［目的/意义］农业机器人是全球农业装备的战略制高点和竞争焦点，也是加快推动中国农业强国建设的重点方向之一。世界农业强国与中国均围绕本国农业发展特点，正在加强农业机器人政策与规划布局，带动农业机器人产业进入稳定增长期。［进展］本文阐述了农业机器人概念及特征，全球农业机器人发展政策与战略规划布局，以及产业发展状况。针对农田作业机器人、果园采摘机器人和设施蔬菜生产机器人等3类典型农业机器人的产业背景、前沿进展、发展面临的挑战和关键技术卡点开展了深入分析。［结论/展望］展望了在全球农业劳动力的日益短缺的大背景下，农业机器人产业快速发展面临的机遇，提出了未来农业机器人技术在自主导航、自主学习、实时监控、作业管控等方面的发展趋势。
［目的/意义］ 近年来，人工智能在农业领域的应用取得了显著进展，但仍面临诸如模型数据收集标记困难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术，已在多个行业的垂直领域中展现出了良好性能，尤其在复杂关联表示、模型泛化、多模态信息处理等方面较传统机器学习方法有着较大优势。［进展］ 本文首先阐述了大模型的基本概念和核心技术方法，展示了在参数规模扩大与自监督训练下，模型通用能力与下游适应能力的显著提升。随后，分析了大模型在农业领域应用的主要场景；按照语言大模型、视觉大模型和多模态大模型三大类，在阐述模型发展的同时重点介绍在农业领域的应用现状，展示了大模型在农业上取得的研究进展。［结论/展望］ 对农业大模型数据集少而分散、模型部署难度大、农业应用场景复杂等困难提出见解，展望了农业大模型未来的发展重点方向。预计大模型将在未来提供全面综合的农业决策系统，并为公众提供专业优质的农业服务。
［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］ 乡村振兴战略给农业技术推广提出新的要求，使农业推广知识的供给形式有待进一步创新。以果蔬农技知识服务为需求导向，基于前沿大语言模型技术，面向新型农业知识导读和知识问答等农技推广服务，构建果蔬农技知识智能问答系统。 ［方法］ 基于草莓种植户需求分析，把草莓栽培农技知识划分为不同主题，形成知识对象识别和知识问答两种大模型下游任务，结合机器自动标注和人工标注的方法构建小样本高质量训练语料；通过对比已有的4种大语言模型：Baichuan2-13B-Chat、ChatGLM2-6B、Llama-2-13B-Chat、ChatGPT的性能表现，选择性能最优的模型作为基础模型，按照“优质语料+预训练大模型+微调”的研究思路，训练具有语义分析、上下文关联和生成能力，能够适应多种下游任务的深度神经网络，构建农业知识问答大模型；采用数据优化、检索增强生成技术等多种策略缓解大模型幻觉问题；研发果蔬农技知识智能问答系统，生成高精度、无歧义的农业知识答案，同时支持用户多轮问答。 ［结果和讨论］ 以精准率和召回率为命名实体识别任务的性能表现指标，参与测评的国内主流模型在微调后不同知识主题下的平均精准率均超过85%，平均召回率表现各异，其中知识实体类型的数量、标注语料数量等因素都会影响大模型性能；以幻觉率和语义相似度为知识问答任务的性能表现指标，数据优化、采用检索增强生成技术等策略以10%~40%的幅度有效降低大模型幻觉率，并有效提高大模型的语义相似度。 ［结论］ 在农业领域的命名实体识别和知识问答任务中，预训练大模型ChatGLM的表现性能最优。针对预训练大模型下游任务的微调和基于检索增强生成（Retrieval-Augmented Generation，RAG）技术的模型优化可以缓解大模型幻觉问题，显著提升大模型性能。大模型技术具有创新农技知识服务模式、优化农业知识推广的潜力，能够有效降低种植户获取高质量有效知识的时间成本，引导更多的种植户实现农业技术创新和转型。但是由于性能不稳定等诸多问题，大模型的优化方法和具体场景应用仍需进一步深入研究。
目的/意义 农业传感器是数字农业、信息农业、智慧农业等现代农业发展模式的源头技术，也是推动农业科技迭代升级和农业生产方式变革的重要驱动力。农业传感器应用环境（水、气及土壤）和监测对象（动植物）多样复杂、规模大，因此，高环境适应性、高可靠性和低成本的农业传感器是实现智慧农业的基础与核心。［进展］本文对农业传感器进行分类，并对农业传感器前沿研究趋势进行分析，综述农业传感器在不同应用场景下的研究现状，从农业环境传感器（水、大气和土壤等）、动植物生命信息传感器、农产品质量安全传感器和农机传感器四大类进行深入分析，总结现有农业传感器在研发和使用过程中的通用性和局限性。［结论/展望］在农业传感器面临的挑战与展望中，具体分析了现阶段农业传感器大规模应用严重不足的核心瓶颈，包括低成本化、专用化、高稳定性及自适应，归纳出“农业泛在感知”的概念，为农业传感器技术研发提供思路和参考。
[目的/意义] 实现复杂的自然环境下农作物害虫的识别检测，改变当前农业生产过程中依赖于专家人工感官识别判定的现状，提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作物拟态、检测准确率低、算法推理速度慢等问题，本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目标检测算法。 [方法] 首先通过引入GSConv提高模型的感受野，部分Conv更换为轻量化的幻影卷积（Ghost Convolution），采用HorBlock捕捉更长期的特征依赖关系，Concat更换为BiFPN（Bi-directional Feature Pyramid Network）更加丰富的特征融合，使用VoVGSCSP模块提升微小目标检测，同时引入CBAM（Convolutional Block Attention Module）注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本，提高网络模型的泛化能力和整体性能。之后，对改进后的YOLOv8-Extend模型与YOLOv8原模型、YOLOv5、YOLOv8-GSCONV、YOLOv8-BiFPN、YOLOv8-CBAM进行对比，验证模型检测准确度和精度。最后将模型移植到边缘设备进行推理验证，在实际应用场景中验证模型的有效性。 [结果和讨论] YOLOv8-Extend在对比实验中均取得良好的表现，其中与原模型对比实验中，精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升2.6%、3.6%、2.4%和7.2%，表现突出，具有更好的检测效果。改进前后的模型分别运行在边缘计算设备JETSON ORIN NX 16 GB上并通过TensorRT加速相比，mAP@0.5提升4.6%，达到57.6 FPS，满足实时性检测要求。在复杂农业场景中YOLOv8-Extend模型具有更好的适应性，在实际采集数据中微小害虫与生长环境相似的害虫检测方面有明显优势，在困难数据检测方面准确率提高了11.9%。 [结论] 本研究提出的YOLOv8改进模型有效提高了检测精度和识别率同时保持了较高的运行效率，能够部署在边缘终端计算设备上实现农作物害虫的实时检测，也为其他小目标智能检测和模型结构优化提供参考和帮助。
[目的/意义] 作物农艺性状与形态结构表型智能识别是作物智慧育种的主要内容，是研究“基因型—环境型—表型”相互作用关系的基础，对现代作物育种具有重要意义。［进展］ 大规模、高通量作物表型获取设备是作物表型获取、分析、测量、识别等的基础和重要手段。本文介绍了高通量作物表型主流平台和感知成像设备的功能、性能以及应用场景。分析了作物株高获取、作物器官检测与技术等农艺性状智能识别和作物株型识别、作物形态信息测量以及作物三维重建等形态结构智能识别技术的研究进展及挑战。［结论/展望］从研制新型低成本田间智能作物表型获取与分析装备、提升作物表型获取田间环境的标准化与一致性水平、强化田间作物表型智能识别模型的通用性，研究多视角、多模态、多点连续分析与时空特征融合的作物表型识别方法，以及提高模型解释性等方面，展望了作物表型技术主要发展方向。
[目的/意义] 针对实体嵌套、实体类型混淆等问题导致的农业病害命名实体识别（Named Entities Recognition, NER）准确率不高的情况，以PointerNet为基准模型，提出一种基于RoFormer预训练模型的指针网络农业病害NER方法RoFormer-PointerNet。 [方法] 采用RoFormer预训练模型对输入的文本进行向量化，利用其独特的旋转位置嵌入方法来捕捉位置信息，丰富字词特征信息，从而解决一词多义导致的类型易混淆的问题。使用指针网络进行解码，利用指针网络的首尾指针标注方式抽取句子中的所有实体，首尾指针标注方式可以解决实体抽取中存在的嵌套问题。 [结果和讨论] 自建农业病害数据集，数据集中包含2 867条标注语料，共10 282个实体。为验证RoFormer预训练模型在实体抽取上的优越性，采用Word2Vec、BERT、RoBERTa等多种向量化模型进行对比试验，RoFormer-PointerNet与其他模型相比，模型精确率、召回率、F1值均为最优，分别为87.49%，85.76%和86.62%。为验证RoFormer-PointerNet在缓解实体嵌套的优势，与使用最为广泛的双向长短期记忆神经网络（Bi-directional Long Short-Term Memory, BiLSTM）和条件随机场（Conditional Random Field, CRF）模型进行对比试验，RoFormer-PointerNet比RoFormer-BiLSTM模型、RoFormer-CRF模型和RoFormer-BiLSTM-CRF模型分别高出4.8%、5.67%和3.87%，证明用指针网络模型可以很好解决实体嵌套问题。最后验证RoFormer-PointerNet方法在农业病害数据集中的识别性能，针对病害症状、病害名称、防治方法等8类实体进行了识别实验，本方法识别的精确率、召回率和F1值分别为87.49%、85.76%和86.62%，为同类最优。 [结论] 本研究提出的方法能有效识别中文农业病害文本中的实体，识别效果优于其他模型。在解决实体抽取过程中的实体嵌套和类型混淆等问题方面具有一定优势。
[目的/意义] 对虾病害严重危害对虾养殖业。针对对虾病害发病快、死亡率高等特点，高密度的工厂化养殖等模式需要一种高效率对虾发病检测方法替代传统人工检查方法，实现对虾发病的及时预警。 [方法] 提出一种基于改进YOLOv8（You Only Look Once）和多元特征的对虾发病检测方法。首先利用改进YOLOv8网络从对虾夜间水面红外图像中进行前景提取，再利用Farneback光流法和灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）提取对虾视频片段的运动特征与图像纹理特征，利用提取到的特征参数构建训练数据集，训练支持向量机（Support Vector Machine，SVM）作为分类器用于检测对虾视频片段，实现对正常与发病的对虾视频片段的检测分类。 [结果和讨论] 训练好的SVM分类器在300个测试样本上的表现为检测准确率平均值为83%，检测效果达到设计要求。检测误差主要是将发病片段错误地检测为正常片段。该误差主要受水面对虾数量和视频影响。 [结论] 本研究实现了对对虾发病的检测，提供了一种基于计算机视觉的检测方法。但受条件限制，仅在工厂化养殖环境下进行了实验，尚不能适用于多种养殖环境，仍有改进空间。
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。
[目的/意义] 为了提高体尺关键点定位准确率，猪三维点云体尺自动测量方法会采用点云分割，在各个分割后局部点云定位测量关键点，以减少点云之间相互干扰。然而点云分割网络通常需要消耗较大计算资源，且现有测量点定位效果仍有待提升空间。本研究旨在通过设计关键点生成网络从猪体点云中提取出各体尺测量所需关键点。在降低显存资源需求的同时提高测量关键点定位效果，提高体尺测量的效率和精度。 [方法] 针对猪三维表面点云进行体尺测量，提出了一种定位猪体尺关键点的模型Pig Back Transformer。模型分为两个模块，分别设计了两种改进的Transformer自注意力编码器，第一模块为全局关键点模块，首先设计了一种猪背部边缘点提取算法用于获取边缘点，再使用edge encoder编码器以边缘点集合作为输入，edge encoder的edge attention中加入了边缘点和质点的偏移距离信息；第二模块为关键点生成模块，使用了back attention机制的back encoder，其中加入了与质心和第一模块生成的全局关键点的偏移量，并将偏移量与点云注意力通过按位max pooling操作结合，最后通过生成猪的体尺测量关键点和背脊走向点。最后设计了使用关键点和背脊走向点作为输入的体尺算法。 [结果和讨论] 对比关键点和背脊走向点生成任务上Pig Back Transformer表现最佳，并对比体尺计算结果与人工测量结果，体长相对误差为0.63%，相对PointNet++、Point Transformer V2、Point Cloud Transforme、OctFormer PointTr等模型有较大提升。 [结论] Pig Back Transformer能相对准确地生成猪体尺关键点，提高体尺测量数据准确度，并且通过点云特征定位体尺关键点节省了计算资源，为无接触牲畜体尺测量提供了新思路。
