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。
白粉病主要侵染小麦叶部，可利用卫星遥感技术进行大范围监测和评估。本研究利用多源多时相卫星遥感影像监测小麦白粉病并提升分类精度。使用四景Landat-8的热红外传感器数据（Thermal Infrared Sensor，TIRS）和20景MODIS影像的MOD11A1温度产品反演地表温度（Land Surface Temperature，LST），使用4景国产高分一号（GF-1）宽幅相机数据（Wide Field of View，WFV）提取小麦种植区和计算植被指数。首先，利用ReliefF算法优选对小麦白粉病敏感的植被指数，然后利用时空自适应反射率融合模型（Spatial and Temporal Adaptive Reflectance Fusion Model，STARFM）对Landsat-8 LST和MOD11A1数据进行时空融合。利用Z-score标准化方法对植被指数和温度数据统一量度。最后，将处理和融合后的单一时项Landsat-8 LST、多时相Landsat-8 LST、累加MODIS LST和多时相Landsat-8 LST与累加MODIS LST结合的数据分别输入支持向量机（Support Vector Machine，SVM）构建了四个分类模型，即LST-SVM、SLST-SVM、MLST-SVM和SMLST-SVM，利用用户精度、生产者精度、总体精度和Kappa系数对比四个模型的分类精度。结果显示，本研究构建的SMLST-SVM取得了最高分类精度，总体精度和Kappa系数分别为81.2%和0.67，而SLST-SVM则为76.8%和0.59。表明多源多时相的LST联合SVM能够提升小麦白粉病的识别精度。
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。
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。
种植收入保险已成为中国农业保险的一种重要形式，2022年将在13个粮食主产省的所有主产县开展。本文首先回顾了遥感技术在农业保险中的总体应用历程，其次，通过阐述现有种植收入保险的业务模式，展现了目前遥感技术在该模式下的应用场景，并对各种应用场景下的关键技术的应用研究进展进行了评述，包括耕地地块提取、作物分类提取、作物灾情评估和作物产量估算。最后，列举了目前种植收入保险常用的遥感数据源。通过综述，发现种植收入保险应用场景下最重要的两个技术层面的问题，一是地块提取和作物分类不够自动化，二是产量估算机理性不强、准确度不高。由此又延伸出两个行业层面的问题，一是遥感行业自身局限性问题，二是保险行业的现行业务与遥感技术结合的兼容性问题。对此，本文提出建立数据分发平台解决数据获取和与处理难和初始数据标准化的问题、完善耕地地块和作物类型样本库以促进地块提取和作物分类自动化、多学科交叉研究实现更快更准更科学地产量估算、农业保险遥感技术应用标准化，以及遥感技术应用合同化等五个具体建议。展望未来，种植收入保险乃至所有农业保险中遥感技术的应用模式应该是一个有数据可用、技术上更自动化智能化、有标准可依、有合同背书的新型模式。
为实现小麦生物量田间快速无损监测，开展基于不同密度、氮肥和品种处理的田间试验，应用无人机获取小麦越冬前期、拔节期、孕穗期和开花期4个时期的RGB图像，通过影像处理获取小麦颜色指数和纹理特征参数，并同时期通过田间取样获取小麦生物量；分析不同颜色指数和纹理特征参数与小麦生物量的关系，筛选出适合小麦生物量估算的颜色和纹理特征指数。结果表明，不同时期图像颜色指数和小麦生物量均有较高的相关性，且大部分达到极显著相关水平；图像纹理特征指数与小麦生物量的相关性较差，只有少数指标达到显著或极显著相关水平。基于上述结果，研究利用相关性最高的颜色指数或颜色指数与纹理特征指数结合构建小麦不同生育时期的生物量估算模型，并通过独立的实测生物量数据对模型进行了验证，模型模拟值与实测值之间的相关性均达到了极显著水平（P<0.01），RMSE均较小。其中，颜色指数模型在4个时期的R2分别为0.538、0.631、0.708和0.464，RMSE分别为27.88、516.99、868.26和1539.81 kg/ha。而颜色和纹理指数结合的模型在4个时期的R2分别为0.571、0.658、0.753和0.515，RMSE分别为25.49、443.20、816.25和1396.97 kg/ha，说明模型估算的结果是可靠的，且精度较高。同时结合无人机图像颜色和纹理特征指数的小麦生物量估测模型的效果要优于单一颜色指数模型。研究可为小麦田间长势实时监测与生物量估算提供新的手段。
