无人农场是智慧农业的一种表现形式，也是建设农业强国和实现农业现代化的重要探索。无人农场以数据、知识和智能装备为核心要素，将现代信息技术与农业深度融合，实现农业全过程生产所需的信息感知、定量决策、智能控制、精准投入及个性化服务一体化。本文系统地阐述了大田无人农场的概念与总体技术架构，讨论了信息感知与智能决策、精准作业系统与装备、自动驾驶、无人化农机装备以及无人农场管控平台等五项大田无人农场的关键技术与装备，深入分析了发展中国大田无人农场亟待解决的关键科学与技术问题。以吉林省公主岭市玉米无人农场为例介绍了物联网、大数据、云计算以及人工智能等技术在玉米全程无人化生产中的具体应用及效果。最后，展望了无人农场在解决全球农业生产面临的“无人种田”等共性问题中发挥的重要作用，分析了中国发展无人农场存在的机遇和挑战，提出了中国发展无人农场的战略目标与思路。
［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。
元宇宙这一新兴概念受到了产、学、研各界的广泛关注。农业与元宇宙的结合将极大地推动农业信息化和智能化发展，为农业智能化转型升级提供新动能。为深入分析元宇宙在农业领域的应用研究可行性，本文首先分析了农业元宇宙的概念，以及区块链、非同质化代币、5G/6G、人工智能、物联网、三维重建、云计算、边缘计算和扩展现实等元宇宙农业应用的关键技术。接着讨论了元宇宙在虚拟农场、农业教学系统和农产品追溯系统三个农业应用领域的主要情景，最后总结了农业元宇宙面临的系统建立、通信基础、硬件设备和运营等方面的主要挑战，并展望了未来的发展方向。本文可为元宇宙在农业的应用研究提供指导。
传统果园生产中面临着人口老龄化带来的劳动力短缺、农机作业装备与生产资料管理困难、生产效率低下等问题，通过建设融合物联网、大数据、装备智能化等技术的智慧果园，可有望解决上述问题。为应对北京市农业现代化建设需求、引领中国农业发展方向，基于桃、梨果园全程机械化、智能化管理等目标，本研究在北京市重要的桃、梨等优势果品产区——平谷区峪口镇西营村构建了约30 hm2梨与桃的智慧果园。果园中应用了10多种病、虫、水、肥、药的各类信息获取传感器，装备了28种机械化、智能化技术支持的农机装备，采用的关键技术包括智能信息获取系统、水肥一体管理系统以及病虫害智能管理系统，智能作业装备系统包括无人驾驶割草机、智能防冻机、开沟施肥机、自动驾驶履带智能仿形变量喷雾机、六旋翼枝向对靶无人机、多功能采摘平台以及整理修剪机等。同时，在果园中还构建了智能管理平台。经比较发现，智慧果园生产模式可减少人工成本50%以上，节省农药用量30%～40%、肥料用量25%～35%、灌溉用水量60%～70%，综合经济效益提升32.5%。智慧果园的推广实施将进一步推动中国果业生产水平的提高，促进中国智慧农业的发展。
［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。
大田作物智慧种植业是智慧农业的重要内容。本文通过分析智慧农业发展历程，明确了大田作物智慧种植业发展战略总体目标和重点任务，凝练出关键技术，有针对性地提出适宜中国区域特征的发展模式。大田作物智慧种植的关键技术面临的主要挑战有：缺乏原位精准测量技术与农业专用传感器，作物模拟模型与实际生产有较大差别，信息传输技术的实时性、可靠性、通用性和稳定性有待改进，智能农业装备还需要进一步解决好农机/农艺相结合问题。在以上分析基础上，提出了大田作物智慧种植关键技术的5个一级技术以及相应的18个二级技术。5个一级技术包括环境与生物信息感知技术、信息移动互联与农业物联网技术、云计算与云服务技术、大数据分析与决策技术、智能农机装备与农业机器人技术。根据中国种植业区域特色提出了相应的6种智慧农业发展区，即东北与内蒙古规模化智慧生产发展区，京津冀鲁智慧都市农业与节水农业发展区，西北旱区棉花规模化智慧种植和旱作智慧农业绿色发展综合试验区，东南沿海循环型水稻智慧种植业综合发展试验区，长江中下游平原智慧粮油优化发展区，以及西南山区智慧特色农业发展区。最后从基础设施建设、技术、人才和政策角度给出了发展建议。
