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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
［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。
［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。
［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］ 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］ 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］ 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］ 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。
［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。
［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］ 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］ 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］ 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。
［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。
[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。
[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。
[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。
[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] 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。
[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] 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] 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] 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] 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] 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] 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] 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] 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。