为确定田块尺度下探地雷达对不同深度及相邻反射层间土壤含水量的反演精度、有效反演深度、最佳反演深度及最优反演模型，本研究采用1000 MHz中心频率探地雷达设备，分别在无降雨偏干旱土壤和降雨后湿润土壤两种条件下，在选定农田区域基于共中心点法采集雷达波数据，提取有效地表波与反射波数据，通过双曲线拟合法分别获取不同深度反射层雷达波的传播速度，计算得出土壤的相对介电常数，最后根据土壤体积含水量和介电常数之间的经验模型计算获得不同深度的土壤体积含水量。通过Topp、Roth、Herkelrath和Ferre四种经验模型分别进行土壤体积含水量反演测定，同时以利用烘干法获取的代表性测定土壤含水量实测值为指标进行精度验证。田间试验结果表明，1000 MHz探地雷达的有效反演深度范围为0~50 cm；土壤偏干旱和偏湿润条件的最佳反演深度分别为50 cm和40 cm；Roth模型相关性最好，决定系数R2最高为0.750，且Roth模型反演土壤含水量值最稳定，在土壤偏干旱和偏湿润条件下均方根误差（Root Mean Square Error，RMSE）平均值分别为0.0401 m3/m3和0.0335 m3/m3；相对误差（Relative Error，RE）最低为3.0%。探地雷达具备对定量深度田间土壤含水量快速、精准监测的能力，但其反演模型需根据不同土壤类型等条件进行相应参数校正。
间作种植形成了异质冠层空间结构，但因此导致的作物生长、表型和光截获的行间差异目前还少有定量化。为解析条带间作生产力的行间差异，本研究基于田间观测数据构建植物功能-结构模型（Functional-Structural Plant Model，FSPM），量化间作系统中光截获的行间差异。于2017—2018年开展了玉米和大豆单作、2行玉米和2行大豆的2:2 MS间作以及3行玉米和6行大豆的3:6 MS间作田间试验。基于植物生长平台GroIMP开发了玉米-大豆间作的FSPM，模型较好地模拟了叶面积指数（Leaf Area Index，LAI）、株高和光截获系数动态三个指标，均方根误差（Root Mean Square Error，RMSE）分别为0.24～0.70 m2/m2、0.06～0.17 m和0.06～0.10。田间试验结果表明，间作种植显著增加了玉米节间直径。受玉米遮阴影响，大豆节间变长、变细，且随大豆条带变窄差异越明显。模型模拟的2:2 MS间作玉米光截获比单作玉米高35.6%，3:6 MS边行玉米和内行玉米的光截获分别比单作玉米高27.8%和20.3%。2:2 MS与3:6 MS边行大豆的光截获比单作大豆分别少36.0%和28.8%；3:6 MS大豆内I行和内II行比单作大豆的光截获分别少4.1%和1.8%。基于三维FSPM，未来可进行不同生长环境下间作种植模式等的布局优化，以达到最佳系统光截获优势。
脱落酸（Abscisic Acid，ABA）是一种重要的植物激素，在种子和芽休眠、器官大小控制、植物衰老和死亡等发育过程中发挥作用，同时调控植物的生物与非生物胁迫。为快速、准确地测定植物体内ABA的含量，本研究开发了一种新型的ABA免疫传感器。通过在电极表面修饰羧基化石墨烯（GR-COOH）及海藻酸钠（Sodium Alginate，SA）来增加抗体的固定量，从而提高传感器的检测性能。对GR-COOH、SA、ABA抗体的浓度进行了优化，根据ABA抗体和抗原的结合导致电极阻抗发生变化的原理，实现了ABA的检测。传感器在10 pmol/L~1 μmol/L范围内与ABA浓度呈线性关系，实测的检测下限为10 pmol/L，具有较好的稳定性和选择性。进一步以感染柑橘黄龙病的脐橙为研究对象，通过制备的基于GR-COOH-SA复合材料的ABA免疫传感器检测了黄龙病菌侵染下脐橙叶片中ABA的含量变化。结果表明，脐橙感染黄龙病后，叶片中ABA的含量增加，从而表明ABA在植物的抗病反应中发挥重要作用。进一步研究了ABA合成途径中关键酶的基因CitZEP表达量的变化，植株感病后基因表达量升高，传感器测得的ABA含量升高与传感器的检测结果相符，表明基于GR-COOH-SA复合材料的ABA免疫传感器具有较好的实用性。
植物激素脱落酸（Abscisic Acid，ABA）在调控植物生长和发育方面具有重要作用。然而，ABA在植物组织中含量较低，迫切需要快速灵敏的检测方法。本研究建立了一种基于适配体识别和表面增强拉曼光谱（Surface-Enhanced Raman Spectroscopy，SERS）检测的ABA快速、定量检测方法。ABA适配体修饰的纳米金颗粒兼具SERS信号增强和选择性识别等特点，实现了复杂植物样品基质中痕量ABA的快速、灵敏检测。当ABA分子出现时，适配体将与ABA分子特异性结合，结合后的适配体折叠成G-四聚体结构，将ABA分子包裹在四聚体结构内，拉近ABA分子与金纳米颗粒之间的距离，获得增强并稳定的ABA分子SERS信号。在适配体浓度优化的条件下，该方法检测限为0.1μmol/L，线性相关系数R2=0.9855，重复性相对标准偏差（Relative Standard Deviation，RSD）≤6.71%，且SERS增强基底的稳定性良好（>6个月）。特别是，该方法用于小麦叶片中ABA的检测，检测结果与酶联免疫吸附剂测定（Enzyme Linked Immunosorbent Assay，ELISA）具有良好的吻合度（相对误差≤9.13%）。该研究为植物激素快速检测提供了有效的解决方案。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
