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。
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。
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。
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。
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。
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。
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。
养殖场中肉牛较为活跃，采集得到的图像数据中肉牛姿态多变，肉牛姿态端正帧较少，导致自动测量肉牛体尺困难。针对以上问题，本研究通过分析肉牛骨架特征和肉牛图像边缘轮廓特征，提出一种多姿态肉牛体尺自动测量方法。首先，利用深度相机Azure Kinect DK从正上方采集肉牛俯视深度视频数据，对视频数据进行分帧处理；其次，对原始深度图像进行预处理，将肉牛从复杂的背景中提取出来；再次，利用Zhang-Suen算法提取目标图像肉牛骨架，检测骨架交点和端点，分析肉牛头部特征，并确定头部去除点，去除图像中肉牛头部信息；最后，利用改进的U弦长曲率算法提取肉牛轮廓曲率曲线，根据曲率值确定体尺测点，将体尺测点转换到三维空间中，计算体尺参数。本研究通过分析大量深度图像数据，将图像中肉牛姿态分为左歪、右歪、姿态端正、低头和抬头五类。试验结果表明，本研究提出的基于骨架的多姿态肉牛头部去除方法在5种姿态下的头部去除成功率均高于92%；在23头肉牛不同姿态共46帧深度图像中，利用基于改进U弦长曲率的体尺测点提取方法，测得体直长测量的平均绝对误差为2.73 cm，体高测量的平均绝对误差为2.07 cm，腹宽测量的平均绝对误差为1.47 cm。研究结果可为精确测量多姿态下肉牛体尺提供支撑。
毛桃等果实的准确检测是实现机械化、智能化农艺管理的必要前提。然而，由于光照不均和严重遮挡，在果园中实现毛桃，尤其是套袋毛桃的检测一直面临着挑战。本研究基于改进YOLOv5s和多模态视觉数据提出了面向机械化采摘的毛桃多分类准确检测。具体地，构建了一个多类标签的裸桃和套袋毛桃的RGB-D数据集，包括4127组由消费级RGB-D相机获取的像素对齐的彩色、深度和红外图像。随后，通过引入方向感知和位置敏感的注意力机制，提出了改进的轻量级YOLOv5s（小深度）模型，该模型可以沿一个空间方向捕捉长距离依赖，并沿另一个空间方向保留准确的位置信息，提高毛桃检测精度。同时，通过将卷积操作分解为深度方向的卷积与宽度、高度方向的卷积，使用深度可分离卷积在保持模型检测准确性的同时减少模型的计算量、训练和推理时间。实验结果表明，使用多模态视觉数据的改进YOLOv5s模型在复杂光照和严重遮挡环境下，对裸桃和套袋毛桃的平均精度（Mean Average Precision，mAP）分别为98.6%和88.9%，比仅使用RGB图像提高了5.3%和16.5%，比YOLOv5s提高了2.8%和6.2%。在套袋毛桃检测方面，改进YOLOv5s的mAP比YOLOX-Nano、PP-YOLO-Tiny和EfficientDet-D0分别提升了16.3%、8.1%和4.5%。此外，多模态图像、改进YOLOv5s对提升自然果园中的裸桃和套袋毛桃的准确检测均有贡献，所提出的改进YOLOv5s模型在检测公开数据集中的富士苹果和猕猴桃时，也获得了优于传统方法的结果，验证了所提出的模型具有良好的泛化能力。最后，在主流移动式硬件平台上，改进后的YOLOv5s模型使用五通道多模态图像时检测速度可达每秒19幅，能够实现毛桃的实时检测。上述结果证明了改进的YOLOv5s网络和含多类标签的多模态视觉数据在实现果实自动采摘系统视觉智能方面的应用潜力。
［目的/意义］ 农业环境动态多变、动植物生长影响因子众多且互作关系复杂，如何将分散无序信息理解生成生产知识或决策案例是世界性难题。农业知识智能服务技术是应对农业数据低秩化、规则关联度低和推理可解释性差等现状，提升农业生产全过程综合预测和决策分析能力的核心关键。［进展］本文综合分析了感知识别、知识耦合、推理决策等农业知识智能服务技术，构建由云计算支撑环境、大数据处理框架、知识组织管理工具、知识服务应用场景组成的农业知识智能服务平台，提出一种基于知识规则和事实案例相结合的农情解析与生产推理决策方法，构造产前规划、产中管理、收获作业、产后经营等全链条知识智能应用场景。［结论/展望］从农业多尺度农情稀疏特征发现与时空态势识别、农业跨媒体知识图谱构建与自演化更新、复杂成因农情多粒度关联与多模式协同反演预测、基于生成式人工智能的农业领域大语言模型设计、知识智能服务平台与新范式构建等方面对农业知识智能服务技术发展趋势进行总结，对实现农业生产由“看天而作”到“知天而作”转变具有技术支撑作用。
拉曼光谱是一种散射光谱，具有快速、不易受水分干扰、样品无需预处理和在体检测等特点，可作为分析、测试物质分子成分和结构强有力的表征手段。随着拉曼光谱技术的不断发展，其在农业检测领域中逐渐发挥出极其重要的作用。本文概述了拉曼光谱的检测原理，从共聚焦显微拉曼光谱、傅里叶变换拉曼光谱、表面增强拉曼光谱、针尖增强拉曼光谱、共振拉曼光谱、空间偏移拉曼光谱、移频激发拉曼差分光谱、基于非线性光学的拉曼光谱等8个方面介绍了拉曼光谱技术，重点总结了拉曼光谱技术在植物检测、土壤检测、水质检测、食品检测等方面的应用研究进展，并提出了其在农业检测领域中应用需要解决的难题和未来的发展方向，以期对未来农业生产和研究带来启发。
奶牛运动行为蕴含着诸多健康信息。信息化、智能化技术的应用有助于养殖场及时掌握奶牛健康状况，提高养殖效率。本文主要针对奶牛运动行为智能监测技术的研究进展予以分析，首先对奶牛基本运动（躺卧、行走、站立）、发情、呼吸、反刍及跛行等行为的监测意义进行阐述，明确了奶牛行为监测的必要性；其次按照时间顺序分别从接触式监测方法和非接触式监测方法两方面综述了国内外相关研究现状，对相关研究的原理及成果进行详细介绍，并进行了分类总结；对奶牛行为监测产业发展现状进行了分析，介绍了国外主流牧场自动化设备供应商主营业务及代表产品；之后分别提出了当前接触式和非接触式奶牛运动行为监测方法的问题与挑战。最后，针对相关关键技术的发展趋势进行了展望。
饲草作物生长的动态监测与定量估算对于饲草规模化生产具有重要意义。无人机遥感分辨率高、灵活性强、成本低，近年来在饲草作物生长监测领域发展迅速，应用场景不断拓展。为了掌握无人机在饲草监测的国内外应用现状，确定重点发展方向，本文首先从数据获取、数据处理和饲草作物生长监测关键技术三个方面简述了无人机遥感在饲草作物监测中的基本研究方法。其次按照传感器类型从可见光、多光谱、高光谱、热红外和激光雷达遥感五个方面阐述了无人机遥感饲草作物生长监测的应用现状。最后针对研究应用中尚未解决的关键技术问题展望了未来的发展方向，提出融合饲草作物时空尺度数据和多源遥感数据、进一步拓展数据获取手段、研发智能化数据分析综合平台是未来饲草作物监测领域应用创新的关键所在。
玉米和大豆为同季旱粮作物，“争地”矛盾十分突出，同时掌握玉米和大豆两者的价格是必要的。相较于现货，农产品期货价格具有价格发现功能。因此，玉米和大豆期货价格分析和预测对种植结构调整和农户作物品种选择均具有重要意义。本研究首先分析了玉米和大豆期货价格的相关性，通过相关性计算和格兰杰因果检验，发现玉米和大豆期货具有较强的正向相关性，且大豆期货价格是玉米期货价格的格兰杰原因；其次，基于长短时记忆（Long Short-Term Memory，LSTM）模型对玉米和大豆期货价格进行预测，并引入注意力机制（Attention）对期货价格预测模型行优化。对比结果表明，与差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model，ARIMA）和支持向量回归模型（Support Vector Regression，SVR）相比，LSTM模型在各项指标中均为更优，而与单一的LSTM模型相比，加入Attention机制的Attention-LSTM模型在各项指标中均更优。其中，玉米和大豆期货预测结果的平均绝对误差（Mean Absolute Error，MAE）分别提升3.8%和3.3%，均方根误差（Root Mean Square Error，RMSE）分别提升0.6%和1.8%，平均绝对百分误差（Mean Absolute Percentage Error，MAPE）分别提升4.8%和2.9%，证明了Attention机制的加入可以帮助模型提取有效信息，提升性能。最后，使用LSTM模型结合大豆期货历史价格共同预测玉米期货价格，MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。试验结果表明，本研究使用Attention-LSTM模型对玉米和大豆期货价格进行预测，相较于通用预测模型，Attention-LSTM模型能够提高大豆和玉米期货价格预测精度，且结合相关农产品期货价格数据，可以提升单个农产品期货模型的预测性能。
家畜养殖的生产模式已由粗放型向集约型转变，生产水平不断提高，但较低的劳动生产率和劳动力短缺等问题严重制约中国家畜养殖业的快速发展。利用现代信息和人工智能技术，研发家畜饲喂机器人，包括喂料、推料等机器人，实现数字化、智能化的家畜养殖，提高畜牧养殖生产力是解决上述问题的主要途径。为深入分析机器人技术在家畜养殖中的研究现状，本文收集了国内外家畜机器人研究实例和文献资料，从轨道式喂料机器人、自走式喂料机器人和推料机器人3个方面重点介绍家畜饲喂机器人的研究进展，分析了饲喂机器人的技术特点和实际应用情况，从技术和应用两个方面对国内外饲喂机器人进行了比较，并从战略规划制定、核心技术发展和产业发展趋势三个方面进行展望并提出发展建议，为家畜饲喂机器人在中国的进一步发展和应用提供参考。
准确高效地监测动物信息，及时分析动物的生理与身体健康状况，并结合智能化技术进行自动饲喂和养殖管理，对于家畜规模化养殖意义重大。深度学习技术由于具有自动特征提取和强大图像表示能力，更适用于复杂的畜牧养殖环境中动物信息监测。为进一步分析人工智能技术在当下智慧畜牧业中研究应用，本文针对牛、羊和猪三种家畜，介绍了深度学习技术在目标检测识别、体况评价与体重估计以及行为识别与量化分析的研究现状。其中，目标检测识别有利于构建动物个体电子档案，在此基础上可以关联动物的体况体重信息、行为信息以及健康情况等，这也是智慧畜牧业发展的趋势。智慧畜牧养殖技术当前面临着应用场景存在多视角、多尺度、多场景和少样本等挑战以及智能技术泛化应用的问题，本文结合畜牧业实际饲养和管理需求，对智慧畜牧业发展进行展望并提出了：结合半监督或者少样本学习来提高深度学习模型的泛化能力；人、装备和养殖动物这三者的统一协作及和谐发展；大数据、深度学习技术与畜牧养殖的深度融合等发展建议，以期进一步推动畜牧养殖智能化发展。
苎麻是重要的纤维作物之一，由于土地资源紧缺及优良品种的推广应用等原因，苎麻遗传变异和遗传多样性减少，对苎麻种质资源多样性调查和保护的需求日趋加大。基于无人机遥感的作物表型测量方法可以对不同基因型作物的生长特性进行频繁、快速、无损、精准的监测，实现作物种质资源调查，筛选特异优质品种。为了实现苎麻种质资源表型的高效综合评价，辅助筛选优势苎麻品种，本研究提出了一种基于无人机遥感影像的苎麻种质资源表型监测及筛选方法。首先，基于无人机遥感影像，利用Pix4dmapper软件生成试验区的数字地表模型（Digital Surface Model，DSM）和正射影像；然后，对苎麻种质资源关键表型参数（株高、株数、叶面积指数、叶片叶绿素含量、含水量）进行估测。基于DSM采用“差分法”提取苎麻株高，基于正射图像采用目标检测算法提取苎麻株数，采用机器学习方法估测苎麻叶面积指数（Leaf Area Index，LAI）、叶片叶绿素含量（SPAD值）、含水量；最后，根据提取的各项遥感表型参数，采用变异性分析和主成分分析方法对苎麻种质资源进行遗传多样性分析。结果表明，（1）基于无人机遥感的苎麻表型估测效果较好，株高的拟合精度为0.93，均方根误差为5.65 cm；SPAD值、含水量、LAI的拟合指标分别达到0.66、0.79、0.74，RMSE分别为2.03、2.21、0.63；（2）苎麻种质资源的遥感表型存在较大差异，LAI、株高和株数的估测值变异系数分别达到20.82%、24.61%和35.48%；（3）利用主成分分析法将苎麻种质资源的遥感表型聚类为因子1（株高、LAI）和因子2（LAI、SPAD值），因子1可用于苎麻种质资源结构特征评价，因子2可以作为高光效苎麻资源的筛选指标。本研究将为作物种质资源表型监测和育种相关分析提供参考。
叫声是评估生猪福利水平的重要方式之一。本文首先分析了生猪叫声与福利之间的相互关系。其中，与生猪福利密切相关的三种生猪叫声包括咳嗽声、尖叫声和呼噜声。基于这三种声音进一步分析声音与环境，声音与身体状况，以及声音与健康之间的关系。随后，对当下的生猪福利监测所采用的传感器，包括穿戴式与非接触式两大类进行分析，并简述不同方式的优劣势。基于非接触式的优势及麦克风传感器技术的可行性，从声音的获取和标记、特征提取以及声音分类三个方面对现有的生猪声音处理技术进行了阐述和评估。最后，从声音监测技术、生猪个体福利监测、商业应用以及养猪从业者四个角度讨论了叫声在生猪福利监测中面临的研究困境以及发展趋势。研究发现，目前关于生猪声音分析的研究大多集中在分类器的选择和识别算法的改进上，而对端点检测和特征选择的研究较少。同时，当下面临的主要挑战还包括不同生长阶段的音频数据获取难度较高，缺乏公共的猪舍内音频数据库以及缺少完善的声音指标与动物福利监测评价体系。总体来说，建议进一步对声音识别过程中涉及的各部分技术进行深入探索，同时加强跨学科专家之间的合作，共同推动声音监测在生猪实际生产中的应用，从而加快精准畜牧业的实现。
土壤盐渍化是限制黄河三角洲地区农业经济发展的重要因素，进一步阻碍了农业生产。为了探索无人机影像在地表无植被覆盖条件下的土壤盐分含量反演状况，以黄河三角洲典型区域为研究区，获取地物高光谱和无人机多光谱两种数据源与样点土壤盐分含量，通过优选敏感光谱参量，使用偏最小二乘回归（Partial Least Squares Regression，PLSR）和随机森林（Random Forest，RF）两种机器学习算法建立土壤盐分含量反演模型，实现研究区的土壤盐分含量反演。结果表明：（1）高光谱1972 nm波段与土壤盐分含量间的敏感性最高，相关系数为-0.31。（2）两种不同数据源优化后的RF模型均优于PLSR，且稳定性更好。（3）基于地物高光谱的RF模型（R2 =0.54，RMSEv＝3.30 g/kg）优于基于无人机多光谱的RF模型（R2 =0.54，验证RMSRv＝3.35 g/kg）。（4）结合无人机影像采用多光谱RF模型对研究区耕地的土壤盐分含量进行反演，研究区总体以轻、中度盐渍化土壤为主，对作物的耕种具有一定程度的限制。本研究构建并对比了两种不同源数据的黄河三角洲土壤盐分反演模型，并结合各自数据源的优势进行优化，探索了地表无植被覆盖情况下的土壤盐分含量反演方法，对更精准反演土地盐渍化程度提供了参考。
