领域,其核心在于物联网与传统设施养殖的深度融合。近年来,随着传统家庭式养殖模式逐渐退出,中国畜禽养殖场的管理方式已逐步迈向集约化、规模化和设施化,基于养殖动物个体管理和质量保障且满足动物福利要求的畜禽设施精细化养殖已成为畜禽养殖业的最新发展趋势。本文在阐述畜禽设施精细养殖信息感知与环境调控的重要性的基础上,介绍了信息感知与环境调控相关前沿技术,分析了面临的问题与挑战,指出智能传感器技术将成为推动畜禽设施精细养殖进步的底层驱动技术,兼顾畜禽福利和生产性能的动物拟人化智能调控技术和策略等是面临的重要挑战。最后,就中国畜禽设施精细养殖关键技术如何落地提出了相关建议,旨在为中国畜禽设施养殖业的转型升级和可持续发展提供理论参考和技术支撑。
植物表型组学研究正逐渐向综合化、规模化、多尺度和高通量的方向快速发展。本文首先介绍了植物表型研究的最新动向。然后针对室内表型监测平台的特点和各类室内表型针对的表型性状进行了系统介绍，包括产量、品质、胁迫抗性（包括干旱、抗冷热、盐胁迫、重金属和病虫害）等。在此基础上，本文还根据通量、传感器集成度和平台大小等把一些国内外流行的室内植物表型平台进行了分类，并介绍了这些室内表型平台在植物研究中的应用情况。同时，本文还介绍了室内表型数据的管理和解析方法。最后，本文着重讨论了室内表型平台的发展方向，并结合中国植物研究的实际情况对表型组学在中国的发展提出了展望，以期为中国植物表型研究提供指导和建议。
无人农场是智慧农业的一种表现形式，也是建设农业强国和实现农业现代化的重要探索。无人农场以数据、知识和智能装备为核心要素，将现代信息技术与农业深度融合，实现农业全过程生产所需的信息感知、定量决策、智能控制、精准投入及个性化服务一体化。本文系统地阐述了大田无人农场的概念与总体技术架构，讨论了信息感知与智能决策、精准作业系统与装备、自动驾驶、无人化农机装备以及无人农场管控平台等五项大田无人农场的关键技术与装备，深入分析了发展中国大田无人农场亟待解决的关键科学与技术问题。以吉林省公主岭市玉米无人农场为例介绍了物联网、大数据、云计算以及人工智能等技术在玉米全程无人化生产中的具体应用及效果。最后，展望了无人农场在解决全球农业生产面临的“无人种田”等共性问题中发挥的重要作用，分析了中国发展无人农场存在的机遇和挑战，提出了中国发展无人农场的战略目标与思路。
互联网是一个巨大的资源库,也是一个丰富的知识库。针对农作物小样本引起的过拟合问题,本研究引入了知识迁移和深度学习的方法,采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集,以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络CNN中的AlexNet和VGG模型,改善网络的过拟合问题;再利用PlantVillage植物病害数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后,使用瓶颈层特征提取的迁移学习方法,利用ImageNet大数据集训练出的网络参数,将Inception-v3和Mobilenet模型作为特征提取器,进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略,表明使用VGG网络参数微调的策略可获得的最高准确率为98.33%,使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题,提高农作物病害识别效率。
太阳能杀虫灯在农业趋光性害虫受灯光引诱并接触金属网时释放高压脉冲电流杀灭害虫,可有效减少施用农药造成的环境污染和食品安全问题。本文介绍了利用无线传感器网络技术提升太阳能杀虫灯在农业迁飞性趋光害虫防治领域的应用效果,明确提出了一种新型农业物联网——太阳能杀虫灯物联网。首先,从杀虫灯在国内农业生产中的应用研究现状出发,总结了杀虫灯在林果、水稻和蔬菜等作物生产种植中的部署特点和杀虫工作时段分布情况;其次,分析了现有联网型太阳能杀虫灯节点的产品特点和杀虫灯物联网研究现状;然后,结合太阳能杀虫灯的能量采集方式、田间部署特点,综合分析了基于太阳能能量采集方式的传感器网络研究现状和基于启发式的传感器网络节点部署研究现状;最后,探讨了太阳能杀虫灯物联网的节点部署、能量预留管理、虫害爆发区域边界定位、虫情数据抗干扰传输等关键研究问题,并对太阳能杀虫灯物联网在农业生产中的应用进行了总结和展望。
团队致力于锻炼和培养一批能为我国现代农业乃至智慧农业等行业提供技术支撑的复合型人才，为现代农业发展和社会进步提供长远和强大的技术支持与智力支持。欢迎广大海内外优秀青年才俊加入！
舒磊，南京农业大学教授/博士生导师、英国林肯大学“林肯教授”/博士生导师、广东省“扬帆计划”引进紧缺拔尖人才、南农—林肯智能工程研究中心（筹）主任。分别在韩国庆熙大学攻读硕士（世界排名247）、爱尔兰国立高威大学攻读博士（世界排名243）、日本大阪大学从事博士后研究（世界排名67）。 主持国家自然科学青年基金及省级重大国际联合项目等共12项，科研总经费超1250万元。长期从事无线传感器网络领域的研究，共发表论文400余篇。在Google Scholar上他引次数为8474次，H-index为51。在Guide2Research网站对全球计算机学科高被引研究者H-index统计排名中为英国区域第99名。（数据更新日期：2019-08-01）
曾获2014年中国计算机学会计算机应用专委会“特别贡献奖”、连续获得2017年度和2018年度IEEE Access期刊“Outstanding Associate Editor”、IEEE HealthCom 2017 “Outstanding Leadership Award”、连续获得2017年度(2 out of 254)和2018年度(5 out of 598)IEEE Systems Journal期刊(JCR Q1, IF: 4.463)最优论文奖、2018年度Journal of Network and Computer Applications期刊(JCR Q1, IF: 5.273)最优论文奖、获得IEEE SIGTELCOM 2017、EAI WICON 2016、IEEE ComManTel 2014、IEEE ICC 2013和IEEE GLOBECOM 2010国际学术会议的最优论文奖。
现担任IEEE Communications Magazine (JCR Q1, IF: 10.356)、IEEE Network (JCR Q1, IF: 7.503)、IEEE Transactions on Industrial Informatics (JCR Q1, IF: 7.377)、IEEE Systems Journal (JCR Q1, IF: 4.463)、IEEE Access (JCR Q1, IF: 4.098)等期刊编委 (影响因子年份：2018年)。 曾在超过50个各类国际会议中担任主席。例如，担任Chinacom 2014、Qshine 2015、Healthcom 2017、Collaboratecom 2017、DependSys 2018等会议的大会主席，担任INISCOM 2015、WICON 2016、Chinacom 2017、Qshine 2017、Simutool 2017、INISCOM 2017、WMNC 2017和中国计算机应用大会(NCCA 2015、NCCA 2016、NCCA 2018)等会议的程序委员会主席。担任超过150个国际会议的评委，例如ICDCS、DCOSS、MASS、ICC、Globecom、ICCCN、WCNC和ISCC等。
数十年来，遥感技术一直被用作精准农业的重要数据采集工具。根据距离地面的高度，遥感平台主要包括卫星、有人驾驶飞机、无人驾驶飞机系统和地面车辆。这些遥感平台上搭载的绝大多数传感器是成像传感器，也可以安装激光雷达等其他传感器。近年来，卫星成像传感器的发展极大地缩小了基于飞机的成像传感器在空间、光谱和时间分辨率方面的差距。最近几年，作为低成本遥感平台的无人机系统的出现极大地填补了有人驾驶飞机与地面平台之间的间距。有人飞机具有飞行高度灵活、飞行速度快、载荷量大、飞行时间长、飞行限制少以及耐候性强等优势，因此在未来仍将是主要的精准农业遥感平台。本文的第1部分概述了遥感传感器的类型和三个主要的遥感平台（即卫星、有人驾驶飞机和无人驾驶飞机系统）。接下来的两个部分重点介绍用于精准农业的有人机载成像系统，包括由安装在农用飞机上的消费级相机组成的系统，并详细描述了部分定制和商用机载成像系统，包括多光谱相机、高光谱相机和热成像相机。第4部分提供了五个应用实例，说明如何将不同类型的遥感图像用于精准农业应用中的作物生长评估和作物病虫害管理。最后简要讨论了将不同遥感平台和成像系统用于精准农业上的一些挑战和未来的努力方向。
智慧农业是充分运用人的智慧发展农业的新形态,它是农业发展的新阶段、新模式和新业态。农业信息技术的发展是智慧农业发展的必然要求,以农业大数据、云计算、物联网、人工智能、农业等离子体等新一代技术可以赋能智慧农业,为智慧农业的健康发展提供了新技术、新手段和新方案。农业信息化标准化是引导农业科技进步与创新的前提,是智慧农业发展的迫切需要;农业物联网与农业专用芯片是智慧农业发展的核心技术及装备;农业大数据与云计算是海量复杂农业信息处理的有力技术支撑;农业信息安全与区块链是保障农业信息安全、农产品质量认证与农业安全的关键;农业人工智能是提高农业劳动生产力、降低资源消耗、智能高效生产的必然选择;农业等离子体技术是发展健康农业、提升农产品品质切实有效的新手段。智慧农业核心关键技术原始创新自主可控,必将引领智慧农业健康发展。
大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。
针对作物产量形成、品种适应性分析的数字化解析和可视化表达需求,以提高作物模拟模型的时效性、协同性和真实感为目标,结合物联网技术与作物模拟模型,进行了田间数据实时采集;应用多智能体技术进行了作物协同模拟方法研究与框架设计;开展了作物生长过程模拟模型及基于作物模型的形态三维可视化关键技术研究,以小麦作物为例,进行了田间试验,阐述了小麦三维形态模拟可视化系统的设计实现并进行了试验验证;构建了Logistic方程模拟小麦叶长、最大叶宽、叶片高度、株高等的生长变化,采用基于曲线、曲面的参数化建模方法和3D图形库OpenGL构造了小麦器官几何模型。结果表明小麦叶长、最大叶宽、叶片高度和株高模拟模型R 2值在0.772~0.999之间,回归方程的F值在10.153~4359.236之间,且Sig.小于显著水平0.05,模型显著性较好,模型的拟合度较高。本研究将作物模拟模型结果和形态结构模型有效结合,实现了以小麦为代表的作物在不同管理措施条件下的生长过程形态三维可视化表达,为作物生产数字化系统应用提供了更有效的途径,该技术体系与方法同样适用于玉米、水稻等作物。
在水产养殖中,鱼类的摄食强度可以反映其食欲,准确客观地评估鱼类的摄食强度对指导投喂和生产实践具有重要意义。针对当前鱼类摄食强度评估过程中存在的人工观测效率低、客观性不强的问题,本研究以实现鱼类食欲的自动客观分析为目的,提出了一种基于近红外机器视觉的游泳型鱼类摄食强度的评估方法。首先,利用近红外工业相机搭建了近红外图像采集系统,采集了鱼类摄食过程中的图像。经过一系列图像处理步骤后,利用灰度共生矩阵提取摄食图像的纹理特征变量信息,包括对比度、能量、相关性、逆差距和熵等。之后,将这5个特征变量作为输入向量构建了模型的数据集,并训练了支持向量机分类器。为了提高模型分类的准确率,利用网格搜索法选取支持向量机分类器的最优惩罚系数c和核函数参数g。最后利用训练好的模型将鱼类的摄食强度分为弱、一般、中和强4类,最终实现了鱼类摄食强度的评估。试验结果表明,图像纹理可以较好地描述鱼类摄食过程中的行为变化,正确识别4类摄食强度的准确率达到87.78%,且不需要考虑水花等对成像质量的影响,具有较强的适应性。本方法可用于鱼类食欲的自动客观评估,为后续投喂决策提供理论依据和方法支持。