大数据、物联网和人工智能等现代信息技术在农业中的广泛应用，推动了农业农村现代化和智慧农业的发展，带动了农业经营主体对科技与知识的旺盛需求，农业知识服务成为农业转型升级和高质量发展的重要引擎。为解决现有农业知识分散无序、更新不及时、面向经营主体的知识服务不平衡、供需脱节等问题，本文总结分析了国内外农业知识服务的研究与实践现状，提出了一套基于农业全产业链、按照农业数据的全生命周期、面向农业经营主体的农业智能知识服务体系框架，设计了基于智能物联网（Artificial Intelligence & Internet of Things，AIoT）的农情感知与大数据汇聚治理、基于知识图谱的农业知识组织与计算挖掘，以及基于多场景的农业智能知识服务三个层次。文中归纳了包括空天地AIoT全维度农情感知、多源异构农业大数据汇聚治理、知识建模、知识抽取、知识融合、知识推理、跨媒体检索、智能问答、个性化推荐技术、决策支持等农业智能知识服务涉及的关键技术，并举例了其研究应用。最后从农业数据获取、模型构建、知识组织、智能知识服务技术和应用推广等方面探讨了未来农业智能知识服务的发展趋势及对策建议。总结发现，农业智能知识服务是破解当前农业知识服务供需矛盾，实现跨媒体农业数据到知识的跨越，推动农业知识服务向个性化、精准化和智能化升级的关键，亦是农业科技自立自强、现代农业提质增效的重要支撑。
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。
设施农业智能装备是设施农业稳定、高品质、高效生产的必要保障。日本智能采收装备已有近四十年的研发经验，其发展具有一定启发和借鉴意义。本文综述了日本设施农业采收机器人的研究应用进展，分析了基于农机农艺结合的茄科（番茄、茄子、青椒）、葫芦科（黄瓜、瓜类水果）、芦笋和草莓等10种设施农业采收机器人的采收技术，其中详细对比了番茄、草莓等几种蔬菜历代采收机器人的设计理念及其优点与不足。分析了设施农业采收机器人面临的科学问题及解决方案，总结了未来发展趋势及对中国的启发。本文可为加速推进中国设施农业采收机器人的智慧化、智能化和产业化发展提供借鉴参考。
[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。
利用先进的信息技术推动智能养殖业发展已经成为奶牛养殖研究领域的重要目标和任务。计算机视觉技术具有非接触、免应激、低成本及高通量等优点，在畜牧生产中应用前景广阔。本文在阐述了计算机视觉技术在智能化养殖业发展中重要性的基础上，首先介绍了基于计算机视觉的奶牛生理参数监测进展，包括体尺、体温、体重的前沿监测设备、技术和模型参数。然后阐述了奶牛跛行及乳腺炎等疾病诊断的前沿技术发展过程和研究现状。目前，相关技术研究和应用推广存在检测准确性不高，受环境因素影响较大，非标准化养殖场结构制约检测系统普及，以及检测系统成本较高等问题和挑战。最后，本文结合中国养殖业发展现状，针对保证检测准确性、减少环境干扰等问题，就如何提高计算机视觉技术在智能化养殖业中的准确性和普适性提出了相关建议，旨在为中国奶牛养殖业的科学管理和现代化生产提供新方法和新思路。
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。
为快速准确获取玉米收获过程中遗失籽粒数信息，进行收割损失调节等管理，对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先，利用RGB相机获取包含不同背景和不同光照的图像数据，并进一步生成数据集；其次，构建籽粒识别的不同目标检测网络，包括Mask R-CNN、EfficientDet-D5、YOLOv5-L、YOLOX-L，并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试，图像数分别为200、40和180幅；最后，依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明，YOLOv5-L网络对测试集图像检测的平均精度为78.3%，模型尺寸仅为89.3 MB；籽粒计数的检测正确率、漏检率和F1值分别为90.7%、9.3%和91.1%，处理速度为55.55 f/s，识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络，并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测，精度高、适用性强。
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。