为进一步提高农产品供需过程模拟与估算精度，本研究以自1980年以来国家级和省级的大量农业数据作为样本，充分考虑农产品品种、时间、收入、经济发展等因素影响，构建基于深度学习长短时记忆神经网络（Long Short-Term Memory Neural Network，LSTM）的多种农产品供需预测模型。模型在充分考虑机理性约束条件的前提下，利用深度学习算法在非线性模型分析预测中的优势，对稻谷、小麦、玉米、大豆、猪肉、禽肉、牛肉、羊肉、水产品等9种主要农产品供需进行分析预测。将基于本模型的2019—2021年产量预测结果与国家统计局公布数据进行对比验证，三年平均预测准确率96.98%，表明本研究构建的预测模型能够高效地反映隐性指标变化对预测结果的影响。该模型可以通过及时地监测农业运行数据，为多区域、跨期的农业展望工作提供智能化技术支持。
针对果园管理数字化程度低、构建方法较为单一等问题，本研究提出了一种基于激光点云的三维虚拟果园构建方法。首先采用手持式三维点云采集设备（3D-BOX）结合即时定位与地图构建-激光测距与测绘（Simultaneous Localization and Mapping-Lidar Odometry and Mapping，SLAM-LOAM）算法获取果园点云数据集；然后通过统计滤波算法完成点云数据离群点与噪声点的去除，并结合布料模拟算法（Cloth Simulation Filtering，CSF）与DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法，实现地面去除与果树聚类分割，进而使用VoxelGrid滤波器降采样；最后利用Unity3D引擎，构建虚拟果园漫游场景，将作业机械的实时GPS（Global Positioning System）数据从WGS-84坐标系转换为高斯投影平面坐标系，并通过LineRenderer显示实时轨迹，实现作业机械运动轨迹控制与作业轨迹的可视化展示。为验证虚拟果园构建方法的有效性，在海棠果园与芒果园开展果园构建方法测试。结果表明，所提出的点云数据处理方法对海棠果树与芒果树聚类分割的准确率分别达到了95.3%与98.2%；通过与实际芒果园的果树行距、株距对比，虚拟芒果园的平均行间误差约为3.5%，平均株间误差约为6.6%。并且将Unity3D构建出的虚拟果园与实际果园相比，该方法能够有效复现果园三维实际情况，得到了较好的可视化效果，为果园的数字化建模与管理提供了一种技术方案。
针对苹果叶部病害图像在仅有图像类别标注的弱监督的条件下识别准确率低的问题，提出了一种基于改进的CBAM-ResNet算法进行苹果叶部病害识别。以ResNet18作为基础模型，对轻量级卷积块注意力模块（Convolutional Block Attention Module，CBAM）注意力机制中通道注意力模块中的多层感知机（Multilayer Perceptron，MLP）进行升维改进，放大苹果叶部病害特征细节；将改进的CBAM融入残差模块中，以加强对关键细节特征的提取，将AlphaDropout配合SeLU（Scaled Exponential Linearunits）融入网络中，防止其网络的过拟合化，加速模型收敛效果；最后，采用单周期余弦退火算法调整学习率，得到病害识别模型。训练在样本图像均只进行图像级标注的弱监督下进行，大大降低标注成本。通过消融实验，探究出改进CBAM中MLP最佳升维维度为2，相对于原CBAM，准确率提升0.32%，并在参数量增加17.59%的情况下，每轮训练时长减少8 s。在包含苹果斑点落叶病、褐斑病、花叶病、灰斑病、锈病等5种病害的6185幅图像数据集上进行了试验测试，结果显示，在弱监督学习下，识别准确率方面，该模型对苹果5种病害的平均识别准确率达到98.44%，改进的CBAM-ResNet18相比改进前的ResNet18提高了1.47%，且高于VGG16，DesNet121，ResNet50，ResNeXt50，EfficientNet-B0和Xception对照模型；在学习效率方面，改进的CBAM-ResNet18相对于ResNet18在参数量增加24.9%的条件下，每轮的训练时间减少6 s，且在VGG16，DesNet121，ResNet50，ResNeXt50，EfficientNet-B0和Xception对照模型中以每轮137 s最快速度完成模型训练。通过混淆矩阵结果，计算出模型的精确度平均值、召回率平均值和F1分数平均值分别达到了98.43%、98.46%和0.9845。该结果表明，改进的CBAM-ResNet模型可进行苹果叶部病害识别且具有良好的识别结果，可为苹果叶部病害智能识别提供技术支撑。
［目的/意义］农业机器人是全球农业装备的战略制高点和竞争焦点，也是加快推动中国农业强国建设的重点方向之一。世界农业强国与中国均围绕本国农业发展特点，正在加强农业机器人政策与规划布局，带动农业机器人产业进入稳定增长期。［进展］本文阐述了农业机器人概念及特征，全球农业机器人发展政策与战略规划布局，以及产业发展状况。针对农田作业机器人、果园采摘机器人和设施蔬菜生产机器人等3类典型农业机器人的产业背景、前沿进展、发展面临的挑战和关键技术卡点开展了深入分析。［结论/展望］展望了在全球农业劳动力的日益短缺的大背景下，农业机器人产业快速发展面临的机遇，提出了未来农业机器人技术在自主导航、自主学习、实时监控、作业管控等方面的发展趋势。
农业是关系国计民生的基础产业，但同时又是弱质产业，传统农业风险管理研究方法中存在非线性信息挖掘不足、精确度不高和鲁棒性差等问题。人工智能（Artificial Intelligence，AI）拥有基于大数据的强非线性拟合、端到端建模和特征自学习等强大功能可很好地解决上述问题。本文首先分析了AI在农业脆弱性评估、农业风险预测，以及农业损害评估三大方面的研究进展，得出如下结论：1. AI在农业脆弱性评估中的特征重要性评估缺乏科学有效的验证指标，且应用方式导致无法比较多个模型之间的优劣，建议采用主客观法进行评价；2. 在风险预测中，发现随着预测时间的增加，机器学习模型的预测能力往往会下降，过拟合问题是风险预测中的常见问题，且目前研究针对图数据空间信息的挖掘还较少；3. 农业生产环境复杂，应用场景多变是影响损害评估准确性的重要因素，提升深度学习模型的特征提取能力和鲁棒性是未来技术发展需要克服的重点和难点问题。然后，针对AI应用过程中存在的性能提升问题和小样本问题提出了相应的解决方案。对于性能提升问题，根据使用者对人工智能的熟悉程度，可分别采用多种模型比较法、模型组合法和神经网络结构优化法以提升模型的性能表现；对于小样本的问题，往往可以将数据增强、生成对抗网络和迁移学习相结合，以增强模型的鲁棒性和提高模型识别的准确性。最后，对AI在农业风险管理中的应用进行了展望。未来可以考虑将人工智能引入农业脆弱性曲线的构建；针对农业产业链的上下游关系和与农业相关的行业关系，更多地应用图神经网络对农业价格风险预测进一步深入研究；损害评估建模过程中可以更多地引入评估目标相关领域的专业知识以增强对目标的特征学习，对小样本数据进行增广也是未来研究的重点内容。
基于点云采集技术的非接触式测量能够缓解肉牛在采集体尺体重等参数时的应激问题，但采集肉牛的三维数据耗时长且易受环境干扰而产生大量无关噪点，难以适应实际养殖环境需求。为解决该问题，本研究开发了一种非接触式肉牛三维点云重建与目标提取系统与方法，采集的肉牛三维点云可为肉牛育种育肥提供大量标准化和三维量化表型数据。三维点云采集系统由Kinect DK深度相机、红外对射光栅触发器和射频识别（Radio Frequency Identification，RFID）触发器组成，可在肉牛自由通过步行道的瞬间实现肉牛点云的多角度瞬时采集。肉牛点云目标提取方法基于C++语言与点云处理库（Point Cloud Library，PCL）开发，通过空间直通滤波、统计学离群点滤波、随机抽样一致（Random Sample Consensus，RANSAC）形态拟合与点云抽稀、基于降维密度聚类的感知盒滤波等算法有效滤除与肉牛紧贴的栏杆等干扰，不破坏点云的完整性，实现肉牛点云的三维重建与分析。在养殖场中对20头肉牛进行了124次点云采集与目标提取试验。结果表明，重建的肉牛三维模型与肉牛真实形态1:1对应，系统的采集成功率为91.89%，采集的点云与真实值相比，体尺重建误差为0.6%。该系统与方法可以在无人干预的情况下，实现多角度肉牛点云数据的自动采集与三维重建，并从复杂环境中自动提取目标肉牛的点云，为非接触式肉牛体高、体宽、体斜长、胸围、腹围和体重等核心表型参数的测量提供重要的方法支撑，促进肉牛育种和育肥的标准化管理。
针对小麦植株分蘖多、器官间交叉遮挡严重，难以用图像或点云准确提取植株和器官表型的问题，本研究提出了基于三维数字化的小麦植株表型参数提取方法。首先提出了小麦植株各器官数字化表达方法，制定了适用于小麦全生育期的三维数字化数据获取规范，并依据该规范进行数据获取。根据三维数字化数据的空间位置语义信息和表型参数的定义，提出了小麦植株表型参数计算方法，实现了小麦植株和器官长度、粗度和角度等3类共11个常规可测表型参数的计算。进一步提出了定量描述小麦株型和叶形的表型指标。其中，植株围度通过基于最小二乘法拟合三维离散坐标计算，用于定量化描述小麦植株松散/紧凑程度；小麦叶片卷曲和扭曲程度为定量化叶形的指标，根据叶面向量方向变化计算得到。利用丰抗13号、西农979号和济麦44号三个品种小麦起身期、拔节期、抽穗期三个时期的人工测量值和提取值进行验证。结果表明，在保持植株原始三维形态结构的前提下，提取的茎长、叶长、茎粗、茎叶夹角与实测数据精度相对较高，R2 分别为0.93、0.98、0.93、0.85；叶宽和叶倾角与实测数据的R2 分别为0.75、0.73。本方法能便捷、精确地提取小麦植株和器官形态结构表型参数，为小麦表型相关研究提供了有效技术支撑。
牦牛个体身份标识是实现个体建档、行为监测、精准饲喂、疫病防控及食品溯源的前提。针对智慧畜牧智能化、信息化等养殖平台中动物个体识别技术应用需求，本研究提出一种基于迁移学习的多尺度特征融合牦牛脸部识别算法（Transfer Learning-Multiscale Feature Fusion-VGG， T-M-VGG）。以预训练的视觉几何组网络（Visual Geometry Group Network，VGG）为骨干网络构建基于迁移学习的卷积神经网络模型，获取其Block3、Block4、Block5输出的特征图，分别用F3、F4、F5表示，将F3和F5经过三个不同膨胀系数的空洞卷积组成的并行空洞卷积模块增大感受野后，送入改进的特征金字塔进行多尺度特征融合；最后利用全局平均池化代替全连接层分类输出。试验结果表明，本研究提出的T-M-VGG算法在194头牦牛的38,800张数据集中识别准确率达到96.01%，模型大小为70.75 MB。随机选取12张不同类别牦牛图像进行面部遮挡测试，识别准确率为83.33%。本算法可以为牦牛脸部识别研究提供参考。
饲料粮缺口的逐渐加大，导致中国饲料粮安全问题逐步转化为粮食安全问题。因此，全面整合饲料营养基础数据资源，提高一切可利用饲料资源的营养价值，成为中国今后长期保障国家粮食安全的技术措施之一。本研究依据16类中国饲料原料描述规范和属性数据标准，全面用数字化模式收集整理了自“六五”至“十三五”期间累积的50万条以上已有饲料资源的种类、空间分布、饲料成分含量及营养价值特性数据，利用MySQL网络数据库及PHP程序语言，开发了新一代饲料营养大数据分析平台（http：//www.chinafeeddata.org.cn/）并提供Web数据共享功能。首先，平台提供所有入库数据的可视化分析，可实现单个或多个饲料多种养分和多种图形模式的直观比对。通过二维码技术提供所有饲料营养属性数据及饲料实体样本溯源数据的移动端实时分享与下载服务。其次，平台构建了通过已知饲料概略养分在线预测其他有效养分的回归模型，为饲料原料养分变异提供动态分析。最后，平台基于地理信息系统技术，将饲料概略养分和主要矿物元素含量数据与其所处的地理位置分布相结合，实现了饲料营养数据地理信息图谱的分布查询及对比分析，同时提供各种数据的下载方式，为已有饲料数据的全面应用带来便利。研究表明，拓展饲料资源数据并提供饲料养分的预测分析模型，可最大化利用已有饲料养分数据的价值，进一步嵌入各类饲料配方的网络计算模块，可以达到饲料营养数据的一站式服务及数据的最大化升值服务。
为同时实现果园智能植保机自主导航及自动对靶喷雾，研制了一种果园自主导航兼自动对靶喷雾机器人。首先采用单个3D LiDAR（Light Detection and Ranging）采集果树信息确定兴趣区（Region of Interest，ROI），对ROI内点云进行2D化处理得到果树质心坐标，通过随机一致性（Random Sample Consensus，RANSAC）算法得到果树行线，并确定果树行中间线（导航线），进而控制机器人沿导航线行驶。通过编码器及惯性测量单元（Inertial Measurement Unit，IMU）确定机体速度及位置，IMU矫正采集到的果树分区冠层信息，最后通过程序判断分区冠层的有无控制喷头是否喷雾。结果表明，机器人自主导航时最大横向定位偏差为21.8 cm，最大航向偏角为4.02°，相比于传统连续喷雾机施药液量、空中漂移量及地面流失量分别减少20.06%、38.68%及51.40%。本研究通过单个3D LiDAR、编码器及IMU在保证喷雾效果的前提下，实现了喷雾机器人自主导航及自动对靶喷雾，降低了农药使用量及飘失量。
能效评估与碳排放核算可为食品冷链节能减排策略的制定提供理论工具和实践支持，同时也是实现食品冷链可持续发展的先决条件。本文首先阐述了一般食品冷链中能耗与碳排放的关系，以及太阳能值、标准煤和等效电3种能耗折算标准的原理及应用，并对食品冷链各环节能源消耗情况进行了分析。在此基础上，从宏观能效、微观能效、能源经济、环境能效、综合能效5个方面提出了10个能效指标，构建了食品冷链能效评估指标体系，并综述了其他能效评估指标和方法。此外，本文还介绍了碳排放折算标准，重点对中国电力碳排放因子作了论述，并回顾了排放因子法、生命周期评价法、投入产出法，以及混合生命周期评价法4种碳排放核算方法的由来、原理以及优缺点等，以及生命周期评价法在食品冷链碳足迹计算中的基本流程，并提出了食品冷链节能减排策略。最后，对食品冷链的能效评估与碳排放核算进行了简要展望，以期为推动中国食品冷链的可持续发展提供借鉴。
［目的/意义］ 农机装备是先进农业生产理念落地的物质支撑，如何提升农机装备设计制造水平及运维管控能力，充分发挥装备性能，是智慧农业未来发展所面临的核心问题。数字孪生是一种融合多种信息技术、促进虚实交互融合的先进理念，有助于更加清晰地认识农机装备及其运行过程，从而解决从设计到回收阶段的复杂性问题，进而全方位地提升农机装备作业质量，更好地满足农业生产需求。［进展］首先围绕数字孪生在农机装备领域的应用，总结数字孪生的研究动态，分析农机装备数字孪生的概念与内涵，提出系统性的体系架构。然后从宏观发展、系统实现、项目实施多个角度阐述农机装备数字孪生的实现路线。最后介绍农机装备数字孪生的典型应用场景和案例。［结论/展望］数字孪生为农机装备转型升级提供了新方法，为提升农业机械化生产水平提供了新途径，为实现智慧农业提供了新思路。本文可为农机装备数字孪生相关研究工作的开展提供参考，为数字孪生赋能智慧农业和智能装备奠定理论基础。