为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现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，本研究通过改进轻量级的MobileNetV3网络，结合关键点预测的目标检测网络（CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（M-CenterNet），并通过与CenterNet和单次多重检测器（Single Shot Multibox Detector，SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为88.9%、10.9%和5.8%；模型体积和帧率分别为14.2MB和8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为CenterNet网络的1/4；相比于SSD网络，所提网络模型的AP提升了3.9%，模型体积降低了84.3%；本网络模型在CPU环境中的运行速度比CenterNet和SSD网络提高了近1倍。研究结果可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。
中国苹果总产量高,但出口量占比低,高端苹果市场多被进口苹果所占领,主要原因是缺乏果品品质分级精选技术与装备,采摘后处理自动化程度低,大部分果品未经加工或简单粗加工后进入消费市场,果品品质不稳定,大大降低了市场竞争力。本文分别对苹果品质无损检测和分级技术的现状进行了研究进展分析,并对其发展进行了展望。苹果无损检测技术主要包括光谱、电特性、CT、色谱、电子鼻和计算机视觉技术,针对各种技术的功能特点和优缺点,提出了发展基于新型传感器技术的苹果气味检测方法;苹果品质分级则主要采用基于机器视觉的多特征分级方法,苹果品质无损检测技术与分级技术的有机结合是苹果品质分级技术的发展方向,同时这对于提高苹果产业竞争力具有促进作用。整体而言,中国苹果品质无损检测和分级技术发展需求紧迫,检测新技术如采用纳米科学、生物技术和人工智能方法的传感器技术及产品在苹果无损、品质分级检测方面具有巨大潜力,多技术的融合如集成电、光、气和计算机视觉等实时、高效、高精度的苹果品质分级系统可能是提高苹果分级品质和提升苹果产业竞争力的重要发展方向。
作为传统农业大国,中国多次强调农业现代化的重要性。但生产分散、技术落后、基础薄弱等问题严重阻碍了中国农业信息化的发展。区块链由于采用了分布式存储与计算方式,与分布式经济系统具有较好的兼容性,在金融、物流、电子商务等多个行业具有广泛的应用前景。本研究采用广义区块链的设计思想,结合中国农业发展中遇到的问题,设计了信息采集层、数据层、网络层、共识层、激励层、合约层与应用层的7层农产品信息区块链技术架构。该架构可以提供灵活的分布式存储机制、完备的信息共识体系、可靠的信息防篡改功能和实用的激励回报措施。针对以上功能在农产品信息溯源和农产品市场信息透明化中的应用进行了说明,提出了建立区块链农产品交易体系的概念,最后对区块链在农业领域的应用进行了总结和展望。
作物生产管理已经进入智慧农业阶段。智慧农业是由最先进的农业信息技术、智能装备以及大量的数据资源所驱动的先进农业科技理念。智慧农业继承了精准农业概念，把农业生产管理由机械化和信息化提高到高度自动化和智能化的农业生产管理。精准农业从上世纪八十年代的粗略监测发展到本世纪10年代的详细监测和控制。在精准农业的发展过程中，农业航空在作物保护和肥料施用方面起到了关键的作用。而在作物保护和肥料精准施用方面，基于全球导航产生的带有空间信息遥感数据配方图是至关重要的。随着现代化农业的发展，农业航空会因更有效的土壤和植物健康监测和更加快速的机电系统响应，在推进精准农业实际应用上显得越发重要。本文具体从美国最重要的农业地区之一密西西比三角洲出发，总体介绍了农业航空在精准农业向智慧农业迈进过程中的状况。重点介绍了美国农业部在密西西比三角洲地区在航空应用技术和低空遥感方面的研发工作；为发展新一代精准农业和智慧农业，进一步研发农业航空技术的问题、挑战和机会进行了讨论；最后提出了中国发展智慧农业建议。
番茄病害的及时检测可有效提升番茄的质量和产量。为实现番茄病害的实时无损伤检测，本研究提出了一种基于改进MobileNetV3的番茄叶片病害分类识别方法。首先选择轻量级卷积神经网络MobileNetV3，在Image Net数据集上进行预训练，将预训练得到的共享参数迁移到对番茄叶片病害识别的模型上并做微调处理。采用相同的训练方法对VGG16、ResNet50和 Inception-V3 三种深度卷积网络模型也进行迁移学习并进行对比，结果显示MobileNetV3的总体学习效果最好，在Mixup混合增强和focal loss损失函数下对10类番茄病害的平均测试识别准确率达到94.68%。在迁移学习的基础上继续改进 MobileNetV3模型，在卷积层引入空洞卷积和感知机结构，采用GLU（Gated Liner Unit）闸门机制激活函数，训练得到最佳的番茄病害识别模型，平均测试的识别准确率98.25%，模型的数据规模43.57 MB，单张番茄病害图像的检测耗时仅0.27 s。经十折交叉验证（10-Fold Cross-Validation），模型的鲁棒性良好。本研究可为番茄叶片病害的实时检测提供理论基础和技术支持。
太阳能杀虫灯物联网（SIL-IoTs）是一种基于农业场景与物联网技术的新型物理农业虫害防治工具，通过无线传输太阳能杀虫灯组件状态数据，用户可后台实时查看太阳能杀虫灯运行状态，具有杀虫计数、虫害区域定位、辅助农情监测等功能。但随着SIL-IoTs快速发展与广泛应用，故障诊断难和维护难等矛盾日益突出。基于此，本研究首先阐述了SIL-IoTs的结构和研究现状，分析了故障诊断的重要性，指出了故障诊断是保障其可靠性的主要手段。接着介绍了目前太阳能杀虫灯节点自身存在的故障及其在无线传感网络（WSNs）中的体现，并进一步对WSNs中的故障进行分类，包括基于行为、基于时间、基于组件以及基于影响区域的故障四类。随后讨论了统计方法、概率方法、层次路由方法、机器学习方法、拓扑控制方法和移动基站方法等目前主要使用的WSNs故障诊断方法。此外，还探讨了SIL-IoTs故障诊断策略，将故障诊断从行为上分为主动型诊断与被动型诊断策略，从监测类型上分为连续诊断、定期诊断、直接诊断与间接诊断策略，从设备上分为集中式、分布式与混合式策略。在以上故障诊断方法与策略的基础上，介绍了后台数据异常、部分节点通信异常、整个网络通信异常和未诊断出异常但实际存在异常四种故障现象下适用的WSNs故障诊断调试工具，如Sympathy、Clairvoyant、SNIF和Dustminer。最后，强调了SIL-IoTs的特性对故障诊断带来的潜在挑战，包括部署环境复杂、节点任务冲突、连续性区域节点无法传输数据和多种故障诊断失效等情形，并针对这些潜在挑战指出了合理的研究方向。由于SIL-IoTs为农业物联网中典型应用，因此本研究可扩展至其它农业物联网中，并为这些农业物联网的故障诊断提供参考。
在大豆-玉米轮作生产过程中，玉米杂苗会与大豆苗竞争水和肥料，而且很容易遮住大豆苗，影响害虫（如玉米根虫）的防控，降低大豆品质。因此，在大豆幼苗期及时检测出玉米杂苗并对其进行处理非常重要。传统的人工检测方法主观性强、效率低，传感器和算法的发展为自动检测玉米杂苗提供了更好的解决方案。本研究在温室环境下模仿田间条件，待玉米和大豆发芽后，连续5天用因特尔RealSense D435相机采集彩色图像，并人工裁剪幼苗图像区域，在此基础上对图像进行分割和去噪。在采集图像形状、色彩和纹理特征值后， 对所采集的特征值进行权重分析， 保留前10种重要的特征值导入基于特征的机器学习算法中进行模型训练和预测。预测结果表明，支持向量机模型（SVM）、神经网络（NN）和随机森林（RF）的预测精度分别为85.3%，81.5%和82.6%。将数据集导入GoogLeNet和VGG-16 两种深度学习模型进行训练， 预测精度分别为96.0%和96.2%。VGG-16 模型在区分大豆幼苗和玉米杂苗中有较好的表现，彩色图像和VGG-16 模型组成的系统可以自动检测大豆生长过程中玉米杂苗的情况，为农民提供准确的信息，帮助其进行生产决策和田间管理。
果树测产是果园管理的重要环节之一，为提升苹果果园原位测产的准确性，本研究提出一种包含改进型YOLOv5果实检测算法与产量拟合网络的产量测定方法。利用无人机及树莓派摄像头采集摘袋后不同着色时间的苹果果园原位图像，形成样本数据集；通过更换深度可分离卷积和添加注意力机制模块对YOLOv5算法进行改进，解决网络中存在的特征提取时无注意力偏好问题和参数冗余问题，从而提升检测准确度，降低网络参数带来的计算负担；将图片作为输入得到估测果实数量以及边界框面总积。以上述检测结果作为输入、实际产量作为输出，训练产量拟合网络，得到最终测产模型。测产试验结果表明，改进型YOLOv5果实检测算法可以在提高轻量化程度的同时提升识别准确率，与改进前相比，检测速度最大可提升15.37%，平均mAP最高达到96.79%；在不同数据集下的测试结果表明，光照条件、着色时间以及背景有无白布均对算法准确率有一定影响；产量拟合网络可以较好地预测出果树产量，在训练集和测试集的决定系数R2分别为0.7967和0.7982，均方根误差RMSE分别为1.5317和1.4021 ㎏，不同产量样本的预测精度基本稳定；果树测产模型在背景有白布和无白布的条件下，相对误差范围分别在7%以内和13%以内。本研究提出的基于轻量化改进YOLOv5的果树产量测定方法具有良好的精度和有效性，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装备提供技术参考。
草地贪夜蛾是对粮食安全具有巨大威胁的害虫，早发现、早防治对虫情控制具有重要意义。目前，利用深度学习方法进行草地贪夜蛾及其近缘种成虫识别的相关研究存在数据量严重偏小的情况，有可能造成模型未能真正学习到草地贪夜蛾及其近缘种成虫的环形纹、肾形纹等关键视觉特征。针对上述问题，本研究在建立包含草地贪夜蛾在内的7种夜蛾科成虫，10,177幅图像组成的数据库基础上，采用迁移学习方式建立了VGG-16、ResNet-50和DenseNet-121，3种夜蛾成虫识别深度学习模型，并用相同的测试集测试了所有模型。结果表明，构建的模型识别准确率均超过了98%。此外，本研究用特征可视化技术展现了模型习得的特征，并验证了这些特征和专家进行人工识别的关键视觉特征的一致性——ResNet-50和DenseNet-121的平均特征识别率在85%左右，进一步支持了用深度学习进行草地贪夜蛾成虫实时识别的可行性。研究发现，不同模型对夜蛾科成虫视觉特征的学习能力不一样，在评价模型时不能仅看识别率，还需要加入视觉特征识别率指标对模型的学习内容进行评价。本研究通过试验证明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。
近年来，随着无人机和各类传感器在作物育种和田间生产中被广泛使用，作物表型组学得到了极大的发展。兼具了高精度、高通量和高度自动化的作物表型组学及其相关技术的发展，加快了新品种的选育和优化了田间管理。作物三维重构技术是作物表型组学最基本的技术方法之一，是精准描述作物形态全息结构的重要工具，而作物的三维重构模型对于高通量作物表型获取、作物株型特征评价、植株结构和表型相关性分析等均具有重要意义。为深入总结作物表型中三维重构技术研究进展，本文从作物三维重构的基本方法与应用特点、研究现状和前景展望等三个方面展开综述。本文首先归纳整理了现有作物三维重构方法，并对各类方法的基本原理进行了综述，分析了各类方法的特点和优缺点，同时在归纳作物三维重构方法一般性流程的基础上，对各类方法的适用性进行剖析，归纳整理出了各类方法在实施时的具体流程和注意事项；其次，本文依据研究目标对象不同将作物三维重构的应用分为单株作物重构、田间群体重构和根系重构三部分，并从这三个视角对作物三维重构技术的应用情况进行了综述，依据精度、速度和成本三方面，探究了各个方法对于不同作物三维重构的研究现状，分析整理出不同重构对象背景下作物三维重构存在的问题与挑战；最后，从作物三维重构全程自动化、4D表型的构成、作物虚拟生长与模拟育种和智慧农业发展等方面对作物三维重构技术的前景进行了展望。
传统深度学习模型在用于蔬菜病害图像识别时，存在由于网络梯度退化导致的识别性能下降问题。为此，本文研究了一种基于深度残差网络模型的番茄叶片病害识别方法。该方法首先利用贝叶斯优化算法自主学习网络中难以确定的超参数，降低了深度学习网络的训练难度。在此基础上，通过在传统深度神经网络中添加残差单元，解决了由于梯度爆炸/消失造成的过深层次病害识别网络模型性能下降的问题，能够实现番茄叶片图像的高维特征提取，根据该特征可进行有效病害鉴定。试验结果表明，本研究中基于超参数自学习构建的深度残差网络模型在番茄病害公开数据集上取得了良好的识别性能，对白粉病、早疫病、晚疫病和叶霉病等4种番茄叶片常见病害的识别准确率达到95%以上。本研究可为快速准确识别番茄叶片病害提供参考。
