智慧农业(中英文)

无人机遥感监测作物病虫害胁迫方法与最新研究进展 | Open Access

杨国峰, 何勇, 冯旭萍, 李禧尧, 张金诺, 俞泽宇

2022, 4(1): 1-16. doi:10.12133/j.smartag.SA202201008

摘要 ( 2731 )

HTML ( 724)

PDF (937KB) ( 2216 )

参考文献 | 相关文章 | 计量指标

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。

联合多源多时相卫星影像和支持向量机的小麦白粉病监测方法 | Open Access

赵晋陵, 杜世州, 黄林生

2022, 4(1): 17-28. doi:10.12133/j.smartag.SA202202009

摘要 ( 567 )

HTML ( 100)

PDF (7036KB) ( 437 )

参考文献 | 相关文章 | 计量指标

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。

深度学习在植物叶部病害检测与识别的研究进展 | Open Access

邵明月, 张建华, 冯全, 柴秀娟, 张凝, 张文蓉

2022, 4(1): 29-46. doi:10.12133/j.smartag.SA202202005

摘要 ( 3093 )

HTML ( 526)

PDF (1061KB) ( 3000 )

参考文献 | 相关文章 | 计量指标

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。

基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别 | Open Access

周巧黎, 马丽, 曹丽英, 于合龙

2022, 4(1): 47-56. doi:10.12133/j.smartag.SA202202003

摘要 ( 1839 )

HTML ( 154)

PDF (1623KB) ( 1314 )

参考文献 | 相关文章 | 计量指标

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。

遥感技术在种植收入保险中的应用场景及研究进展 | Open Access

陈爱莲, 赵思健, 朱玉霞, 孙伟, 张晶, 张峭

2022, 4(1): 57-70. doi:10.12133/j.smartag.SA202201011

摘要 ( 925 )

HTML ( 91)

PDF (820KB) ( 920 )

参考文献 | 相关文章 | 计量指标

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。

基于无人机图像颜色与纹理特征的小麦不同生育时期生物量估算 | Open Access

戴冕, 杨天乐, 姚照胜, 刘涛, 孙成明

2022, 4(1): 71-83. doi:10.12133/j.smartag.SA202202004

摘要 ( 657 )

HTML ( 116)

PDF (1004KB) ( 556 )

参考文献 | 相关文章 | 计量指标

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。

基于探地雷达的田块尺度下不同深度土壤含水量监测 | Open Access

张文瀚, 杜克明, 孙彦坤, 刘布春, 孙忠富, 马浚诚, 郑飞翔

2022, 4(1): 84-96. doi:10.12133/j.smartag.SA202202010

摘要 ( 706 )

HTML ( 86)

PDF (2258KB) ( 1065 )

参考文献 | 相关文章 | 计量指标

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。

基于植物功能-结构模型的玉米-大豆条带间作光截获行间差异研究 | Open Access

李双伟, 朱俊奇, EVERS Jochem B., VAN DER WERF Wopke, 郭焱, 李保国, 马韫韬

2022, 4(1): 97-109. doi:10.12133/j.smartag.SA202202002

摘要 ( 686 )

HTML ( 45)

PDF (1459KB) ( 745 )

参考文献 | 相关文章 | 计量指标

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。

基于羧基化石墨烯-海藻酸钠复合材料的脱落酸电化学免疫传感器的构建及应用 | Open Access

董宏图, 周思蒙, 王清涛, 王成, 罗斌, 李爱学

2022, 4(1): 110-120. doi:10.12133/j.smartag.SA202202007

摘要 ( 478 )

HTML ( 34)

PDF (1757KB) ( 443 )

参考文献 | 相关文章 | 计量指标

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。

利用表面增强拉曼光谱定量检测植物激素脱落酸 | Open Access

张燕燕, 李灿, 苏睿, 李林泽, 位文涛, 李保磊, 胡建东

2022, 4(1): 121-129. doi:10.12133/j.smartag.SA202202001

摘要 ( 671 )

HTML ( 29)

PDF (1359KB) ( 452 )

参考文献 | 相关文章 | 计量指标

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。

水下鱼类品种识别模型与实时识别系统 | Open Access

李少波, 杨玲, 于辉辉, 陈英义

2022, 4(1): 130-139. doi:10.12133/j.smartag.SA202202006

摘要 ( 1306 )

HTML ( 152)

PDF (1329KB) ( 1347 )

参考文献 | 相关文章 | 计量指标

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。

农业复杂环境下尺度自适应小目标识别算法——以蜜蜂为研究对象 | Open Access

郭秀明, 诸叶平, 李世娟, 张杰, 吕纯阳, 刘升平

2022, 4(1): 140-149. doi:10.12133/j.smartag.SA202203003

摘要 ( 831 )

HTML ( 70)

PDF (1997KB) ( 782 )

参考文献 | 相关文章 | 计量指标

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。

当期目录