疏花是梨生产中的重要农艺措施，机械化智能疏花是当今高速发展的疏花方式，花朵与花苞的分类与检测是保证疏花机器正常工作的基本要求。本研究针对目前梨园智能化生产中出现的梨树花序检测与分类问题，提出了一种基于改进YOLOv5s的水平棚架梨园花序识别算法Ghost-YOLOv5s-BiFPN。通过对田间采集的梨树花苞与花朵图像进行标注与数据扩充后送入算法进行训练得到检测模型。Ghost-YOLOv5s-BiFPN运用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）替换原始的路径聚合网络（Path Aggregation Network，PAN）结构，对网络提取的不同尺寸目标特征进行有效的融合。同时运用Ghost模块替换传统卷积，在不降低准确度的同时减少模型参数量和提升设备运行效率。田间试验结果表明，改进的Ghost-YOLOv5s-BiFPN算法对梨树花序中花苞与花朵的检测精度分别为93.2%和89.4%，两种目标平均精度为91.3%，检测单张图像时间为29 ms，模型大小为7.62 M。相比于原始YOLOv5s算法，检测精度与召回度分别提升了4.2%和2.7%，检测时间和模型参数量分别降低了9 ms和46.6%。本研究提出的算法可对梨树花苞与花朵进行精确的识别和分类，为后续梨园智能化疏花的实现提供技术支持。
针对当前中国肉牛繁育管理水平和信息化智能化水平不高等问题，本研究借鉴国际先进肉牛养殖国家的经验，建立了适合中国的商业化肉牛繁育大数据平台。该平台主要完成肉牛种质信息资源的整合，在线自动测定肉牛关键繁育性状，全程服务支撑肉牛繁育过程，形成肉牛种质资源大数据分析决策，并实现肉牛联合育种创新模式。本文详细介绍了商业化肉牛繁育大数据软件平台开发思路，包括数据中心的实现、软件平台前端开发技术和后端开发技术等，并总结了该平台的关键技术创新和模式创新内容，包括肉牛种质资源与良种管理系谱深度挖掘技术，非接触式繁育性状自动获取评价技术，以及多源异构信息融合提供智能决策支持等，为中国肉牛种业发展提供可持续发展的信息化解决方案，以促进肉牛育种整体水平的提高。
［目的/意义］ 挂果量是果树栽培管理的重要指标。传统人力抽样估测果树挂果量的方法不仅耗时费力，而且容易产生较大误差。本研究提出一种用于边缘计算设备的轻量化模型，实现视频中树上柑橘挂果量的自动估测。 ［方法］ 该模型采用CSPDarkNet53+PAFPN结构作为特征提取网络，实现更快的推理速度和更低的模型复杂度，在果实跟踪过程中引入Byte算法改进FairMOT的数据关联策略，对视频中的柑橘进行预测跟踪，以提升挂果量估测准确性。［结果和讨论］在边缘计算设备NVIDIA Jetson AGX上进行模型性能测试结果表明，本研究所建模型对柑橘挂果量的平均估测精度（Average Estimating Precision，AEP）和处理速度（Frames Per Second，FPS）分别达到91.61%和14.76，模型估测值与人工测得真实值的决定系数R2为0.9858，均方根误差（Root Mean Square Error，RMSE）为4.1713，模型参数量、计算量（Floating Point Operations，FLOPs）和模型大小分别为5.01 M、36.44 G和70.20 MB，展现出较对比模型更优的挂果量估测性能和更低的模型复杂度。 ［结论］ 试验结果证明了本研究所建模型在边缘计算设备上对柑橘挂果量估测的有效性，基于算法模型研发的果园挂果量远程监测系统可满足用于果园移动平台行进状态下的果树挂果量估测需求。本研究可为果园生产力自动监测分析提供技术支持。
人工智能（Artificial Intelligence，AI）辅助种植有助于提高设施园艺作物精准化管理水平、缓解日益凸显的劳动力紧缺问题。草莓是典型的劳动密集型园艺作物，研究对比采用不同AI种植策略和关键技术对草莓温室生产的调控效果，可对园艺作物种植的AI技术改进和产业化应用提供参考。本研究对比分析了4个不同AI种植策略对草莓生长发育和产量及品质的调控效果，并以人工种植管理为参照，对AI种植的技术特点和存在问题进行了分析。结果表明，知识图谱、深度学习、视觉识别、作物模型和作物生长仿真器等技术在草莓AI种植中各有优势。其中，AI-1组采用知识图谱技术将专家经验、作物数据和环境数据进行融合，建立了标准化草莓种植知识结构和智慧种植决策方法，对作物生产发育的调控较为稳健，以较低的投入获得了最高产值。与人工种植管理相比，AI种植策略组的平均产量提高了1.66倍，平均产值提高了1.82倍，最高投入产投比提高了1.27倍。针对高产优质的目标，在配备较完善的智能化设备和控制组件的温室生产条件下，AI辅助种植能有效提高草莓种植管控的精准度，减少水肥和劳动力的投入，获得较高的收益，但也存在对人工管理扰动的模拟难、作物本体信息采集难等问题。
[目的/意义] 油料作物是粮食供应和非粮食供应的重要组成部分，也是食用植物油和植物蛋白的重要来源。实时、动态、大范围的油料作物生长监测对指导农业生产、维持粮油市场稳定、确保国民生命健康具有重大意义。遥感技术因其覆盖范围广、获取信息及时、快速等优势被广泛应用于区域作物产量监测研究和应用中。 [进展] 本文首先介绍了利用遥感技术对油料作物进行估产的相关背景；其次，从遥感参数反演、面积监测及估产研究三个方面综述了基于遥感技术的油料作物监测研究现状，指出数据同化技术在油料作物估产方面具有极大潜力，并从同化方法、网格选取两方面进行详细阐述。 [结论/展望] 指出了遥感技术在油料作物监测中的机遇，提出了基于遥感技术的油料作物估产在作物特征选取、空间尺度确定以及遥感数据选择等方面存在的一些问题和挑战，并对未来油料作物估产研究的发展趋势进行了展望。本文可为油料作物的区域估产及生长监测的深入研究提供借鉴和参考。
自然环境下果实的精准检测是火龙果采摘机器人执行采摘作业的先决条件。为提高自然环境下果实识别的精确性、鲁棒性和检测效率，本研究对YOLOX（You Only Look Once X）网络进行改进，提出了一种含有注意力模块的目标检测方法。为便于在嵌入式设备上部署，本方法以YOLOX-Nano网络为基准，将卷积注意力模块（Convolutional Block Attention Module，CBAM）添加到YOLOX-Nano的主干特征提取网络中，通过为主干网络提取到不同尺度的特征层分配权重系数来学习不同通道间特征的相关性，加强网络深层信息的传递，降低自然环境背景下对火龙果识别的干扰。对该方法进行性能评估和对比试验，经过训练后，该火龙果目标检测网络在测试集的AP0.5值为98.9%，AP0.5:0.95的值为72.4%。在相同试验条件下对比其它YOLO网络模型，该方法平均检测精度分别超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2%、9.8%和7.9%。最后对不同分辨率的火龙果果园自然环境下采集的视频进行实时测试。试验结果表明，本研究提出的改进YOLOX-Nano目标检测方法，每帧平均检测时间为21.72 ms，F1值为0.99，模型大小仅3.76 MB，检测速度、检测精度和模型大小满足自然环境下火龙果采摘的技术要求。
保障农产品物流稳定性即是保障民生问题的关键。对农产品物流需求的预测是合理规划农产品物流稳定性的重要保证。然而，农产品物流需求的预测实际较为复杂，预测过程中会受到各种因素影响。因此，为了保证对农产品物流需求预测的准确性，需要考虑多方面影响因素。本研究以农产品物流需求作为研究对象，利用Informer神经网络构建预测农产品物流需求的神经网络模型，以华中地区河南省、湖北省和湖南省为例，对三省的农产品物流需求进行预测。同时用长短时记忆（Long Short-Term Memory，LSTM）网络和Transformer神经网络对华中三省农产品物流进行需求预测，将三种模型预测结果进行对比。对比结果表明本研究构建的基于Informer神经网络模型预测测试误差平均百分比为3.39%，低于LSTM和Transformer神经网络模型的4.43%和4.35%。并且用该Informer神经网络模型对三省预测出的预测值与实际值结果较为接近，河南省2021年的预测值为4185.33，实际值为4048.1，误差为3.389%；湖北省2021年的预测值为2503.64，实际值2421.78，误差为3.380%；湖南省2021年的预测值，2933.31，实际值为2836.86，误差为3.340%。表明该模型对华中三省的农产品物流需求预测的结果较为准确。三省2023年的预测值高于2021年的预测值。因此，在2021年物流运输配套设施的基础上，必须保证物流运输效率，加强物流运输能力，以满足华中地区日益增长的物流需求。
水禽养殖在向规模化、标准化与智能化方向迅速发展。智能养殖装备和信息化技术的研究与应用是促进水禽养殖业健康持续发展的关键，对提高水禽养殖的产出效率、降低生产过程对劳动力的依赖、契合绿色环保的发展理念以及实现高质量转型发展具有重要意义。本文重点介绍了智能化水禽棚舍的发展、水禽棚舍环境智能调控技术，以及智能化水禽饲喂、饮水、加药消杀和自动粪污处理等智能化设备的最新研究进展。此外，还介绍了可应用于水禽的信息采集技术现状，包括视觉成像系统、声音捕获系统和穿戴式传感器，以及智能管理技术的最新应用进展。最后指出了水禽产业的智能化养殖所面临的困难，并对未来水禽的智能化养殖的发展和改进提出了建议。
[目的/意义] 农业病虫害科学数据集是农业病虫害监测预警的基础，也是发展智慧农业重要的组成部分，对农业病虫害防治具有重要意义。随着深度学习技术在农业病虫害智能监测预警中应用效果的凸显，构建高质量的农业病虫害数据集逐步受到专家学者的重视。为了进一步构建高质量、分布均衡的农业病虫害图像数据集，提高检测模型的准确性和鲁棒性，本文以构建农业病虫害图像数据集面临的挑战为切入点，对农业病虫害数据集的构建进行了全面综述。 [进展] 分别从数据集层次、数据样本层次和使用层次总结构建农业病虫害图像数据集所面临的类间类内样本不均衡、选择偏差、目标多尺度、目标密集、数据分布不均、图像质量参差不齐、数据集规模不足以及数据集可用性等问题，从图像采集和标注方法两个方面，分析以上问题的主要成因，并归纳算法的改进策略和建议，最后总结了数据集相关评价方法。 [结论/展望] 结合农业病虫害图像识别实际需求，对构建高质量农业病虫害图像数据集提出了相关建议：（1）结合实际使用场景构建农业病虫害数据集。多视角、多环境下采集图像数据构建数据集，从算法提取特征的角度，科学、合理划分数据类别，构建样本数量分布和特征分布均衡的数据集；（2）平衡数据集与算法间的关系。研究数据集特征与算法性能之间的关系，需充分考虑数据集中的类别和分布，以及与模型匹配的数据集规模，以提高算法准确性、鲁棒性和实用性。深入研究农业病虫害图像数据规模与模型性能的关联关系、病虫害图像数据标注方法、模糊、密集、遮挡等目标的识别算法和高质量农业病虫害数据集评价指标，进一步提高农业病虫害智能化水平；（3）增强数据集的使用价值。构建多模态农业病虫害数据集，创新数据采集组织形式，开发数据中台，挖掘多模态数据间的关联性，提高数据使用便捷性，为应用落地、业务创新提供高效服务。
奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相，本研究提出一种融合高斯混合模型 （Gaussian Mixture Model，GMM） 和隐马尔科夫模型 （Hidden Markov Model，HMM）的无监督学习奶牛步态时相识别算法 GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号，通过卡尔曼滤波消除噪声，筛选并提取特征值，构建GMM-HMM模型，实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明，静立相识别的准确率、召回率和F1分别为89.28%、90.95%和90.91%，连续步态中的站立相识别的准确率、召回率和F1分别为91.55%、86.71%和89.06%，连续步态中的摆动相识别的准确率、召回率和F1分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%，相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。
精准饲喂是全龄人工饲料工厂化养蚕节本增效的核心技术之一，家蚕自动化识别与计数是实现精准饲喂的关键环节。本研究基于机器视觉系统获取工厂化养蚕过程中蚕在4龄和5龄期的数字图像，利用改进深度学习模型Mask R-CNN检测蚕体和残余饲料。通过在Mask R-CNN模型框架中加入像素重加权策略和边界框细调策略，从噪声数据中训练一个鲁棒性更好的目标检测模型，实现模型性能的优化，提高对蚕体和饲料边界的检测和分割能力。改进Mask R-CNN模型对蚕的检测和分割交并比阈值为0.5时的平均精度（Average Precision at IoU=0.5，AP50）分别为0.790和0.795，识别准确率为96.83%；对残余饲料的检测和分割AP50分别为0.641和0.653，识别准确率为87.71%。模型部署在NVIDIA Jetson AGX Xavier开发板上，单张图像平均检测时间为1.32 s，最长检测时间为2.05 s，运算速度可以满足养蚕盒单元在生产线上移动实时检测的要求。该研究为工厂化养蚕精准饲喂信息系统和投喂装置的研发提供了核心算法，可提高人工饲料的利用率，提升工厂化养蚕生产管理水平。
为满足兔舍环境监测调控需求，同时摆脱传统布线网络局限性，缩减网络资费、电路元件和控制系统成本，本研究提出一种基于窄带物联网（Narrow Band Internet of Things，NB-IoT）的兔舍环境实时监测系统。系统基于Arduino开发板，使用移远BC260Y模块与消息队列遥测传输协议（Message Queuing Telemetry Transport，MQTT）实现网络连接，利用SGP30、MQ137、5516光敏电阻传感器等多种传感器实现兔舍内部声、光、水、温、气五方面实时监测。数据在本地、云端存储的同时，系统可根据阈值报警，协助创造兔的最佳生存环境。研究中对比了NB-IoT网络与Wi-Fi、LoRa等其他网络的异同，根据物联网三层架构详细介绍了系统搭建技术与过程，并系统分析了元器件价格，经核算，整机成本不超过400元。设备在空舍测试中，检测到CO2浓度为420~440 ppm；MQ系列传感模组电压比值稳定于1；温度处于22~24 ℃；湿度上下波动10％；日光灯亮灭引起电压差2.6 V。进行了系统的网络与能耗测试，通过不同时间、场地、网络连接方式的对比，验证了本系统传输稳定可靠，能耗合理。系统使用MQTT通信协议的NB-IoT网络，平均每秒消息处理量（Transactions Per Second，TPS）为0.57，每分钟收发34.2条，上下浮动1条。系统运行时，电压约为12.5 V，电流约为0.42 A，平均功率为5.3 W。发生通信时，没有产生额外功耗，适用于实际养殖生产。本研究可为偏远或较大规模的养殖监测设备选取提供设备成本与网络选择参考价值。
提高农田管理的资源施用效率和持续培育优良作物品种是确保粮食产量和减轻作物生产对环境影响的关键途径。作物胁迫感知和植物表型测量系统是田间变量管理和高通量植物表型测量研究的核心，且两者在硬件和数据处理技术上具有相似性。几十年来，人们一直在开发可以用在田间变量管理领域的作物胁迫感知系统，旨在建立更加可持续的田间管理方案。与此同时，田间高通量表型系统开发取得的重大进展为降低传统表型测量成本提供了技术基础。本文首先对田间变量管理中涉及的作物胁迫感知系统进行了回顾，特别对目前用于精准灌溉、氮素施用和农药喷洒中的感知和决策方法进行了总结。基于作者团队在内布拉斯加大学林肯分校开发的三套田间表型测量系统，对常见田间高通量表型测量系统的传感器和数据的处理分析流程进行了介绍。此外，讨论了当前田间表型测量系统面临的挑战并提出了潜在解决方案。人工智能、机器人平台和创新仪器的持续发展有望显著提高测量系统的性能，对系统在育种中的大范围应用起到积极作用。对主要植物生理过程更直接的测量可能成为未来田间表型研究领域的研究热点之一，并为培育更耐胁迫的作物新品种提供有价值的表型数据。这篇综述可为田间变量管理和高通量植物表型测量两个研究领域提供参考和独特的见解。
