[目的/意义] 农事行为活动识别对设施蔬菜生产精准化调控有着重要意义，在一定程度上可以通过查看农事操作的时间、操作过程是否合理来减少因农事行为不当导致产量下降。为了解决农事行为识别方法中由于黄瓜叶片和设施遮挡导致识别准确率不高的问题，提出一种名为SlowFast-SMC-ECA（SlowFast-Spatio-Temporal Excitation、Channel Excitation、Motion Excitation-Efficient Channel Attention）的农事活动行为识别算法。 [方法] 该算法主要基于SlowFast模型，通过改进Fast Pathway和Slow Pathway中的网络结构来提高对于农事活动中手部动作特征和关键特征的提取能力。在Fast Pathway中，引入多路径激励残差网络的概念，通过在信道之间插入卷积操作来增强它们在时域上的相互关联性，从而更好地捕捉快速运动信息的细微时间变化。在Slow Pathway中，将传统的Residual Block替换为ECA-Res结构，以提高对通道信息的捕获能力。这两项改进有效地加强了通道之间的联系，提升了特征之间的语义信息传递，进而显著提升了农事行为识别的准确率。此外，为了解决数据集中类别不均衡的问题，设计了平衡损失函数（Smoothing Loss），通过引入正则化系数，平衡损失函数可以有效地处理数据集中的类别不均衡情况，提高模型在各个类别上的表现。 [结果和讨论] 改进的SlowFast-SMC-ECA模型在农事行为识别中表现出良好的性能，各类行为的平均识别精度达到80.47%，相较于原始的SlowFast模型有约3.5%的提升。 [结论] 本研究在农事行为识别中展现出良好的性能。这对农业生产的智能化管理和决策具有重要意义。
[目的/意义] 叶球是结球甘蓝的重要部分，其生长发育对田间管理至关重要。针对叶球分割识别存在大田背景复杂、光照不均匀和叶片纹理相似等问题，提出一种语义分割算法UperNet-ESA，旨在能快速、准确地分割田间场景中结球甘蓝的外叶和叶球，以实现田间结球甘蓝的智能化管理。 [方法] 首先，采用统一感知解析网络（Unified Perceptual Parsing Network, UperNet）作为高效语义分割框架，将主干网络改为先进的ConvNeXt，使得模型在提升分割精度的同时也能具有较低的模型复杂度；其次，利用高效通道注意力机制（Efficient Channel Attention, ECA）融入特征提取网络的各阶段，进一步捕捉图像的细节信息；最后，通过将特征选择模块（Feature Selection Model, FSM）和特征对齐模块（Feature Alignment Model, FAM）集成到特征金字塔框架中，得到更为精确的目标边界预测结果。 [结果和讨论] 在自制结球甘蓝图像数据集上进行实验，与目前主流的UNet、PSPNet和DeeplabV3+语义分割模型相比，改进UperNet方法的平均交并比为92.45%，平均像素准确率为94.32%，推理速度为16.6 f/s，能够达到最佳精度-速度平衡效果。 [结论] 研究成果可为结球甘蓝生长智能化监测提供理论参考，对甘蓝产业发展具有重要的应用前景。
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。
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。
针对温室番茄智能化管理需要，研究茎秆、叶片和绿果等3类相近色目标的多波段图像融合方法，以凸显目标与背景亮度差异，提高目标视觉识别效率。根据其各自在300~1000 nm范围的反射光谱特征差异，建立了针对其光谱数据分类的Lasso正则化逻辑回归模型。基于模型的稀疏解特征，确定具有较大权值系数的450、600和900 nm等3个波段作为最优成像波段，在此基础上构建了温室番茄植株多波段图像在线采集系统。结合最优成像波段下相近色目标图像特征分析，提出了基于NSGA-II的多波段图像加权融合方法，以增强特定目标与近色背景物体的图像亮度差异。最后通过现场试验对多波段图像融合效果进行评估。结果表明，分别以茎秆、叶片和绿果器官作为识别目标，通过多波段图像融合处理后，目标与背景之间的图像灰度差异绝对差值相应达到单波段图像的2.02、8.63和7.89倍，即被识别目标与其他近色背景的亮度差异显著增强，且背景物的亮度波动得到抑制。本研究结果可以为农业环境近色目标视觉识别相关研究提供参考。
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。
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。
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。
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。
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。
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。