奶牛跛行是奶牛发生肢蹄病的外在表现。人工识别跛行奶牛存在效率低、成本高、主观性强等问题。奶业对奶牛跛行自动识别技术需求日益强烈。本文从机器视觉技术、压力分布测量技术、可穿戴技术、行为分析技术和跛行分类技术5个方面，分析了奶牛跛行自动识别技术的原理、功能、特点及研究现状。总结发现，当前奶牛跛行自动识别技术研究大多集中在传感器研发和算法开发，而性能验证和决策支持的研究较少，面临的主要挑战包括高质量跛行识别数据获取难度大，缺乏早期跛行识别技术手段，奶牛个体差异干扰模型识别精度，牧场非结构化环境对识别系统性能要求高，以及技术应用效果难评估等。因此，为促进奶牛跛行自动识别技术的发展，建议推动牧场跛行监测数据共享，研究奶牛个体跛行判别模型的构建方法，开发融合跛行检测、体况评分等多功能的一体化智能通道，并分析评价跛行自动识别技术应用在保障动物福利、环境生态、粮食安全等方面的重要意义。
现代农业要求农业生产者实时、准确、全面地了解农作物的生长环境和生长状态。与传统的人工田间调查方式相比,无人机是一种高效的农田信息获取平台。本研究将自主研发的八旋翼无人机与农田信息采集设备进行整合,形成了一套用于农情监测的无人机系统,实现了无人机按照预设航线自动巡航并采集农田遥感图像、地理位置信息以及环境照度信息。经测试,在飞行中,图像采集设备能够稳定维持垂直对地的姿态并进行拍摄,采集的数据能够拼接成完整的农田正射影遥感图像。测试结果表明研发的无人机系统能够满足低空农情监测作业要求。与商业化产品相比,该系统避免了因任务设备与飞机独立工作而导致重拍、漏拍的情况,实现了无人机与任务设备高效协同作业。
干旱是影响农业生产的主要气候因素。传统的农业干旱监测主要是基于气象和水文数据，虽然能提供监测点上较为精确的干旱监测结果，但是在监测面上的农业干旱时，仍存在一定的局限。遥感技术的快速发展，尤其是目前在轨的卫星传感器感测的电磁波段涵盖了可见光、近红外、热红外和微波等波段，为区域尺度农业干旱监测提供了新的手段。充分利用卫星遥感数据获得的丰富地表信息进行农业干旱监测和预测具有重要的研究意义。本文从遥感指数方法、土壤含水量方法和作物需水量方法三个方面阐述了基于卫星遥感的农业干旱监测研究进展。农业干旱预测是在干旱监测的基础上进行时间轴的预测，本文在总结干旱监测进展的基础上，进一步简述了以干旱指数方法和作物生长模型方法为主的农业干旱预测研究进展。
农机精确导航技术正在中国大田种植领域规模化应用，但农机精准作业技术和农业生产精细管理技术的应用仍进展缓慢，精准农业技术、装备与服务体系尚未完成构建，节本增效和节能环保等农业生产目标的实现仍缺乏技术手段。随着物质、能量和信息三要素的不断融合，智能农机系统呼之欲出，将为农业生产提供安全、高效和科学的解决方案。基于智能农机系统的特点、中国农机社会化服务的特征及农业财政补贴的现状，本研究以节本增效和节能环保为主要目标，围绕农业生产组织、农机服务组织和农业主管部门等农机生产作业的核心参与者，融合农机社会化服务和农机精准化服务，建立了中国农机社会化精准服务体系。该体系预期可精确监测农机作业面积和肥药施用量等基本作业参数，可作为社会化服务结算和作业补助发放的精准依据。本研究为实现肥药双减等目标、帮助国家有关农业补贴政策调整和促进中国精准农业技术的全面应用提供了解决思路和技术手段。
农业大数据是大数据理念、技术和方法在农业方面的实践，是跨行业、跨专业、跨业务的数据分析与挖掘，以及数据可视化的具体展示。人工智能技术是推动智慧农业发展的核心力量之一，在农业领域的应用潜力巨大。大数据与人工智能技术的应用将推进农业智能化发展，促进农业精细化管理，提高农业工作者的生产效率。
《智慧农业（中英文）》期刊实时关注当前农业领域热点研究技术，在2020年第3期组织出版了“农业大数据与人工智能”专题。本专题刊登9篇来自中国农业大学、中国科学院、美国北达科他州州立大学、中国农业科学院、国家农业信息化工程技术研究中心等单位专家团队稿件，希望能对感兴趣的读者们有所启发。
李道亮教授团队总结了近年来人工智能技术在水产养殖中的最新应用研究进展，分析了其面临主要问题和挑战，并从水产养殖的生命信息获取、水产生物生长调控与决策、鱼类疾病预测与诊断、水产养殖环境感知与调控，以及水产养殖水下机器人5个方面分析了人工智能在水产养殖中的应用现状和技术特点。
吴建寨研究员团队从机器视觉技术、压力分布测量技术、可穿戴技术、行为分析技术和跛行分类技术5个方面，分析了奶牛跛行自动识别技术的原理、功能、特点及研究现状，指出了奶牛跛行自动识别研究方向和面临的挑战。
李淼和詹凯研究员团队综合设施蛋鸡养殖环境多影响因子，构建了改进的谷鸟搜索算法优化神经网络CS-BP与蛋鸡设施养殖环境质量评价预测模型，实现了蛋鸡生产环境的最优控制，促进了蛋鸡生产性能的提升。
吴华瑞研究员团队设计了一套多自由度设施温室影像采集与环境监测机器人系统，可广泛地应用在设施温室生产与研究中，在北京小汤山国家精准农业基地取得了较好的应用示范效果。
张昭博士团队将相机采集作物彩色图像特征导入机器学习算法中进行模型训练和精度预测，发现VGG-16模型在区分大豆幼苗和玉米杂苗中有较好的表现。
王玉亭博士和王振营研究员团队建立了夜蛾图像数据库，包含草地贪夜蛾在内的7种夜蛾科成虫10,177幅图像，采用迁移学习方式建立了VGG-16、ResNet-50和DenseNet-121 3种夜蛾成虫识别深度学习模型，识别准确率均超过了98%。
张燕博士团队引入核相互子空间法，建立了番茄叶部病害快速识别模型CCHKMSM，并分别以PlantVillage图像和实际场景下采集的病虫害图像数据集开展算法验证试验，结果表明CCHKMSM模型识别准确率高且计算量小，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。
于合龙教授团队提出了一种基于粒子群和模拟退火协同优化的农田物联网混合多跳路由算法PSMR，该算法提高了不同距离簇首的能耗均衡性能，实现了大规模农田复杂环境长时间、高效、稳定的数据采集监测。
为解决蔬菜价格预测精度不高的问题，吴华瑞研究员团队以黄瓜为例分析了影响价格的供给、需求、流通等因素，构建了Lasso回归方法与BP神经网络相结合的组合模型L-BPNN，实现了黄瓜短期价格高精度预测。
含水量是表征水稻生理和健康状况的关键参数，精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前，利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数，针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长，并且这些参数随水稻生长呈现出了相似的动态变化趋势；（2）与RGB图像相比，多光谱图像评估水稻含水量具有更高的潜力，其中归一化光谱指数NDSI771,611实现了更好的预测精度（R2=0.68，RMSEP=0.039，rRMSE =5.24%）；（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R2=0.86，RMSEP=0.026，rRMSE=3.51%），预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉和田间管理决策提供新思路。
冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（D3P）模拟生成了100种冠层结构不同的小麦品种在5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（GAI）、平均倾角（AIA）和散射光截获率（FIPARdif）信息作为真实值,进一步利用上述三维小麦场景开展了虚拟的激光雷达（LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（H）和绿色分数特征（GF）。最后，利用人工神经网络（ANN）算法分别构建了从不同LiDAR点云特征（H、GF和H+GF）输入到FIPARdif、GAI和AIA的反演模型。结果表明，对于GAI、AIA和FIPARdif，预测精度从高到低对应的点云特征输入为GF+H > H > GF。由此可见，H特征对提高目标表型特性的估算精度起到了重要作用。输入GF + H特征，在中等测量噪音（10%）情况下，FIPARdif和GAI的估算均获得了满意精度，R2分别为0.95和0.98，而AIA的估算精度（R2=0.20）还有待进一步提升。本研究基于D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了D3P协助表型算法开发的能力，展示了高通量LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。
传统果园生产中面临着人口老龄化带来的劳动力短缺、农机作业装备与生产资料管理困难、生产效率低下等问题，通过建设融合物联网、大数据、装备智能化等技术的智慧果园，可有望解决上述问题。为应对北京市农业现代化建设需求、引领中国农业发展方向，基于桃、梨果园全程机械化、智能化管理等目标，本研究在北京市重要的桃、梨等优势果品产区——平谷区峪口镇西营村构建了约30 hm2梨与桃的智慧果园。果园中应用了10多种病、虫、水、肥、药的各类信息获取传感器，装备了28种机械化、智能化技术支持的农机装备，采用的关键技术包括智能信息获取系统、水肥一体管理系统以及病虫害智能管理系统，智能作业装备系统包括无人驾驶割草机、智能防冻机、开沟施肥机、自动驾驶履带智能仿形变量喷雾机、六旋翼枝向对靶无人机、多功能采摘平台以及整理修剪机等。同时，在果园中还构建了智能管理平台。经比较发现，智慧果园生产模式可减少人工成本50%以上，节省农药用量30%～40%、肥料用量25%～35%、灌溉用水量60%～70%，综合经济效益提升32.5%。智慧果园的推广实施将进一步推动中国果业生产水平的提高，促进中国智慧农业的发展。
元宇宙这一新兴概念受到了产、学、研各界的广泛关注。农业与元宇宙的结合将极大地推动农业信息化和智能化发展，为农业智能化转型升级提供新动能。为深入分析元宇宙在农业领域的应用研究可行性，本文首先分析了农业元宇宙的概念，以及区块链、非同质化代币、5G/6G、人工智能、物联网、三维重建、云计算、边缘计算和扩展现实等元宇宙农业应用的关键技术。接着讨论了元宇宙在虚拟农场、农业教学系统和农产品追溯系统三个农业应用领域的主要情景，最后总结了农业元宇宙面临的系统建立、通信基础、硬件设备和运营等方面的主要挑战，并展望了未来的发展方向。本文可为元宇宙在农业的应用研究提供指导。
本研究针对农机管理实时数据少、农机实时作业监管困难、服务信息不对称等问题，首先提出专业化远程管理平台设计时应具有五大原则：专业化、标准化、云平台、模块化以及开放性。基于这些原则，本研究设计了基于大田作业智能传感技术、物联网技术、定位技术、遥感技术和地理信息系统的可定制化的通用农机远程智能管理平台。平台分别为各级政府管理部门、农机合作社、农机手、农户设计并实现了基于WebGIS 的农机信息库及农机位置服务、农机作业实时监测与管理、农田基础信息管理、田间作物基本信息管理、农机调度管理、农机补贴管理、农机作业订单管理等多个实用模块。研究着重分析了在当前的技术背景下，平台部分关键技术的实现方法，包括采用低精度GNSS定位系统前提下的作业面积的计算方法、GNSS定位数据处理过程中的数据问题分析、农机调度算法、作业传感器信息的集成等，并提出了以地块为核心的管理平台建设思路；同时提出农机作业管理平台将逐步从简单作业管理转向大田农机综合管理。本平台对同类型管理平台的研发具有一定的参考与借鉴作用。
棚室蔬菜产业在黑龙江省农业转方式、调结构和供给侧改革中占有重要的战略地位。黑龙江省棚室蔬菜生产规模近年来发展较快,技术支撑需求也与日俱增。本研究针对黑龙江省棚室蔬菜发展规模与技术服务支撑能力不匹配的现状,提出了基于云服务的棚室蔬菜智能终端系统及关键技术的实现方法。本研究以专家服务为主、数据挖掘技术为辅,以物联网设备为感知手段、以智能手机为用户终端,利用云服务对知识、资源、物联网数据的整合配置能力,提供蔬菜专家及棚室蔬菜用户对信息获取、存储、分析和决策的高效解决方案。本研究的部分内容已在黑龙江省农业科研部门、企业、蔬菜合作社、农户等不同用户群体中实验应用,能够为专家提供棚室蔬菜生产环境的远程问诊手段,适用于各类棚室蔬菜应用场景。本研究还提出了对大规模应用场景下的技术解决方案建议,可在全国的棚室蔬菜生产中推广应用,实现更广泛高效的专家技术服务支撑。