新一代信息技术促使冷链智能化水平得以快速发展，精准把控智慧冷链发展水平是实现技术瓶颈重点突破与发展方向战略布局的前提基础与保障。基于此，本研究从供给能力、仓储能力、运输能力、经济效益、信息化水平等维度构建了中国智慧冷链发展评价指标体系，运用熵权法并结合优劣解距离法（Technique for Order Preference by Similarity to Ideal Solution，TOPSIS）对2017—2021年中国30个省市（不包含西藏、香港、澳门、台湾）的智慧冷链发展水平进行定量评价，通过探索性空间数据分析法（Exploratory Spatial Data Analys，ESDA）和地理加权回归（Geographically Weighted Regression，GWR）分析评价指标对不同省市的影响变化。研究结果表明，经济发展状况、配套设施建设与信息化水平对智慧冷链建设影响作用较大；东部沿海地区智慧冷链发展普遍较好，西南和西北地区发展缓慢，整体发展较为落后；评价指标具有显著时空异质性，影响程度随空间位置和时间发生变化。为提升中国智慧冷链整体发展水平，就加强配套设施建设、促进信息化转型升级提出相应发展对策。本研究可为实现中国智慧冷链全局性谋划、战略性布局、整体性推进等提供科学依据。
［目的/意义］ 针对传统方法对自然环境下苹果物候期图像识别精度低、覆盖面不全等问题，提出一种基于改进ResNet50模型的苹果物候期识别方法。 ［方法］ 通过搭建球形摄像机获取复杂背景下的苹果图像数据集，以ResNet50作为基础模型，引入SE（Squeeze-and-Excitation Network）通道注意力机制强化对苹果图像的特征提取能力，并结合余弦退火衰减学习率的Adam优化器，实现自然环境下高原红富士苹果物候期图像的智能识别。［结果和讨论］在32,000幅苹果树图像集上进行了试验，结果表明，改进ResNet50模型对苹果物候期图像进行识别，验证集准确率达到96.35%，测试集准确率达到91.94%，平均检测时间为2.19 ms，相较于AlexNet、VGG16、ResNet18、ResNet34、ResNet101以及经典ResNet50模型，最优验证集准确率分别提升了9.63%、5.07%、5.81%、4.55%、0.96%和2.33%。 ［结论］ 改进ResNet50可实现对苹果物候期有效识别，该研究成果可为果园物候期识别提供参考，通过集成至果树生育期智能监测生产管理平台，实现苹果园区的智能化管控。
为解决现代化果园水果收获过程中人工劳动强度大、作业效率低、配套机械匮乏等问题，结合果树矮砧宽行密植模式和农艺种植要求，本研究设计了一种自走式果园多工位收获装备。首先介绍了自走式果园多工位收获装备的整机结构和工作原理，然后根据“两侧、两高度、六工位”采摘作业模式，对履带自走式底盘、扩展作业平台、果实自动输送装箱及转运系统的关键部件进行了参数分析、计算与结构设计。田间试验结果表明，所设计的自走式果园多工位收获装备可同步于六工位人工采收速度，苹果采收损伤率为4.67％，装箱均布系数为1.475，装箱速度为72.9个/min，能够满足果园采收作业要求。
基于管道的自动喷雾技术及设施可以解决山地果园植保作业中喷雾作业效率低、劳动强度大、移动式喷雾机械难以进入的问题。本研究设计了适用于山地果园的管道自动喷雾系统，主要包括喷雾首部、喷雾管道、自动喷雾控制器及喷雾小组等结构，计算了山地果园管道药液压力损失，研制了自动喷雾控制器，并开发了控制程序。喷雾作业时，喷雾首部将药液经管道引入果园，利用自动喷雾控制器控制电磁阀，逐次打开或关闭喷雾小组，实现手动控制或自动控制喷雾。为确定电磁阀持续开通时间，进行了喷雾有效性试验。结果表明，控制喷雾小组的电磁阀持续开通8 s即可保证喷雾的有效性；采用这种管道自动喷雾设施的喷雾作业效率为2.61 hm2/h，与人工喷雾相比，提高了喷雾作业的效率。本研究可为山地果园的喷雾技术及智能施药设施的研发提供参考和思路。
为解决芒果园传统植保作业中农药用量大、施药不均匀、作业效率低等问题，并构建智慧芒果园，本研究对比了地面弥雾机和六旋翼植保无人机两种果园施药机具在芒果冠层中的药液雾滴沉积性能。将芒果冠层分为上中下层，以柠檬黄为示踪剂，使用高清相纸与滤纸采集药液雾滴，通过图像处理等手段分析雾滴沉积分布均匀性。试验结果表明，植保无人机在芒果树上部冠层叶片表面的雾滴覆盖率显著高于地面弥雾机，在其余冠层部位，两种施药机具在叶片表面药液无显著差异覆盖；植保无人机处理组叶片正反面平均覆盖率均为地面弥雾机的1.5~2倍，对叶片背面的防治优于地面弥雾机。地面弥雾机处理组叶片正面雾滴密度显著高于植保无人机，叶片背面无显著差异，植保无人机处理组正反面均未满足低量喷雾20个/cm2的病虫害防治要求。地面弥雾机药液沉积集中在中下冠层（61.1%），植保无人机集中在上部冠层（43.0%），冠层内部沉积比例地面弥雾机（48.6%）＞植保无人机（25.5%），但地面弥雾机在冠层上部沉积能力不足，沉积占比仅为17%。研究表明，相较于植保无人机，地面弥雾机适用于芒果冠层中下部及内部病虫害防治，同时该机具较高的雾滴覆盖密度在喷洒杀菌剂时也有明显优势，植保无人机适用于针对芒果上部冠层如蓟马、炭疽等易发于外部花絮的病虫害防治。
[目的/意义] 葡萄卷叶病是一种严重影响葡萄产量和品质的病害。葡萄卷叶病感染程度类别之间存在严重的数据不平衡，导致无人机遥感技术难以进行精确的诊断。针对此问题，本研究提出一种结合细粒度分类和生成对抗网络（Generative Adversarial Network，GAN）的方法，用于提高无人机遥感图像中葡萄卷叶病感染程度分类的性能。 [方法] 以蛇龙珠品种卷叶病识别诊断为例，使用GANformer分别对每一类的葡萄园正射影像的分块图像进行学习，生成多样化和逼真的图像以增强数据，并以Swin Transformer tiny作为基础模型，提出改进模型CA-Swin Transformer，引入通道注意力机制（Channel Attention，CA）来增强特征表达能力，并使用ArcFace损失函数和实例归一化（Instance Normalization，IN）来改进模型的性能。 [结果和讨论] GANformer可以生成FID score为93.20的蛇龙珠虚拟冠层图像，有效地改善数据不平衡问题。同时，相比基于卷积神经网络（Convolutional Neural Networks，CNN）的深度学习模型，基于Transformer的深度学习模型在卷叶病感染程度诊断的问题上更具优势。最佳模型Swin Transformer在增强数据集上达到83.97%的准确率，比在原始数据集上提高3.86%，且高于GoogLeNet、MobileNetV2、NasNet Mobile、ResNet18、ResNet50、CVT和T2TViT等对照模型。而本研究所提的CA-Swin Transformer在增强数据后的测试集上达到86.65%的分类精度，比在原始的测试集上使用Swin Transformer精度提高6.54%。 [结论] 本研究基于CA-Swin Transformer使用滑动窗口法制作了葡萄园蛇龙珠卷叶病严重程度分布图，为葡萄园卷叶病的防治提供了参考。同时，本研究的方法为无人机遥感监测作物病害提供了一种新的思路和技术手段。
黄土高原近20年来苹果栽植面积迅猛增加，对区域生态水文和社会经济发展均产生了重要影响。但该区域果园地块小且场景复杂，仅有县/市尺度统计数据，尚无苹果园实际的空间分布信息。为此，本研究建立了无人机低空遥感影像专业数据集。融合迁移学习与深度学习方法，将残差神经网络ResNet34网络迁移到Linknet网络，得到R_34_Linknet网络。将R_34_Linknet网络与5种常用的深度学习语义分割模型SegNet、FCN_8s、DeeplabV3+、UNet和Linknet应用于黄土高原苹果园空间分布提取，表现最好的模型为R_34_Linknet，其在测试集上的调和平均值F1为87.1%，像素准确度PA为92.3%，均交并比MIoU为81.2%，频权交并比FWIoU为85.7%，平均像素准确度MPA为89.6%。将空间金字塔池化结构（Atrous Spatial Pyramid Pooling，ASPP）与R_34_Linknet网络相结合，扩大网络的感受野，得到R_34_Linknet_ASPP网络；然后对ASPP结构进行改进，得到R_34_Linknet_ASPP+网络。对比三种网络性能，表现最优的为R_34_Linknet_ASPP+，在测试集上F1为86.3%，PA为94.7%，MIoU为82.7%，FWIoU为89.0%，MPA为92.3%。使用R_34_Linknet_ASPP+在长武县王东沟和白水县通积村提取苹果园面积精度分别为94.22%和95.66%。本研究提出的R_34_Linknet_ASPP+方法提取到的苹果园更加准确，苹果园地块边缘处效果更好，可作为黄土高原苹果园空间分布制图等研究的技术支撑和理论依据。
近年来，中国冷链物流行业进入快速发展阶段，冷链基础设施建设与市场需求量呈不断增长态势，同时也伴随着温室气体排放量的增加。为满足未来低碳经济发展要求，绿色低碳转型成为中国冷链行业高质量健康发展的新特征与新方向，但前提基础是精确认知低碳冷链物流发展状况。鉴于此，本文首先从能源转型、技术创新、经济效益、国家政策四个层面构建中国低碳冷链物流发展评价体系，并针对不同指标进行权重以及障碍度分析，探究不同指标对低碳冷链物流发展的影响度；其次，采用熵权-优劣解距离法（Technique for Order Preference by Similarity to Ideal Solution，TOPSIS）评价模型对中国2017至2021年低碳冷链物流发展情况进行评分，确定中国低碳冷链物流发展情况。研究结果表明，在不同指标中，绿色包装材料使用增长率、低碳技术论文发表数、科研人员占比、生鲜农产品冷链物流需求量增长率、氢氯氟烃制冷剂缩减率权重占比分别达到0.1243、0.1074、0.1066、0.0982、0.0716，对中国低碳冷链物流发展影响较大；2017至2021年间，中国低碳冷链物流发展水平评分从0.1498到0.2359，同比增长约57.5%；中国低碳冷链物流发展虽总体呈现上升趋势，但依旧处于发展阶段。
目前基于预训练语言模型（Pre-trained Language Model，PLM）的命名实体识别的研究在面对农业领域存在的实体命名方式繁杂、实体边界模糊等问题时，仅使用PLM最后一层表示输出，且均从外部引入知识或操作对实体表示进行增强，忽视内部各层本身蕴含语言不同层次的丰富信息。为解决上述问题，提出一种基于递进式卷积网络的命名实体识别方法。该方法首先存储自然句子，通过PLM后得到的每层输出表示；其次以递进式卷积作为全层信息的特征提取手段，对储存的模型中间层输出表示依次卷积。模型将注重全层信息，包括被忽略的浅层输出，而有研究表明靠近输入的模型层输出的句子嵌入包含更多的诸如短语、词组等粗粒度信息，对于边界模糊的农业命名实体识别，更关键的词组界定信息或许就隐含在这些被忽略的浅层嵌入中，可为农业领域存在的命名实体识别问题提供帮助。无需外部信息的引入，充分利用已使用的计算力得到的结果就能增强句子的表示嵌入；最终通过条件随机场（Conditional Random Field，CRF）模型生成全局最优序列。在构建的包含农作物品种、病害、虫害和农药4类农业实体的农业数据集上，所提方法的综合性指标F1值相较于基于Transformer的双向编码表征模型（Bidirectional Encoder Representation from Transformers， BERT） 提升3.61%，在公开数据集上也有较好表现，其中在数据集MSRA上F1值提升至94.96%，说明基于递进式的卷积网络能够增强模型对自然语言的表示能力，在命名实体识别任务上具有优势。
作物具有结构多样、生长环境复杂等特征。RGB图像数据能真实地反映植株的纹理特征与颜色特征，三维点云数据包含了作物的体量信息。将RGB图像和三维点云数据结合，实现作物的二维和三维表型参数提取，对表型组学的方法研究具有重要意义。本研究以马铃薯为研究对象，使用RGB相机和激光扫描仪分别采集了50个马铃薯的RGB图像与三维激光点云数据。对比了OCRNet，UpNet，PaNet和DeepLab v3+四种深度学习语义分割方法的分割精度，并选择精度较高的OCRNet网络实现马铃薯顶视图像的语义分割。优化了Mean shift聚类算法流程，完成了马铃薯植株激光点云的单株分割，并结合欧式聚类和K-Means聚类算法对单株马铃薯植株点云的茎和叶进行准确地分割。同时，提出一种利用编号建立马铃薯单株RGB图像和激光点云间一一对应关系的策略，并以此为基础分别从RGB图像与激光点云中提取同一马铃薯植株包括最大宽度、周长、面积、株高、体积、叶长与叶宽在内的8个二维表型参数与10个三维表型参数。最后，选择了比较具有代表性、易测量的叶片数、株高、最大宽度三个表型参数进行精度评估，平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）分别为8.6%、8.3%和6.0%，均方根误差（Root Mean Square Error，RMSE）分别为1.371片、3.2 cm和1.86 cm，决定系数R2分别为0.93、0.95和0.91。精度评估的结果表明，所提取的表型参数能够准确、高效地反映马铃薯的生长状态，将马铃薯的RGB影像数据与三维激光点云数据相结合，能够充分发挥RGB图像纹理颜色特征丰富、三维点云能够提供体量信息的优势，实现马铃薯植株二维与三维表型参数高精度、非破坏性的提取。本研究成果不仅可以为马铃薯的种植和育种提供重要的技术支持，还可以为基于表型数据的研究提供有力支持。
为满足苹果内部品质产地检测分级需求，本研究研发出检测模块和分级模块，构成可移动式苹果内部品质果园产地分级系统。在此系统的基础上，以苹果糖度和霉心病为代表品质指标，提出一种基于乘法效应消除（Multiplicative Effect Elimination，MEE）的光谱校正方法，用于消除苹果物理属性差异导致的有效光程变化对光谱的影响。利用该系统获取苹果600~900 nm漫透射光谱数据，分别采用多元散射校正（Multiple Scattering Correction，MSC）、标准正态变量变换（Standard Normal Variate Transform，SNV）和MEE算法对苹果光谱预处理后，建立糖度偏最小二乘回归（Partial Least Squares Regression， PLSR）预测模型和霉心病偏最小二乘判别（Partial Least Squares - Discriminant Analysis，PLS-DA）模型。结果表明，MEE算法相比于MSC和SNV算法建模结果更好，糖度预测模型的校正集相关系数（Rc）、校正集均方根误差（Root Mean Square Error of Calibration，RMSEC）、预测集相关系数（Rp）和预测集均方根误差（Root Mean Square Error of Prediction，RMSEP）分别为0.959、0.430%、0.929和0.592%；霉心病判别模型的校正集敏感性、校正集特异性、校正集准确率、预测集敏感性、预测集特异性和预测集准确率分别为98.33%、96.67%、97.50%、100.00%、90.00%和95.00%。将建立的最佳预测模型导入分级系统进行试验，结果表明该系统的分级准确率为90.00%，分级速度约3个/s。该系统具有成本低、结构简单、移动方便等优点，可以满足苹果内部品质果园产地检测分级需求。