[目的/意义] 近年来，玉米叶部病害发生日趋加重且呈现混发现象，严重威胁玉米产量和品质。但目前鲜有研究对叶部病害种类识别及其烈度分类进行结合，无法满足实际场景中玉米不同病害及不同烈度混发下的病害防控需求。 [方法] 提出一种基于高光谱技术实现玉米典型叶部病害种类识别及其烈度分类的方法，通过挖掘玉米大斑病、小斑病和南方锈病3种叶部病害的光谱特性，优选敏感特征构建基于病害发展全阶段（包含病害所有烈度）和病害单一烈度下的病害种类识别模型；进一步地，针对玉米叶部单一病害构建烈度分类模型，以期实现对不同叶部病害的全过程识别与病害烈度分类。 [结果和讨论] 3种玉米叶部病害在550~680 nm的可见光、740~760 nm的红边、760~1 000 nm的近红外和1 300~1 800 nm的短波红外处其光谱变化显著。基于此提取的光谱特征能够有效捕捉病害特异性信息。基于病害发展全阶段构建的病害种类识别模型最优总体精度（Overall accuracy, OA）达77.51%，Macro F1达0.77；而基于病害单一烈度下的病害种类识别模型精度随着病害烈度的增加而升高。在病害发展阶段处于重度烈度时，病害种类识别模型最优精度达95.06%，Macro F1达0.94。此外，研究构建的3种玉米叶部病害烈度分类模型最优精度均超过70%，其中大斑病烈度分类效果最好（OA=86.25%，Macro F1=0.85）。 [结论] 基于高光谱数据能够有效实现玉米典型叶部病害种类识别及其烈度分类，为大范围作物病害监测提供研究基础及理论依据，助力精准防控与绿色农业。
[目的/意义] 天然牧场下放牧牲畜数量的准确检测是规模化养殖场改造升级的关键。为满足规模化养殖场对大批羊群实现精准实时的检测需求，提出一种高精度、易部署的小目标检测模型CSD-YOLOv8s（CBAM SPPFCSPC DSConv-YOLOv8s），实现无人机高空视角下小目标羊只个体的实时检测。 [方法] 首先，使用无人机获取天然草原牧场中包含不同背景及光照条件下的羊群视频数据并与下载的部分公开数据集共同构成原始图像数据。通过数据清洗和标注整理生成羊群检测数据集。其次，为解决羊群密集和相互遮挡造成的羊只检测困难问题，基于YOLO（You Only Look Once）v8模型构建具有跨阶段局部连接的SPPFCSPC（Spatial Pyramid Pooling Fast-CSPC）模块，提升网络特征提取和特征融合能力，增强模型对小目标羊只的检测性能。在模型的Neck部分引入了卷积注意力模块（Convolutional Block Attention Module, CBAM），从通道和空间两个维度增强网络的抗干扰能力，提升网络对复杂背景的抑制能力，进一步提高对密集羊群的检测性能。最后，为提升模型的实时性和可部署性，将Neck网络的标准卷积改为具有可变化内核的轻量卷积C2f_DS（C2f-DSConv）模块，减小了模型的参数量并提升了模型的检测速度。 [结果和讨论] 与YOLO、Faster R-CNN（Faster Regions with Convolutional Neural Networks）及其他经典网络模型相比，改进后的CSD-YOLOv8s模型在检测速度和模型大小相当的情况下，在羊群检测任务中具有更高的检测精度。Precision达到95.2%，mAP达到93.1%，FPS（Frames Per Second）达到87 f/s，并对不同遮挡程度的羊只目标具有较强的鲁棒性，有效解决了无人机检测任务中因羊只目标小、背景噪声大、密集程度高导致羊群漏检和误检严重的问题。公开数据集验证结果表明，提出的模型对其他不同物体的检测精度均有所提高，特别是在羊只检测方面，检测精度提升了9.7%。 [结论] 提出的CSD-YOLOv8s在无人机图像中更精准地检测草原放牧牲畜，对不同程度的聚集和遮挡目标实现精准检测，且具有较好的实时性，为养殖场大规模畜禽检测提供了技术支撑，具有广泛的应用潜力。
【目的/意义】 随着科学技术的快速发展和劳动力成本的不断提高，机器人在设施农业领域的应用越来越广泛。设施环境复杂多样，如何让机器人实现稳定、精准、快速地导航仍然是当前需要解决的问题。 【进展】 本文基于设施农业智能机器人的自动导航关键技术展开综述。在自主定位与地图构建方面，详细介绍了信标定位、惯性定位、即时定位与建图技术，以及融合定位方法。其中，依据使用的传感器不同，即时定位与建图技术可进一步划分为视觉、激光和融合三种不同类型。在全局路径规划方面，探讨了点到点局部路径规划和全局遍历路径规划在设施农业中的应用。针对规划目标数量的不同，详细介绍了单目标路径规划和多目标路径规划。此外，在机器人的自动避障技术方面，讨论了一系列设施农业中常用的避障控制算法。 【结论/展望】 总结了当前设施农业智能机器人自动导航技术面临的挑战，包括复杂环境、遮挡严重、成本高、作业效率低、缺乏标准化平台和公开数据集等问题。未来研究应重点关注多传感器融合、先进算法优化、多机器人协同作业，以及数据标准化与共享平台的建设。这些方向将有助于提升机器人在设施农业中的导航精度、效率和适应性，为智能农业的发展提供参考和建议。
[目的/意义] 针对现有规模化猪场生猪计数需求场景多，人工计数效率低、成本高等问题，提出一种基于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法。 [方法] 首先，利用智能手机拍摄养殖场猪只视频，对视频抽帧进一步生成图像数据集。其次，通过改进卷积块注意力模块（Convolutional Block Attention Module, CBAM）中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题，提出高效全局注意力模块，并将该模块引入基于回归分析的单阶段实例分割网络YOLO（You Only Look Once）v8中对获取的生猪图像进行分割，构建新的识别模型YOLOv8x-Ours，以实现高精度的生猪计数。最后，基于微信公众平台开发微信小程序，并嵌入综合表现最优的生猪计数模型，实现使用智能手机拍摄图像进行生猪快速计数。 [结果和讨论] 在测试集上的试验结果表明，与现有实例分割模型相比，引入高效全局注意力的YOLOv8x-Ous模型获得66%的平均精度（AP（50∶95）），平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）和R2分别为1.727、2.168和0.949，表现出较高的准确性和稳定性。模型计算猪只数量误差小于3头猪的图像数量占测试图像总数量的93.8%，相比两阶段实例分割算法Mask R-CNN（Region Convolutional Neural Network）提升7.6%；单幅图像平均处理时间仅为64 ms，是Mask R-CNN的1/8。 [结论] 该方法经济高效，为规模化猪场的生猪计数提供了一种技术方案。
[目的/意义] 随着自动化、数智化技术的快速发展及其相关技术在肉牛养殖上的逐步推广利用，肉牛智能化养殖技术研究也取得了一定进步。肉牛的生理指标如运动量、体温、心率、呼吸频率，以及反刍量等变化反映了肉牛的健康或亚健康状态。基于多种传感器采集到的数据以及机器学习、数据挖掘及模型化分析等技术的利用，肉牛的生理指标可由智能感知装备尤其接触式设备自动获取并用于发情、产犊、健康和应激的监测。［进展］针对肉牛养殖过程生理指标的智能监测技术及其利用价值进行了系统分析，分析了生理指标监测技术在实际生产中的应用现状，总结了肉牛生理指标监测的难点和挑战，并提出了未来发展方向。［结论/展望］肉牛生理指标的智能监测与利用既提高数据采集的时效性和准确性，有利于提高一线人员工作效率，促进肉牛养殖的智能化水平及健康养殖水平。结合当前中国肉牛实际饲养现状和肉牛生理指标智能监测传感器的研究现状，未来需降低接触类相关设备能耗、提高使用寿命；提高各监测数据的相互融合深度分析，提高监测准确率；加强非接触、高精度、自动化的数据采集分析技术研发，减少人工佩戴设备的工作量和设备使用成本。
[目的/意义] 牛的体尺参数是反映牛身体发育状况的关键指标，也是牛选育过程的关键因素。为解决规模化肉牛牧场复杂环境对肉牛体尺的测量需求，设计了一种图像采集装置以及体尺自动测量算法。 [方法] 首先搭建肉牛行走通道，当肉牛通过通道后进入限制装置，用英特尔双目深度相机D455对牛只右侧图像进行RGB与深度图的采集。其次，为避免复杂环境背景的影响，提出一种改进后的实例分割网络Mask2former来对牛只二维图进行前景轮廓提取，对轮廓进行区间划分，利用计算曲率分析方法找到所需体尺测点。然后，将原始深度图转换为点云数据，对点云进行点云滤波、分割和深度图牛只区域的空值填充，以保留牛体区域的点云完整，从而找到所需测点并返回到二维数据中。最后，将二维像素点投影到三维点云中，利用相机参数计算出投影点的世界坐标，从而进行体尺的自动化计算，最终提取肉牛体高、十字部高、体斜长和管围4种体尺参数。［结果与讨论］改进的实例分割网络与Mask R-CNN、PointRend、Queryinst等模型相比具有更好的分割结果。采用本研究测得的这4种体尺平均相对误差分别为4.32%、3.71%、5.58%和6.25%。 [结论] 本研究开发的肉牛图像采集装置及相应的图像处理方法可以满足该牧场对肉牛体尺无接触自动测量误差小于8%的精度要求，为非接触式肉牛体尺自动化测量提供了理论与实践指导。
[目的/意义] 准确高效地获取马匹体尺信息是马产业现代化进程中的关键环节。传统的人工测量方法耗时长、工作量大，且会对马匹造成一定应激反应。因此，实现准确且高效的体尺参数自动测量对于制定蒙古马早期育种计划至关重要。 [方法] 选择Azure Kinect深度相机获取蒙古马双侧RGB-D数据，以YOLOv8n-pose为基础，通过在C2f模块中引入可变形卷积（Deformable Convolution v2, DCNv2），同时添加洗牌注意力机制（Shuffle Attention, SA）模块和优化损失函数（SCYLLA-IoU Loss, SIoU）的方法，利用余弦退火法动态调整学习率，提出一种名为DSS-YOLO（DCNv2-SA-SIoU-YOLO）的模型用于蒙古马体尺关键点的检测。其次，将RGB图中的二维关键点坐标与深度图中对应深度值相结合，得到关键点三维坐标，并实现蒙古马点云信息的转换。利用直通滤波、随机抽样一致性（Random Sample Consensus, RANSAC）、统计离群值滤波、主成分分析法（Principal Component Analysis, PCA）完成点云处理与分析。最终根据关键点坐标自动计算体高、体斜长、臀高、胸围和臀围5项体尺参数。 [结果和讨论] DSS-YOLO的平均关键点检测精度为92.5%；dDSS为7.2个像素；参数量和运算量分别仅为3.48 M和9.1 G。体尺参数自动测量结果与人工测量值相比，各项体尺参数的整体平均绝对误差为3.77 cm；平均相对误差为2.29%。 [结论] 研究结果可为蒙古马运动性能相关遗传参数的确定提供技术支撑。
[目的/意义] 害虫的精准识别对农作物虫害有效防治具有重大意义。然而，当前的害虫图像识别模型都是针对闭集数据构建的模型，难以对训练集中没有出现过的害虫种类（不可见害虫）进行推理，导致在实际应用过程中遇见不可见类别昆虫时误判现象尤为严重。 [方法] 针对这一问题，提出了一种适用零样本学习（Zero-Shot Learning, ZSL）和广义零样本学习 （Generalized Zero-Shot Learning, GZSL）范式的害虫图像识别方法VSA-WGAN，可以实现对可见（训练集中包含的类别）与不可见害虫种类的辨识。该方法基于生成对抗网络（Generative Adversarial Network, GAN）生成伪视觉特征，将零样本害虫识别问题转化为传统监督学习任务，且通过引入对比学习来优化生成器的生成质量，添加视觉-语义对齐模块进一步约束生成器，使其能生成更具判别性的特征。［结果与讨论］在自建的一个适用于零样本学习研究的害虫数据集和几个公开数据集对提出方法进行了评估。其中，在多个公开数据上取得了目前最优结果，相比之前方法最大提升达到2.8%；在自建20类害虫数据集上取得了零样本设置下77.4%的识别精度和广义零样本设置下78.3%的调和精度，相比之前方法分别提升了2.1%和1.2%。 [结论] 所提方法能有效地将害虫的视觉特征泛化到不可见类，实现害虫的零样本识别，有助于提升害虫识别模型的泛化能力，为农作物新虫害的发现与防治提供帮助。
[目的/意义] 智慧农业科技是农业领域又一次新技术革命，具备农业新质生产力“高科技、高效能、高质量、可持续”的内在特征，已成为推进农业新质生产力发展的重要内核与引擎。［进展］本文对智慧农业科技创新的现实基础、内在逻辑与问题挑战开展系统研究，结论表明中国“表型+基因型+环境型”智能育种已迈入快车道，农业天、空、地信息感知技术体系逐渐成熟，农业大数据与智能决策技术研究探索不断推进，面向不同领域的智能农机装备创制取得丰硕成果。智慧农业科技创新通过赋能农业要素、技术、场景、主体与价值，推动农业新质生产力发展。但也面临科技创新政策体系不健全、关键技术存在卡点堵点断点、科创成果转化落地难度较大、支撑体系不够完备等重大挑战。［结论/展望］聚焦问题导向，提出了中国智慧农业科技创新平台、技术、场景、人才的“四高”路径，并围绕顶层设计、政策供给、先行实践、生态体系等层面，提出智慧农业科技创新引领农业新质生产力发展的对策建议。