数据正在成为基础性战略资源。构建以天空地大数据为关键要素的数字农业管理系统,对于建设数字中国、推进农业高质量发展、抢占全球农业制高点具有重要意义。本研究围绕农业农村部提出的天空地数字农业管理系统建设任务,从农业信息技术学科出发,首先给出了天空地数字农业的科学内涵,阐述了其与传统数字农业的异同点,理清了天空地数字农业管理系统在资源调查、生产调度、灾害监测、市场预警、决策服务的五大核心功能;其次,重点阐述了天空地数字农业管理系统的关键任务,即一个观测体系（天空地一体化的数字农业观测体系）、四个数字化（农业资源权属、生产过程、灾害监测和市场预警）、一个管理平台（农业生产、加工、经营、管理、服务等全产业链的天空地数字农业管理平台）;然后,明确提出了天空地数字农业管理系统在标准规范研制、关键技术与装备研发、系统集成与平台开发三方面的科技创新重点任务;最后,针对天空地数字农业管理系统建设的复杂性和系统性,从规划设计、科技创新、资源共享、多方参与、应用领域拓展等方面提出了发展建议。
针对畜禽养殖防疫消毒劳动强度大、安全性差的问题，设计了防疫消毒机器人系统，以实现畜禽舍防疫消毒喷雾的智能化作业。机器人系统由移动承载平台、防疫喷雾部件、环境监测传感器以及控制器等4部分构成，支持全自动运行和遥控操作2种工作模式。针对畜禽舍内弱光、低应激的工况条件，提出了“磁标-射频识别”组合的导航路径探测方法，实现在畜禽舍内养殖笼架间的自主移动。设计了风助式药液喷嘴，可同步实现消毒药液的雾化和扩散。通过对喷嘴内腔风场进行流体动力学仿真，对喷嘴气体导流和药液雾化部件结构参数进行了优化设计，确定了锥形导流垫块和雾化栅板的倾角分别为75°和90°。最后，在禽舍内对机器人导航和喷雾性能进行了现场测试。试验结果表明，机器人移动平台可满足0.1~0.5 m/s速度范围的自动巡线导航，其实际轨迹相对磁钉标记的最大偏移量为50.8 mm；风助式喷嘴可适用于200~400 mL/min流量的药液喷洒，形成的雾滴直径（DV.9）为51.82~137.23 μm，雾滴沉积密度为116~149 个/cm2。本畜禽舍防疫消毒机器人可实现养殖舍内消毒和免疫药液的智能化喷雾作业。
卷积神经网络（CNN）的发展带来了大量的网络参数和庞大的模型体积，极大地限制了其在小规模计算资源设备上的应用。为将CNN应用在各种小型设备上，研究了一种基于知识蒸馏的结构化模型压缩方法。该方法首先利用VGG16训练了一个识别率较高的教师模型，再将该模型中的知识通过蒸馏的方法迁移到MobileNet，从而大幅减少了模型的参数量。将知识蒸馏后的Distilled-MobileNet模型应用在14种作物的38种常见病害分类中。进行了知识蒸馏在VGG16、AlexNet、GoogleNet和ResNet 4种不同网络结构上的表现测试，结果表明，当VGG16作为教师模型时，模型准确率提升了97.54%；使用单个病害识别率、平均准确率、模型内存、平均识别时间4个指标对训练好的Distilled-MobileNet模型进行真实环境下准确性评估，经测试，模型的平均准确率达到了97.62%，平均识别时间缩短至0.218 s，仅占VGG16模型的13.20%，模型大小压缩仅为19.83 MB，相比于VGG16缩小了93.60%，使其具备了较高的准确性和实时性要求。本方法模型在压缩内存体积和缩短识别时间上较传统神经网络有了明显提高，为内存和计算资源受限设备上的病害识别提供了新的思路。
实现智能化是提升保护性耕作机具作业质量和效率的重要途径，自动导航与测控技术作为智能化技术的重要组成部分，近年来在保护性耕作中的应用发展迅速。本文首先从接触式、机器视觉式和GNSS式三种免少耕播种自动导航技术入手，阐述了自动导航技术在保护性耕作中的应用现状；然后对作业参数监测技术的发展动态进行了详细介绍，包括地表秸秆覆盖率的快速检测技术、免少耕播种机播种参数监测技术及保护性耕作机具作业面积监测技术；之后阐述了保护性耕作机具作业控制技术的发展现状，主要介绍了免少耕播种机漏播补偿控制技术和作业深度控制技术。最后在总结自动导航与测控技术在保护性耕作中现有应用的基础上，展望了未来保护性耕作机具自动导航技术、作业参数监测技术和保护性耕作机具作业控制技术三者的研究方向。
准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤，本研究通过对深度残差网络ResNet进行改进得到一种新型的西兰花花球分割模型，并通过花球部位黄绿颜色占比判断其新鲜度，实现低成本高效准确地西兰花表型信息提取。主要技术流程包括：（1）基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集；（2）对训练图像进行预处理并输入模型进行分割；（3）基于颜色信息用粒子群结构PSO和大津法Otsu对分割结果进一步进行阈值分割，获取其新鲜度指标。试验结果表明：本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型，4个评价指标结构相似性指数(SSIM)、平均精度(Precision)、平均召回率(Recall)、F-度量(F-measure)结果分别为0.911、0.897、0.908和0.907，相比于传统方法提升了10%-15%，且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时，在分割结果的基础上采用PSO-Otsu法可以实现花球新鲜度快速分析，其精度超过了0.8。本研究结果实现了西兰花田间多表型参数的高通量获取，可以为作物田间长势监测研究提供重要参考。
大田作物智慧种植业是智慧农业的重要内容。本文通过分析智慧农业发展历程，明确了大田作物智慧种植业发展战略总体目标和重点任务，凝练出关键技术，有针对性地提出适宜中国区域特征的发展模式。大田作物智慧种植的关键技术面临的主要挑战有：缺乏原位精准测量技术与农业专用传感器，作物模拟模型与实际生产有较大差别，信息传输技术的实时性、可靠性、通用性和稳定性有待改进，智能农业装备还需要进一步解决好农机/农艺相结合问题。在以上分析基础上，提出了大田作物智慧种植关键技术的5个一级技术以及相应的18个二级技术。5个一级技术包括环境与生物信息感知技术、信息移动互联与农业物联网技术、云计算与云服务技术、大数据分析与决策技术、智能农机装备与农业机器人技术。根据中国种植业区域特色提出了相应的6种智慧农业发展区，即东北与内蒙古规模化智慧生产发展区，京津冀鲁智慧都市农业与节水农业发展区，西北旱区棉花规模化智慧种植和旱作智慧农业绿色发展综合试验区，东南沿海循环型水稻智慧种植业综合发展试验区，长江中下游平原智慧粮油优化发展区，以及西南山区智慧特色农业发展区。最后从基础设施建设、技术、人才和政策角度给出了发展建议。
纳米材料具有特殊的尺寸效应和优异的光电性质，已在传感分析中得到高度重视和广泛应用，大幅提高了传感分析技术的性能。近年来，智慧农业发展迅速，农产品质量安全作为农业生产的重要组成部分，对农业传感技术的灵敏度、稳定性和检测通量等指标要求越来越高。本综述简要阐述了几种常用的纳米材料的性质和特点，包括碳基纳米材料、金属纳米材料和金属-有机框架材料等。重点论述了基于纳米材料的化学传感、生物传感、电化学传感和光谱传感等常用传感分析技术和器件，以及纳米传感分析技术在农产品质量安全，尤其在克伦特罗和三聚氰胺等危害物,甲硝唑、二噁英类化合物,违禁添加物,真菌毒素，锌、镉、铅等目标物，丙烯酰胺、呋喃类、硝基呋喃类抗生素监测等方面的应用。纳米材料的制备和修饰技术扔需要进一步提升，多目标、高通量纳米传感器件在实际应用中的价值广受关注，在线传感分析在农产品质量安全智慧监控方面有迫切需求需要快速、实时、在线监测。
果蔬在采后贮藏和运输过程中极易发生品质劣变，食用价值降低且造成巨大的经济损失。为保障果蔬品质，减少产后劣变导致的资源浪费，本文综述了果蔬品质劣变传感检测与监测技术最新研究现状，分析了各类检测技术的原理、特点及优缺点。其中，机器视觉可检测果蔬外部品质和表面缺陷，电子鼻可监测果蔬的劣变气味，近红外光谱可检测果蔬内部品质和隐性缺陷，高光谱成像能实现可视化检测果蔬内外品质、监测劣变过程，拉曼光谱可检测果蔬腐败菌及其代谢产物，多技术联用和多信息融合能综合评价果蔬劣变。以各种传感器为感知节点构建物联网监测系统，进而实现果蔬品质劣变信息的智能化实时监测，为解决果蔬加工过程中品质劣变控制技术难题提供参考，对降低果蔬产后的经济损失，推进果蔬产业可持续发展具有重要意义。
针对中小农场对作物长势快速监测与精确诊断的需求，本研究设计了作物长势监测仪（CropSense）数据采集与分析系统，该系统实现了数据采集、处理、分析和管理的一体化集成。系统通过蓝牙技术连接智能手机和作物长势监测仪获取作物采样数据，经服务器中内置光谱模型计算得到地块的作物生长参数分布专题图。依据地块预期产量指标，可提供可视化的专家决策处方。用户只需点击一次按钮，即可实时获取田间作物的监测诊断信息和专业的田间管理指导方案。目前系统已在多个研究机构实验农场试用，其中在小汤山基地的应用示例结果显示：在玉米大喇叭口期使用该系统进行作物诊断和指导施肥，比传统的施肥方案减少约16.67%施肥量。该系统具有采集分析数据高效便利、推荐施肥方案优化合理等特点，在中国家庭农场快速增长的背景下，具有广阔的应用前景。
区块链技术由于其分布式存储、交易信息透明、可追溯性强等特点，同中国农产品交易体系具有很好的互补性和适用性，应用前景广阔。然而中国的农产品交易体系又具有产品多样性，交易流程复杂性，用户群体的广泛性、分散性，隐私保护性等特点，为区块链技术在中国的农产品交易信息体系中的应用造成了很多现实困难。针对以上问题，本研究采用联盟链的设计思想，提出了包括农产品交易信息链、用户信息链、农产品信息链的多链式农产品交易信息区块链应用技术。农产品信息链提供农产品的详细信息，并保证信息的可追溯性和不可篡改性。在用户信息链中引入区块链节点准入机制，为农产品交易平台提供实名制凭证登记与管理功能。交易信息链记录所有交易智能合约的处理结果，通过加入通道技术，实现不同交易信息的相互隔离，可满足交易信息和用户数据的隐私保护和交易数据的快速处理。通过智能合约对交易利润进行自动分成，提高执行效率，降低交易成本。最终建立透明、高效、适用性强的农产品交易区块链架构。
快速准确的鱼类识别系统需要良好的识别模型和部署系统作为支撑。近年来，卷积神经网络在图像识别领域取得了巨大成功，不同的卷积网络模型都有不同的优点和缺点，面对众多可供选择的模型结构，如何选择和评价卷积神经网络模型成为了必须考虑的问题。此外，在模型应用方面，移动终端直接部署深度学习模型需要对模型进行裁剪、压缩处理，影响精度的同时还会导致安装包体积增大，不利于模型升级维护。针对上述问题，本研究根据水下鱼类实时识别任务特点，选取了AlexNet、GoogLeNet、ResNet和DenseNet预训练模型进行对比试验研究，通过在Ground-Truth鱼类公开数据集基础上对图像进行随机翻转、旋转、颜色抖动来增强数据，使用Label smoothing作为损失函数缓解模型过拟合问题，通过研究Ranger优化器和Cosine学习率衰减策略进一步提高模型训练效果。统计各个识别模型在训练集和验证集上的精确度和召回率，最后综合精确度和召回率量化模型识别效果。试验结果表明，基于DenseNet训练的鱼类识别模型综合评分最高，在验证集的精确度和召回率分别达到了99.21%和96.77%，整体F1值达到了0.9742，模型理论识别精度达到预期。基于Python开发并部署了一套远程水下鱼类实时识别系统，将模型部署到远程服务器，移动终端通过网络请求进行鱼类识别模型调用，验证集图像实际测试表明，在网络良好条件下，移动终端可以在1 s内准确识别并显示鱼类信息。
果实采摘是农业种植生产过程中最耗时费力的环节。为了实现果实的良好抓取,本研究设计了一款结构精简、具有自适应性的柔性机械手。该机械手由柔性手指、气动元件、手腕和底座组成,基于3D打印制作,装配简单。其中,气动元件和柔性手指由柔性材料TPU和PLA打印而成,手腕为具有柔性的一体件打印而成;利用气动元件的伸缩功能实现对手腕的驱动,带动柔性手指自适应变形抓取果实。结合常曲率变形和D-H坐标法建立了单手腕的运动学模型。在此基础上,进行了柔性机械手功能性验证试验和安全测试试验。试验结果表明,柔性机械手具有适应果实的形状进行自适应抓取的功能,对表皮较为脆弱的果实没有损伤;气动元件满足使用要求,可以完成对手腕的动作驱动。研究结果将为机械手柔性抓取结构的设计提供参考价值。