奶牛运动行为蕴含着诸多健康信息。信息化、智能化技术的应用有助于养殖场及时掌握奶牛健康状况，提高养殖效率。本文主要针对奶牛运动行为智能监测技术的研究进展予以分析，首先对奶牛基本运动（躺卧、行走、站立）、发情、呼吸、反刍及跛行等行为的监测意义进行阐述，明确了奶牛行为监测的必要性；其次按照时间顺序分别从接触式监测方法和非接触式监测方法两方面综述了国内外相关研究现状，对相关研究的原理及成果进行详细介绍，并进行了分类总结；对奶牛行为监测产业发展现状进行了分析，介绍了国外主流牧场自动化设备供应商主营业务及代表产品；之后分别提出了当前接触式和非接触式奶牛运动行为监测方法的问题与挑战。最后，针对相关关键技术的发展趋势进行了展望。
本文首先阐述了科技革命的概念与满足条件，提出并分析了内生及外生农业颠覆性技术及其差异，特别是提出了跨界技术的概念并论证了其对农业科技进步的外生影响。然后分析了作为跨界技术的集大成者——智慧农业技术的特点，智慧农业对传统农业生产技术与生产方式的替代以及智慧农业与农村经济转型的关系。在此基础上讨论了中国智慧农业发展所面临的问题。最后有针对性地提出了促进颠覆性技术创新和智慧农业发展的政策建议，包括加强关键颠覆性核心技术研发、改革现有的农业高等教育体系、推动跨界技术的农业产业化研发以及在高标准农田及规模化养殖场实施智慧农业生产等。
养殖场中肉牛较为活跃，采集得到的图像数据中肉牛姿态多变，肉牛姿态端正帧较少，导致自动测量肉牛体尺困难。针对以上问题，本研究通过分析肉牛骨架特征和肉牛图像边缘轮廓特征，提出一种多姿态肉牛体尺自动测量方法。首先，利用深度相机Azure Kinect DK从正上方采集肉牛俯视深度视频数据，对视频数据进行分帧处理；其次，对原始深度图像进行预处理，将肉牛从复杂的背景中提取出来；再次，利用Zhang-Suen算法提取目标图像肉牛骨架，检测骨架交点和端点，分析肉牛头部特征，并确定头部去除点，去除图像中肉牛头部信息；最后，利用改进的U弦长曲率算法提取肉牛轮廓曲率曲线，根据曲率值确定体尺测点，将体尺测点转换到三维空间中，计算体尺参数。本研究通过分析大量深度图像数据，将图像中肉牛姿态分为左歪、右歪、姿态端正、低头和抬头五类。试验结果表明，本研究提出的基于骨架的多姿态肉牛头部去除方法在5种姿态下的头部去除成功率均高于92%；在23头肉牛不同姿态共46帧深度图像中，利用基于改进U弦长曲率的体尺测点提取方法，测得体直长测量的平均绝对误差为2.73 cm，体高测量的平均绝对误差为2.07 cm，腹宽测量的平均绝对误差为1.47 cm。研究结果可为精确测量多姿态下肉牛体尺提供支撑。
拉曼光谱是一种散射光谱，具有快速、不易受水分干扰、样品无需预处理和在体检测等特点，可作为分析、测试物质分子成分和结构强有力的表征手段。随着拉曼光谱技术的不断发展，其在农业检测领域中逐渐发挥出极其重要的作用。本文概述了拉曼光谱的检测原理，从共聚焦显微拉曼光谱、傅里叶变换拉曼光谱、表面增强拉曼光谱、针尖增强拉曼光谱、共振拉曼光谱、空间偏移拉曼光谱、移频激发拉曼差分光谱、基于非线性光学的拉曼光谱等8个方面介绍了拉曼光谱技术，重点总结了拉曼光谱技术在植物检测、土壤检测、水质检测、食品检测等方面的应用研究进展，并提出了其在农业检测领域中应用需要解决的难题和未来的发展方向，以期对未来农业生产和研究带来启发。
[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。
家畜养殖的生产模式已由粗放型向集约型转变，生产水平不断提高，但较低的劳动生产率和劳动力短缺等问题严重制约中国家畜养殖业的快速发展。利用现代信息和人工智能技术，研发家畜饲喂机器人，包括喂料、推料等机器人，实现数字化、智能化的家畜养殖，提高畜牧养殖生产力是解决上述问题的主要途径。为深入分析机器人技术在家畜养殖中的研究现状，本文收集了国内外家畜机器人研究实例和文献资料，从轨道式喂料机器人、自走式喂料机器人和推料机器人3个方面重点介绍家畜饲喂机器人的研究进展，分析了饲喂机器人的技术特点和实际应用情况，从技术和应用两个方面对国内外饲喂机器人进行了比较，并从战略规划制定、核心技术发展和产业发展趋势三个方面进行展望并提出发展建议，为家畜饲喂机器人在中国的进一步发展和应用提供参考。
