目的/意义 农业场景下的知识服务具有周期性长、活动时间长的特点。传统推荐模型无法有效挖掘农业场景下的基于农时的隐藏信息。针对上述问题，提出一种融合时间感知和增强过滤的农业知识个性化推荐模型（Time-aware and Filter-enhanced Sequential Recommendation Model for Agriculture Knowledge, TiFSA）。 方法 首先，基于时间感知的位置嵌入方法，将农户交互的时间信息与位置嵌入相结合，帮助学习农业情境下基于农时的项目相关性。其次，在时间感知位置嵌入的基础上，引入滤波器过滤算法，自适应地衰减农户情境数据中的噪声。最后，引入时间信息的多头自注意力网络，实现对时间、项目和特征的统一建模，对农户随时间变化的偏好特征进行情境表示，从而为用户提供可靠的推荐结果。 结果和讨论 根据“全国农业知识智能服务云平台”中的用户交互序列数据集进行实验。结果表明，该模型在农业数据集上的命中率为45.79%，归一化折损累计增益为53.52%；与近几年性能最佳的模型Ti-SASRec相比分别提升16.19%和14.02%。 结论 该模型能够有效捕获农业领域的用户情境特征和建模农户的动态偏好，具有更好的推荐性能。
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 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。
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。
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。
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。
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。
农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点，加之农田环境光照多变、背景复杂，导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标，以蜜蜂识别为例，提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环境的影响及目标体积较小导致的特征提取困难，实现目标尺度无关的小目标识别。首先将原图拆分为一些较小尺寸的子图以提高目标尺度，将已标注的目标分配到拆分后的子图中，形成新的数据集，然后采用迁移学习的方法重新训练并生成新的目标识别模型。在模型的使用中，为使子图识别结果能正常还原，拆分的子图之间需具有一定的重叠率。收集所有子图的目标识别结果，采用非极大抑制（Non-Maximum Suppression，NMS）去除由于模型本身产生的冗余框，提出一种交小比非极大抑制（Intersection over Small NMS，IOS-NMS）进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300×300、500×500和700×700，子图重叠率分别为0.2和0.05的情况下进行验证试验，结果表明：采用SSD（Single Shot MultiBox Detector）作为框架中的目标检测模型，新提出的尺度自适应算法的召回率和精度普遍高于SSD模型，最高分别提高了3.8%和2.6%，较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优越性，从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像，并采用本算法和SSD模型进行了对比测试，结果表明：本算法能提高目标识别性能，具有较强的尺度适应性和泛化性。由于本算法对于单张图像需要多次向前推理，时效性不高，不适用于边缘计算。
针对目前设施农业数字化栽培调控技术中对作物的生育期实时检测与分类问题，提出一种改进YOLOv4的温室环境下草莓生育期识别方法。该方法将注意力机制引入到YOLOv4主干网络的跨阶段局部残差模块（Cross Stage Partial Residual，CSPRes）中，融合草莓不同生长时期的目标特征信息，同时降低复杂背景的干扰，提高模型检测精度的同时保证实时检测效率。以云南地区的智能设施草莓为试验对象，结果表明，本研究提出的YOLOv4-CBAM（YOLOv4-Convolutional Block Attention Module）模型对开花期、果实膨大期、绿果期和成熟期草莓的检测平均精度（Average Precision，AP）分别为92.38%、82.45%、68.01%和92.31%，平均精度均值（Mean Average Precision，mAP）为83.79%，平均交并比（Mean Inetersection over Union，mIoU）为77.88%，检测单张图像时间为26.13 ms。YOLOv4-CBAM模型检测草莓生育期的mAP相比YOLOv4、YOLOv4-SE、YOLOv4-SC模型分别提高8.7%、4.82%和1.63%。该方法可对草莓各生育期目标进行精准识别和分类，并为设施草莓栽培的信息化、规模化调控提供有效的理论依据。