溶解氧含量的测量对水产养殖具有极其重要的意义，但目前中国市面上的溶解氧传感器存在价格昂贵、不能持续在线测量及更新部件维护困难等问题，难以在水产养殖物联网中大规模推广和发挥作用。本研究基于荧光淬灭原理，利用水中溶解氧浓度与荧光信号相位差的关系进行低成本、易维护溶解氧传感器的研发。首先利用自制备溶氧敏感膜，经激发光照射后产生红色荧光，该荧光寿命可由溶解氧浓度调节；然后利用光信号敏感器件设计光电转化电路实现光信号感知；再以STM32F103微处理器作为主控芯片，编写下位机程序实现激发光脉冲产生，利用相敏检波原理以及快速傅里叶变换（FFT）计算激发光与参照光的相位差，进而转化为溶解氧浓度，实现溶解氧的测量。荧光探测部分与系统主控部分采用分离式设计思想，利用屏蔽排线直接插拔连接，便于传感器探测头的拆卸、更换、维护以及实现远距离在线测量。经测试，本溶解氧传感器的测量范围是0~20 mg/L，响应延迟小于2 s，溶氧敏感膜使用寿命约1年，可以实时不间断地对溶解氧浓度进行测量。同时，本传感器具有测量方便、制作成本低、体积小等特点，为中国水产养殖低成本溶解氧传感器的研发与市场化奠定了良好的基础。
自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题，针对上述问题，本研究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。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式，综合权衡上述三种方法，实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究，结果表明，使用融合多图像处理算法的投票方法进行作物和杂草识别定位，杂草识别平均错误率为1.79%，识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法，基于投票权重识别杂草的精度平均提升5.71%。同时，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，表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。
无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下，利用无人机多光谱植被指数估算夏玉米LAI的可行性，本研究基于无人机多光谱遥感系统，结合同时期实地采集的夏玉米LAI，选择5种植被指数，包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI），作为模型输入参数，使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型，并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明，在充分灌溉条件下，植被指数的多元线性回归模型可以较好地估算LAI（R2 = 0.83）；在水分胁迫条件下，植被指数的随机森林回归模型可以较好地估算LAI（R2 = 0.74~0.87），水分胁迫因素对该模型影响较小，且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术，使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。
Foxtail millet ear detection and counting are essential for the estimation of foxtail millet production and breeding. However, traditional foxtail millet ear counting approaches based on manual statistics are usually time-consuming and labor-intensive. In order to count the foxtail millet ears accurately and efficiently, an adaptive anchor box adjustment foxtail millet ear detection method was proposed in this research. Ear detection dataset was firstly established, including 784 images and 10,000 ear samples. Furthermore, a novel foxtail millet ear detection approach based on YOLOv4 (You Only Look Once) was developed to quickly and accurately detect the ear of foxtail millet in the specific box. For verifying the effectiveness of the proposed approach, several criteria, including the mean average Precision, F1-score,Recall and mAP were employed. Moreover, ablation studies were designed to validate the effectiveness of the proposed method, including (1) evaluating the performance of the proposed model through comparing with other models (YOLOv2, YOLOv3 and Faster-RCNN); (2) evaluating the model with different Intersection over Union (IOU) thresholds to achieve the optimal IOU thresholds; (3) evaluating the foxtail millet ear detection with or without anchor boxes adjustment to verify the effectiveness of the adjustment of anchor boxes;(4) evaluating the changing reasons of model criteria and (5) evaluating the foxtail millet ear detection with different input original image size respectively. Experimental results showed that YOLOv4 could obtain the superior ear detection performance. Specifically, mAP and F1-score of YOLOv4 achieved 78.99% and 83.00%, respectively. The Precision was 87% and the Recall was 79.00%, which was about 8% better than YOLOv2, YOLOv3 and Faster RCNN models, in terms of all criteria. Moreover, experimental results indicates that the proposed method is superior with promising accuracy and faster speed.
植物显微表型主要是指植物组织、细胞和亚细胞水平的表型信息，是植物表型组学研究的重要组成部分。针对传统籽粒显微性状检测方法效率低、误差大且指标单一等问题，本研究利用Micro-CT扫描技术对5种类型11个品种玉米籽粒开展显微表型精准鉴定研究。基于对CT序列图像的处理解析，共获取籽粒、胚、胚乳、空腔、皮下空腔、胚乳空腔和胚空腔的34项显微表型指标。其中，胚乳空腔表面积、籽粒体积、胚乳体积比和胚乳空腔比表面积等4项表型指标在不同类型玉米间差异显著（P-value<0.05）。普通玉米胚乳空腔表面积和籽粒体积显著大于其它类型玉米，高油玉米胚乳空腔比表面积最大，甜玉米胚乳空腔比表面积最小，爆裂玉米胚乳体积比最大。进一步利用34项玉米籽粒表型指标开展差异分析和聚类分析，可将11个不同品种玉米分为四类，其中第一类以普通玉米为主，第二类以爆裂玉米为主，第三类是甜玉米，第四类是高油玉米。结果表明，Micro-CT扫描技术不仅可以实现玉米籽粒显微表型的精准鉴定，还可以为玉米籽粒分类、品种检测等提供技术支撑。
针对中国智能农机装备标准化工作中缺乏系统性标准体系指导的问题，本研究构建了中国智能农机装备标准体系框架。首先从标准体系、具体标准、国际化水平等方面分析了中国智能农机装备标准化现状及存在问题；依托智能农机装备标准体系框架构建的目标及原则，总结了级别、约束力、通用性、性质、对象、标准类别、参考模型、行业分类、产业环节等构成标准体系框架的维度。之后利用级别、类别、产业环节构建了中国智能农机装备标准体系三维框架结构，并将其二维分解为基础层、共性通用层和应用领域层。最后提出了中国智能农机装备标准研究与编制的建议。本研究可为中国智能农机装备标准的制修订、实施与服务提供系统性指导，引领中国智能农机装备产业快速发展。
蔬菜是居民生活饮食的重要组成部分，蔬菜价格预测存在着价格波动幅度大、影响因素复杂多样、精度不高等难点。本研究以黄瓜为研究对象，分析了影响黄瓜价格的供给、需求、流通等因素，引入Lasso回归模型对影响因素进行筛选，获得12项关联度较大的因素。在此基础上，构建了一种基于影响因素的Lasso回归方法与BP神经网络相结合的组合模型（L-BPNN），开展黄瓜短期价格预测，并与Lasso回归模型、BP神经网络模型、RBF神经网络模型等回归分析和智能分析方法等进行了对比验证研究。结果表明：使用L-BPNN模型预测黄瓜价格，其平均相对误差最小，仅为0.66%，比Lasso回归模型、BP神经网络模型和RBF神经网络模型分别低64.52%、82.11%和86.2%，具有较高的预测精度。本研究结果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。
水中溶解氧含量低会影响螃蟹的成活率,保证低溶解氧时刻溶解氧的预测精度非常重要。目前,溶解氧传感器价格昂贵且易遭受腐蚀,因此通过相关变量来间接估计溶解氧浓度有重要的意义。本研究在长短时记忆网络（LSTM）模型的基础上,优化LSTM反向传播时的损失函数,提出了提高低溶解氧含量估算精度的溶解氧预测模型（LDO-LSTM）。LDO-LSTM的损失函数是在平均绝对百分比误差（MAPE）基础上,根据溶解氧值的变化趋势和溶解氧浓度大小,分别赋予不同权值的权重函数,并通过均方根误差（RMSE）和平均绝对百分比误差（MAPE）来评估LDO-LSTM和LSTM在不同范围的溶解氧估算能力。对模型的测试试验结果表明：在溶解氧高于6mg/L时,LDO-LSTM和LSTM的RMSE、MAPE差值稳定在0.1左右;在溶解氧低于6mg/L时,LDO-LSTM的RMSE值和MAPE值分别比LSTM低0.25和0.139,说明了LDO-LSTM网络不但可以保证整体溶氧预测精度,而且能够提高较低溶解氧值的估算精度。本研究对于降低水产养殖成本、提高溶解氧估算精度有着重要的作用。
太阳能杀虫灯在有效控制虫害的同时，可减少农药施药量。随着其部署数量的增加，被盗被破坏的报道也越来越多，严重影响了虫害防治效果并造成了较大的经济损失。为有效地解决太阳能杀虫灯物联网节点被盗被破坏问题，本研究以太阳能杀虫灯物联网为应用场景，对太阳能杀虫灯硬件进行改造设计以获取更多的传感信息；提出了太阳能杀虫灯辅助设备——无人机杀虫灯，用以被盗被破坏出现后的部署、追踪和巡检等应急应用。通过上述硬件层面的改造设计和增加辅助设备，可以获取更为全面的信息以判断太阳能杀虫灯物联网节点被盗被破坏情况。但考虑到被盗被破坏发生时间短，仅改造硬件层面还不足以实现快速准确判断。因此，本研究进一步从内部硬件、软件算法和外形结构设计三个层面，探讨了设备防盗防破坏的优化设计、设备防盗防破坏判断规则的建立、设备被盗被破坏的快速准确判断、设备被盗被破坏的应急措施、设备被盗被破坏的预测与防控，以及优化计算以降低网络数据传输负荷六个关键研究问题，并对设备防盗防破坏技术在太阳能杀虫灯物联网场景中的应用进行了展望。