毛桃等果实的准确检测是实现机械化、智能化农艺管理的必要前提。然而，由于光照不均和严重遮挡，在果园中实现毛桃，尤其是套袋毛桃的检测一直面临着挑战。本研究基于改进YOLOv5s和多模态视觉数据提出了面向机械化采摘的毛桃多分类准确检测。具体地，构建了一个多类标签的裸桃和套袋毛桃的RGB-D数据集，包括4127组由消费级RGB-D相机获取的像素对齐的彩色、深度和红外图像。随后，通过引入方向感知和位置敏感的注意力机制，提出了改进的轻量级YOLOv5s（小深度）模型，该模型可以沿一个空间方向捕捉长距离依赖，并沿另一个空间方向保留准确的位置信息，提高毛桃检测精度。同时，通过将卷积操作分解为深度方向的卷积与宽度、高度方向的卷积，使用深度可分离卷积在保持模型检测准确性的同时减少模型的计算量、训练和推理时间。实验结果表明，使用多模态视觉数据的改进YOLOv5s模型在复杂光照和严重遮挡环境下，对裸桃和套袋毛桃的平均精度（Mean Average Precision，mAP）分别为98.6%和88.9%，比仅使用RGB图像提高了5.3%和16.5%，比YOLOv5s提高了2.8%和6.2%。在套袋毛桃检测方面，改进YOLOv5s的mAP比YOLOX-Nano、PP-YOLO-Tiny和EfficientDet-D0分别提升了16.3%、8.1%和4.5%。此外，多模态图像、改进YOLOv5s对提升自然果园中的裸桃和套袋毛桃的准确检测均有贡献，所提出的改进YOLOv5s模型在检测公开数据集中的富士苹果和猕猴桃时，也获得了优于传统方法的结果，验证了所提出的模型具有良好的泛化能力。最后，在主流移动式硬件平台上，改进后的YOLOv5s模型使用五通道多模态图像时检测速度可达每秒19幅，能够实现毛桃的实时检测。上述结果证明了改进的YOLOv5s网络和含多类标签的多模态视觉数据在实现果实自动采摘系统视觉智能方面的应用潜力。
【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。
玉米和大豆为同季旱粮作物，“争地”矛盾十分突出，同时掌握玉米和大豆两者的价格是必要的。相较于现货，农产品期货价格具有价格发现功能。因此，玉米和大豆期货价格分析和预测对种植结构调整和农户作物品种选择均具有重要意义。本研究首先分析了玉米和大豆期货价格的相关性，通过相关性计算和格兰杰因果检验，发现玉米和大豆期货具有较强的正向相关性，且大豆期货价格是玉米期货价格的格兰杰原因；其次，基于长短时记忆（Long Short-Term Memory，LSTM）模型对玉米和大豆期货价格进行预测，并引入注意力机制（Attention）对期货价格预测模型行优化。对比结果表明，与差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model，ARIMA）和支持向量回归模型（Support Vector Regression，SVR）相比，LSTM模型在各项指标中均为更优，而与单一的LSTM模型相比，加入Attention机制的Attention-LSTM模型在各项指标中均更优。其中，玉米和大豆期货预测结果的平均绝对误差（Mean Absolute Error，MAE）分别提升3.8%和3.3%，均方根误差（Root Mean Square Error，RMSE）分别提升0.6%和1.8%，平均绝对百分误差（Mean Absolute Percentage Error，MAPE）分别提升4.8%和2.9%，证明了Attention机制的加入可以帮助模型提取有效信息，提升性能。最后，使用LSTM模型结合大豆期货历史价格共同预测玉米期货价格，MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。试验结果表明，本研究使用Attention-LSTM模型对玉米和大豆期货价格进行预测，相较于通用预测模型，Attention-LSTM模型能够提高大豆和玉米期货价格预测精度，且结合相关农产品期货价格数据，可以提升单个农产品期货模型的预测性能。
饲草作物生长的动态监测与定量估算对于饲草规模化生产具有重要意义。无人机遥感分辨率高、灵活性强、成本低，近年来在饲草作物生长监测领域发展迅速，应用场景不断拓展。为了掌握无人机在饲草监测的国内外应用现状，确定重点发展方向，本文首先从数据获取、数据处理和饲草作物生长监测关键技术三个方面简述了无人机遥感在饲草作物监测中的基本研究方法。其次按照传感器类型从可见光、多光谱、高光谱、热红外和激光雷达遥感五个方面阐述了无人机遥感饲草作物生长监测的应用现状。最后针对研究应用中尚未解决的关键技术问题展望了未来的发展方向，提出融合饲草作物时空尺度数据和多源遥感数据、进一步拓展数据获取手段、研发智能化数据分析综合平台是未来饲草作物监测领域应用创新的关键所在。