为快速准确计数大豆籽粒，提高大豆考种速度和育种水平，本研究提出了一种基于密度估计和VGG-Two（VGG-T）的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题，提出了基于数字图像处理技术的预标注和人工修正标注相结合的快速目标点标注方法，加快建立带标注的公开可用大豆籽粒图像数据集。其次构建了适用于籽粒图像数据集的VGG-T网络计数模型，该模型基于VGG16，结合密度估计方法，实现从单一视角大豆籽粒图像中准确计数籽粒。最后采用自制的大豆籽粒数据集对VGG-T模型进行测试，分别对有无数据增强的计数准确性、不同网络的计数性能以及不同测试集的计数准确性进行了对比试验。试验结果表明，快速目标点标注方法标注37,563个大豆籽粒只需花费197 min，比普通人工标注节约了1592 min，减少约96%的人工工作量，大幅降低时间成本和人工成本；采用VGG-T模型计数，其评估指标在原图和补丁（patch）情况下的平均绝对误差分别为0.6和0.2，均方误差为0.6和0.3，准确性高于传统图像形态学操作以及ResNet18、ResNet18-T和VGG16网络。在包含不同密度大豆籽粒的测试集中，误差波动较小，仍具有优良的计数性能，同时与人工计数和数粒仪相比，计数11,350个大豆籽粒分别节省大约2.493?h和0.203?h，实现大豆籽粒的快速计数任务。
目前对玉米出苗动态检测监测主要是依靠人工观测，耗时耗力且只能选择小的样方估算整体出苗情况。为解决人工出苗动态管理不精准的问题，实现田间精细化管理，本研究以田间作物表型高通量采集平台获取的高时序可见光图像和无人机平台获取的可见光图像两种数据源构建了不同光照条件下的玉米出苗过程图像数据集。考虑到田间存在环境背景复杂、光照不均等因素，在传统Faster R-CNN的基础上构建残差单元，使用ResNet50作为新的特征提取网络来对Faster R-CNN进行优化，首先实现对复杂田间环境下玉米出苗识别和计数；进而基于表型平台所获取的高时序图像数据，对不同品种、不同密度的玉米植株进行出苗动态连续监测，对各玉米品种的出苗持续时间和出苗整齐度进行评价分析。试验结果表明，本研究提出的方法应用于田间作物高通量表型平台出苗检测时，晴天和阴天的识别精度分别为95.67%和91.36%；应用于无人机平台出苗检测时晴天和阴天的识别精度分别91.43%和89.77%，可以满足实际应用场景下玉米出苗自动检测的需求。利用表型平台可获取时序数据的优势，进一步进行了玉米动态出苗检测分析，结果表明利用本模型得到的动态出苗结果与人工实际观测具有一致性，说明本研究提出的模型的具有鲁棒性和泛化性。
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。
溶解氧（DO）浓度是对虾养殖水质检测的核心指标。为提高对虾养殖溶解氧浓度的预测精度，本研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络（EMD-RF-LSTM）的对虾养殖溶解氧浓度组合预测模型。首先采用经验模态分解（EMD）对养殖水质溶解氧浓度时序数据进行多尺度特征提取，得到不同尺度下的固有模态分量（IMF）；然后分别采用长短时记忆神经网络（LSTM）和随机森林（RF）对高、低频不同尺度IMF进行建模；最后结合各分量预测结果构建叠加模型，实现对溶解氧浓度时序数据的综合预测。本研究模型在广东省湛江市南三岛对虾养殖基地展开了试验及应用，在基于真实数据集的性能测试中，经验模态分解后EMD-ELM模型与极限学习机（ELM）模型对比，平均绝对误差（MAPE）、均方根误差（RMSE）和平均绝对误差（MAE）分别降低了30.11%、29.60%和32.95%。在经验模态分解基础上用RF和LSTM对不同特征尺度的本征模态分量分别预测后叠加求和，EMD-RF-LSTM模型预测的精度指标MAPE、RMSE和MAE分别为0.0129、0.1156和0.0844，其中关键指标MAPE较EMD-ELM、EMD-RF和EMD-LSTM分别降低了84.07%、57.57%和49.81%，预测精度显著提高。结果表明，本研究针对经验模态分解后高、低频分量分别预测的策略可有效提升综合性能，表明本研究模型具有较高的预测精度，能够较准确地实现对虾养殖水体中溶解氧浓度预测。
评估生长季旱涝对作物产量的影响有助于农民采取措施增产保收。本研究基于1988—2017年气象站点数据和灾情、产量等统计数据，以中国东北三省为研究区，通过对比多时间尺度指标——标准化降水指数（SPI）和标准化降水蒸散指数（SPEI）与旱涝受灾率的关系，选择优势指数表征东北春玉米生长季干湿状况，基于HP滤波构建相对气象产量，利用距离相关分析方法选取合理时间尺度和关键月份的指数，分析这些指数与春玉米相对气象产量的关系以及不同生育阶段水分条件与产量之间的关系。结果表明：（1）SPI、SPEI均能表征东北地区农作物受旱和受涝状况，整体上SPEI在表征东北地区旱涝时更具优越性，尤其在辽宁省，因旱受灾率与SPI和SPEI相关系数差距明显，因涝受灾率与SPEI相关系数最大值为0.54，与SPI相关性不显著。（2）辽宁省SPEI3-8与相对气象产量的距离相关系数最大，吉林省和黑龙江省SPEI6-8与相对气象产量的距离相关系数最大；各省对应的SPEI与相对气象产量呈向下的抛物线趋势，其中辽宁省春玉米产量受干旱和雨涝的共同影响，吉林、黑龙江两省主要受干旱灾害的影响。（3）辽宁省春玉米在拔节—抽穗期主要受干旱影响，生长季后期受洪涝灾害影响较前期加重；当SPEI为1.0左右时，吉林省春玉米在出苗—拔节、拔节—抽穗期可达到最高产，抽穗—乳熟期受干旱影响严重；黑龙江关键生育期主要受旱灾影响，在出苗—拔节、拔节—抽穗期正常偏湿年份可达到最高产量，但中度及以上雨涝仍会导致玉米减产，抽穗—乳熟期在轻度湿润时可高产，重度湿润时会因涝减产。本研究对东北三省地区预估旱涝灾害对春玉米产量影响和及时采取灾害防御措施具有一定的参考价值。