为了快速检测黄龙病这一柑橘毁灭性病害,分析了柑橘黄龙病样本和健康样本的自荧光和拉曼光谱差异,建立了基于自荧光光谱、拉曼光谱和混合光谱的PLS-DA模型,进行了模型的结果比较,最后绘制了三种模型的分类器特征曲线ROC,通过曲线下面积AUC参数进一步评价了模型的性能。试验结果表明,柑橘黄龙病叶片样本和健康叶片样本的自荧光光谱和拉曼光谱存在差异信息。在785nm波长激光诱导下,柑橘叶片样本都产生了比较强的自荧光。黄龙病叶片的自荧光相对于健康样本的自荧光在小于1203cm -1范围更弱,而在大于1206cm -1范围更强,其下降的斜率（绝对值）相对健康样本更小。在典型的黄龙病样本和健康样本的拉曼光谱数据中,均可发现具有以下拉曼峰且具有一致性：920cm -1,1160cm -1,1289cm -1,1331cm -1和1529cm -1。黄龙病样本和健康样本相比在1257cm -1、1396cm -1、1446cm -1、1601 cm -1和1622cm -1具有更大的拉曼峰值强度和光谱带宽,在1006cm -1、1160cm -1、1191cm -1和1529cm -1位置谱峰强度较弱,提示黄龙病样本的类胡萝卜素含量较低。基于自荧光光谱、拉曼光谱和混合光谱三种光谱的PLS-DA模型鉴别的准确率分别为86.08%、98.17%和94.75%。进一步计算三种模型的ROC曲线下面积AUC参数分别为0.9313、0.9991和0.9875,拉曼光谱模型的AUC值最大,也表明拉曼光谱模型的鉴别效果最优。拉曼光谱分析技术可以成为探索柑橘黄龙病快速诊断鉴别的新途径。
精准识别农业生产环境信息和农业生产特征,对气象、土壤和作物等多源数据进行综合分类,是提高农业资源利用效率和优化农业种植结构的基础。本研究基于近20年（1998~2017年）气象数据和华北五省的玉米单产统计数据,首先构建了华北平原气候资源和玉米生产时空分布特征数据库,研究区内的降雨量、活动积温、日照时数、太阳辐射和玉米单产均存在显著的时空变化;利用作物精细种植区划方法,将华北平原夏玉米种植区分为极不适宜区、不适宜区、较适宜区、适宜区、极适宜区五大类,各类面积分别占总体的比例约为10%、11%、25%、30%、24%;进一步通过环境类别归属度分析方法,将每一大类分为5小类,概率大于75%的相对稳定区域约占总面积的63%,小于75%的波动区域约占37%;极不适宜区、不适宜区和较适宜区,三类时空分布比较稳定,隶属度为100%分别占各类面积的87.67%、70.41%和84.28%,波动区主要发生在极适宜区和适宜区,以及适宜区和较适宜区之间。本研究构建的华北平原夏玉米精细区划结果,对提高研究区资源利用效率和优化玉米产业布局具有重要的指导意义。
水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息，同时结合PROSPECT模型叶绿素含量吸收系数，参考借鉴现有高光谱植被指数的构造方法和形式，利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择，提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数（ORVI）。与Index Data Base数据库中其他用于叶绿素含量反演植被指数，包括ND528,587、SR440,690、CARI、MCARI的反演结果进行了对比分析，结果表明：IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R2分别为0.672、0.630、0.595和0.574；ORVI植被所建立的叶绿素含量反演模型的决定系数R2为0.726，均方根误差RMSE为2.68，精度高于其他植被指数，说明了ORVI在实际的应用中，能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。
中国设施园艺近30年来发展迅速，面积目前居世界首位，但由于务农人数呈下降趋势，如何用“机器代替人力”成为当前研究热点。为实现设施温室生产的数据感知环节作物影像和环境监测数据精细化采集，本研究设计了一套多自由度设施温室影像采集与环境监测机器人系统。机器人由感知中枢、决策中枢和执行中枢三部分构成，分别进行机器视角环境感知、数据分析与决策指令生成和动作执行。在感知层实现多角度图像、实时视频和监测数据网格化精确采集，为作物多源异构数据精细化汇聚奠定基础；传输层通过无线网桥将监测数据与控制指令汇聚至本地数据中心；数据处理层通过作物基础模型分析进行控制指令反馈信息，同时对上传图像进行预处理；最终在应用层提供web端和手机端智能服务。系统可广泛地应用在设施温室生产与研究中，用于黄瓜、番茄、大棚桃等作物的全生育期图像、实时视频和监测数据收集与分析处理，已在北京小汤山国家精准农业基地7号日光温室、石家庄市农林科学研究院5号日光温室进行示范应用，取得了较好的效果。
水肥一体化自动装备的使用能够有效提高水肥资源利用率，但需要在作业前获知作物的营养状况及水肥需求量，而通过人工手持测量仪器来获取这些信息，存在着时效性差和劳动强度大等缺点。针对以上问题，本研究以常见的作物玉米为研究对象，使用大疆精灵Ⅲ无人机携带RedEdge-M多光谱相机在田间上空采集玉米多光谱图像，同时使用YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息，根据这些信息将采集的图像分为3个等级（每个等级共包含530幅五通道图像，其中480幅作为训练集，50幅作为验证集），提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型，通过向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像，能够输出玉米的营养状况等级和GPS 信息，识别彩色图像模型在验证集的正确率为84.7%，识别多光谱图像模型在验证集的正确率为90.5%，模型训练平均时间为4.5h，五通道图像识别平均用时为3.56s。该识别方法可快速无损地获取玉米作物的营养状况，为有效提高水肥资源利用率提供了方法和依据。
自动化割胶不仅可以把胶工从繁重的体力劳动和恶劣的工作环境中解放出来，还能降低对胶工的技术依赖，极大地提高生产效率。实现非结构环境下作业信息自主获取及割胶位置伺服控制是割胶机器人的关键技术。针对工作环境复杂多变、作业信息叠加交互、目标背景特征相近、亚毫米级作业精度要求等技术难点，本研究以人工橡胶林中橡胶树为割胶对象研发割胶机器人，通过建立割胶轨迹的空间数学模型，规划机器人快速接近和远离操作空间的运动路径；采用双目立体视觉技术获取树干和割线结构参数，融合机器人运动学、机器视觉技术和多传感器反馈控制技术研制了割胶机器人模块化样机。割胶机器人主要由轨道式机器人移动平台、多关节机械臂、双目立体视觉系统和末端执行器等组成。在海南天然橡胶林进行的割胶试验结果表明，在割胶机器人切割1 mm厚的橡胶树皮时，耗皮量误差约为0.28 mm，切割深度误差约为0.49 mm。该研究可为探索天然橡胶树的自动化割胶作业提供技术参考。
自然场景下苹果目标的精确识别与定位是智慧农业信息感知与获取领域的重要内容。为了解决自然场景下苹果目标识别与定位易受枝叶遮挡的问题,在K-means聚类分割算法的基础上,提出了基于凸壳原理的目标识别算法,并与基于去伪轮廓的目标识别算法和全轮廓拟合目标识别算法作了对比。基于凸壳原理的目标识别算法利用了苹果近似圆形的形状特性,结合K-means算法与最大类间方差算法将果实与背景分离,由凸壳原理得到果实目标的凸壳多边形,对凸壳多边形进行圆拟合,标定出果实位置。为验证算法有效性,对自然场景下的157幅苹果图像进行了测试,基于凸壳原理的目标识别算法、基于去伪轮廓的目标识别方法和全轮廓拟合目标识别方法的重叠率均值分别为83.7%、79.5%和70.3%,假阳性率均值分别为2.9%、1.7%和1.2%,假阴性率均值分别为16.3%、20.5%和29.7%。结果表明,与上面两种对比算法相比较,基于凸壳原理的目标识别算法识别效果更好且无识别错误的情况,该算法可为自然环境下的果实识别与分割问题提供借鉴与参考。
为研究智慧农业发展模式与实现途径，本研究设计了小麦产前、产中和产后各生产阶段信息技术与农机农艺融合的基本框架，即产前利用精准导航和激光平地技术实现对土地精准规范化作业，利用空间插值技术和变量施肥技术实现精准化播种与施肥；产中利用物联网和图像处理技术开展营养诊断服务；产后运用传感器技术开展产量实时预测服务。完成并实现了普通农机装备的智能化改造和与农业生产相适应的播种收获装备的研发；研究了具有高效利用光热资源、提高产量和绿色发展的小麦生产优化种植模式；研发了与小麦产前品种播期播量选择和施肥推荐、产中苗情营养诊断、产后产量实时测报等相关系统，并在河南省进行了试验。试验结果表明，采用信息技术与农机农艺融合方案可使小麦增产18.4%，增加产投比16.7%和8.1%，表明信息技术与农机农艺融合的小麦智慧化生产模式是有效的、可行的。
小麦在生长过程中发生倒伏会严重影响其产量，因此实时且准确地对小麦倒伏状况监测有很重要的意义。传统的方法采用手工方式生成数据集，不仅效率低、易出错，而且生成的数据集不准确。针对这一问题，本研究提出了一种基于图像处理的自动数据集生成方法。首先利用无人机在15、46和91 m三个高度采集图像数据；采集完数据后，根据无倒伏、倒伏面积<50%和倒伏面积>50%的标准对每一块地的小麦倒伏情况进行人工评估；采用三种机器学习（支持向量机、随机森林、K近邻）和三种深度学习（ResNet101、GoogLeNet、VGG16）算法对小麦倒伏检测情况进行分类。结果显示，ResNet101的分类结果优于随机森林，并且在91 m高度采集的数据分类精度并不低于在15 m高度采集的数据。本研究证明了针对在91 m高度采集的无人机图像，采用ResNet101对小麦倒伏率检测是一种有效的替代人工检测的方法，其检测精度达到了75%。
近年来，应用植保无人机防治农业有害生物已成为中国植保机械发展的一大新亮点。无人机旋翼提供飞行升力的同时具有下洗气流场，低空低量施药作业雾滴沉积分布质量优劣与旋翼下洗气流场的作用密不可分。为探究植保无人机旋翼下洗气流场对喷雾效果的影响，本研究以当前植保无人机主流机型——“X型”布局八旋翼无人机为研究对象，采用实际作业测试方式，利用微气象测量系统测定无人机飞行状态下旋翼下方不同水平位置下洗气流场风速，同时采用诱惑红示踪剂水溶液代替农药喷雾获取喷雾沉积分布情况，重点对下洗气流场分布实测结果进行可视化分析，包括不同飞行高度、不同速度下旋翼下洗气流场分布特性与雾滴沉积分布特性以及二者的相互关系。测试结果显示：八旋翼植保无人机飞行过程中随着飞行速度加快（1.0~6.0 m/s）和飞行高度升高（1~2 m），冠层位置X、Y、Z三向下洗气流场总体表现为气流强度由强到弱、分布状态由集中到分散的变化趋势；X方向气流来源于下洗气流与外界空气相互作用产生的卷扬气流，对喷施雾滴的作用为逆飞行方向；Y方向为下洗卷扬气流以及地面效应共同作用的结果，对雾滴的作用为垂直于航线朝向两侧；Z方向为下洗气流竖直向下方向分量，对雾滴下降沉积具有直接促进作用；飞行速度与下洗气流场范围内风速峰值（P＜0.05，r=-0.836）和有效喷幅内平均沉积量（P＜0.05，r=-0.833）均表现出显著负相关；在飞行速度为1.0 m/s和3.0 m/s时，雾滴沉积量与下洗气流场风速均呈现极显著正相关关系（P＜0.01，r＞0），即垂直地面方向的下洗气流场越强，有效喷幅内沉积的雾滴越多；速度加快至6.0 m/s，风速显著降低，气流场对雾滴沉积的促进作用逐步消失（P＞0.05）。因此，植保无人机作业时飞行速度不应设置超过6.0 m/s，避免因下洗气流场作用减弱而导致雾滴损失。本研究结果可为改善低空低量施药作业质量和无人机田间作业规范的制定提供技术参考和支撑。