[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。
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。
[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。
为进一步提高农产品供需过程模拟与估算精度，本研究以自1980年以来国家级和省级的大量农业数据作为样本，充分考虑农产品品种、时间、收入、经济发展等因素影响，构建基于深度学习长短时记忆神经网络（Long Short-Term Memory Neural Network，LSTM）的多种农产品供需预测模型。模型在充分考虑机理性约束条件的前提下，利用深度学习算法在非线性模型分析预测中的优势，对稻谷、小麦、玉米、大豆、猪肉、禽肉、牛肉、羊肉、水产品等9种主要农产品供需进行分析预测。将基于本模型的2019—2021年产量预测结果与国家统计局公布数据进行对比验证，三年平均预测准确率96.98%，表明本研究构建的预测模型能够高效地反映隐性指标变化对预测结果的影响。该模型可以通过及时地监测农业运行数据，为多区域、跨期的农业展望工作提供智能化技术支持。
叫声是评估生猪福利水平的重要方式之一。本文首先分析了生猪叫声与福利之间的相互关系。其中，与生猪福利密切相关的三种生猪叫声包括咳嗽声、尖叫声和呼噜声。基于这三种声音进一步分析声音与环境，声音与身体状况，以及声音与健康之间的关系。随后，对当下的生猪福利监测所采用的传感器，包括穿戴式与非接触式两大类进行分析，并简述不同方式的优劣势。基于非接触式的优势及麦克风传感器技术的可行性，从声音的获取和标记、特征提取以及声音分类三个方面对现有的生猪声音处理技术进行了阐述和评估。最后，从声音监测技术、生猪个体福利监测、商业应用以及养猪从业者四个角度讨论了叫声在生猪福利监测中面临的研究困境以及发展趋势。研究发现，目前关于生猪声音分析的研究大多集中在分类器的选择和识别算法的改进上，而对端点检测和特征选择的研究较少。同时，当下面临的主要挑战还包括不同生长阶段的音频数据获取难度较高，缺乏公共的猪舍内音频数据库以及缺少完善的声音指标与动物福利监测评价体系。总体来说，建议进一步对声音识别过程中涉及的各部分技术进行深入探索，同时加强跨学科专家之间的合作，共同推动声音监测在生猪实际生产中的应用，从而加快精准畜牧业的实现。
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。
土壤盐渍化是限制黄河三角洲地区农业经济发展的重要因素，进一步阻碍了农业生产。为了探索无人机影像在地表无植被覆盖条件下的土壤盐分含量反演状况，以黄河三角洲典型区域为研究区，获取地物高光谱和无人机多光谱两种数据源与样点土壤盐分含量，通过优选敏感光谱参量，使用偏最小二乘回归（Partial Least Squares Regression，PLSR）和随机森林（Random Forest，RF）两种机器学习算法建立土壤盐分含量反演模型，实现研究区的土壤盐分含量反演。结果表明：（1）高光谱1972 nm波段与土壤盐分含量间的敏感性最高，相关系数为-0.31。（2）两种不同数据源优化后的RF模型均优于PLSR，且稳定性更好。（3）基于地物高光谱的RF模型（R2 =0.54，RMSEv＝3.30 g/kg）优于基于无人机多光谱的RF模型（R2 =0.54，验证RMSRv＝3.35 g/kg）。（4）结合无人机影像采用多光谱RF模型对研究区耕地的土壤盐分含量进行反演，研究区总体以轻、中度盐渍化土壤为主，对作物的耕种具有一定程度的限制。本研究构建并对比了两种不同源数据的黄河三角洲土壤盐分反演模型，并结合各自数据源的优势进行优化，探索了地表无植被覆盖情况下的土壤盐分含量反演方法，对更精准反演土地盐渍化程度提供了参考。