目的/意义 农业传感器是数字农业、信息农业、智慧农业等现代农业发展模式的源头技术，也是推动农业科技迭代升级和农业生产方式变革的重要驱动力。农业传感器应用环境（水、气及土壤）和监测对象（动植物）多样复杂、规模大，因此，高环境适应性、高可靠性和低成本的农业传感器是实现智慧农业的基础与核心。［进展］本文对农业传感器进行分类，并对农业传感器前沿研究趋势进行分析，综述农业传感器在不同应用场景下的研究现状，从农业环境传感器（水、大气和土壤等）、动植物生命信息传感器、农产品质量安全传感器和农机传感器四大类进行深入分析，总结现有农业传感器在研发和使用过程中的通用性和局限性。［结论/展望］在农业传感器面临的挑战与展望中，具体分析了现阶段农业传感器大规模应用严重不足的核心瓶颈，包括低成本化、专用化、高稳定性及自适应，归纳出“农业泛在感知”的概念，为农业传感器技术研发提供思路和参考。
［目的/意义］ 自然环境中鲜食葡萄的快速识别与精准定位是实现鲜食葡萄机器人自动采摘的先决条件。 ［方法］ 本研究基于改进的K-means聚类算法和轮廓分析法提出一种鲜食葡萄采摘点自动定位的方法。首先，采用加权灰度阈值作为聚类算法相似度的判定依据，并以此为基础提出一种自适应调整K值的K-means聚类算法，实现鲜食葡萄的快速有效识别检测；然后，利用提出的轮廓分析法获得果梗轴和采摘点感兴趣区域，利用几何方法实现鲜食葡萄采摘点快速准确定位；最后，利用采集的917张鲜食葡萄图像对本研究提出的算法进行实验验证。［结果和讨论］本研究提出算法定位的鲜食葡萄采摘点与最优采摘点的误差小于12个像素的成功率为90.51%，平均定位时间为0.87 s，实现鲜食葡萄采摘点的快速准确的定位。在篱壁式种植方式与棚架式种植方式下分别进行50次模拟仿真试验，结果表明，篱壁式紫葡萄采摘点定位成功率为86.00%，棚架式紫葡萄识别定位成功率达到92.00%，篱壁式绿葡萄采摘点定位成功率为78.00%，棚架式绿葡萄识别定位成功率为80.00%，整体试验效果较好。 ［结论］ 本研究可为鲜食葡萄采摘机器人实现精准采摘葡萄提供技术支撑。
[目的/意义] 人工智能（Artificial Intelligence，AI）技术已在学术和工程应用领域掀起了研究高潮，在地球物理参数和农业气象遥感参数反演方面也表现出了强大的应用潜力。目前大部分AI技术在地学和农学的应用还是“黑箱”，没有物理意义或缺乏可解释性及通用性。为了促进AI在地学和农学的应用和培养交叉学科的人才，本研究提出基于AI耦合物理和统计方法的地球物理参数反演范式理论。 [方法] 首先基于物理能量平衡方程进行物理逻辑推理，从理论上构造反演方程组，然后基于物理推导构建泛化的统计方法。通过物理模型模拟获得物理方法的代表性解以及利用多源数据获得统计方法代表性的解作为深度学习的训练和测试数据库，最后利用深度学习进行优化求解。 [结果和讨论] 判定形成具有通用性和物理可解释的范式条件包括：（1）输入与输出变量（参数）之间必须存在因果关系；（2）输入和输出变量（参数）之间理论上可以构建闭合的方程组（未知数个数少于或等于方程组个数），也就是说输出参数可以被输入参数唯一确定。如果输入参数（变量）和输出参数（变量）之间存在很强的因果关系，则可以直接使用深度学习进行反演。如果输入参数和输出参数之间存在弱相关性，则需要添加先验知识来提高输出参数的反演精度。此外，本研究以农业气象遥感中的关键参数地表温度、发射率、近地表空气温度和大气水汽含量联合反演作为案例对理论进行了证明，分析结果表明本理论是可行的，并且可以辅助优化设计卫星传感器波段组合。 [结论] 本理论和判定条件的提出在地球物理参数反演史上具有里程碑意义。
针对果园多风道喷雾机内部气流分布不均导致由出风口吹出的气流紊乱、影响使雾滴在果树冠层上均匀沉积的问题，对多风道喷雾机内部导流板长度参数进行了优化。应用计算流体动力学（Computational Fluid Dynamics，CFD）技术，基于Star-CCM+软件对喷雾机送风系统内部气流进行了模拟分析，得到出风口1~6的风速在不同导流板长度的标准差分别为0.7468、0.6776、1.4441、5.1305、4.5768和0.8209。对风速标准差较大的出风口3、出风口4、出风口5进行响应面分析，最终确定导流板1长度200.00 mm、导流板2长度60.00 mm、导流板3长度50.00 mm为最优参数组合。在最优组合参数下，计算得到对称出风口3和出风口6的风速值分别为39.135和41.320 m/s，相对偏差为5.58%；出风口4和出风口5的风速值分别为33.022和34.328 m/s，相对偏差为3.95%，符合设计要求。室内风速试验结果表明，在距离喷雾机出风口1.25 m处，风场风速由上层到下层逐渐增大，实现风场按果树冠层形状分布，喷雾机左右两侧风场对称分布，气流分布均匀。果园多风道喷雾机设计满足要求，可为同类设计提供参考。
［目的/意义］ 针对传统人工识别病虫害存在的效率过低、成本过高等问题，提出一种融合ECA（Efficient Channel Attention）注意力机制与DenseNet201的水稻图像识别模型GE-DenseNet（G-ECA DenseNet）。 ［方法］ 首先在ECA机制上引入Ghost模块的思想构成G-ECA Layer结构，增强其提取特征的能力。其次，在DenseNet201原有的Dense Block前引入G-ECA Layer，使模型具有更优的通道特征提取能力。由于实验所用的数据集较小，将DenseNet201在ImageNet数据集上预训练的权重参数迁移到GE-DenseNet中。训练时，采用Focal Loss函数来解决各分类样本不均衡的问题。同时，使用Adam优化器以避免在模型训练初期由于部分权重随机初始化而导致反向传播的梯度变化剧烈的问题，在一定程度上削弱了网络训练的不确定性。［结果和讨论］在包含水稻胡麻斑病、水稻铁甲虫、稻瘟病与健康水稻的3355张图像数据集上进行了实验测试，识别准确率达到83.52%。由GE-DenseNet模型的消融对比实验可得，引入了Focal Loss函数与G-ECA Layer层之后，模型准确率上升2.27%。将所提模型与经典NasNet（4@1056）、VGG-16和ResNet50模型相比，分类准确率分别提高了6.53%、4.83%和3.69%；相较于原始的DenseNet201，对水稻铁甲虫的识别准确率提升达20.32%。 ［结论］ 加入G-ECA Layer结构能够使模型更为准确地捕捉适合于水稻病虫害识别的特征信息，从而使GE-DenseNet模型能够实现对不同水稻病虫害图像更为准确地识别，为及时防治病虫害，减少各类损失提供技术支持。
［目的/意义］ 乡村振兴战略给农业技术推广提出新的要求，使农业推广知识的供给形式有待进一步创新。以果蔬农技知识服务为需求导向，基于前沿大语言模型技术，面向新型农业知识导读和知识问答等农技推广服务，构建果蔬农技知识智能问答系统。 ［方法］ 基于草莓种植户需求分析，把草莓栽培农技知识划分为不同主题，形成知识对象识别和知识问答两种大模型下游任务，结合机器自动标注和人工标注的方法构建小样本高质量训练语料；通过对比已有的4种大语言模型：Baichuan2-13B-Chat、ChatGLM2-6B、Llama-2-13B-Chat、ChatGPT的性能表现，选择性能最优的模型作为基础模型，按照“优质语料+预训练大模型+微调”的研究思路，训练具有语义分析、上下文关联和生成能力，能够适应多种下游任务的深度神经网络，构建农业知识问答大模型；采用数据优化、检索增强生成技术等多种策略缓解大模型幻觉问题；研发果蔬农技知识智能问答系统，生成高精度、无歧义的农业知识答案，同时支持用户多轮问答。 ［结果和讨论］ 以精准率和召回率为命名实体识别任务的性能表现指标，参与测评的国内主流模型在微调后不同知识主题下的平均精准率均超过85%，平均召回率表现各异，其中知识实体类型的数量、标注语料数量等因素都会影响大模型性能；以幻觉率和语义相似度为知识问答任务的性能表现指标，数据优化、采用检索增强生成技术等策略以10%~40%的幅度有效降低大模型幻觉率，并有效提高大模型的语义相似度。 ［结论］ 在农业领域的命名实体识别和知识问答任务中，预训练大模型ChatGLM的表现性能最优。针对预训练大模型下游任务的微调和基于检索增强生成（Retrieval-Augmented Generation，RAG）技术的模型优化可以缓解大模型幻觉问题，显著提升大模型性能。大模型技术具有创新农技知识服务模式、优化农业知识推广的潜力，能够有效降低种植户获取高质量有效知识的时间成本，引导更多的种植户实现农业技术创新和转型。但是由于性能不稳定等诸多问题，大模型的优化方法和具体场景应用仍需进一步深入研究。
[目的/意义] 玉米茎秆宽度是影响玉米抗倒伏能力的重要指标。玉米茎秆宽度测量存在人工采集过程繁琐、设备自动采集识别精度误差较大等问题，研究一种玉米茎秆宽度原位检测与高精度识别方法具有重要应用价值。 [方法] 采用ZED2i双目相机并将其固定在田间获取实时的玉米茎秆左目和右目图片，对原始图片进行数据增强，使用YOLOv8对玉米茎秆进行识别，再通过多次增加注意力机制（Coordinate Attention，CA）模块，和替换损失函数（Efficient IoU Loss，EIoU）的方法，进一步提高玉米茎秆的识别精度，然后通过对玉米茎秆的三维重建，获取识别框边界点在世界坐标系下的三维数据，通过距离公式计算出茎秆宽度。最后对改进后的YOLOv8模型与YOLOv8原模型、YOLOv7、YOLOv5、Faster RCNN、SSD进行对比，验证模型的识别准确性和识别精度。 [结果和讨论] 改进后的YOLOv8模型的查准率P、查全率R、平均精确率mAP0.5、平均精确率mAP0.5∶0.95分别达到了96.8%、94.1%、96.6%、77.0%，玉米茎秆宽度原位检测宽度计算的线性回归决定系数R2，均方根误差RMSE和平均绝对误差MAE分别为0.373、0.265和0.244 cm，可满足实际生产对玉米茎秆宽度测量精度的要求。 [结论] 本研究提出的基于改进YOLOv8模型的玉米茎秆宽度原位识别方法可以实现对玉米茎秆的原位准确识别，很好地解决了目前人工测量耗时费力和机器视觉识别精度较差的问题，为实际生产应用提供了理论依据。
［目的/意义］ 快速准确评估作物倒伏灾情状况，需及时获取倒伏发生位置及面积等信息。目前基于无人机遥感识别作物倒伏缺乏相应的技术标准，不利于规范无人机数据获取流程和提出问题解决方案。本研究旨在探讨不同空间分辨率无人机遥感影像及特征优化方法对小麦倒伏区域识别精度的影响。 ［方法］ 在小麦倒伏后设置3个飞行高度（30、60和90 m），获取不同空间分辨率（1.05、2.09和3.26 cm）的数字正射影像图（Digital Orthophoto Map，DOM）和数字表面模型（Digital Surface Model，DSM），从不同空间分辨率影像中分别提取5个光谱特征、2个高度特征、5个植被指数以及40个纹理特征构建全特征集，并选择3种特征选择方法（ReliefF算法、RF-RFE算法、Boruta-Shap算法）筛选构建特征子集，进而利用3种面向对象监督分类方法——支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）和K最近邻（K Nearest Neighbor，KNN）构建小麦倒伏分类模型，明确适宜的分类策略，确立倒伏分类技术路径。［结果和讨论］结果表明，SVM的分类效果整体优于RF和KNN，当影像空间分辨率在1.05~3.26 cm范围内变化时，全特征集和3种优化特征子集均以1.05 cm分辨率的分类精度最高，优于2.09和3.26 cm。比较发现，Boruta-Shap特征优化方法既能实现降维和提高分类精度的目标，又能适应空间分辨率的变化，当影像分辨率为3.26 cm时，总体分类精度相较1.05和2.09 cm分别降低了1.81%和0.75%；当影像分辨率为2.09 cm时，总体分类精度相较1.05 cm降低了1.06%，表现为不同飞行高度下的分类精度相对差异较小，90 m总体分类精度可达到95.6%，Kappa系数达到0.914，满足了对分类精度的需求。 ［结论］ 通过选择适宜的特征选择方法，不仅可以兼顾分类精度，还能有效缩小影像空间分辨率变化引起的倒伏分类差异，有助于提升飞行高度，扩大小麦倒伏监测面积，降低作业成本，为确立作物倒伏信息获取策略及小麦灾情评估提供参考及支持。
［目的/意义］ 分析广西甘蔗主产区甘蔗产量与气象因素的关系，利用气象数据预测甘蔗产量，为糖厂及相关管理部门提供科学的数据支撑。 ［方法］ 选用2002~2019年广西五个不同地级市内蔗区的产量数据及14种逐日气象数据，将每年的各气象因子以78个逐月递增的连续时段的均值与产量进行相关性分析，根据敏感时段分析法确定关键气象因子，并分析各气象因子在敏感时段对产量的影响。分别利用BP神经网络（BP Neural Network，BPNN）、支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）、长短期记忆网络（Long Short-Term Memory，LSTM）建立单蔗区产量预测模型，并采用以全生育期气象均值作为模型输入的方法进行对照实验。使用HP滤波法（Hodrick Prescott Filter）分离出甘蔗气象产量，将5个蔗区的数据混合，分别利用RF、SVM、BPNN和LSTM建立通用的多蔗区气象产量预测模型。［结果和讨论］对于单蔗区，敏感时段分析法的模型预测效果明显优于全生育期取气象均值的方法，LSTM模型对于上述两种数据处理方法的预测效果均明显优于目前广泛使用的BPNN、SVM、RF模型，敏感时段分析法的LSTM模型整体的均方根误差（Root Mean Square Error，RMSE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）分别为10.34 t/ha和6.85%，决定系数Rv2为0.8489。对于多蔗区，LSTM预测结果较差，RF、SVM及BPNN三种预测模型都取得了良好的效果，预测效果最好的BPNN模型的RMSE和MAPE分别为0.98 t/ha和9.59%，Rv2为0.965。 ［结论］ 通过敏感时段分析法筛选的关键气象因子与产量均呈显著相关，根据敏感时段能准确地分析各气象因子对产量的影响。使用LSTM模型预测单蔗区产量，使用BPNN模型预测多蔗区甘蔗气象产量的方法是可行的，且预测误差在可接受范围内。