本研究针对中国近年来重点发展的创新型区域收入保险缺少第三方实时客观产量数据的问题，引入了卫星遥感估产技术，探讨其应用模式和适用性。以山东省嘉祥县大豆区域收入保险为例，基于哨兵2号卫星遥感数据提取大豆种植地块，计算归一化植被指数（NDVI）和作物生理参数，结合气象卫星遥感数据与实地抽样测产数据，建立了多参数线性回归模型估算大豆产量。研究结果显示，卫星遥感获取的研究区大豆种植面积为124 km2，与当地农业局上报的127 km2相差3 km2；采用实测地块验证，种植分布地块遥感识别精度达90%；产量估算结果显示，2018年8月23日大豆结荚期的NDVI和9月7日大豆鼓粒期的NDVI对大豆单产的解释度最佳，多参数回归模型计算全区平均产量为244,500 kg/km2，与常年299,800 kg/km2相比，体现了受灾严重的农情；产量估算数据与实测数据之间的回归系数达0.92，可满足应用需求。结果表明，基于哨兵2号卫星遥感数据能够准确识别研究区大豆种植分布，并能在大豆收获后最快一周完成产量估算，指导保险公司的理赔工作。
为解决农场当地当时的复合肥料精准化配料问题，本研究将水肥一体化智能灌溉施肥系统作为研究对象，构建了水肥浓度智能感知与精准配比系统。首先提出现场在线水肥溶液智能感知模型的快速建立方法，利用数据分析算法从传感器实时监测的一系列浓度梯度的肥料溶液中挖掘出模型。其次基于上述模型设计水肥浓度智能感知与精准配比系统的框架结构，阐述系统工作原理；并通过三种水体模拟在线配肥验证了该系统原位指导水肥浓度配比的有效性，同时评价了水体电导率对水肥配比浓度的干扰。试验结果表明，正则化条件下二阶的多项式拟合曲线是表达溶液电导率与水肥浓度的变化关系最优的模型，相关系数R2均大于0.999，由此模型可得出用户关心的复合肥各指标浓度。三种水体模拟在线配肥结果表明，水体会干扰电导率导致无法准确反演水肥配比的浓度，相对偏差值超过了0.1。因此，本研究提出的在线水肥智能感知与精准配比系统实现了消除当地水体电导率对水肥配比准确性的干扰，通过模型计算实现复合肥精准化配比，并得出各指标浓度。该系统结构简单，配比精准，易与现有水肥一体机或者人工配肥系统结合使用，可广泛应用于设施农业栽培、果园栽培和大田经济作物栽培等环境下的精准智能施肥。
植保无人机的高质量作业是农业航空实现精准作业的前提,因此对喷雾系统作业特性进行研究显得尤为重要。为了探究影响植保无人机喷雾质量的因素,本研究应用喷雾性能综合试验台（吉林省农业机械研究院研制）对无人机在不同旋翼转速、喷雾高度、离心喷头转速情况下的雾滴沉积分布、雾滴粒径进行了试验测试并对12组试验的沉积特性和粒径数据进行了回归分析。结果表明,同组参数的3次重复试验一致性较好,雾滴发生明显飘移且最大有效沉积率为46.31%,最小为31.74%,由此雾滴有效沉积率均低于50%;对比雾滴粒径DV10、DV50和DV90的回归分析结果,喷雾高度P值大于0.5,喷头转速和旋翼转速P值小于0.5,由此可知,喷雾高度对沉积量影响极显著,但对雾滴粒径的影响不显著;喷头转速和旋翼转速对雾滴粒径影响极显著,而对沉积量影响不显著。本研究试验结果可为提高无人机作业质量和喷洒效率提供理论依据及数据支撑。
梯田具有蓄水固沙的作用，是旱作农业区重点建设的高产稳产农田设施，为粮食增产、农民增收提供了有力保障。因仅基于影像数据采用边缘提取方法进行梯田区域分割效果不理想，及时准确地掌握梯田信息较为困难。无人机遥感技术的不断发展为高精度梯田地形信息的获取提供了新方法。本研究以甘肃省榆中县为例，首先从数字高程模型DEM数据中提取坡度，将正射影像与坡度数据融合，并通过基于Canny算子的粗边缘提取方法和基于多尺度分割的精细边缘提取方法，对比分析坡度对无人机遥感梯田影像边缘提取的影响。试验结果表明，正射影像和坡度融合的提取效果均优于单一的正射影像数据提取效果，粗边缘提取方法中正射影像和坡度融合的数据源精度平均提高了23.97%，精细边缘提取方法中正射影像和坡度融合的数据源精度平均提高了17.84%。研究表明，在无人机遥感梯田影像边缘提取中加入一定的地形特征，可以取得更好的边缘提取效果。
为了实现小麦条锈病的远程实时监测,设计并搭建了基于嵌入式系统的小麦条锈病远程监测平台,实现了用户对大田小麦条锈病发病状况的实时监测。首先基于Arduino微控制器和42步进电机控制的六棱柱转轴和传送装置结合,通过蓝牙控制六棱柱转轴上的电磁吸附装置吸附金属加工后的载玻片设计了孢子捕捉器,实现了空气中小麦条锈病孢子图像的采集;其次,通过高倍光学显微镜和电子目镜将采集到的孢子图像通过Linux核心板上传至云端服务器,并通过基于Python的图像处理算法对图像进行中值滤波、边缘提取、角点检测等处理实现孢子计数;最后通过基于Android平台的应用软件实现远程查看孢子图像和计数处理结果。试验结果表明,该平台服务器图像处理算法可实现孢子的准确计数,对测试图像的计数准确率为100%,孢子捕捉器的玻片切换成功率为95%。该研究可为大田小麦条锈病的实时监测奠定基础,也可为大田内其他气传病害的监测提供借鉴。
农业机械自动转向是实现农业机械自动化和智能化的关键技术之一,农田作业工况较为复杂,拖拉机自动转向装置的现场安装调试费时费力。针对这一问题,本研究研制了一种拖拉机自动转向试验台,对拖拉机自动转向装置进行模拟调试与测试以保证其控制的准确性和可靠性,从而减少田间测试时间,降低安装使用成本。本研究选用120马力拖拉机前桥,通过对机械结构、液压系统和电气控制系统的设计计算,搭建了拖拉机自动转向试验台。利用惯性测量单元对转向系统工作性能进行测试,试验结果表明方向盘平均转向间隙为16.48°,车轮平均转角延迟时间为0.14s,响应速度和稳定性符合农业机械转向要求。所研制的拖拉机自动转向试验台能够用于测试拖拉机前桥的工作状态,并对其转向性能参数进行准确采集和记录,可为农业机械自动转向装置的调试和性能检测提供一个高效可靠的测试平台。
土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测，本研究以山东省烟台市栖霞市苹果园为研究区，采集100个土壤样本，利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率，利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理，分析果园土壤的反射光谱特征，研究光谱反射率与其有机质含量的相关关系，筛选土壤有机质含量的敏感波长并构建光谱指数后，分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型，并对模型精度进行验证比较。结果表明，筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数，最终构建的光谱指数分别为NDSI（678，709）、NDSI（678，1931）、NDSI（678，2201）、NDSI（709，1939）和NDSI（1939，2201）。建立的MLR、SVM和RF回归模型中，以RF模型精度最优，其校正样本集R2为0.8804，RMSE为0.1423，RPD达到2.25；验证模型的R2为0.7466，RMSE为0.1266，RPD为1.79，建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此，可以利用RF方法快速预测苹果果园土壤有机质含量，了解土壤养分分布状况，指导农民合理施肥，从而提高果园生产管理效率。
利用先进的信息技术推动智能养殖业发展已经成为奶牛养殖研究领域的重要目标和任务。计算机视觉技术具有非接触、免应激、低成本及高通量等优点，在畜牧生产中应用前景广阔。本文在阐述了计算机视觉技术在智能化养殖业发展中重要性的基础上，首先介绍了基于计算机视觉的奶牛生理参数监测进展，包括体尺、体温、体重的前沿监测设备、技术和模型参数。然后阐述了奶牛跛行及乳腺炎等疾病诊断的前沿技术发展过程和研究现状。目前，相关技术研究和应用推广存在检测准确性不高，受环境因素影响较大，非标准化养殖场结构制约检测系统普及，以及检测系统成本较高等问题和挑战。最后，本文结合中国养殖业发展现状，针对保证检测准确性、减少环境干扰等问题，就如何提高计算机视觉技术在智能化养殖业中的准确性和普适性提出了相关建议，旨在为中国奶牛养殖业的科学管理和现代化生产提供新方法和新思路。
针对柚子果形和尺寸分级依赖人工经验判断的现状，本研究提出一种采用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法检测柚子纵、横径尺寸并基于果形指数对柚子形状缺陷进行判断的方法。以CMOS相机、点阵式LED光源、平面镜、计算机、箱体和支架搭建图像采集装置，获取168个不同尺寸与形状等级的沙田柚样本全表面图像数据。选择G-B分量灰度图像进行去噪与分割，利用Laplacian算子边缘检测算法提取果实的边缘像素，采用多项式拟合方式完成直角坐标向极坐标的转换从而简化果形描述，利用特征点极角值补偿样本纵横径的随机方向，继而区别类球形和类梨形两种类型计算柚子的纵径和横径。以广东梅州沙田柚为对象进行试验，结果表明，利用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法的方法检测柚子纵径的平均绝对误差、最大绝对误差和平均相对误差分别为2.23 mm、7.39 mm和1.6%，横径的平均绝对误差、最大绝对误差和平均相对误差分别为2.21 mm、7.66 mm和1.4%。从柚子轮廓极坐标的拟合函数中提取3个峰值高度、3个波峰宽度和1个波谷值差值7个特征值，利用BP神经网络算法建立柚子果形判别模型并用独立验证集进行验证，形状判别的总识别率为83.7%。本方法能为柚子尺寸和形状的自动化检测与分级提供快速无损方法。
为快速准确获取玉米收获过程中遗失籽粒数信息，进行收割损失调节等管理，对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先，利用RGB相机获取包含不同背景和不同光照的图像数据，并进一步生成数据集；其次，构建籽粒识别的不同目标检测网络，包括Mask R-CNN、EfficientDet-D5、YOLOv5-L、YOLOX-L，并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试，图像数分别为200、40和180幅；最后，依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明，YOLOv5-L网络对测试集图像检测的平均精度为78.3%，模型尺寸仅为89.3 MB；籽粒计数的检测正确率、漏检率和F1值分别为90.7%、9.3%和91.1%，处理速度为55.55 f/s，识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络，并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测，精度高、适用性强。
依据笋芽出土状态的选择性收获是目前白芦笋公认的最佳收获方式。针对采收过程中机器视觉识别笋尖存在笋尖与垄面纹理和颜色相近等识别难题，本研究提出了一种变尺度感兴趣区域（ROI）检测方法，融合图像色域变换、直方图均值化、形态学和纹理滤波等技术，研究了笋尖识别与精准定位方法；在定位多笋尖坐标基础上，提出了多笋芽的采收路径优化方法，解决了因采收路径不合理导致的采收效率低的问题。首先，通过机器人视觉系统实时采集采收区域图像并进行RGB三通道高斯滤波，采用HSV色域变换并进行直方图均值化处理。在此基础上，对笋尖、土壤进行特征聚类分析，根据笋芽抽发程度研究变尺度ROI检测方法，对采集图像中笋尖的形态学以及笋尖和土壤的纹理进行统计学分析，设定笋尖的似圆度阈值，并参考纹理特征参数，判定笋尖位置，计算其几何中心，获得笋尖轮廓中心坐标。其次，为实现白芦笋的高效采收，根据多目标点与集箱点的位置分布，本研究设计了一种基于多叉树遍历的采收路径优化算法，以获得多个目标笋尖的最优采收路径。最后，搭建采收机器人试验平台开展了笋尖定位与采收验证性试验。结果表明，视觉系统对白芦笋的识别率可达98.04%，笋尖轮廓中心坐标的定位最大误差X方向为0.879 mm，Y方向为0.882 mm，采收笋的个数在不同情况下，采用路径优化后的末端执行器运动距离平均可节省43.89%，末端执行器定位成功率达到100%，在实验室环境下的白芦笋采收率达到88.13%，验证了采用视觉定位的白芦笋采收机器人选择性采收的可行性。