[目的/意义] 油菜菌核病是一种全球性的植物病害，可严重影响油菜的产量和品质，造成巨大的经济损失。为解决传统化学检测方法存在的操作复杂、污染环境、破坏样品及检测效率低等问题，构建了一种基于空-谱信息融合的双向门控循环网络（Bi-directional Gate Recurrent Unit, Bi-GRU）模型，实现油菜菌核病侵染区域的高光谱图像分割。 [方法] 首先提取7×7像素邻域作为目标像素的空间特征，同时考虑全波段光谱特征，实现空间信息和光谱信息的有效融合。在此基础上结合Bi-GRU架构，实现序列数据中任意位置上特征的同时提取，避免了空-谱数据融合顺序对模型结果的影响。 [结果和讨论] 与卷积神经网络模型和长短时记忆网络模型相比，基于空-谱信息融合的Bi-GRU模型在平均精度、平均交并比、Kappa系数和Dice系数等评价指标上均获得显著提升。该模型的油菜菌核病检测平均精度达到93.7%，同时可以有效提取早期感染阶段的病斑区域。 [结论] 本研究可为油菜菌核病的高通量无损检测奠定基础，也为油菜菌核病的早期感染检测提供参考依据。
［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 发展新质生产力对推动畜牧业高质量发展具有重要意义。本文旨在对人工智能驱动畜牧新质生产力高质量发展开展系统研究。厘清人工智能推动畜牧新质生产力高质量发展的机理和方向，深入分析畜牧新质生产力的内涵、特征、制约因素，以及推进路径。［进展］畜牧新质生产力是以生物技术、信息技术和绿色技术等前沿技术创新为主导，以数智化、绿色化、生态化为产业升级方向，基本内涵表现为更高素质的劳动者、更先进的劳动资料和更广范围的劳动对象。与传统生产力相比，畜牧新质生产力是以科技创新为导向、以新发展理念为引领、以全要素生产率提升为核心的先进生产力，具有生产效率高、产业效益好、可持续发展能力强的显著特征。中国畜牧新质生产力已具备较好发展基础，但也面临畜禽育种技术创新不足、核心竞争力不强，畜牧养殖机械化率不高、智能装备自主研发能力较弱，“机器换人”需求迫切、畜牧人才量质存在短板，养殖规模化程度不高、智能化管理水平有限等制约因素。人工智能在畜牧业中可以广泛应用在环境控制、精准饲喂、健康监测与疫病防控、供应链优化等领域。人工智能经由以数字技术为代表的畜牧业技术革命性突破，以数据要素为纽带的畜牧业生产力要素创新性配置，与数字经济相适应的畜牧业产业深度转型，催生畜牧新质生产力，赋能畜牧业高质量发展。［结论/ 【目的/意义】 发展新质生产力对推动畜牧业高质量发展具有重要意义。本文旨在对人工智能驱动畜牧新质生产力高质量发展开展系统研究。厘清人工智能推动畜牧新质生产力高质量发展的机理和方向，深入分析畜牧新质生产力的内涵、特征、制约因素，以及推进路径。 【进展】 畜牧新质生产力是以生物技术、信息技术和绿色技术等前沿技术创新为主导，以数智化、绿色化、生态化为产业升级方向，基本内涵表现为更高素质的劳动者、更先进的劳动资料和更广范围的劳动对象。与传统生产力相比，畜牧新质生产力是以科技创新为导向、以新发展理念为引领、以全要素生产率提升为核心的先进生产力，具有生产效率高、产业效益好、可持续发展能力强的显著特征。中国畜牧新质生产力已具备较好发展基础，但也面临畜禽育种技术创新不足、核心竞争力不强，畜牧养殖机械化率不高、智能装备自主研发能力较弱，“机器换人”需求迫切、畜牧人才量质存在短板，养殖规模化程度不高、智能化管理水平有限等制约因素。人工智能在畜牧业中可以广泛应用在环境控制、精准饲喂、健康监测与疫病防控、供应链优化等领域。人工智能经由以数字技术为代表的畜牧业技术革命性突破，以数据要素为纽带的畜牧业生产力要素创新性配置，与数字经济相适应的畜牧业产业深度转型，催生畜牧新质生产力，赋能畜牧业高质量发展。 【结论/展望】 提出了提升畜牧科技创新能力、建立畜牧业全链条信息化监管模式、加快畜牧绿色科技推广应用、提高畜牧业全产业链管理水平，以及完善重要畜禽品种商业化育种机制的畜牧新质生产力发展推进路径。
[目的/意义] 大规模肉羊畜舍人工消毒存在费时费力、覆盖不全和消毒不彻底的问题，为保持畜舍卫生和肉羊健康，本研究提出一种羊场自动导航喷药机器人。 [方法] 从硬件、语义分割模型和控制算法3个方面设计了自动导航喷药机器人。硬件部分包括履带底盘、摄像头和折叠式喷药装置。语义分割模型部分通过引入压缩通道网络注意力（Squeeze-and-Excitation Network, SENet）和基于场景改进的十字交叉注意力（Criss-Cross Attention，CCA）模块，提出一种双注意力ENet语义分割模型（Double Attention ENet, DAENet）。在控制算法方面，针对机器人在面对岔路时无法控制行进方向的问题，利用模拟真实道路的方法，在羊舍外的道路上绘出车道线，提出了道路中心点识别和车道线中心点识别两种算法来计算机器人行进过程中的导航点。为了实现上述两种算法，使用了两台摄像头并设计了摄像头切换算法，依靠此算法实现两台摄像头的切换，并控制喷药装置的开关；提出了一种偏移量与速度计算算法控制机器人履带左右轮速度，实现对于机器人行走的控制。 [结果和讨论] DAENet模型在图像分割任务中的平均交并比（Mean Intersection over Union, mIoU）达到了0.945 3；摄像头切换算法测试结果表明摄像头的切换时间在15 s以内，机器人能正确、快速地带动喷药装置的开关；中心点与偏移量计算算法测试的结果表明，在处理多帧视频流时，算法平均处理一帧图片所用的时间为0.04~0.055 s，帧率为20~24 f/s，满足实际工作的实时性要求；羊场实地的整体测试结果表明，机器人完成了两个羊舍的自动导航和消毒任务，并且未碰撞路边料槽，行进轨迹偏移量未超过0.3 m。在0.2 m/s的行进速度下，药箱里的药液能够满足两个羊舍的消毒任务。机器人处理图像的平均帧率为22.4 f/s，对于信息处理的准确性和实时性能够满足实验指标要求。喷药覆盖圈舍地面超过90%，满足实验指标要求。 [结论] 本研究提出的羊舍自动导航喷药机器人以语义分割模型DAENet为基础，中心点识别算法为核心，通过与硬件设计和控制算法的相互配合，能够在确保安全性和实时性的前提下，实现在羊舍内的自动导航和全覆盖喷药。
[目的/意义] 随着奶牛养殖业向规模化、精准化和信息化养殖迅速发展，对奶牛健康的监测和管理需求也日益增加。实时监测奶牛的反刍行为对于第一时间获取奶牛健康的相关信息以及预测奶牛疾病具有至关重要的意义。目前，针对奶牛反刍行为的监测已经提出了多种策略，包括基于视频监控、声音识别、传感器监测等方法，但是这些方法普遍存在实时性不足的问题。为了减轻数据传输的数量与云端计算量，实现对奶牛反刍行为的实时监测，基于边缘计算的思想提出了一种实时对奶牛反刍行为进行监测的方法。 [方法] 使用自主设计的边缘设备实时地采集并处理奶牛的六轴加速度信号，基于六轴数据提出了基于联邦式与拆分式边缘智能这两种不同的策略对奶牛反刍行为实时识别方法展开研究。在基于联邦式边缘智能的奶牛反刍行为实时识别方法研究中，通过协同注意力机制改进MobileNet v3网络提出了CA-MobileNet v3网络，进而利用CA-MobileNet v3网络和FedAvg模型聚合算法，设计了联邦式边缘智能模型。在基于拆分式边缘智能的奶牛反刍行为实时识别方法研究中，利用融合协同注意力机制的MobileNet v3网络和Bi-LSTM网络，设计了基于MobileNet-LSTM的拆分式边缘智能模型。 [结果和讨论] 对比了MobileNet v3、CA-MobileNet、联邦式边缘智能模型，以及拆分式边缘智能模型的识别准确率，其中基于CA-MobileNet v3的联邦式边缘智能模型的平均查准率、召回率、 F1-Score、特异性以及准确率分别达到97.1%、97.9%、97.5%、98.3%和98.2%，达到了最佳识别效果。 [结论] 本研究为奶牛反刍行为的监测提供了一种实时有效的方法，所提出的方法可以在实际应用中使用。
[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] 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］ 利用数字孪生技术实现对无人农场的实时监管和虚实映射控制是新一代农业信息化技术的核心需求之一，但由于蔬菜生长模型过于复杂，难以在数字孪生平台中建立作物预期模拟，因此结合人工智能技术实现作物生长自动建模成了领域迫切需要的关键技术。 ［方法］ 在蔬菜作物数字孪生平台中引入大语言模型技术，通过预训练大语言模型的推理能力实现蔬菜生长数字孪生平台中准确的蔬菜作物生长模拟。为了使大语言模型具有关于蔬菜作物生长的更多知识和推理能力，首先收集了大量连续的蔬菜生长数据，用于预训练和指令微调；随后设计了阶段式大语言模型智能体集合，由一个预测蔬菜生长阶段的管理型智能体和负责各个阶段的智能体组成，根据数字孪生平台提供的实时数据对蔬菜作物生长进行建模。 ［结果和讨论］ 根据气候、土壤、灌溉、施肥、病虫害、生长日期等蔬菜生长状态信息，所建模型能够预测次日的作物长势，且能根据数字孪生平台的作物管理模拟实现几天甚至几个月的长势预测。通过十折交叉验证证明，该方法使得大语言模型在进行蔬菜作物生长建模时的准确率达到98%，蔬菜生长阶段识别准确率高达99.7%。 ［结论］ 研究表明大语言模型能够在特定数据微调后，实现对于数字孪生平台中作物生长的一般性推理，且能平滑过渡到作物生长的不同阶段。
[目的/意义] 奶牛跛行检测是规模化奶牛养殖过程中亟待解决的重要问题，现有方法的检测视角主要以侧视为主。然而，侧视视角存在着难以消除的遮挡问题。本研究主要解决侧视视角下存在的遮挡问题。 [方法] 提出一种基于时空流特征融合的俯视视角下奶牛跛行检测方法。首先，通过分析深度视频流中跛行奶牛在运动过程中的位姿变化，构建空间流特征图像序列。通过分析跛行奶牛行走时躯体前进和左右摇摆的瞬时速度，利用光流捕获奶牛运动的瞬时速度，构建时间流特征图像序列。将空间流与时间流特征图像组合构建时空流融合特征图像序列。其次，利用卷积块注意力模块（Convolutional Block Attention Module, CBAM）改进PP-TSMv2（PaddlePaddle-Temporal Shift Module v2）视频动作分类网络，构建奶牛跛行检测模型Cow-TSM（Cow-Temporal Shift Module）。最后，分别在不同输入模态、不同注意力机制、不同视频动作分类网络和现有方法4个方面对比，进行奶牛跛行实验，以探究所提出方法的优劣性。 [结果和讨论] 共采集处理了180段奶牛图像序列数据，跛行奶牛与非跛行奶牛视频段数比例为1∶1，所提出模型识别精度达到88.7%，模型大小为22 M，离线推理时间为0.046 s。与主流视频动作分类模型TSM、PP-TSM、PP-TSMv2、SlowFast和TimesFormer模型相比，综合表现最好。同时，以时空流融合特征图像作为输入时，识别精度分别比单时间模态与单空间模态分别提升12%与4.1%，证明本研究中模态融合的有效性。通过与通道注意力（Squeeze-and-Excitation, SE）、卷积核注意力（Selective Kernel, SK）、坐标注意力（Coordinate Attention, CA）与CBAM不同注意力机制进行消融实验，证明利用CBAM注意力机制构建奶牛跛行检测模型效果最佳。最后，与现有跛行检测方法进行对比，所提出的方法同时具有较好的性能和实用性。 [结论] 本研究能够避免侧视视角下检测跛行奶牛时出现的遮挡问题，对于减少奶牛跛行发生率、提高牧场经济效益具有重要意义，符合牧场规模化建设的需求。
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】 采摘机器人是智慧农业的重要组成部分，其感知、规划、控制相关基础方法理论目前已有系统化研究。然而，构建具备全果园“感知-移动-采摘”一体化作业能力的实用型采摘系统仍面临诸多挑战。针对该问题，本文调研并报道了本领域近期案例，将全果园自主作业的关键技术划分为局部目标感知、全局地图构建和自主作业行为规划三个子问题并进行综述。 【进展】 首先回顾了近距离、局部范围内水果目标的精细视觉感知方法，包括基于低级特征融合、高级特征学习、RGB-D信息融合，以及多视角信息融合的4种方法；介绍与分析了全局尺度下的果园地图构建与大规模场景视觉感知案例；在感知的基础上，调研分析采摘机器人自主作业行为规划方法，包括底盘移动路径规划、机械臂视点规划与避障路径规划等方面的最新研究；最后对采摘机器人自主作业系统构建案例进行报道与分析。 【结论/展望】 感知、移动、采摘模块的高效协同是实现采摘机器人从基础功能样机进一步迈向实用型机器的关键，已有的视觉感知、规划与控制算法的鲁棒性与稳定性均需增强，协同程度需进一步提高。此外，提及了采摘机器人应用的几个开放性研究问题，并描述了其未来发展趋势。