苹果产业作为苹果主产区经济发展的支柱产业，为当地果农增收、农业增效做出了重要贡献。随着产业的转型升级，苹果生产机械化和智能化的发展程度将影响其经济效益。为推进苹果生产智能化技术研究与智能装备研发，本文概述了苹果生产各个环节机械化水平，阐述了动力底盘、除草装备、收获装备等苹果生产装备主要技术特点，归纳了自动调平与控制、自主导航、自动避障、杂草识别、杂草去除、苹果识别、苹果定位、苹果分离等技术分别在智能化动力底盘、智能除草装备、苹果采收机器人上的研究与应用进展，并阐明了上述3种智能装备关键技术的基本原理和特点。在此基础上，指出了目前苹果生产智能装备技术面临的挑战，并提出了发展建议。
为实现农副产品中黄曲霉毒素B1（AFB1）的现场快速检测，设计了一款基于差分脉冲伏安法（Differential pulse voltammetry，DPV）、以STM32F103ZET6为核心处理器的便携式检测系统。系统主要包括硬件检测设备和手机App两部分，二者通过Wi-Fi通信连接。硬件检测设备主要包括DPV波形生成电路、恒电位电路及微电流检测模块；上位机App在安卓环境下开发，主要完成信号采集、数据存储等任务。应用实验室自制的AFB1传感器，在0.1 fg/ml~100 pg/ml范围内系统可以对 AFB1实现有效检测。标准溶液中的测试结果与电化学工作站CHI760e相比，最大相对误差为7.37%。对加入不同浓度AFB1的花生油样品进行检测，以CHI760e检测结果为标准，回收率为96.8%~106%；对发霉程度不同的花生样品中进行测试，与CHI760e相比，最大相对误差为7.10%。本便携式检测系统在农副产品中AFB1的现场快速检测中具有广阔的应用前景。
[目的/意义] 基于遥感手段的稻叶瘟（Rice Leaf Blast，RLB）无损早期监测对于抗性育种和植保防控具有重要作用。目前对稻瘟病的研究多使用反射光谱在其显症阶段进行监测，针对稻叶瘟早期侵染阶段的日光诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence，SIF）光谱监测研究尚未见报道。本研究的目的是基于不同叶位的日光诱导叶绿素荧光信息，实现水稻叶瘟病早期阶段感病叶片的准确识别。 [方法] 基于一年的温室接种试验和大田采样实验，配合使用主动光源、ASD（Analytical Spectral Devices）地物光谱仪和FluoWat叶片夹，获取了拔节期和抽穗期水稻植株顶1至顶4叶位的叶片SIF光谱，并人工标注了被测样本的发病等级。研究基于连续小波分析（Continue Wavelet Analysis，CWA）提取对稻叶瘟敏感的小波特征，比较了不同叶位敏感特征及其感病叶片识别精度，最后基于线性判别分析（Linear Discriminant Analysis，LDA）算法构建了稻叶瘟识别模型。 [结果和讨论] 各叶位感病叶片远红光区域的上行和下行SIF均显著高于健康叶片；基于SIF小波特征的感病叶片识别精度显著高于原始SIF波段，顶1叶的稻瘟病识别精度显著高于其他三个叶位，其识别精度最高可达70%；提取的适用于多叶位的共性敏感小波特征↑WF832，3和↓WF809，3在顶1至顶4叶的精度分别达到69.45%、62.19%、60.35%、63.00%和69.98%、62.78%、60.51%、61.30%。 [结论] 本研究揭示了稻瘟病胁迫下水稻叶片SIF光谱响应规律，提取了对稻叶瘟敏感的SIF小波特征，结果证明了连续小波分析和SIF技术用于诊断稻叶瘟的潜力，为实现稻瘟病的田间早期、快速、原位诊断提供了重要参考与技术支撑。
［目的/意义］ 烤烟叶片叶绿素含量（Leaf Chlorophyll Content，LCC）是表征烤烟光合作用、营养状况和长势的重要指标。本研究的目的为高效精确地估测不同生长期烤烟LCC。 ［方法］ 以中烟100烟叶为研究对象，利用无人机搭载Resonon Pika L高光谱成像仪采集烤烟在6个关键生育期冠层反射率数据。基于相关分析筛选了21种LCC的敏感光谱指数，通过比较不同光谱组合及不同回归分析算法的预测精度，最终建立了基于多种光谱指数组合的LCC回归估测模型。采用一元线性回归（Unary Linear Regression，ULR）、多元线性回归（Multivariable Linear Regression，MLR）、偏最小二乘回归（Partial Least Squares Regression，PLSR）、支持向量回归（Support Vector Regression，SVR）和随机森林回归（Random Forest Regression，RFR）5种建模方法进行LCC估测。［结果和讨论］在不同生育期大部分光谱参数与LCC的相关性达到极显著（P<0.01）；相较于传统植被指数，新组合的光谱指数显著提升了与LCC的相关性；对单变量LCC估测模型ULR，以移栽后75 d新组合的归一化光谱指数与红光比率光谱指数的单变量建模精度最高，两者决定系数（Coefficient of Determination，R2 ）和均方根误差（Root Mean Square Error，RMSE）分别为0.822和0.814，0.226和0.230。MLR、PLSR、SVR和RFR建模方法预测结果表明，RFR算法在LCC估测中效果最好，其中使用移栽后75 d数据验证集的R2和RMSE可达0.919和0.146。 ［结论］ 本研究通过分析多种光谱指数与烤烟LCC的响应规律，构建可靠的烤烟叶片LCC估测模型，可为烤烟叶LCC估测以及烤烟的生长发育监测提供理论依据和技术支撑。
草莓恶疫霉会引起草莓革腐病和冠腐病，影响草莓的经济效益，但感染恶疫霉早期植株没有明显的症状，无法被及时准确地诊断，因此迫切需要低成本诊断方法实现早期预防。草莓植株感染恶疫霉会释放一种独特的有机挥发性气体4-乙基苯酚，可作为该疾病快速诊断的标志性气体。本研究使用半导体单壁碳纳米管（Single-Wall Carbon Nanotube，SWNT）和场效应传感器（Field Effect Transistor，FET）制备半导体场效应气体传感器（SWNT/FET），进而修饰对4-乙基苯酚灵敏度高、选择性好的金属卟啉MnOEP获得MnOEP-SWNT/FET。通过拉曼光谱、紫外光谱、伏安分析法研究MnOEP-SWNT/FET，分析理化性能及优化检测条件，提高MnOEP-SWNT/FET对4-乙基苯酚的气体敏感性能。在最优检测条件下，MnOEP-SWNT/FET对0.25%~100%的4-乙基苯酚饱和蒸汽（20 ℃），检出限为0.15%的4-乙基苯酚饱和蒸气（S/N =3），测定不同浓度的相对标准误差低于10%。通过测定实际样本，表明MnOEP-SWNT/FET检测草莓健康植株会存在假阳性，但对感染恶疫霉的草莓植株有较高的检测精度。
［目的/意义］ 菠萝的贮藏性与成熟度相关，菠萝采摘前对其成熟度进行识别尤为重要。本研究目的在于提出一种新型网络模型，提高菠萝成熟度自动识别的准确率和速度。 ［方法］ 首先针对菠萝训练数据集样本少与实时性差等不足，利用在自然环境下拍摄的菠萝照片，自建了种植区场景菠萝成熟度分析数据集。之后将YOLOv4骨干网络替换成轻量级网络MobileNet V3，提出了轻量级的MobileNet V3-YOLOv4网络。同时训练了原YOLOv4模型、MobileNet V1-YOLOv4模型、MobileNet V2-YOLOv4模型以及Faster R-CNN、YOLOv3、SSD300、Retinanet、Centernet等五种不同的单、双阶段网络模型，并对比模型的评价指标，分析本文模型的优越性。［结果和讨论］试验结果表明，MobileNet V3-YOLOv4训练时间为11,924 s，参数量为53.7 MB，训练好的MobileNet V3-YOLOv4在验证集的平均精度均值（mean Average Precision，mAP）为90.92%，对于黄熟期菠萝和青熟期菠萝两种类别的检测精确率（Precision）分别为100%和98.85%，平均精度（Average Precision，AP）值分别为87.62%、94.21%，召回率（Recall）分别为77.55%、86.00%，F1分数（F1 Score）分别为0.87和0.92，推理速度（Frames Per Second，FPS）80.85 img/s。 ［结论］ 本研究提出的MobileNet V3-YOLOv4实现了在降低训练速度、减小参数量的同时，提高了菠萝成熟度识别的精度和推理速度，满足实际检测需求。
[目的/意义] 培育优质高产的小麦品种是小麦育种的主要目标，而小麦籽粒完整性直接影响小麦育种进程。完整籽粒与破损籽粒的部分特征差异较小，是限制基于深度学习识别破损小麦籽粒精准度的关键因素。 [方法] 为解决小麦籽粒检测精度低的问题，本研究建立ImCascade R-CNN模型，提出小麦籽粒表形鉴定方法，精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。 [结果和讨论] ImCascade R-CNN模型检测小麦籽粒完整性的平均精度为90.2%，与Cascade Mask R-CNN、Deeplabv3+模型相比，能更好地识别、定位、分割小麦籽粒，为籽粒表形参数的获取提供基础。该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%，测量长宽比的标准误差为0.15，与人工测量值具有较高的一致性。 [结论] 研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据，加速培育优质高产小麦品种。
[目的/意义] 不同类型的小麦倒伏（根部倒伏、茎部倒伏）对产量和质量会产生不同影响。本研究旨在通过无人机图像对小麦倒伏类型进行分类，并探究无人机飞行高度对分类性能的影响。 [方法] 研究设置3个无人机飞行高度（15、45、91 m）来获取小麦试验田的图像，并利用自动分割算法生成不同高度的数据集，提出一种EfficientNetV2-C改进模型对其进行分类识别。模型通过引入CA（Coordinate Attention）注意力机制来提升网络特征提取能力，并结合CB-Focal Loss（Class–Balanced Focal Loss）来解决数据不均衡对模型分类准确度的影响。 [结果和讨论] 改进的EfficientNetV2-C表现最佳，平均准确率达到93.58%。对比未改进的4种机器学习分类模型（支持向量机（Support Vector Machine，SVM）、K最近邻（K Nearest Neighbor，KNN）、决策树（Decision Tree，DT）和朴素贝叶斯（Naive Bayes，NB））与两种深度学习分类模型（ResNet101和EfficientNetV2），其中EfficientNetV2在各个高度下表现最优，平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响，但随飞行高度上升，由于图像特征信息损失，深度学习模型的分类性能下降。 [结论] 改进的EfficientNetV2-C在小麦倒伏类型检测方面取得了较高的准确率，为小麦倒伏预警和农作物管理提供了新的解决方案。
［目的/意义］ 为实现不同部位牦牛肉快速、准确识别，本研究提出了一种改进的残差网络模型，并开发了一种基于智能手机的牦牛肉部位识别软件。 ［方法］ 首先对于采集到的牦牛里脊、上脑、腱子、胸肉的原始图像数据集采用数据增强的方式对其进行扩充，共得到的牦牛肉部位图像17,640张；其次，采用在原网络模型残差块之后融入轻量级卷积块注意力模块（Convolutional Block Attention Module，CBAM），以加强对不同部位牦牛肉图像关键细节特征的提取；将原模型最后的全连接层进行改进，以减少后续网络层的连接数，防止出现过拟合，减少识别图像所需的时间；然后，采用不同的学习率、权重衰减系数和优化器来验证对网络收敛速度和准确率的影响；最后，开发了移动端App，将改进后的模型部署到移动端。［结果和讨论］通过消融实验，探究出在CBAM、SENet、NAM、SKNet四种注意力机制模块中，改进效果最好的是CBAM。将改进后的ResNet18_CBAM模型在包含牦牛里脊、上脑、腱子、胸肉4种不同牦牛肉部位的数据集上进行了试验测试，结果表明，改进后的残差网络模型在测试集上的识别准确率为96.31%，比改进前的原网络模型提高了2.88%。在手机端的实际场景测试中，牦牛里脊、上脑、腱子、胸肉的识别准确率分别达到了96.30%、94.92%、98.04%、96.49%。该结果表明，改进后的ResNet18_CBAM模型可在实际应用中识别不同部位牦牛肉且具有良好的结果。 ［结论］ 本研究成果有助于保障牦牛肉产业的食品质量安全，也为青藏高原地区的牦牛肉产业智能化发展提供技术支撑。
［目的/意义］作为未来农机装备的研究重点，农业轮式机器人正向着智能化与多功能化的方向发展。三维环境感知技术因其获取的信息量丰富、复杂环境下的鲁棒性和适应性好，成为了农业轮式机器人智能化无人作业的基础与关键，其发展水平直接影响到包括农业轮式机器人在内的无人农机的作业质量与效率。［进展］本文首先总结了农业轮式机器人和农业环境感知技术的发展现状，分析了不同类型农业轮式机器人的使用特点和应用现状。其次分析了在农业轮式机器人上实现三维环境感知所主要使用的感知设备及其对应的关键技术，重点阐述了基于激光雷达、视觉传感器和多传感器融合的农业轮式机器人三维环境感知技术的研究进展。［结论/展望］结合农业作业特点与实际需求，指出了农业轮式机器人三维环境感知技术在适用性、环境信息处理和感知效果等方面存在的一些问题，并提出了提升传感器的农业适用性、发展基于深度学习的农业环境感知技术、发展智能化的高速在线多传感器信息融合技术三个方面的建议，以期为农业轮式机器人三维环境感知技术发展提供参考与借鉴。
［目的/意义］ 目前，对于防风药材产地和品质的鉴别方法主要是根据其物理或化学特征，其方法需对中药材进行分离提取，存在耗时长，费用高，专业性强，技术难度大等问题，不利于推广应用。随着深度学习的不断发展，其无需人工提取特征、分类精度高等优点被广泛应用在中药材的识别之中。 ［方法］ 针对大多数卷积神经网络模型在识别防风药材时计算量大、精度低的问题，本研究提出了一种改进的ShuffleNet V2的轻量级防风道地性识别模型。在不降低网络性能的情况下调整模型架构，减少模型参数量和计算量，用沙漏残差网络（Hourglass Residual Network）代替传统残差网络，同时引入SE（Squeeze-and-Excitation）注意力机制，把具有附加信道注意力的沙漏残差网络嵌入到ShuffleNet V2中，使用SiLU激活函数替换 ReLU 激活函数，丰富局部特征学习，从而提出轻量化的中药防风道地性识别模型 Shuffle-Hourglass SE。为了验证本文所提出模型的有效性，选用VGG16、MobileNet V2、ShuffleNet V2和SqueezeNet V2四种经典网络模型进行对比实验。［结果和讨论］结果表明，本研究提出的模型Shuffle-Hourglass SE获得了最佳性能。在测试集上取得95.32%的准确率、95.28%的召回率，F1分数达到95.27%，测试时间、模型大小为246.34 ms和3.23 M，不仅在传统CNN网络中是最优的，在轻量级网络中也具有较大优势。 ［结论］ 本研究所提出的模型在保持较高识别精度的同时占用较少的储存空间，有助于在未来的低性能终端上实现防风道地性的实时诊断。