当前农业实体识别标注数据稀缺，部分公开的农业实体识别模型依赖手工特征，实体识别精度低。虽然有的农业实体识别模型基于深度学习方法，实体识别效果有所提高，但是存在模型推理延迟高、参数量大等问题。本研究提出了一种基于知识蒸馏的农业实体识别方法。首先，利用互联网的海量农业数据构建农业知识图谱，在此基础上通过远程监督得到弱标注语料。其次，针对实体识别的特点，提出基于注意力的BERT层融合模型（BERT-ALA），融合不同层次的语义特征；结合双向长短期记忆网络（BiLSTM）和条件随机场CRF，得到BERT-ALA+BiLSTM+CRF模型作为教师模型。最后，用BiLSTM+CRF模型作为学生模型蒸馏教师模型，保证模型预测耗时和参数量符合线上服务要求。在本研究构建的农业实体识别数据集以及两个公开数据集上进行实验，结果显示，BERT-ALA+BiLSTM+CRF模型的macro-F1相对于基线模型BERT+ BiLSTM+CRF平均提高1%。蒸馏得到的学生模型BiLSTM+CRF的macro-F1相对于原始数据训练的模型平均提高3.3%，预测耗时降低了33%，存储空间降低98%。试验结果验证了基于注意力机制的BERT层融合模型以及知识蒸馏在农业实体识别方面具有有效性。
利用高光谱技术获取玉米农学参数信息，有助于提升玉米精准管理水平。本研究基于3个种植密度和5份玉米材料的田间试验，获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像，分析不同种植密度下不同遗传材料的叶面积指数（LAI）和单株地上部生物量，构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型，比较分析两类高光谱数据在玉米表型性状参数上的监测能力。结果表明，野生型玉米材料的冠层光谱反射率在近红外波段随着种植密度的增大而增大；同一种植密度下的野生型玉米材料的光谱反射率在可见光和近红外波段均为最低。在可见光波段550 nm的波峰处，4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高4.52%~19.9%，在近红外波段870 nm的波峰处，4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高23.64%~57.05%。基于21个高光谱植被指数构建的模型对LAI的估算效果最好，测试集决定系数R2为0.70，均方根误差RMSE为0.92，相对均方根误差rRMSE为15.94%。敏感波段反射率（839~893 nm和1336~1348 nm）对玉米单株地上部生物量估算效果最佳，测试集R2为0.71，RMSE为12.31 g，rRMSE为15.89%。综上，田间非成像高光谱和无人机成像高光谱在玉米LAI及生物量估算方面具有较好的一致性，能够快速有效地提取地块尺度玉米农学参数信息，本研究可为高光谱技术在小区尺度的精准农业管理应用提供参考。
针对大规模农田生境监测场景中无线传感器网络节点在部分作物生长期内呈现节点空间冗余,以及传感器节点采集到的数据之间通常具有很强的时间关联性的特点,本研究提出一种基于矩阵补全的两步节能优化策略来同时降低传感器网络的数据采集和传输能耗,以实现延长网络寿命的目的。该算法首先通过对节点数据信息量的衡量来寻找出空间上的非冗余节点,剩余的冗余节点关闭其采集功能,只作为中继节点传输数据;其次,利用矩阵补全算法的部分采样原理在采样阶段进一步减少时间上的数据冗余量,达到同时降低采集和传输模块能耗的目的。试验结果表明,所提出的算法可减少网络中83%的工作节点数目,有效降低了网络能耗。
设施农业智能装备是设施农业稳定、高品质、高效生产的必要保障。日本智能采收装备已有近四十年的研发经验，其发展具有一定启发和借鉴意义。本文综述了日本设施农业采收机器人的研究应用进展，分析了基于农机农艺结合的茄科（番茄、茄子、青椒）、葫芦科（黄瓜、瓜类水果）、芦笋和草莓等10种设施农业采收机器人的采收技术，其中详细对比了番茄、草莓等几种蔬菜历代采收机器人的设计理念及其优点与不足。分析了设施农业采收机器人面临的科学问题及解决方案，总结了未来发展趋势及对中国的启发。本文可为加速推进中国设施农业采收机器人的智慧化、智能化和产业化发展提供借鉴参考。
针对当前三维点云处理方法在玉米植株点云中识别雄穗相对困难的问题，提出一种基于超体素聚类和局部特征的玉米植株点云雄穗分割方法。首先通过边连接操作建立玉米植株点云无向图，利用法向量差异计算边权值，并采用谱聚类方法将植株点云分解为多个超体素子区域；随后结合主成分分析方法和点云直线特征提取植株顶部的子区域；最后利用玉米植株点云的平面局部特征在顶部子区域中识别雄穗点云。对3种点云密度的15株成熟期玉米植株点云进行测试，采用F1分数作为分割精度判别指标，试验结果与手动分割真值相比，当点云密度为0.8、1.3和1.9个点/cm时，雄穗点云分割的平均F1分数分别为0.763、0.875和0.889，分割精度随点云密度增加而增高。结果表明，本研究提出的基于超体素聚类和局部特征的玉米植株点云雄穗分割方法具备在玉米植株点云中提取雄穗的能力，可为玉米高通量表型检测、玉米三维重建等研究和应用提供技术支持。
遥感技术已在农业领域较为广泛成功地应用。农业遥感在作物长势监测、灾害监测、作物产量和品质估测、对象的识别和信息提取等方面有重要的意义。与此同时，高通量表型信息获取以及图像处理、表型信息分析技术的提高，促进了表型组学的发展，推动了农业的跨越式发展。为集中报道国内外在农业遥感和表型获取分析领域取得的进展，《智慧农业（中英文）》期刊在本期出版“农业遥感与表型信息获取分析”专题。此专题共包括10篇论文，其中2篇综述性论文，8篇研究性论文，作者来自于中国、美国、英国、法国等4个国家。论文聚焦农业遥感与表型领域的机载成像系统应用、遥感监测、农学参量反演、表型检测识别、深度学习等热点话题。
杨成海介绍了用于精准农业的有人机载成像系统，描述了部分定制和商用机载成像系统，并讨论了将不同遥感平台和成像系统用于精准农业上的挑战和未来方向。
徐凌翔等介绍了世界上植物表型研究的最新动向，系统地阐述了室内表型监测平台的特点和各类室内表型性状，分类介绍了室内植物表型平台，并着重讨论了其发展方向。
刘园等基于1990-2015年土地利用数据，利用GIS空间分析，探究了长江经济带水田空间格局动态变化特征，采用当量因子法计算了生态系统服务价值，最后分析了水田变化的综合影响。
万亮等利用无人机低空遥感平台获取了不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。
付元元等针对光谱PCA主成分特征难以保证较高的遥感类别可分性及精度问题，提出了一种基于分散矩阵选择PCA混合光谱特征的提取方法，采用AVIRIS机载高光谱数据验证此法具有更高类别可分性和精度。
于丰华等通过分析寒地水稻关键生育期叶片高光谱反射率信息，结合PROSPECT模型叶绿素含量吸收系数，利用红边优化指数进行叶绿素含量反演，精度比其它植被指数的反演精度更佳。
刘守阳等利用数字化植物表型平台D3P模拟生成小麦5个生育期的三维冠层场景，基于LiDAR模拟的点云数据和人工神经网络算法构建了冠层光截模型。
夏雪等通过改进MobileNetV3网络，结合关键点预测的目标检测网络CenterNet，构建了用于苹果检测的轻量级无锚点深度学习网络模型M-CenterNet，并对比了模型CenterNet和经典SSD网络在检测精度、模型容量和运行速度等方面的综合性能。
吴刚等用无人机在田间上空采集玉米多光谱图像，基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型，向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出了适合于RGB图像和多光谱图像的玉米植株营养状况等级识别模型。
周成全等对深度残差网络ResNet进行改进得到了一种新型的西兰花花球分割模型，实现了低成本高效准确地提取西兰花表型信息。
我们对所有为专题提交论文的作者表示深切的感谢。我们也感谢所有的专题审稿人，在百忙之中抽出宝贵时间负责任地完成审稿工作，通过他们的严格审查、及时的回应以及专业和建设性的意见，最终帮助我们完成了组稿和评审把关。最后特别感谢《智慧农业（中英文）》的编辑团队，在他们的努力推动下，使得这个专题得以顺利出版。
本文首先阐述了科技革命的概念与满足条件，提出并分析了内生及外生农业颠覆性技术及其差异，特别是提出了跨界技术的概念并论证了其对农业科技进步的外生影响。然后分析了作为跨界技术的集大成者——智慧农业技术的特点，智慧农业对传统农业生产技术与生产方式的替代以及智慧农业与农村经济转型的关系。在此基础上讨论了中国智慧农业发展所面临的问题。最后有针对性地提出了促进颠覆性技术创新和智慧农业发展的政策建议，包括加强关键颠覆性核心技术研发、改革现有的农业高等教育体系、推动跨界技术的农业产业化研发以及在高标准农田及规模化养殖场实施智慧农业生产等。
大数据、物联网和人工智能等现代信息技术在农业中的广泛应用，推动了农业农村现代化和智慧农业的发展，带动了农业经营主体对科技与知识的旺盛需求，农业知识服务成为农业转型升级和高质量发展的重要引擎。为解决现有农业知识分散无序、更新不及时、面向经营主体的知识服务不平衡、供需脱节等问题，本文总结分析了国内外农业知识服务的研究与实践现状，提出了一套基于农业全产业链、按照农业数据的全生命周期、面向农业经营主体的农业智能知识服务体系框架，设计了基于智能物联网（Artificial Intelligence & Internet of Things，AIoT）的农情感知与大数据汇聚治理、基于知识图谱的农业知识组织与计算挖掘，以及基于多场景的农业智能知识服务三个层次。文中归纳了包括空天地AIoT全维度农情感知、多源异构农业大数据汇聚治理、知识建模、知识抽取、知识融合、知识推理、跨媒体检索、智能问答、个性化推荐技术、决策支持等农业智能知识服务涉及的关键技术，并举例了其研究应用。最后从农业数据获取、模型构建、知识组织、智能知识服务技术和应用推广等方面探讨了未来农业智能知识服务的发展趋势及对策建议。总结发现，农业智能知识服务是破解当前农业知识服务供需矛盾，实现跨媒体农业数据到知识的跨越，推动农业知识服务向个性化、精准化和智能化升级的关键，亦是农业科技自立自强、现代农业提质增效的重要支撑。
随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（DSEB）的事件驱动分簇路由算法。算法包括：（1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率；（2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点-主网关节点两种情况；（3）基于频谱变化和通信服务质量（QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设sink为中心），即在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数。算法仿真结果表明，与采用K-medoid分簇和能量感知的事件驱动分簇(ERP)路由方案相比，在CRSN节点数为定值的前提下，基于DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进；在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。
蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统，凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题，本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子，在布谷鸟搜索算法优化神经网络（CS-BP）预测模型的基础上，构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络（GA-BP）、粒子群算法优化BP神经网络（PSO-BP）3种深度学习方法进行性能参数分析比对，结果表明：改进CS-BP评价预测模型的平均绝对误差（MAE）、平均相对误差（MAPE）和决定系数（R2）分别为0.0865、0.0159和0.8569，其各项指标性能均优于上述3种对比模型，该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试，其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价，对实现蛋鸡生产环境的最优控制，促进蛋鸡生产性能的提升具有重要意义。