【目的/意义】 为解决奶牛在行走过程中出现滑蹄姿态无法自动识别检测的问题，基于深度学习的方法对奶牛身体关键点进行定位分析，实现对奶牛滑蹄姿态的自动检测。 【方法】 选取奶牛四蹄及头部作为奶牛身体关键点，基于DeepLabCut（DLC）对奶牛四蹄及头部关键点进行定位，首先选取ResNet系列、MobileNet-V2系列、EfficientNet系列等10个网络模型替换DLC的主干网络，最终选取准确率最高的ResNet-50作为DLC的主干网络，随后选择轻量级的卷积块注意力模块（Convolutional Block Attention Module, CBAM）嵌入ResNet-50的网络结构中，完成对ResNet-50网络模型的改进。通过改进后的模型得到奶牛身体关键点坐标，绘制奶牛四蹄及头部运动曲线。利用奶牛身体关键点运动曲线进行分析，提取奶牛滑蹄姿态的特征参数Feature1、奶牛滑蹄距离的特征参数Feature2。基于决策树对提取的奶牛滑蹄姿态特征参数进行模型的训练和验证。利用提取的奶牛滑蹄特征参数对奶牛的滑蹄距离进行计算，同时人工对奶牛滑蹄距离进行标定，与预测的滑蹄距离进行比较。 【结果和讨论】 改进后的ResNet-50网络相较于ResNet-50在验证集的定位准确率提高了9.7%，相较于YOLOv8s-pose的定位精准度提高了1.06 pixels，与手动标识的身体关键点之间的均方根误差（Root Mean Square Error, RMSE）仅为2.99 pixels。采用10折交叉验证对奶牛滑蹄检测模型的效果进行评估，结果表明，该模型的平均准确率、精确度、召回率和F1分数分别为90.42%，0.943，0.949和0.941。基于特征参数Feature2计算的奶牛滑蹄距离与人工标定奶牛滑蹄距离的RMSE仅为1.363 pixels。 【结论】 融合CBAM模块改进的ResNet-50网络模型对奶牛身体关键点定位的准确率较高，基于滑蹄判断特征参数Feature1和滑蹄距离检测特征参数Feature2建立的奶牛滑蹄判断模型和奶牛滑蹄距离预测模型与人工检测的结果相比，都有较小的误差，这表明该方法有较好的准确性，可以为奶牛滑蹄自动检测工作提供技术支持。
[目的/意义] 丘陵山区的机械化、智能化是未来农机行业研究和发展的热点。中国丘陵山区耕地面积占比超过50%，且面临坡陡路窄、地块碎小、地形地貌复杂等多种环境因素制约，各生产环节存在“无机可用，无好机用”的现实问题，并且缺乏适合丘陵山区大坡度农机装备研发的理论支撑。［进展］ 综述了国内外丘陵山地拖拉机调平及防翻系统的研究现状。其中拖拉机车身调平技术平行四杆与液压差高式结构简单，折腰扭腰式更适合连续起伏的崎岖路面，重心可调与全向调平式坡地牵引性与适应性均较好；驾驶室及座椅调平技术基于角度传感器自适应控制，关键在于缓解驾驶疲劳提高舒适度；车身与农具姿态协同控制技术大都采用PID控制技术实现协同控制，但缺乏作业效果反馈机制；拖拉机防翻保护装置与预警技术在防翻保护架的基础上，通过环境模拟感知提前预判翻车危险信号并及时反馈。［结论/展望］未来丘陵山地拖拉机调平、防翻预警及无人化、自动化技术的发展方向：1）结构优化、灵敏度高、稳定性好的山地拖拉机调平系统研究；2）坡地适应性好的农机具仿形系统研究；3）环境感知、自动干涉的防翻预警技术研究；4）农机精准导航技术、智能化监测技术和农机作业远程调度与管理技术研究；5）坡地纵向稳定性理论研究。以期为研发符合中国丘陵山地复杂作业环境的高可靠性、高安全性山地拖拉机提供借鉴参考。
[目的/意义] 为解决高通量草莓叶龄及冠幅提取问题，提出一种基于移动式表型平台和实例分割技术的高通量表型提取方法。 [方法] 利用小型移动式表型平台对温室内盆栽草莓植株的俯拍图像进行数据获取，并利用改进型Mask R-CNN（Convolutional Neural Network）模型对图像进行处理，以此获取草莓植株叶龄信息。首先利用带有分组注意力模块的Split-Attention Networks（ResNeSt）骨干网络替换原有网络，从而提高图像特征信息提取精度和执行效率。在训练时，利用Mosaic方法对草莓图像进行数据增强，并且使用二元交叉熵损失函数对原本的交叉熵分类损失函数进行优化，以达到更好的植株与叶片的检测准确度。在此基础上，对训练结果进行后处理，利用标定比值对冠幅进行计算。 [结果和讨论] 该方法能够在ResNeSt-101骨干网络下，实现80.1%的掩膜准确率和89.6%的检测框准确率，并且能够以99.3%的植株检测正确率和98.0%的叶片数量检出率实现高通量的草莓叶龄估算工作。而模型推理后草莓植株南北和东西向冠幅测试值与真实值相比误差均低于5%的约占98.1%。 [结论] 该方法有着较高的鲁棒性，能够为智慧农业下高通量植物表型获取与解析工作提供技术支持。
[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】 农业领域高质量的语义相似度计算是推动农业技术推广信息化、智能化发展的重要基础。针对现有文本语义相似度计算模型特征提取不全面、高质量标注数据集少等问题，提出一种基于迁移学习和BERT（Bidirectional Encoder Representations from Transformers）预训练模型的农业短文本语义相似度计算模型CWPT-TSBERT（Chinese-based Wordpiece Tokenization and Transfer-learning by Sentence BERT）。 【方法】 CWPT-TSBERT依托孪生网络架构，利用迁移学习策略在大规模通用领域标注数据集进行模型预训练，解决农业文本标注数据集少、语义稀疏性高等问题。提出面向中文的子词单元分词方法CWPT拆分汉字，增强字向量的语义特征表示，进一步丰富了短文本语义特征表达。根据迁移学习的微调机制，利用SBERT（Sentence BERT）模型提取字向量，挖掘汉字间及字形结构间关联关系，提高模型语义相似度计算的正确率。 【结果和讨论】 CWPT-TSBERT模型的语义相似度计算正确率达到97.18%，高于基于卷积神经网络的TextCNN_Attention、基于循环神经网络的MaLSTM（Manhattan Long Short-Term Memory），以及基于BERT预训练模型的SBERT等12种模型。 【结论】 CWPT-TSBERT模型在小规模农业短文本数据集上语义相似性计算正确率较高，性能优势明显，为语义智能匹配提供了有效的技术参考。
[目的/意义] 土壤是农业基本的生产资料，其质量与农业高效生产和可持续发展密切相关。由于以往对农田的高强度利用以及土壤侵蚀等原因，导致部分农田出现土壤有机质明显下降、地力减弱和生态功能退化等现象。土壤理化参数作为揭示土壤空间特征、评估土壤肥力的关键指标，对农田可持续利用起着至关重要的作用。因此，土壤理化参数信息的快速获取极为必要。［进展］探讨了农田土壤理化参数获取技术的研究意义，总结了当前用于农田土壤理化参数信息获取的主要技术，包括以电化学分析和光谱分析为主的实验室快速检验技术，以电磁感应、探地雷达、多光谱、高光谱和热红外为主的近地快速感知技术，以直接反演法、间接反演法和结合分析法为主的卫星遥感技术，以及近年的新型快速获取技术，如生物传感、环境磁学、太赫兹光谱和伽马能谱等，梳理了各方法的优缺点及适用情况。［结论/展望］结合农田环境的作业需求，依据未来研究的侧重方向提出发展建议，包括开发便携化、智能化和经济型的近地土壤信息获取系统及设备，实现土壤信息的原位快速检测。优化低空土壤信息获取平台的性能，完善数据的解译方法；联合多因素构建卫星遥感反演模型，利用多种共享开放的云计算平台实现数据的深度挖掘。深入探索多源数据融合在土壤理化参数信息获取中的研究与应用，构建泛化能力强、可靠性高的土壤信息感知算法和模型等，从而实现土壤理化参数信息快速、精准和智能化获取。
［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］ 水稻智慧无人农场是智慧农业的重要应用领域，代表了水稻生产现代化的关键路径，旨在推动农业的高质量发展。水稻智慧无人农场依托物联网、人工智能等先进信息技术，通过数据驱动和智能装备的集成，构建了涵盖水稻种植、管理、收获的全程无人化生产体系，提高水稻生产的效率和质量，降低生产成本。 ［进展］ 本文系统梳理了水稻智慧无人农场在产前、产中和产后三个主要环节的关键技术，包括高标准农田建设、无人育苗、土地平整、土壤养分检测、水稻旱直播、自动化插秧、精准变量施肥、田间病害诊断、智慧灌溉、水稻估产、无人收割及稻谷储藏、加工品质检测等。 ［结论/展望］ 通过对近年来国内外水稻智慧无人农场建设的案例进行综述，进而总结了无人农场关键技术在实际应用中面临的主要难点，分析了智慧无人农场在建设中所遇到的挑战，对政府、企业、科研机构、合作社等主体在推动水稻智慧无人农场建设中的角色和责任进行了总结，并提出了相关建议，为中国水稻智慧无人农场建设提供一定的支撑和发展思路。
［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］作为未来农机装备的研究重点，农业轮式机器人正向着智能化与多功能化的方向发展。三维环境感知技术因其获取的信息量丰富、复杂环境下的鲁棒性和适应性好，成为了农业轮式机器人智能化无人作业的基础与关键，其发展水平直接影响到包括农业轮式机器人在内的无人农机的作业质量与效率。［进展］本文首先总结了农业轮式机器人和农业环境感知技术的发展现状，分析了不同类型农业轮式机器人的使用特点和应用现状。其次分析了在农业轮式机器人上实现三维环境感知所主要使用的感知设备及其对应的关键技术，重点阐述了基于激光雷达、视觉传感器和多传感器融合的农业轮式机器人三维环境感知技术的研究进展。［结论/展望］结合农业作业特点与实际需求，指出了农业轮式机器人三维环境感知技术在适用性、环境信息处理和感知效果等方面存在的一些问题，并提出了提升传感器的农业适用性、发展基于深度学习的农业环境感知技术、发展智能化的高速在线多传感器信息融合技术三个方面的建议，以期为农业轮式机器人三维环境感知技术发展提供参考与借鉴。
[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】 中文猕猴桃文本在段落上下文主题与字符间的左右关系中，展现出垂直与水平双维度特性。若能充分利用中文猕猴桃文本的双维特性，将有助于进一步提升命名实体识别的识别效果。基于此，提出了一种基于双维信息与剪枝的命名实体识别方法，命名为KIWI-Coord-Prune（kiwifruit-CoordKIWINER-PruneBi-LSTM）。 【方法】 通过设计CoordKIWINER与PruneBi-LSTM两个模块，对中文猕猴桃文本中的双维信息进行精准处理。其中CoordKIWINER模块能够显著提升模型捕捉复杂和嵌套实体的能力，从而生成涵盖更多文本信息的加强字符矢量；PruneBi-LSTM模块在上一模块的基础上，加强了模型对重要特征的学习与识别能力，从而进一步提升了实体识别效果。 【结果和讨论】 在自建数据集KIWIPRO和四个公开数据集人民日报（People's Daily）、ClueNER、Boson，以及ResumeNER上进行试验，并与LSTM、Bi-LSTM、LR-CNN、Softlexicon-LSTM，以及KIWINER五个先进模型进行对比，本研究提出的方法在5个数据集上分别取得了较好的F1值，分别为89.55%、91.02%、83.50%、83.49%和95.81%。 【结论】 与现有方法相比，本研究提出的方法不仅能够有效提升中文猕猴桃领域文本的命名实体识别效果，且具有一定的泛化性，同时也能够为相关知识图谱和问答系统的构建等下游任务提供技术支持。
［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] 精准可靠的定位技术是智能农业机器人开展自主导航作业的重要前提，而常用的全球卫星导航系统（Global Navigation Satellite System, GNSS）定位方法在农业环境中容易受到树木遮挡、电磁干扰等因素影响，因而，提出一种基于三维激光雷达（Light Detection and Ranging, LiDAR）与惯性测量单元（Inertial Measurement Unit, IMU）信息融合的农业机器人定位方法。 [方法] 首先，利用基于角度的聚类方法对激光雷达点云数据进行信息处理，并与三维正态分布变换（3D Normal Distribution Transform, 3D-NDT）定位算法相结合，在先验点云地图信息基础上实现基于激光雷达的实时定位；其次，为了克服单传感器定位方法的局限性，利用扩展卡尔曼滤波（Extended Kalman Filter, EKF）算法对激光雷达定位信息与IMU里程计信息进行融合，进一步提升农业机器人的定位精度。最后，分别在机器人操作系统（Robot Operating System, ROS）的Gazebo仿真环境中，以及真实作业场景中进行实验，验证提出的定位算法的有效性。 [结果和讨论] 融合定位方法在仿真环境中的纵向和横向平均定位误差分别为1.7和1.8 cm，而在实验中的纵向和横向平均定位误差分别为3.3和3.3 cm，均小于传统3D-NDT定位算法的定位误差。 [结论] 提出的融合定位方法能够满足农业机器人在弱GNSS环境下自主作业的定位要求，为农业机器人提供了一种新的定位方法。