［目的/意义］ 本研究针对丘陵地区的农田环境下农业机器人遍历多个田块的遍历路径问题，提出了一种Floyd算法与改进遗传算法相结合的遍历路径规划方法。 ［方法］ 首先建立田块间的连通关系以及路网图；然后利用Floyd算法获得任意两个田块间覆盖路径端点距离，再将该距离代价作为变量带入改进遗传算法进行求解，最终得到优化后的田块遍历顺序以及每个田块的进出口分布。 ［结果和讨论］ 仿真结果表明，与传统遗传算法相比，本研究提出的改进遗传算法平均最短路径缩短13.8%，算法收敛迭代次数更少，并表现出较好的跳出局部最优解的能力。利用真实的农田数据和田间作业参数进行仿真试验，通过本研究方法得到的田块遍历顺序和进出口的排布能够有效地减少转移路径的长度和路径的重复率。 ［结论］ 本研究在农机多田块遍历路径规划上的优越性和可行性，算法输出的轨迹坐标能为农机驾驶员或无人农机在大面积作业时提供路径参考。本研究可为农业机器人遍历路径规划提供技术支持。
[目的/意义] 利用低空无人机技术并结合深度学习语义分割模型精准提取作物倒伏区域是一种高效的倒伏灾害监测手段。然而，在实际应用中，受田间各种客观条件（不同无人机飞行高度低于120 m、多个研究区、关键生育期不同天气状况等）限制，无人机获取的图像数量仍偏少，难以满足高精度深度学习模型训练的要求。本研究旨在探索一种在作物生育期和研究区有限的情况下精准提取倒伏面积的方法。 [方法] 以健康/倒伏小麦为研究对象，在其灌浆期和成熟期开展麦田图像采集工作。设置2个飞行高度（40和80 m），采集并拼接获取2019、2020、2021和2023年份3个研究区的数字正射影像图（Digital Ortho⁃photo Map，DOM）；在Swin-Transformer深度学习语义分割框架基础上，分别使用40 m训练集单独训练、40和80 m训练集混合训练、40 m训练集预训练80 m训练集迁移学习等3种训练方法，获得对照模型、混合训练模型和迁移学习模型；采用对比实验比较上述3种模型分割80 m高度预测集图像的精度并评估模型性能。 [结果和讨论] 迁移学习模型倒伏面积提取精度最高，交并比、正确率、精确率、召回率和F1-Score共5个指标平均数分别为85.37%、94.98%、91.30%、92.52%和91.84%，高于对照组模型1.08%~3.19%，平均加权帧率达到738.35 fps/m2，高于40 m图像183.12 fps/m2。 [结论] 利用低飞行高度（40 m）预训练语义分割模型，在较高飞行高度（80 m）空图像做迁移学习的方法提取倒伏小麦面积是可行的，这为解决空域飞行高度限制下，较少80 m及以上图像数据集无法满足语义分割模型训练的要求的问题，提供了一种有效的方法。
［目的/意义］ 荒漠植物的准确识别是其认识和保护过程中不可或缺的任务，是荒漠生态研究与保护的基础。自然条件下野外荒漠植物图像的机器视觉自动分类识别可有效提升植物资源调查效率、降低人为主观因素影响，对荒漠植物的精准分类、多样性保护和资源化利用具有重要意义。 ［方法］ 以自然环境下的整株荒漠植物图像为研究对象，构建新疆干旱区荒漠植物图像数据集，以EfficientNet B0—B4网络为基础网络，提出一种融合迁移学习和集成学习的荒漠植物图像识别算法，并在公开数据集Oxford Flowers102上进行对比验证。［结果和讨论］基于EfficientNet B0网络的单一子模型的Top-1准确率最高可达93.35%，最低为92.26%，软投票Ensemble-Soft模型、硬投票Ensemble-Hard模型以及加权投票法集成的Ensemble-Weight模型的准确率分别为93.63%、93.55%和93.67%，F1 Score和准确率相当；基于EfficientNet B0—B4网络的单一子模型的Top-1准确率最高可达96.65%，F1 Score为96.71%，而Ensemble-Soft模型、Ensemble-Hard模型以及Ensemble-Weight模型的准确率分别为99.07%、98.91%和99.23%，相较于单一子模型，精度进一步提高，F1 Score与准确率基本相同，模型性能显著；在公开数据集Oxford Flowers102上进行对比试验，3个集成模型相比5个子模型准确率和F1 Score最高提升了4.56%和5.05%，最低也提升了1.94%和2.29%，证明了本研究提出的迁移和集成学习策略能够有效提高模型性能。 ［结论］ 本方法可提高荒漠植物的识别准确率，通过云端传输至服务器后，实现荒漠植物的准确识别，为真实野外环境下植物图像识别精度低、模型鲁棒性及泛化性弱等问题提供解决思路。服务于野外调查、教学科普以及科学实验等场景。
[目的/意义] 根系是植物组成的重要部分，其生长发育至关重要。根系图像分割是根系表型分析的重要方法，受限于图像质量、复杂土壤环境、低效传统方法，根系图像分割存在一定挑战。 [方法] 为提高根系图像分割的准确性和鲁棒性，本研究以UNet模型为基础，提出了一种多尺度特征提取根系分割算法，并结合数据增强和迁移学习进一步提高改进UNet模型的泛化性和通用性。首先，获取棉花根系单一数据集和开源多作物混合数据集，基于单一数据集的消融试验测试多尺度特征提取模块（Conv_2+Add）的有效性，与UNet、PSPNet、SegNet、DeeplabV3Plus算法对比验证其优势。基于混合数据集验证改进算法（UNet+Conv_2+Add）在迁移学习的优势。 [结果和讨论] UNet+Conv_2+Add相比其他算法（UNet、PSPNet、SegNet、DeeplabV3Plus），mIoU、mRecall和根系F1调和平均值分别为81.62%、86.90%和78.39%。UNet+Conv_2+Add算法的迁移学习相比于普通训练在根系的交并比（Intersection over Union，IoU）值提升1.25%，根系的Recall值提升1.79%，F1调和平均值提升0.92%，且模型的整体收敛速度快。 [结论] 本研究采用的多尺度特征提取策略能准确、高效地分割根系，为作物根系表型研究提供重要的研究基础。
目的/意义 针对小麦叶片病虫害在自然环境下形态和颜色特征较为复杂、区分度较低等特点，提出一种高质量高效的病虫害检测模型，即YOLOv8⁃SS（You Only Look Once Version 8-SS），为病虫害的预防与科学化治理提供准确的依据。 方法 基于YOLOv8算法，采用改进的轻量级卷积神经网络ShuffleNet V2作为主干网络提取图像特征即YOLOv8-S，在保持检测精度的同时，减少模型的参数数量和计算负载；在此基础上增加小目标检测层和注意力机制SEnet（Squeeze and Excitation Network），对YOLOv8-S进行改进，在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度，提出YOLOv8-SS小麦叶片病虫害检测模型。［结果与讨论］ YOLOv8-SS模型在实验数据集上的平均识别精度和检测准确率分别达89.41%和91.00%，对比原模型分别提高10.11%和7.42%。因此，本研究所提出的方法可显著提高农作物病虫害的检测鲁棒性，并增强模型对小目标图像特征的提取能力，从而高效准确地进行病虫害的检测和识别。 结论 本研究使用的方法具有广泛适用性，可应用于大规模农作物病虫害检测的实际场景中。
[目的/意义] 植物光合作用过程中释放的叶绿素荧光与光化学反应紧密耦合，其荧光信号采集是光合作用效率、植物生理及环境胁迫等无损的测试手段。作为获取该信号的叶绿素荧光成像系统通常价格昂贵，针对此问题，本文提出一种低成本叶绿素荧光成像系统设计方案。 [方法] 叶绿素荧光成像系统主要由激发光灯组、CMOS（Complementary Metal Oxide Semiconductor）相机及其控制电路和智能手机上位机三部分组成。激光发灯组采用LED面光源和碗状结构，通过对光场的仿真分析保证光照强度和均匀性；采用微型CMOS相机进行荧光图像采集，利用智能手机作为上位机完成激发光控制，并将数据回传至手机或服务器进行分析、处理、存储及显示。 [结果和讨论] 基于该方案，制造了一款仪器样机，其激发光强最大为6250 µmol/（m2·s），光场整体变化幅度偏差为2%，光谱范围为400~1000 nm，稳定的采集频率最高可达42 f/s，具备连续光激发和调制脉冲激发功能。 [结论] 通过叶绿素荧光图像采集实验验证了本仪器的有效性。该仪器结构简单、造价成本低，在植物生理状态检测领域有着很好的应用价值。
[目的/意义] 为实现玉米的干旱胁迫等作物生长状态的无损监测，本研究探索一种基于高光谱技术的干旱胁迫下玉米叶片叶绿素含量与含水量无损检测方法。 [方法] 首先使用高光谱相机采集不同干旱胁迫程度的苗期玉米叶片图像，并使用图像处理技术提取叶肉部分平均光谱。通过系统性地分析不同特征波长提取方法、机器学习回归模型对叶绿素含量和含水量预测性能的影响，分别建立最优叶绿素含量和含水量反演模型，并探究构建可用于叶绿素含量和含水量反演的植被系数并评估其反演能力。 [结果和讨论] 结合逐步回归（Stepwise Regression，SR）特征提取与Stacking回归可获得最优叶绿素含量预测效果（R2为0.878，均方根误差为0.317 mg/g）；结合连续投影算法（Successive Projections Algorithm， SPA）特征提取与Stacking回归可获得最优含水量预测效果（R2为0.859，RMSE为3.75%）；新构建的归一化差分植被指数［（R410-R559）/（R410+R559）］和比值系数（R400/R1171）分别对叶绿素含量和含水量反演精度最高且显著高于传统植被系数，R2分别为0.803和0.827，均方根误差分别为0.403 mg/g和3.28%。 [结论] 本研究构建的基于高光谱信息的反演模型与植被系数可以实现玉米叶片叶绿素含量与含水量的精确、无损检测，可为玉米生长状态实时监测提供理论依据和技术支持。
［目的/意义］ 充分体现区块链去中心化的特点，保护敏感数据隐私及缓解区块链存储压力。 ［方法］ 设计了基于区块链和星际文件系统的种植业农产品溯源模型，从数据隐私角度把溯源数据分为公开数据和敏感数据。公开数据直接上传至区块链；敏感数据上传至区块链中的私有数据集中。从数据类型上把公开数据分为结构化数据和非结构化数据。结构化数据直接上链；非结构化数据上传至分布式数据库星际文件系统中。此方法可在保证数据安全性前提下实现数据的高效存取，提升追溯效率。Hyperledger fabric联盟链作为底层平台对原型系统进行开发，利用测试工具Postman对应用层接口性能进行测试。 ［结果和讨论］ 在使用同步应用程序接口（Application Programming Interface，API）和异步API情况下，数据上链平均时延分别为2 138.9和37.6 ms；数据查询平均时延为12.3 ms。 ［结论］ 本研究提出的溯源模型可以保护企业敏感数据隐私，同时具有较高的数据上链和查询效率，可适用在种植业农产品实际溯源环境中，为种植业农产品区块链溯源模型设计提供了新的思路。
[目的/意义] 构建绿色植株三维点云模型需大量清晰图像，受镜头景深限制，在采集大纵深植株图像时图像会部分失焦，导致出现边缘模糊、纹理细节丢失等问题，现有的处理算法难以兼顾处理质量和处理速度。本研究目的是提出一种新型算法，提高融合图像质量问题的同时兼顾处理速度。 [方法] 提出了一种基于非下采样剪切波变换（Non-Subsampled Shearlet Transform，NSST）的参数自适应双通道脉冲耦合神经网络（Parameter Adaptation Dual Channel Pulse Coupled Neural Network，PADC-PCNN）与平稳小波变换（Stationary Wavelet Transform， SWT）的植株图像融合方法。首先对植株的RGB图像进行通道分离，针对含纹理细节等特征较多的G通道进行NSST分解，低频子带使用梯度能量融合规则，高频子带使用PADC-PCNN融合规则；对轮廓信息和背景信息多的R、B通道，采用速度快且具备平移不变性的平稳小波变换，用以抑制伪Gibbs效应。自建了480幅图像共8组数据，以光照环境、距离和植株颜色为变量，同时采集不同焦距图像验证算法性能。 [结果和讨论] 基于PADC-PCNN-SWT算法与常用的快速导向滤波算法（Fast Guided Filter，FGF）、随机游走算法（Random Walk，RW）、非下采样剪切波变换的脉冲耦合神经网络算法（Nonsubsampled Shearlet Transform based Pulse-Coupled Neural Network，NSST-PCNN）、平稳小波变换算法（Stationary Wavelet Transform，SWT）和非下采样剪切波变换的参数自适应双通道脉冲耦合神经网络（Nonsubsampled Shearlet Transform based Parameter-Adaptive Dual-Channel Pulse-Coupled Neural Network，NSST-PADC）等五种算法相比，在清晰度上比前四种算法分别提高了5.6%、8.1%、6.1%和17.6%，在空间频率上比前四种算法分别提高了2.9%、4.8%、7.1%和15.9%，而相较于融合效果最好的NSST-PADC算法在处理速度方面平均提升200.0%，同时调焦范围约6 mm。 [结论] 本研究提出的基于PADC-PCNN-SWT多焦距图像融合算法实现了在保障融合质量的同时，提高了融合图像的效率，为搭建绿色植株三维点云模型提供高质量数据的同时节省了时间。
［目的/意义］ 针对人工采集南方中小田边界信息操作繁琐、无人拖拉机转场作业效率低且在转弯调头处留下较大漏作业区域的问题，本研究搭建了一种基于云-端高精度地图的油菜无人播种作业系统。 ［方法］ 系统采用“无人机构建高精度地图+远程网页端规划作业路径”方法，使用无人机采集影像数据构建高精度地图，基于高精度地图框选田块实现梭行外螺旋路径自动生成，完成直播机组远程路径规划及调度作业。系统采用梭行外螺旋全覆盖路径规划方法，利用两退三切鱼尾调头方法完成梭行路径换线。为完成外螺旋路径换线，在田块边角设计了一退两切转弯换线方法，减小了油菜无人播种作业系统在转弯或调头过程产生的漏作业区域面积，进一步提升了播种作业覆盖率，并开展梭行外螺旋全覆盖路径与梭行、套行路径作业面积和作业覆盖率对比仿真试验，以Case TM1404型拖拉机搭载智能播种施肥一体机为试验平台，开展了田间试验。 ［结果和讨论］ 试验结果表明，梭行外螺旋全覆盖路径较梭行与套行作业路径，漏作业率减小18.58%~26.01%。使用无人机构建的高精度地图平面误差最大为3.23 cm，导航作业过程中最大横向偏差为7.94 cm，最大平均绝对偏差为1.85 cm，作业覆盖率为93.16%。 ［结论］ 本研究所构建的油菜无人播种作业系统有效可行，可为南方中小田块油菜无人播种作业提供技术参考。未来将探索不规则田块情况下的油菜无人播种作业模式，进一步提高系统适用性。
目的/意义 随着全球气候变暖及生态环境污染问题愈演愈烈，碳达峰碳中和（以下简称为“双碳”）目标被纳入到中国社会发展的各个领域。为保障中国农业绿色可持续发展，进一步推进落实低碳发展理念，在农业机械化发展过程中各个环节尽可能减少能源消耗、降低污染排放，满足智能化信息时代下经营主体对低碳技术赋能农业机械装备的多样化需求，发展低碳农业机械化势在必行。低碳农业机械化发展不仅是中国农业机械化转型升级和高质量发展的重要内容，也是“双碳”目标下中国农业可持续发展的客观要求。［进展］本文明晰了低碳农业机械化的内涵和目标，从理论、现实和系统三重维度阐释了低碳农业机械化的发展逻辑，分析了影响低碳农业机械化发展的主要因素，分别从要素条件、需求条件等6个方面剖析影响低碳农业机械化发展的深层次原因。［结论/展望］从农业机械装备全寿命周期的生态设计与绿色制造、清洁生产作业推广、脱物质化的社会化服务与绿色经营、8S体系、碳排放测度体系构建、退役废旧农机低碳处置与绿色再制造等方面，提出了中国低碳农业机械化发展的实现途径。