[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］ 在大田作业、野外放牧、果园采收等典型农业应用场景下，多机器人（包括移动式智能农机装备等）高精度快速协同同步定位与建图（Simultaneous Localization and Mapping, SLAM）是智慧农业乃至无人农场的关键基础和核心支撑。与单机器人SLAM相比，多机器人协同SLAM具有精度高、范围广、实时性强、扩展性好等优势，但在农业种植和养殖等自然复杂环境下，由于场景动态可变、地形复杂多变、环境丰富多样、通信约束受限等多重因素叠加影响，尚存在诸多问题与挑战。 ［进展］ 现有研究主要是从通用基础技术的视角对多机器人SLAM的研究脉络、优缺点、适用条件和关键核心问题等方面进行总结归纳，但缺乏针对农业复杂场景特性的剖析。本研究面向农业复杂场景的主要特征，以“多传感器数据融合—协同定位—协同建图—回环检测”为关键技术主线，分析了多机器人协同SLAM的优缺点及其在农业领域的适用性；从多机器人协同作业的视角，明晰了集中式、分布式和混合式三种主要协同框架的优势、局限性及适用的典型农业应用场景；进而探讨了农业复杂场景下多机器人SLAM存在的多传感器融合精度偏低、协同通信环境受限、相对位姿估计准确性不高等突出问题。 ［结论/展望］ 从优化数据融合底层算法、融合深度学习和强化学习、引入大语言模型、应用数字孪生技术等方面，对农业复杂环境下多机器人SLAM的未来发展方向和趋势进行了展望。
[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］ 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] 小麦叶片数是衡量植株生长状况、确定茎蘖动态、调节群体结构的重要指标之一。目前大田环境下小麦叶片计数主要依靠人工、耗时耗力，而现有的自动化检测计数方法的效率与精度难以满足实际应用需求。为提高小麦叶片数检测的准确性，设计了一种复杂大田环境下高效识别小麦叶尖的算法。 [方法] 本研究以手机和田间摄像头获取的可见光图像构建了两种典型光照条件下出苗期、分蘖期、越冬期等多个生长期的小麦叶片图像数据集。以YOLOv8为基础网络，融合坐标注意力机制降低背景环境的干扰，提高模型对小麦叶尖轮廓信息的提取能力；替换损失函数加快模型收敛速度；增加小目标检测层提高对小麦叶尖的识别效果，降低漏检率。设计了一种适用于叶尖小目标识别的深度学习网络，通过检测图像叶尖数量从而得出叶片数。［结果与讨论］本研究提出的方法对小麦叶尖的识别精确率和mAP0.5分别达到91.6%和85.1%，具有良好的检测效果。在复杂大田环境下该方法具有更好的适应能力，能够在不同光照条件下实现自适应检测，模型鲁棒性强。小麦幼苗期叶片检测漏检率低，说明该方法能够满足复杂大田场景下小麦叶尖识别的需求，提高了小麦叶片数检测的准确性。 [结论] 本研究可为复杂大田场景下小麦叶片数检测的研究提供参考，为小麦长势高质量评估提供技术支撑。
[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】 为了解决图像尺寸变化和目标尺度变换共存对小目标检测精度的影响问题，本研究提出了一种新的检测模型：Multi-Strategy Handling YOLOv8（MSH-YOLOv8）。 【方法】 该模型在YOLOv8的基础上增加一个检测头，以提高小尺度目标敏感度；引入Swin Transformer的检测结构到头部网络，以减少计算冗余；引入包含可变形卷积的C2f_Deformable Convolutionv4（C2f_DCNv4）结构和Swin Transformer编码器结构重构YOLOv8主干网络，优化并增强其特征传递和提取能力，提高小目标敏感度；采用基于规范化的注意力模块（Normalization-based Attention Module, NAM）优化网络检测速度和准确性；用Wise-Intersection over Union Loss（WIoU）代替原损失函数，以提高训练效果和收敛速度；在后处理阶段应用分辨率动态训练、多尺度测试、软非极大值抑制算法（Soft-Non-Maximum Suppression, Soft-NMS）、加权边界框融合算法（Weighted Boxes Fusion, WBF）等方法，提高尺度变化下小目标检测效果。以蘑菇为研究对象，在开放数据集Fungi上开展实验。 【结果和讨论】 MSH-YOLOv8的平均正确率（Average Precision50, AP50）和AP@50-95分别达到了98.49%和75.29%，其中小目标检测指标值APs达39.73%。相较于主流模型YOLOv8，三项指标分别提高了2.34%，4.06%和8.55%；相较于优秀模型Transformer Prediction Heads-YOLOv5（TPH-YOLOv5），三项指标分别提高了2.14%，2.76%和6.89%。 【结论】 本研究提出的MSH-YOLOv8改进方法可在图像尺寸变化与目标尺度变化条件下有效提高小目标的检测效果。
目的/意义 土壤中氮、钾元素在作物生长和农业生产过程中具有关键作用。快速定量检测土壤中氮、钾含量对指导精确施肥具有重要意义。因此，建立一种快速可靠的土壤氮、钾含量检测方法十分必要。 方法 本研究建立一种基于聚二甲基硅氧烷（Polydimethylsiloxane, PDMS）微流控芯片电泳和电容耦合非接触电导检测（Capacitively Coupled Contactless Conductivity Detection, C4D）方法，快速定量检测土壤中氮、钾养分离子。通过微流控电泳芯片实现对土壤中多种离子快速分离，利用C4D进行电导率变化的精准测量。基于检测器工作频率输出响应特性，激励电压响应特性和电泳电压，确定最佳分离和检测性能。 结果和讨论 该方法对钾离子（K+）、铵根离子（NH4+）和硝酸根离子（NO3‒）标准溶液的检测限（S/N=3）分别为0.5、0.1和0.4 mg/L。K+、NH4+和NO3‒在0.5~40.0 mg/L范围内具有良好的线性关系，线性相关系数（R2）分别为0.994、0.997和0.990，表明该方法可以对土壤中氮、钾养分离子进行定量分析。同时，采用峰高、峰面积和出峰时间作为评价指标进行可重复性实验，其相对标准偏差（Relative Standard Deviation, RSD）均小于4.4%，说明该方法具有良好的重复性。此外，对土壤样品进行测试，K+和NH4+可实现完全分离以及同步检测，其检测效率明显提高。通过标准加入法进行回收率实验，回收率保持在81.74%~127.76%。 结论 本研究为土壤氮钾养分离子的快速检测提供了一种简便、高效的方法。
［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］ 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] 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】 苹果是中国重要的农产品，为了保障苹果的健康生长，降低其患病率，研发苹果叶病害检测技术具有重要意义。本研究旨在应对苹果生长过程中出现的病害快速检测问题，提出一种基于改进YOLOv8的苹果叶病害检测算法。 【方法】 选用YOLOv8n模型对苹果在生长期间的多种病害（褐腐病、褐纹病、黑星病和锈病）进行识别。引入SPD-Conv替代传统卷积层，降低模型参数量和运算量的同时提高检测精度。在Neck层中添加多尺度空洞注意力机制（Multi-Scale Dilated Attention, MSDA），使模型通过动态感受野自适应地聚焦于图像中的关键区域，增强病害特征提取能力。此外，参考重参数化卷积神经网络（Reparameterized Convolutional Neural Network, RepVGG）架构，优化了原有检测头，实现检测和推理过程的架构分离，加快了模型的推理速度，提升了其特征学习能力。最后，构建了一个包含上述病害的苹果叶片数据集，并在此数据集上进行试验。 【结果和讨论】 改进后的模型在运算量降低0.1 G的同时，mAP50和mAP50∶95分别达到了88.2%和37.0%，较原模型分别提高了2.7%和1.3%，模型大小仅为7.8 MB。准确率和召回率分别为83.1%和80.2%，较原模型分别提升了0.9%和1.1%。分别与YOLOv7-tiny、YOLOv9-c、RetinaNet、Faster-RCNN等多个模型进行对比试验，结果表明，提出的YOLOv8n-SMR模型表现出优异性能，有效控制了计算复杂度和参数量。优化后的网络结构在模型大小，浮点运算次数和参数量上均保持较低水平，适合在无人机系统等硬件资源受限设备上高效部署。 【结论】 改进后的模型能够实现对苹果叶病害的准确检测，该方法不仅提高了检测精度，还通过轻量化设计有效减少了模型的运算量，为后续的苹果生长和果实收集提供可靠的数据支持，并为进一步苹果叶病害研究和探索提供了有利的参考。
[目的与意义] 梯田作为农业生产的关键要素之一，其面积估算对于农业政策制定、土地规划和资源管理至关重要。为解决复杂的地形条件、种植环境导致传统遥感数据和监测方法难以开展梯田自动化提取问题，探索一种利用深度学习技术在高分辨率遥感影像中精准提取梯田面积的方法。 [方法] 以休耕期梯田高分六号影像构建语义分割数据集，同时提出一种改进的DeepLab v3+模型。该模型使用轻量级网络MobileNet v2作为骨干网络，为了同时兼顾局部细节和全局语境，使用多尺度特征融合（Multi-scale Feature Fusion module, MSFF）模块代替空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块，利用扩张率依次增大的空洞卷积级联模式改善信息丢失的问题。此外，对浅层特征和深层特征使用坐标注意力机制以加强网络对于目标的学习。［结果与讨论］ 利用红、绿和近红外波段组合方式在梯田提取的精度和效果上表现最佳。相比于原始DeepLab v3+网络，精确率、召回率、F1评分和交并比指标分别提升4.62%、2.61%、3.81%和2.81%。此外，与UNet和原始DeepLab v3+相比，改进的DeepLab v3+在参数量上和浮点运算数有着更为优越的性能，其参数量仅为UNet的28.6%和原始DeepLab v3+的19.5%，同时浮点运算数仅为UNet和DeepLab v3+的1/5。这不仅提高了计算效率，也使得改进后的模型更适用于资源有限或计算能力较低的环境中。 [结论] 深度学习在高分辨率遥感影像梯田识别中具有较高的精度，有利于为梯田精细化监测和管理提供参考依据。
[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] 针对当前玫瑰鲜切花分级仍依赖人工进行简单分级，造成效率低、准确率低等问题，提出一种新的模型Flower-YOLOv8s来实现玫瑰鲜切花的分级检测。 [方法] 以单一背景下单支玫瑰花的花头作为检测目标，将鲜切花分为A、B、C、D四个等级，对YOLOv8s（You Only Look Once version 8 small）模型进行了优化改进。首先，构建了一个全新的玫瑰鲜切花分级检测数据集。其次，在YOLOv8s的骨干网络分别添加CBAM（Convolutional Block Attention Module）和SAM（Spatial Attion Module）两个注意力机制模块进行对比实验；选择SAM模块并对其进一步优化，针对模型轻量化需求，再结合深度可分离卷积模块一起添加到C2f结构中，形成Flower-YOLOv8s模型。 [结果和讨论] 从实验结果来看YOLOv8s添加SAM的模型具有更高的检测精度，mAP@0.5达到86.4%。Flower-YOLOv8s相较于基线模型精确率提高了2.1%，达到97.4%，平均精度均值（mAP）提高了0.7%，同时降低了模型参数和计算量，分别降低2.26 M和4.45 MB；最后使用相同的数据集和预处理方法与Fast-RCNN、Faster-RCNN、SSD、YOLOv3、YOLOv5s和YOLOv8s进行对比实验，证明所提出的实验方法综合强于其他经典YOLO模型。 [结论] 提出的基于改进YOLOv8s的玫瑰鲜切花分级方法研究能有效提升玫瑰鲜切花分级检测的精准度，为玫瑰鲜切花分级检测技术提供一定的参考价值。
目的/意义 农作物长势监测能及时提供农作物的生长状态信息，对于加强中国作物生产管理、确保国家粮食安全具有重要的意义。卫星遥感技术的发展为大面积的作物长势监测提供了契机。然而，在雨热同期的作物生长旺季，光学遥感数据的获取经常受到天气的限制。因此，近年微波雷达遥感技术受到了广泛重视。［进展］梳理了利用合成孔径雷达（Synthetic Aperture Radar, SAR）数据进行农作物长势监测的国内外研究现状，从农作物长势SAR遥感监测指标、农作物长势SAR遥感监测数据和农作物长势SAR遥感监测方法3个方面对基于SAR数据农作物长势监测研究进展与标志性成果进行总结。在分析常用于农作物长势监测的方法及其适用性的基础上，对它们在长势监测中应用情况进行分析。［结论/展望］提出了4个国内外SAR监测农作物长势所存在的问题：1）基于SAR数据的农作物长势监测方法研究整体较少；2）微波散射特征挖掘不够，特别是对极化分解参数的长势监测应用研究还有待深入；3）针对农作物长势监测中的雷达植被指数相对较少，其应用尚未得到充分发挥；4）基于SAR散射强度的农作物长势监测主要采用经验模型，难以推广到不同地区和类型的农作物上。最后，展望未来的研究应聚焦于挖掘微波散射特征、利用SAR极化分解参数、发展和优化雷达植被指数以及深化散射模型来监测农作物长势。
［目的/意义］ 针对水面膨化饲料的图像在水产养殖水体中存在水体浑浊导致饲料与背景对比不明显、光照不均匀、鱼群抢食引起的水花导致饲料重叠粘连以及增氧设备产生的气泡遮挡饲料成像等问题，提出一种高效的水面膨化饲料图像检测YOLOv11-AP2S模型，为水产集约化养殖模式下的智能投喂决策提供准确依据。 ［方法］ 在YOLOv11的骨干网络的第10层C2PSA后增加细粒度分类的注意力机制（Attention for Fine-Grained Categorization, AFGC），将C3k2模块替换为VoV-GSCSP模块，以及在YOLOv11的基础上增加P2层。为了保持模型的实时性，在P2层使用轻量级的VoV-GSCSP模块进行特征融合。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YOLOv11-AP2S水面膨化饲料实时检测模型。 ［结果与讨论］实验结果显示，YOLOv11-AP2S模型在识别精确度、召回率上均达到了78.70%，IoU阈值为0.5时的平均精度值（mAP50）高达80.00%， F1分数也达到了79.00%。与原YOLOv11网络相比，这些指标分别提高了提高6.7个百分点、9.0个百分点、9.4个百分点和8.0个百分点。与其他YOLO模型相比，YOLOv11-AP2S模型在自制数据集上的检测结果也具有明显优势，且在同等迭代次数下具有更高的平均精度均值和更低的损失。 ［结论］ YOLOv11-AP2S模型能够通过摄像头对水面膨化饲料颗粒的剩余情况进行实时检测，进而实现对鱼群摄食行为的准确观测与分析，为智慧渔业精准投喂的研究和应用提供有力支持。
［目的/意义］ 本研究针对丘陵地区的农田环境下农业机器人遍历多个田块的遍历路径问题，提出了一种Floyd算法与改进遗传算法相结合的遍历路径规划方法。 ［方法］ 首先建立田块间的连通关系以及路网图；然后利用Floyd算法获得任意两个田块间覆盖路径端点距离，再将该距离代价作为变量带入改进遗传算法进行求解，最终得到优化后的田块遍历顺序以及每个田块的进出口分布。 ［结果和讨论］ 仿真结果表明，与传统遗传算法相比，本研究提出的改进遗传算法平均最短路径缩短13.8%，算法收敛迭代次数更少，并表现出较好的跳出局部最优解的能力。利用真实的农田数据和田间作业参数进行仿真试验，通过本研究方法得到的田块遍历顺序和进出口的排布能够有效地减少转移路径的长度和路径的重复率。 ［结论］ 本研究在农机多田块遍历路径规划上的优越性和可行性，算法输出的轨迹坐标能为农机驾驶员或无人农机在大面积作业时提供路径参考。本研究可为农业机器人遍历路径规划提供技术支持。
[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。
[目的/意义] 为了解决冷链物流需求预测在数字化转型中存在特征提取不充分、数据非线性程度高和算法易陷入局部最优等问题，提出一种结合灰色关联分析（Grey Relational Analysis, GRA）、野马优化算法（Wild Horse Optimizer, WHO）和时序卷积网络（Temporal Convolutional Networks, TCN）的组合预测模型，旨在解决需求预测精度不高的问题，以实现农产品供应链智能化管理。 [方法] 首先运用GRA对农产品冷链物流相关指标进行关联度筛选；其次采用TCN充分考虑农产品供应链中社会经济数据及物流信息中的时序性特征，并使用WHO对TCN模型超参数进行寻优；最后运用优化的GRA-WHO-TCN模型对浙江省冷链物流需求进行预测。 [结果和讨论] 采用WHO的时序算法TCN模型能够有效提取多维度数据的时序特征和空间特征，具备较好的拟合效果。与GRA-LSTM、GRA-TCN和GRA-WHO-LSTM模型相比，GRA-WHO-TCN冷链物流需求预测模型具有较低的均方根误差值（11.3）和有效的相关系数（0.95），且预测2016—2020年浙江省农产品冷链物流需求量分别为2 980、3 046、2 487、2 645和2 799万吨，能够实现对冷链物流需求较高的预测精度。 [结论] 提出的GRA-WHO-TCN模型具备良好的优化和预测能力，能够为数字经济背景下农产品供应链物资流、信息流发展提供科学预测依据和实际参考价值。
［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] 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 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] 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] 借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析，将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计，提高甘蓝移栽后的成活率以及制定后续工作方案，减少人力和物力的浪费，研究一种自然环境下高效识别甘蓝移栽状态的算法。 [方法] 采集移栽后的甘蓝图像，利用数据增强方式对数据进行处理，输入YOLOv8s（You Only Look Once Version 8s）算法中进行识别，通过结合可变形卷积，提高算法特征提取和目标定位能力，捕获更多有用的目标信息，提高对目标的识别效果；通过嵌入多尺度注意力机制，降低背景因素干扰，增加算法对目标区域的关注，提高模型对不同尺寸的甘蓝的检测能力，降低漏检率；通过引入Focal-EIoU Loss（Focal Extended Intersection over Union Loss），优化算法定位精度，提高算法的收敛速度和定位精度。 [结果和讨论] 提出的算法经过测试，对甘蓝移栽状态的召回率R值和平均精度均值（Mean Average Precision，mAP）分别达到92.2%和96.2%，传输速率为146帧/s，可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。 [结论] 提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别，可以提升移栽质量测量效率，减少时间和人力投入，提高大田移栽质量调查的自动化程度。
目的/意义 土壤中含水率直接影响农作物生长状态和产量。开发出一种可靠、高效的土壤湿度传感器对实施农田科学灌溉具有重要指导意义。 方法 本研究提出一种基于微加工工艺制备的二硫化钼电容式土壤湿度传感器，通过叉指电极上同一平面上的金电极阵列实现数个电容并联，表面修饰二硫化钼作为敏感层实现对土壤湿度的测量。通过计算及使用COMSOL Multiphysics多物理场仿真软件研究电极参数对电容敏感度的影响，最终确定电极参数使用10 μm间距、75对叉指。 结果和讨论 在保证测量精度的前提下，大大缩小了传感器的体积，可以实现土壤湿度的原位动态监测。在室温下相对湿度值从11%变化到96%时，电容式土壤湿度传感器在200 Hz频率下的电容输出为12.13 pf~187.42 nF；当土壤含水量由8.66%增加到42.75%时，传感器的电容输出在200 Hz频率下由119.51 nF增长到377.98 nF，显示出较高的湿度灵敏度及较宽的敏感范围。 结论 本研究提出的土壤水分传感器有望实现原位长期监测电容式土壤传感器的电容变化，从而监测土壤湿度的变化。
［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】 单株有效分蘖数是影响水稻产量的重要农艺性状之一，为解决水稻分蘖密集、相互遮挡且存在无效分蘖导致有效分蘖检测成本高、精度较低的问题。 【方法】 通过对水稻有效分蘖与无效分蘖高度的调查分析，提出一种基于水稻分蘖高度的有效分蘖计数方法，即在水稻固定高度收割后，测量茎秆数量以得到水稻有效分蘖数；通过GhostNet对YOLOv8模型进行轻量化，以减小模型规模，便于手机端部署；并基于此模型，开发手机端水稻有效分蘖检测程序。 【结果和讨论】 田间实验结果表明，在水稻植株总株高的52%~55%范围内进行收割，计数茎秆数量得到有效分蘖数，其查全率与准确率均超过99%；轻量化的Ghost-YOLOv8模型参数量减少43%；基于该模型的水稻有效分蘖App，对本研究标准下采集的100张茎秆横截面图像进行预测，准确率为99.61%，召回率为98.76%，与人工计数单株有效分蘖结果相比，决定系数为0.985 9。 【结论】 满足田间水稻有效分蘖计数需求，有助于育种专家收集大量数据，为水稻产量田间预测提供基础。
［目的/意义］ 充分体现区块链去中心化的特点，保护敏感数据隐私及缓解区块链存储压力。 ［方法］ 设计了基于区块链和星际文件系统的种植业农产品溯源模型，从数据隐私角度把溯源数据分为公开数据和敏感数据。公开数据直接上传至区块链；敏感数据上传至区块链中的私有数据集中。从数据类型上把公开数据分为结构化数据和非结构化数据。结构化数据直接上链；非结构化数据上传至分布式数据库星际文件系统中。此方法可在保证数据安全性前提下实现数据的高效存取，提升追溯效率。Hyperledger fabric联盟链作为底层平台对原型系统进行开发，利用测试工具Postman对应用层接口性能进行测试。 ［结果和讨论］ 在使用同步应用程序接口（Application Programming Interface，API）和异步API情况下，数据上链平均时延分别为2 138.9和37.6 ms；数据查询平均时延为12.3 ms。 ［结论］ 本研究提出的溯源模型可以保护企业敏感数据隐私，同时具有较高的数据上链和查询效率，可适用在种植业农产品实际溯源环境中，为种植业农产品区块链溯源模型设计提供了新的思路。
目的/意义 植株光合表型研究在把握植株生理特性和解析植株形态结构上起着至关重要的作用，通过传统叶绿素荧光成像方法难以对植株光合作用三维空间异质性进行分析。为提高植株表型检测效率，满足高通量植株光合表型分析需求，本研究构建了一套经济实用、融合三维结构光和叶绿素荧光的植株光合表型成像系统。 方法 提出了一种自动化植株图像采集并建立植株可视化模型的方法，并进行图像分析获取植株光合效率信息。通过搭建结合叶绿素荧光激发的结构光条纹投影装置，先用LED（Light-Emitting Diode）白光与蓝光分别照射植株样本，再用投影仪对植株样本投射相移条纹，电动滤光轮配合相机同步采集不同光照条件下特定波段的植株图像；通过数字图像处理获取植株三维图像和对应的叶绿素荧光图像，并分析植株的三维形态结构及光合效率，将植株叶绿素荧光图像逐像素渲染到其三维结构上，便可推测出植株光合在三维空间中分布情况。 结果和讨论 该方法及系统能够高效多样化采集植株图像，快速重构出植株三维形态，其整体重建准确率可达到96.69%，整体误差仅为3.31%，重构时间仅需1.11 s，同时能够满足植株光合效率评估需求。 结论 该研究可为植株高通量光合表型异质性分析提供技术支持。
【目的/意义】 在农业生产的后期，对干制黄花菜等级进行准确分类至关重要。针对现有目标检测模型在干制黄花菜分级任务中精度不足及参数过多的问题，提出一种轻量级的YOLOv10-AD网络模型。 【方法】 该模型设计了全新的骨干网络AKVanillaNet，针对干制黄花菜的特殊形状特征进行了优化，显著提升了检测精度，同时降低了模型的参数和计算成本。此外，还将DysnakeConv模块嵌入C2f结构中，进一步增强了对干制黄花菜特征的提取能力，并通过采用Powerful-IOU（PIOU）损失函数，更好地拟合数据，提升模型性能。 【结果和讨论】 在干制黄花菜等级分类的数据集上的测试结果表明，YOLOv10-AD模型的平均准确率mAP（Mean Average Precision）达到了85.7%，其参数量、计算量和模型大小分别为2.45 M、6.2 GFLOPs和5.0 M，帧率FPS（Frames Per Second）为156。与基准模型相比，YOLOv10-AD不仅将mAP提升了5.7%，FPS提升了25.8%，同时还将参数量、计算量及模型大小分别降低9.3%、24.4%和9.1%，不仅提升了检测精度，还降低了模型的部署难度。 【结论】 提出的YOLOv10-AD网络模型能够在不同光照条件下对干制黄花菜进行精准分类，且具有较好的实时性，为干制黄花菜等级的智能分类提供了有效的技术参考。