［目的/意义］ 鱼群摄食图像分割是提取鱼群分布特征及量化鱼群摄食行为的前提条件。但在实际的养殖环境中，由于鱼群摄食图像存在鱼群边界模糊、目标相似等问题，使得处于养殖场景下的鱼群摄食图像分割成为难题。 ［方法］ 为解决上述问题，提出一种用于养殖场景下鱼群摄食图像分割方法。该方法首先通过数据清洗减少因鱼群边界模糊等问题导致的数据集不良标记问题，并在Mask R-CNN（Mask Region-based Convolutional Neural Network）的基础上使用融合置换注意力机制的轻量级神经网络VoVNetv2作为骨干网络，建立鱼群摄食图像实例分割网络SA_VoVNetv2_RCNN，提升模型对鱼群关键特征的提取能力以及对重点信息的关注能力，同时减少网络参数。 ［结果和讨论］ 该方法的平均分割精度达71.014%，相比于SOLOv2、BlendMask和CondInst分别提升18.258%、3.982%和12.068%。为进一步验证模型对鱼群摄食行为量化的有效性，对真实环境下的鱼群进行验证实验，结果表明，模型对摄食和非摄食状态的鱼群具有良好的分割效果，在一定程度上解决了因分割精度低导致的鱼群摄食行为量化错误的问题。 结论］ 本研究提出的SA_VoVNetv2_RCNN网络能够实现鱼群摄食和非摄食图像的准确分割，为水下鱼群的摄食行为量化提供决策支撑。
[目的/意义] 菌草是多年生可用作饲料与生物质能源的草本植物，在温带种植需克服越冬问题。低温胁迫会对菌草的生长发育造成不利影响。丙二醛（Malondialdehyde，MDA）含量作为诊断菌草低温胁迫状态的有力诊断指标，利用光谱技术反演MDA含量，可快速无损地评估菌草生长动态，为菌草育种及低温胁迫诊断提供参考。 [方法] 本研究基于6个品种的菌草植株，设置低温胁迫组与常温对照组，获取菌草苗期的可见/近红外光谱（Visible/Near Infrared Spectrum，VIS/NIR）数据与叶片MDA含量信息，分析低温胁迫条件下菌草MDA含量及其光谱反射率均相应增加的变化趋势；为提升模型的检测效果，提出了改进的一维深度卷积生成式对抗网络（Deep Convolutional Generative Adversarial Networks，DCGAN）用于样本数量增广，并建立基于随机森林（Random Forest，RF）、偏最小二乘回归（Partial Least Squares Regression，PLSR）以及卷积神经网络（Convolutional Neural Networks，CNN）算法的MDA光谱定量检测模型。 [结果和讨论] DCGAN可优化模型的可靠性与MDA检测精度，且DCGAN联合RF模型可以得到最佳的检测效果，其中预测集决定系数Rp2为0.7922，均方根误差为2.4063，残差预测偏差（Residual Predictive Deviation，RPD）为2.1937。 [结论] 本研究利用DCGAN进行样本数量增广，能显著提升基于光谱数据的模型对菌草MDA含量的反演精度与预测性能。
［目的/意义］ 秀珍菇表型是其品质和栽培环境适应性的反映，但目前人工测量表型参数耗时费力、主观性强，亟需自动化分析手段。 ［方法］ 一种基于改进Mask R-CNN的秀珍菇测量模型PG-Mask R-CNN（Pleurotus geesteranus-Mask Region-Based Convolutional Neural Network），提出以损伤率为指标的裂纹评价方法，并对其进行量化评价。PG-Mask R-CNN模型以Mask R-CNN为主体，通过向特征提取网络Resnet101中添加SimAM注意力机制，在不增加原始网络参数的情况下提高网络性能；采用改进的特征金字塔进行多尺度融合，融合多层级的信息进行预测；将GIoU（Generalized Intersection over Union）边界框回归损失函数替代原有的IoU（Intersection over Union）损失函数，完善图像重叠度的计算，进一步提高模型性能。 ［结果和讨论］ PG-Mask R-CNN模型目标检测的mAP和mAR分别为84.8%和87.7%，均高于目前主流的YOLACT（You Only Look At CoefficienTs）、InstaBoost、QueryInst和Mask R-CNN模型；实例分割结果的MRE（Mean Relative Error）为0.90%，均低于其他实例分割模型；PG-Mask R-CNN模型的参数量为51.75 M，略大于原始的Mask R-CNN，均小于其他实例分割模型。对分割后的菌盖和裂纹进行测量，所得结果的MRE分别为1.30%和7.54%，损伤率的MAE（Mean Absolute Error）为0.14%。 ［结论］ 本研究提出的PG-Mask R-CNN模型对秀珍菇的菌柄、菌盖及裂纹识别与分割具有较高的准确率，在此基础上能够实现对秀珍菇表型参数的自动化测量，这为后续秀珍菇智慧化育种、智能栽培与分级奠定了技术基础。
［目的/意义］ 本研究为解决牵引式农用车辆的路径跟踪精度低、迟滞性大和抗干扰能力差等问题，提出了一种基于滑模变结构控制的拖拉机-牵引式农机具路径跟踪方法。 ［方法］ 建立了拖拉机-牵引式农机具运动学模型，通过近似线性化的方法建立了车辆-道路偏差状态方程，采用Ackermann公式进行极点配置，设计基于指数趋近律的滑模变结构控制器，并在MATLAB/Carsim联合仿真环境中进行跟踪仿真分析。 ［结果和讨论］ 跟踪双移线参考路径时，农机具横向偏差和航向偏差经8 s收敛到0 m和0°，在参考航向变化时，横向偏差小于0.1 m，航向偏差小于7°；在跟踪圆形参考路径时，农机具横向偏差经过7 s趋于稳定，并始终小于0.03 m，农机具航向偏差经7 s趋于稳定，并保持在0°；在跟踪S形曲线参考路径时，农机具在曲率变化处依然保持着良好的跟踪性能。 ［结论］ 农机具能有效跟踪参考路径，满足精度和快速性的要求。在跟踪仿真试验中，拖拉机前轮转角和拖拉机与农机具间的铰接角都保持在小范围内，符合实际生产的需要，降低安全事故发生的可能性。
目的/意义 土壤中氮、钾元素在作物生长和农业生产过程中具有关键作用。快速定量检测土壤中氮、钾含量对指导精确施肥具有重要意义。因此，建立一种快速可靠的土壤氮、钾含量检测方法十分必要。 方法 本研究建立一种基于聚二甲基硅氧烷（Polydimethylsiloxane, PDMS）微流控芯片电泳和电容耦合非接触电导检测（Capacitively Coupled Contactless Conductivity Detection, C4D）方法，快速定量检测土壤中氮、钾养分离子。通过微流控电泳芯片实现对土壤中多种离子快速分离，利用C4D进行电导率变化的精准测量。基于检测器工作频率输出响应特性，激励电压响应特性和电泳电压，确定最佳分离和检测性能。 结果和讨论 该方法对钾离子（K+）、铵根离子（NH4+）和硝酸根离子（NO3‒）标准溶液的检测限（S/N=3）分别为0.5、0.1和0.4 mg/L。K+、NH4+和NO3‒在0.5~40.0 mg/L范围内具有良好的线性关系，线性相关系数（R2）分别为0.994、0.997和0.990，表明该方法可以对土壤中氮、钾养分离子进行定量分析。同时，采用峰高、峰面积和出峰时间作为评价指标进行可重复性实验，其相对标准偏差（Relative Standard Deviation, RSD）均小于4.4%，说明该方法具有良好的重复性。此外，对土壤样品进行测试，K+和NH4+可实现完全分离以及同步检测，其检测效率明显提高。通过标准加入法进行回收率实验，回收率保持在81.74%~127.76%。 结论 本研究为土壤氮钾养分离子的快速检测提供了一种简便、高效的方法。
［目的/意义］ 猕猴桃果树生长重叠明显，树冠结构复杂，利用传统方式无法实现果树单木骨架提取与冠层预测，为对密集栽培的猕猴桃果园进行高效无损监测并获取果树生长参数，本研究利用冬季简单树形进行骨架提取，并集成深度学习与数学形态学方法，提高单木骨架预测精度， 提出了一种融合骨架信息的冠层分割方案。 ［方法］ 采用低成本无人机图像获取高分辨率数据支持，改进PSP-Net语义分割模型，引入数学形态学处理提取单木骨架并优化骨架连续性，以优化单木骨架为先验实现冠层分割。［结果与讨论］优化骨架提取精度可达95%以上，相较于传统方式精度提高约15.71%，像素准确率（Pixel Accuracy，PA）值达95.84%，平均交并比（Mean Intersection over Union，MIoU）值达95.76%，冠层分割加权得分（Weighted F1 Score，WF1）达94.07%左右；而冠层预测像素准确率PA可达95%以上，冠层分割WF1达95.76%左右，与直接利用原始骨架相比，优化骨架提高了冠层分割的PA为13.2%，MIoU为10.9%，WF1为18.4%，显著改善了分割指标。 ［结论］ 该研究为高效监测猕猴桃园以获取果树数据提供了可靠技术支撑，并为高效、低成本的果园精细化管理提供了全新的技术方案，具有重要的应用前景。
目的/意义 农作物长势监测能及时提供农作物的生长状态信息，对于加强中国作物生产管理、确保国家粮食安全具有重要的意义。卫星遥感技术的发展为大面积的作物长势监测提供了契机。然而，在雨热同期的作物生长旺季，光学遥感数据的获取经常受到天气的限制。因此，近年微波雷达遥感技术受到了广泛重视。［进展］梳理了利用合成孔径雷达（Synthetic Aperture Radar, SAR）数据进行农作物长势监测的国内外研究现状，从农作物长势SAR遥感监测指标、农作物长势SAR遥感监测数据和农作物长势SAR遥感监测方法3个方面对基于SAR数据农作物长势监测研究进展与标志性成果进行总结。在分析常用于农作物长势监测的方法及其适用性的基础上，对它们在长势监测中应用情况进行分析。［结论/展望］提出了4个国内外SAR监测农作物长势所存在的问题：1）基于SAR数据的农作物长势监测方法研究整体较少；2）微波散射特征挖掘不够，特别是对极化分解参数的长势监测应用研究还有待深入；3）针对农作物长势监测中的雷达植被指数相对较少，其应用尚未得到充分发挥；4）基于SAR散射强度的农作物长势监测主要采用经验模型，难以推广到不同地区和类型的农作物上。最后，展望未来的研究应聚焦于挖掘微波散射特征、利用SAR极化分解参数、发展和优化雷达植被指数以及深化散射模型来监测农作物长势。
［目的/意义］ 隐私数据要素的流转是保证粮食供应链安全高效运行的重要基础。实现粮食供应链中隐私数据要素的协同计算对保障粮食质量安全具有重大意义。 ［方法］ 针对供应链中不同主体间因数据的隐私性而无法共享并参与计算的难题，提出基于工业互联网标识解析技术与联邦学习的粮食供应链数据流转与协同计算架构，设计了支撑联邦学习数据互通的数据标识编码和任务标识编码及对应的参数、信息和评价数据模型；搭建了不同主体数据特征同构的单环节横向联邦学习模型和数据特征异构的跨环节纵向联邦学习模型，基于逻辑回归算法对模型参数进行快速调整计算，以粮食供应链安全风险评估场景为对象，依托开源FATE（Federated AI Technology Enabler）联邦学习平台进行测试验证。 ［结果和讨论］ 相比传统的单一主体评估计算，横向联邦学习评估准确率提升6.7%，纵向联邦学习评估准确率提升8.3%。 ［结论］ 采用联邦学习的方式提高了评估的准确性。本研究可为粮食供应链安全高效稳定运行提供技术支撑。
［目的/意义］ 为了实现病死畜禽无害化处理中心将病死畜禽从存储冷库运输并上料至无害化处理设备的智能化装备过程无人化，对运输机器人的路径规划与自主行走的关键技术难题进行研究。 ［方法］ 目前室内环境路径规划算法主要采用的是A*算法，但该算法拐点大、平滑性差、算法计算时间长、遍历节点多，为此提出基于改进的A*算法的病死畜禽无害化处理运输机器人路径规划方法和基于模糊比例积分微分（Proportional Integral Derivative，PID）的运动控制方法，利用曼哈顿距离算法并增设附加值和权值改进启发函数，引入贝塞尔曲线函数优化路径；在规划路径后结合模糊PID算法控制运输机器人底盘的线速度与角速度实现追踪行走。 ［结果和讨论］ 开展传统A*算法与改进A*算法的对比实验以及PID追踪实验。结果显示，改进后的A*算法节平均遍历节点由3 067个降至1 968个，算法平均时间由20.34 s减少到7.26 s，开展现场试验验证了该算法的有效性和可靠性。 ［结论］ 本研究提出的方法有效的缩短了病死畜禽运输机器人的路径规划时间且减少了遍历节点，提高了路径规划效率和路径平滑性，结合模糊PID算法可以实现运输机器人的稳定寻迹控制，有效解决传统的A*算法在运输机器人路径规划过程中存在的路径规划拐点大、平滑性差、算法计算时间长、遍历节点多等问题，满足病死畜禽无人上料技术需求。
目的/意义 胡麻种子的周长、面积、长短轴和千粒重是胡麻考种过程中常用的参数，对于胡麻的育种、栽培，以及种子品质和性状的评估都具有重要的意义。 方法 针对胡麻种子自动化考种时出现的数据统计错误率高、效率低等问题，基于机器视觉研究胡麻种子的轮廓特点、探索形态特征的测量方法，针对籽粒重叠现象提出基于融合角点特征的轮廓拟合图像分割方法，设计胡麻种子自动化考种数据实时分析系统，最终实现胡麻种子自动化考种的研究。本研究在工业相机获取的胡麻种子图像上进行试验。 结果和讨论 提出的自动化考种方法对不同品种胡麻种子的统计识别准确率达97.28%，百粒种子平均处理时长69.58 ms，相较于极限腐蚀算法、基于距离变换的分水岭算法，平均计算准确率比极限腐蚀算法提升19.6%，平均运算时间低于直接使用分水岭算法所需时间。 结论 自动化考种方法具有更好的计算准确率和处理速度，能够更准确地批量获取胡麻种子的形态学特征参数，使测量误差能够保持在10%以内，可为今后胡麻考种相关工作提供技术支撑，助力相关产业发展。
目的/意义 植株光合表型研究在把握植株生理特性和解析植株形态结构上起着至关重要的作用，通过传统叶绿素荧光成像方法难以对植株光合作用三维空间异质性进行分析。为提高植株表型检测效率，满足高通量植株光合表型分析需求，本研究构建了一套经济实用、融合三维结构光和叶绿素荧光的植株光合表型成像系统。 方法 提出了一种自动化植株图像采集并建立植株可视化模型的方法，并进行图像分析获取植株光合效率信息。通过搭建结合叶绿素荧光激发的结构光条纹投影装置，先用LED（Light-Emitting Diode）白光与蓝光分别照射植株样本，再用投影仪对植株样本投射相移条纹，电动滤光轮配合相机同步采集不同光照条件下特定波段的植株图像；通过数字图像处理获取植株三维图像和对应的叶绿素荧光图像，并分析植株的三维形态结构及光合效率，将植株叶绿素荧光图像逐像素渲染到其三维结构上，便可推测出植株光合在三维空间中分布情况。 结果和讨论 该方法及系统能够高效多样化采集植株图像，快速重构出植株三维形态，其整体重建准确率可达到96.69%，整体误差仅为3.31%，重构时间仅需1.11 s，同时能够满足植株光合效率评估需求。 结论 该研究可为植株高通量光合表型异质性分析提供技术支持。