[目的/意义] 为探究并表达环境因素对黄花各器官生长发育、形态结构和产量的影响，提出一种基于源库关系的黄花植株三维动态生长及产量模拟模型。 [方法] 以大同地区黄花主要栽培种植品种大同黄花为研究材料，采集黄花叶片、花葶、花蕾等形态数据和叶片光合生理参数，利用功能-结构植物模型（Functional-Structural Plant Model，FSPM）平台的三维建模技术，建立基于云量的室外地表太阳辐射模型及适配黄花的光合作用模型，同时基于黄花源库关系建立黄花光合产物碳分配模型，利用β生长函数构建黄花各器官生长模拟模型，计算黄花生长期内逐日形态数据，最终实现黄花植株三维动态生长及产量模拟。 [结果和讨论] 采用实测数据对模型进行检验。结果显示，室外地表太阳辐射实测值和模拟值R2为0.87；剩余标准差（Root Mean Squared Error，RMSE）为28.52 W/m2，黄花各器官模拟模型实测值和预测值R2为0.896~0.984，RMSE为1.4~17.7 cm；平均花蕾产量模拟R2为0.880，RMSE为0.5 g；整体F值为82.244~1 168.533，Sig.值均小于显著水平0.05，表明上述模型拟合度和显著性较好。 [结论] 模型能够准确地表现黄花植株在3个主要生长时期的生长规律和形态特征，模拟结果与实际情况相符合，表现出较高的可信度。因此，本模型具有理想的模拟效果，足以满足精细农业领域的研究需求。
[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。
［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] 农机装备尺寸大、行驶慢等特点，在路面归库作业过程中容易造成严重道路拥堵。因此，在多机协同过程中，编队行驶被认为是未来道路上行驶的主要方式。然而，目前农机自动驾驶技术停留在单机阶段，多农机之间的协同仍是制约中国农业规模化自主生产的主要瓶颈。为解决多车编队协同控制中通信延时的问题及其补偿策略，本研究基于一种模型预测控制器（Model Predictive Control, MPC）延时补偿器的农机多机编队行驶的轨迹跟踪方法。 [方法] 以车联网技术为基础，聚焦多农机编队协同控制领域，针对控制器局域网总线（Controller Area Network, CAN）通信存在的延时问题而产生的横向控制精度差，基于线性二次调节器（Linear Quadratic Regulator, LQR）与MPC算法，设计了一种带有延时补偿的模型预测控制器，用于对通信延时进行补偿控制。最后对所提算法利用Carsim和Simulink软件进行联合仿真。 [结果和讨论] Carsim与MATLAB/Simulink可以有效兼容，实现软件与外部求解器的联合仿真。当延时步长d=5时，应用延时补偿，MPC反应速度更快，表现更为平滑；速度误差曲线响应更快，且能够逐渐稳定至零误差，没有出现振荡现象；1号车在较短时间内有效地变更车道，与头车保持在同一车道上。在更长的延时步长d=10情况下，未应用延时补偿的控制器表现出更显著的性能下降。即使在较高的延时条件下，应用延时补偿的MPC速度误差和纵向加速度仍然能够快速响应并逐渐稳定至零误差，避免了振荡现象。1号车的轨迹表明，延时补偿机制效果在极端延时条件下有所下降。 [结论] 本研究所设计的编队算法能够使得多车完成多车变道形成队列并保持一定距离和一定速度。通信延时补偿控制算法使得带有加入延时的车辆能较好完成编队任务，实现稳定的横纵向控制，验证了本研究带有延时补偿的模型预测控制器的可行性。
［目的/意义］ 智能农机是田间机器人发展的新趋势。作物行提取是智能农机自主作业的重要环节，对于提高田间作业效率、减少作物损害、优化资源利用具有重要意义。然而，在复杂的田间环境中，如强烈的光照和杂草干扰，传统的作物行检测方法往往难以达到高精度和高效率。为了应对这些挑战，本研究旨在提高无人农机在复杂光照和杂草干扰下的苗期玉米行检测精度与效率，从而减少作物损害。 ［方法］ 提出一种基于YOLOv8-G的作物行检测方法，结合了YOLOv8-G目标检测算法、亲和传播聚类算法，以及最小二乘法。YOLOv8-G是在YOLOv8和GhostNetV2基础上改进的轻量级目标检测算法，通过提取玉米苗的中心点位置，利用亲和传播算法进行聚类分析，并通过最小二乘法拟合作物行。［结果与讨论］ YOLOV8-G算法在玉米苗期的7天、14天和21天时的平均准确率（Average Precision, AP）分别为98.22%、98.15%和97.32%。该算法在玉米苗期的作物行提取准确率达到96.52%。相比传统检测方法，YOLOv8-G在处理复杂背景和强光照条件下表现更为优异，且计算效率有一定提升。 ［结论］ 提出的基于YOLOv8-G的作物行检测方法能够在复杂光照条件和杂草干扰下快速准确地识别田间作物并模拟协同目标行，不仅为无人农机的自动导航提供有力支持，还能高效适配嵌入式设备，在提升农业自动化、减少人工操作和降低作物损害的同时，为智能农机的实时作业提供技术保障，具有重要的应用价值。
[目的/意义] 随着全球气候变暖及生态环境污染问题愈演愈烈，碳达峰碳中和（以下简称为“双碳”）目标被纳入到中国社会发展的各个领域。为保障中国农业绿色可持续发展，进一步推进落实低碳发展理念，在农业机械化发展过程中各个环节尽可能减少能源消耗、降低污染排放，满足智能化信息时代下经营主体对低碳技术赋能农业机械装备的多样化需求，发展低碳农业机械化势在必行。低碳农业机械化发展不仅是中国农业机械化转型升级和高质量发展的重要内容，也是“双碳”目标下中国农业可持续发展的客观要求。［进展］本文明晰了低碳农业机械化的内涵和目标，从理论、现实和系统三重维度阐释了低碳农业机械化的发展逻辑，分析了影响低碳农业机械化发展的主要因素，分别从要素条件、需求条件等6个方面剖析影响低碳农业机械化发展的深层次原因。［结论/展望］从农业机械装备全寿命周期的生态设计与绿色制造、清洁生产作业推广、脱物质化的社会化服务与绿色经营、8S体系、碳排放测度体系构建、退役废旧农机低碳处置与绿色再制造等方面，提出了中国低碳农业机械化发展的实现途径。
［目的/意义］ 为了实现病死畜禽无害化处理中心将病死畜禽从存储冷库运输并上料至无害化处理设备的智能化装备过程无人化，对运输机器人的路径规划与自主行走的关键技术难题进行研究。 ［方法］ 目前室内环境路径规划算法主要采用的是A*算法，但该算法拐点大、平滑性差、算法计算时间长、遍历节点多，为此提出基于改进的A*算法的病死畜禽无害化处理运输机器人路径规划方法和基于模糊比例积分微分（Proportional Integral Derivative，PID）的运动控制方法，利用曼哈顿距离算法并增设附加值和权值改进启发函数，引入贝塞尔曲线函数优化路径；在规划路径后结合模糊PID算法控制运输机器人底盘的线速度与角速度实现追踪行走。 ［结果和讨论］ 开展传统A*算法与改进A*算法的对比实验以及PID追踪实验。结果显示，改进后的A*算法节平均遍历节点由3 067个降至1 968个，算法平均时间由20.34 s减少到7.26 s，开展现场试验验证了该算法的有效性和可靠性。 ［结论］ 本研究提出的方法有效的缩短了病死畜禽运输机器人的路径规划时间且减少了遍历节点，提高了路径规划效率和路径平滑性，结合模糊PID算法可以实现运输机器人的稳定寻迹控制，有效解决传统的A*算法在运输机器人路径规划过程中存在的路径规划拐点大、平滑性差、算法计算时间长、遍历节点多等问题，满足病死畜禽无人上料技术需求。
［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] 耕地识别是农业遥感的重要应用领域之一，但现阶段深度学习等人工智能方法在中国西南丘陵区遥感识别的研究应用深度仍然不够，识别精度有待提升。 [方法] 为了快速、精确地获取耕地面积、分布等信息，基于高分辨率的高分六号（GF-6）遥感影像，运用UNet++、DeeplabV3+、UNet与PSPNet等新型深度学习模型对四川省绵阳市三台县耕地信息进行识别，并对各深度学习模型、传统机器学习方法——随机森林法及新型土地覆盖产品SinoLC-1的识别精度进行对比分析，以期深入探索深度学习方法在地物遥感识别领域的应用前景。 [结果和讨论] 深度学习模型在F1分数、整体精度（Overall Accuracy, OA）、Kappa系数等精度评价指标的表现上，相比于传统机器学习方法和新型土地覆盖产品均有显著提升，精度提升幅度分别可达20%和50%；其中添加了密集跳跃连接技术的UNet++模型的识别效果最好，其F1分数、交并比（Intersection over Union, IoU）、平均交并比（Mean Intersection over Union, MIoU）、OA 值和 Kappa系数值分别为0.92、85.93%、81.93%、90.60%和0.80。应用UNet++模型对2种由仅光谱特征以及光谱+地形特征两种不同特征构建的影像进行耕地提取，光谱+地形特征模型的IoU、OA和Kappa 3个指标比仅光谱特征模型分别提高了0.98%、1.10%和0.01。 [结论] 深度学习技术在应用于高分辨率遥感影像中的耕地识别方面展现出显著的实用价值，融合光谱和地形特征可以实现信息互补，能进一步改善耕地的识别效果。本研究可为相关部门更好地管理和利用耕地资源、推动农业可持续发展提供技术支撑。
[目的/意义] 丘陵山区农田宜机化整治会改变耕地景观格局、高程、坡度、微地貌等，评价其生态风险为后续整治工作提供数据参考具有重要意义。本研究的目的为评价丘陵山区农田宜机化整治对耕地生态风险的改变情况以及探究生态风险与耕地坡度之间的关系。 [方法] 以重庆市潼南区20个县为评价单元，基于2010年和2020年土地利用数据，采用ArcGIS 10.8和Excel软件计算景观格局指数，通过熵权法确定各指数的权重并构建生态风险评价模型，揭示生态风险时序空间变化特征；基于数理统计原理，对生态风险与坡度进行相关性分析，探究生态风险与坡度的关系。 [结果和讨论] 2010年和2020年两个时期，干扰度指数由0.97下降为0.94，耕地整体抗干扰能力增强；脆弱度指数由2.96增加为3.20，耕地结构更加脆弱；生态风险值由3.10下降为3.01，耕地生态安全性提高。两个时期生态风险区域主要以低风险区和较低风险区为主，低风险区面积增加6.44%，较低风险区面积增加6.17%，中风险区面积增加24.4%，较高风险区面积减少60.70%，高风险区面积增加16.30%，耕地生态安全区域相对增加。耕地坡度主要以2°~25°为主，耕地坡度小于15°时坡度面积占比与生态风险值呈负相关，耕地坡度大于15°时坡度面积占比与生态风险值呈正相关关系，坡度处于5°~8°、15°~25°、25°以上时坡度面积与生态风险值呈极显著相关。农田宜机化整治应重点关注潼南区南部区域，并集中于耕地坡度处于5°~8°和15°~25°区域。 [结论] 通过评价潼南区农田宜机化整治前后耕地生态风险并分析生态风险与耕地坡度的相关性，表明农田宜机化整治可以降低耕地生态风险，耕地坡度面积占比可作为精准指导农田宜机化整治的重要依据，潼南区宜机化整治工作应重点关注耕地坡度处于5°~8°和15°~25°区域。
[目的/意义] 传统路径跟踪模型预测控制（Model Predictive Control, MPC）大多采用固定时域，较少考虑道路弯曲和曲率变化的影响，使得机器人在曲线路径作业过程中的跟踪效果和适应性都较差。因此，设计了一种自适应时域MPC控制器并使其满足自主割草等复杂作业要求。 [方法] 首先，根据割草机器人的速度确定前方参考路径的预瞄区域，并计算预瞄区域内的参考路径曲度因子和曲度变化因子，分别用于描述曲率和曲率变化大小。然后，将二者作为模糊控制器的输入信息，用于自适应调节MPC的预测时域，同时，根据预测时域及曲度变化因子调整控制时域，以增强控制器对路径弯曲变化的适应性并降低计算资源。此外，设计一种MPC事件触发执行机制，进一步提升MPC的实时性。 [结果和讨论] 与固定时域的MPC进行对比试验，自适应时域MPC控制器的最大横向误差绝对值和最大航向误差绝对值分别控制在11 cm和0.13 rad以内，其平均求解时间比最大时域MPC减少10.9 ms。 [结论] 自适应时域MPC不仅能够保证割草机器人对曲线路径的跟踪精度，同时降低了MPC求解计算量并提高了控制实时性，解决了固定时域MPC的控制精度与计算量之间的矛盾。
［目的/意义］ 隐私数据要素的流转是保证粮食供应链安全高效运行的重要基础。实现粮食供应链中隐私数据要素的协同计算对保障粮食质量安全具有重大意义。 ［方法］ 针对供应链中不同主体间因数据的隐私性而无法共享并参与计算的难题，提出基于工业互联网标识解析技术与联邦学习的粮食供应链数据流转与协同计算架构，设计了支撑联邦学习数据互通的数据标识编码和任务标识编码及对应的参数、信息和评价数据模型；搭建了不同主体数据特征同构的单环节横向联邦学习模型和数据特征异构的跨环节纵向联邦学习模型，基于逻辑回归算法对模型参数进行快速调整计算，以粮食供应链安全风险评估场景为对象，依托开源FATE（Federated AI Technology Enabler）联邦学习平台进行测试验证。 ［结果和讨论］ 相比传统的单一主体评估计算，横向联邦学习评估准确率提升6.7%，纵向联邦学习评估准确率提升8.3%。 ［结论］ 采用联邦学习的方式提高了评估的准确性。本研究可为粮食供应链安全高效稳定运行提供技术支撑。
[目的/意义] 传统的小麦倒伏检测方法需要人工进行田间观测和记录，这种方法存在主观、效率低、劳动强度大等问题，难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上得到应用，但普遍局限于对小麦单一发育阶段的倒伏识别，而倒伏可能发生在小麦生长的各个时期，不同时期倒伏特征变化复杂，这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。 [方法] 用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像，通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former，该模型在Mask2Former的基础上加以改进，引入分层交互式特征金字塔网络（Hierarchical Interactive Feature Pyramid Network, HI-FPN ），用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。 [结果和讨论] 所提出的Lodging2Former模型相较于现存的多种主流算法，如Mask R-CNN （Mask Region-Based Convolutional Neural Network）、SOLOv2（Segmenting Objects by Locations, Version 2）以及Mask2Former，在平均精度均值（mean Average Precision, mAP）上展现出显著优势。在阈值分别为0.5、0.75以及0.5~0.95的条件下，模型的mAP值分别达到了79.5%、40.2%和43.4%，相比Mask2Former模型，mAP性能提升了1.3%~4.3%。 [结论] 提出的HI-FPN网络可以有效利用图像中的上下文语义和细节信息，通过提取丰富的多尺度特征，增强了模型对小麦在不同生长阶段倒伏区域的检测能力，证实了HI-FPN在多生育期小麦倒伏检测中的应用潜力和价值。
［目的/意义］ 鱼群摄食图像分割是提取鱼群分布特征及量化鱼群摄食行为的前提条件。但在实际的养殖环境中，由于鱼群摄食图像存在鱼群边界模糊、目标相似等问题，使得处于养殖场景下的鱼群摄食图像分割成为难题。 ［方法］ 为解决上述问题，提出一种用于养殖场景下鱼群摄食图像分割方法。该方法首先通过数据清洗减少因鱼群边界模糊等问题导致的数据集不良标记问题，并在Mask R-CNN（Mask Region-based Convolutional Neural Network）的基础上使用融合置换注意力机制的轻量级神经网络VoVNetv2作为骨干网络，建立鱼群摄食图像实例分割网络SA_VoVNetv2_RCNN，提升模型对鱼群关键特征的提取能力以及对重点信息的关注能力，同时减少网络参数。 ［结果和讨论］ 该方法的平均分割精度达71.014%，相比于SOLOv2、BlendMask和CondInst分别提升18.258%、3.982%和12.068%。为进一步验证模型对鱼群摄食行为量化的有效性，对真实环境下的鱼群进行验证实验，结果表明，模型对摄食和非摄食状态的鱼群具有良好的分割效果，在一定程度上解决了因分割精度低导致的鱼群摄食行为量化错误的问题。 结论］ 本研究提出的SA_VoVNetv2_RCNN网络能够实现鱼群摄食和非摄食图像的准确分割，为水下鱼群的摄食行为量化提供决策支撑。
目的/意义 电容耦合非接触式电导检测（Capacitively Coupled Contactless Conductivity Detection, C4D）在农业土壤养分离子检测方面发挥着重要作用。对C4D信号中离子特征峰的有效识别，有利于后续对离子特征峰的定性和定量分析，为加强农业土壤养分管理提供依据。然而，C4D信号的特征峰检测仍然存在无法自动精准识别、人工操作复杂、效率低等缺点。 方法 提出一种基于连续小波变换结合粒子群优化（Particle Swarm Optimization, PSO）和最大类间方差法（Otsu）的谱峰自动识别算法，旨在实现准确、高效、自动化的C4D信号峰识别。采用C4D检测样品溶液，得到离子谱图信号，对谱图信号进行连续小波变换，得到小波变换系数矩阵。通过搜索小波系数变换系数矩阵极值，识别出脊线和谷线。将小波系数矩阵转换为灰度图像，结合PSO和Otsu寻找最佳阈值，进一步对灰度图像的背景和目标分割，再结合原始谱图中的脊谷线识别谱图中的特征峰。［结果与讨论］测试含有41、61和102个峰的数据集，以受试者工作特性（Receiver Operating Characteristic, ROC）曲线和度量值作为评估峰值检测算法性能的准则。与其他方法相比，基于连续小波变换结合粒子群优化的最大类间方差法分割图像（Continuous Wavelet Transform Combined with Particle Swarm Optimization of Otsu to Segment Image, CWTSPSO）的谱峰自动识别算法的ROC曲线均保持在0.9以上，度量值分别为0.976、0.915和0.969。CWTSPSO能够有效检测出更多弱峰和重叠峰，同时检测出更少的假峰，有利于提升C4D信号的谱峰识别率和精准性。 结论 本研究提出的CWTSPSO能为非接触式电导检测农业土壤养分离子信号分析提供有力支持。
[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] 炭疽病（anthracnose）作为油茶生长过程中重要的病害，其严重程度的精准判定对于精准施药和科学管理具有重大意义。本研究提出了一种改进YOLACT（You Only Look At CoefficienTs）分级模型Camellia-YOLACT，旨在实现对油茶叶片炭疽病感染严重程度的自动、高效判定。 [方法] 首先在YOLACT主干网络部分使用Swin-Transformer来进行特征提取。Transformer架构的自注意力机制拥有全局感受野及移位窗口等特性，有效地增强了模型的特征提取能力；引入加权双向特征金字塔网络，融合不同尺度的特征信息，加强模型对不同尺度目标的检测能力，提高模型的检测精度；在激活函数的选择上，采用非线性能力更强的HardSwish激活函数替换原模型的ReLu激活函数。由于HardSwish在负值区域不是完全截断，对于输入数据中的噪声具有更高的鲁棒性，自然环境下的图像有着复杂的背景和前景信息，HardSwish的鲁棒性有助于模型更好地处理这些情况，进一步提升精度。 [结果和讨论] 采用迁移学习方式在油茶炭疽病感染严重程度分级数据集上进行实验验证。消融实验结果表明，本研究提出的Camellia-YOLACT模型的mAP75为86.8%，较改进前提升5.7%；mAPall为78.3%，较改进前提升2.5%；mAR为91.6%，较改进前提升7.9%。对比实验结果表明，Camellia-YOLACT在精度和速度方面表现均好于SOLO（Segmenting Objects by Locations），与Mask R-CNN算法相比，其检测速度提升了2倍。在室外的36组分级实验中进一步验证了Camellia-YOLACT模型的性能，其对油茶炭疽病严重程度的分级正确率达到了94.4%，K值平均绝对误差为1.09%。 [结论] 本研究提出的Camellia-YOLACT模型在油茶叶片和炭疽病病斑分割上具有较高的精度，能够实现对油茶炭疽病严重程度的自动分级，为油茶病害的精准防治提供技术支持，进一步推动油茶炭疽病诊断的自动化和智能化。
［目的/意义］ 针对中国中西部特色农产品在设施环境生产过程对品质影响要素监测手段缺乏、智能化管控能力薄弱、品质控制要素耦合关系不明、系统化应用程度低的问题，对现有的设施智能监测、智能管控、平台构建技术进行探索，通过物联网、云平台，以及新一代人工智能技术的应用，为特色农产品全生育期的智能化品质管控体系构建和应用提供依据。 ［进展］ 以特色羊肚菌和番茄的外观、口感、产量三类品质为管控目标，在品质调控数据采集方面介绍了视频监控、环境监测、生理表型数据采集设备，以及轨道式、轮式巡检机器人，提供稳定可靠的图像、视频、监测数据采集手段；在生长过程调控方面，分别从环境监测调控和肥水灌溉投入品调控阐释了当前的做法，提出了能够针对品质进行多要素耦合全生育期的管控方法；介绍了品质智能管控系统，以及多个生产环节的应用，采用云边端一体化架构为获取的多模态数据以及多要素耦合模型面向多种生产场景提供精准适配的应用和服务。 ［结论/展望］ 对比特色羊肚菌和番茄的智能化管控现状，番茄整体技术体系更为成熟，羊肚菌产业可以结合自身的生产过程根据技术的需要进行技术迁移，对严苛光照、稳定的高湿低温等个性化要求进行模型定制，面向中西部大部分特色农产品品控宜采用通用型的多要素耦合模型根据场景特性进行参数、模型局部迁移和微调的方式适配。未来的发展趋势呈现设备设施轻简化、智能技术场景化、服务模式多样化、品质管控在线化、数智生产规模化、数据要素价值化，有效利用智能装备和数据要素的优势是将来激发新质生产力的必然趋势。
[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］ 针对人工采集南方中小田边界信息操作繁琐、无人拖拉机转场作业效率低且在转弯调头处留下较大漏作业区域的问题，本研究搭建了一种基于云-端高精度地图的油菜无人播种作业系统。 ［方法］ 系统采用“无人机构建高精度地图+远程网页端规划作业路径”方法，使用无人机采集影像数据构建高精度地图，基于高精度地图框选田块实现梭行外螺旋路径自动生成，完成直播机组远程路径规划及调度作业。系统采用梭行外螺旋全覆盖路径规划方法，利用两退三切鱼尾调头方法完成梭行路径换线。为完成外螺旋路径换线，在田块边角设计了一退两切转弯换线方法，减小了油菜无人播种作业系统在转弯或调头过程产生的漏作业区域面积，进一步提升了播种作业覆盖率，并开展梭行外螺旋全覆盖路径与梭行、套行路径作业面积和作业覆盖率对比仿真试验，以Case TM1404型拖拉机搭载智能播种施肥一体机为试验平台，开展了田间试验。 ［结果和讨论］ 试验结果表明，梭行外螺旋全覆盖路径较梭行与套行作业路径，漏作业率减小18.58%~26.01%。使用无人机构建的高精度地图平面误差最大为3.23 cm，导航作业过程中最大横向偏差为7.94 cm，最大平均绝对偏差为1.85 cm，作业覆盖率为93.16%。 ［结论］ 本研究所构建的油菜无人播种作业系统有效可行，可为南方中小田块油菜无人播种作业提供技术参考。未来将探索不规则田块情况下的油菜无人播种作业模式，进一步提高系统适用性。
［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］ 本研究为解决牵引式农用车辆的路径跟踪精度低、迟滞性大和抗干扰能力差等问题，提出了一种基于滑模变结构控制的拖拉机-牵引式农机具路径跟踪方法。 ［方法］ 建立了拖拉机-牵引式农机具运动学模型，通过近似线性化的方法建立了车辆-道路偏差状态方程，采用Ackermann公式进行极点配置，设计基于指数趋近律的滑模变结构控制器，并在MATLAB/Carsim联合仿真环境中进行跟踪仿真分析。 ［结果和讨论］ 跟踪双移线参考路径时，农机具横向偏差和航向偏差经8 s收敛到0 m和0°，在参考航向变化时，横向偏差小于0.1 m，航向偏差小于7°；在跟踪圆形参考路径时，农机具横向偏差经过7 s趋于稳定，并始终小于0.03 m，农机具航向偏差经7 s趋于稳定，并保持在0°；在跟踪S形曲线参考路径时，农机具在曲率变化处依然保持着良好的跟踪性能。 ［结论］ 农机具能有效跟踪参考路径，满足精度和快速性的要求。在跟踪仿真试验中，拖拉机前轮转角和拖拉机与农机具间的铰接角都保持在小范围内，符合实际生产的需要，降低安全事故发生的可能性。
【目的/意义】 名优茶的采摘是茶产业中至关重要的环节，识别和定位名优茶嫩芽采摘点是现代化采茶过程中的重要组成部分。传统神经网络方法存在着模型体量大、训练时间长，以及应对场景复杂等问题。本研究以湖南省溪清茶园为实际场景，提出一种新型深度学习算法解决名优茶采摘点的精确分割难题。 【方法】 对传统的DeepLabV3+算法进行轻量化改进。首先，针对其模型体量大、训练时间长的问题，使用MobilenetV2网络提取图像的初始特征，并按照网络结构划分深浅层特征；其次，将高效通道注意力网络（Efficient Channel Attention Network, ECANet）与空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling, ASPP）模块结合，得到ECA_ASPP模块，并将深层特征输入到ECA_ASPP模块中进行多尺度特征融合以减少无效信息，将经过处理后的深浅层特征相加，随后通过卷积和上采样的方式对特征信息进行还原，得到分割结果；最后，通过对识别结果进行处理以获得茶叶嫩芽采摘点。 【结果和讨论】 改进后的DeepLabV3+在茶叶嫩芽数据集上的平均交并比达到93.71%，平均像素准确率达到97.25%，模型参数量由原来以Xception为底层网络的54.714 M下降至5.818 M。 【结论】 本研究在茶叶嫩芽结构分割上相对于原版DeepLabV3+的检测速度更快、参数量更小，同时保证了较高的准确率，为智能采茶机器人的采摘提供了新的定位方法。