基于点云采集技术的非接触式测量能够缓解肉牛在采集体尺体重等参数时的应激问题，但采集肉牛的三维数据耗时长且易受环境干扰而产生大量无关噪点，难以适应实际养殖环境需求。为解决该问题，本研究开发了一种非接触式肉牛三维点云重建与目标提取系统与方法，采集的肉牛三维点云可为肉牛育种育肥提供大量标准化和三维量化表型数据。三维点云采集系统由Kinect DK深度相机、红外对射光栅触发器和射频识别（Radio Frequency Identification，RFID）触发器组成，可在肉牛自由通过步行道的瞬间实现肉牛点云的多角度瞬时采集。肉牛点云目标提取方法基于C++语言与点云处理库（Point Cloud Library，PCL）开发，通过空间直通滤波、统计学离群点滤波、随机抽样一致（Random Sample Consensus，RANSAC）形态拟合与点云抽稀、基于降维密度聚类的感知盒滤波等算法有效滤除与肉牛紧贴的栏杆等干扰，不破坏点云的完整性，实现肉牛点云的三维重建与分析。在养殖场中对20头肉牛进行了124次点云采集与目标提取试验。结果表明，重建的肉牛三维模型与肉牛真实形态1:1对应，系统的采集成功率为91.89%，采集的点云与真实值相比，体尺重建误差为0.6%。该系统与方法可以在无人干预的情况下，实现多角度肉牛点云数据的自动采集与三维重建，并从复杂环境中自动提取目标肉牛的点云，为非接触式肉牛体高、体宽、体斜长、胸围、腹围和体重等核心表型参数的测量提供重要的方法支撑，促进肉牛育种和育肥的标准化管理。
针对果园管理数字化程度低、构建方法较为单一等问题，本研究提出了一种基于激光点云的三维虚拟果园构建方法。首先采用手持式三维点云采集设备（3D-BOX）结合即时定位与地图构建-激光测距与测绘（Simultaneous Localization and Mapping-Lidar Odometry and Mapping，SLAM-LOAM）算法获取果园点云数据集；然后通过统计滤波算法完成点云数据离群点与噪声点的去除，并结合布料模拟算法（Cloth Simulation Filtering，CSF）与DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法，实现地面去除与果树聚类分割，进而使用VoxelGrid滤波器降采样；最后利用Unity3D引擎，构建虚拟果园漫游场景，将作业机械的实时GPS（Global Positioning System）数据从WGS-84坐标系转换为高斯投影平面坐标系，并通过LineRenderer显示实时轨迹，实现作业机械运动轨迹控制与作业轨迹的可视化展示。为验证虚拟果园构建方法的有效性，在海棠果园与芒果园开展果园构建方法测试。结果表明，所提出的点云数据处理方法对海棠果树与芒果树聚类分割的准确率分别达到了95.3%与98.2%；通过与实际芒果园的果树行距、株距对比，虚拟芒果园的平均行间误差约为3.5%，平均株间误差约为6.6%。并且将Unity3D构建出的虚拟果园与实际果园相比，该方法能够有效复现果园三维实际情况，得到了较好的可视化效果，为果园的数字化建模与管理提供了一种技术方案。
为同时实现果园智能植保机自主导航及自动对靶喷雾，研制了一种果园自主导航兼自动对靶喷雾机器人。首先采用单个3D LiDAR（Light Detection and Ranging）采集果树信息确定兴趣区（Region of Interest，ROI），对ROI内点云进行2D化处理得到果树质心坐标，通过随机一致性（Random Sample Consensus，RANSAC）算法得到果树行线，并确定果树行中间线（导航线），进而控制机器人沿导航线行驶。通过编码器及惯性测量单元（Inertial Measurement Unit，IMU）确定机体速度及位置，IMU矫正采集到的果树分区冠层信息，最后通过程序判断分区冠层的有无控制喷头是否喷雾。结果表明，机器人自主导航时最大横向定位偏差为21.8 cm，最大航向偏角为4.02°，相比于传统连续喷雾机施药液量、空中漂移量及地面流失量分别减少20.06%、38.68%及51.40%。本研究通过单个3D LiDAR、编码器及IMU在保证喷雾效果的前提下，实现了喷雾机器人自主导航及自动对靶喷雾，降低了农药使用量及飘失量。
[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。
苎麻是重要的纤维作物之一，由于土地资源紧缺及优良品种的推广应用等原因，苎麻遗传变异和遗传多样性减少，对苎麻种质资源多样性调查和保护的需求日趋加大。基于无人机遥感的作物表型测量方法可以对不同基因型作物的生长特性进行频繁、快速、无损、精准的监测，实现作物种质资源调查，筛选特异优质品种。为了实现苎麻种质资源表型的高效综合评价，辅助筛选优势苎麻品种，本研究提出了一种基于无人机遥感影像的苎麻种质资源表型监测及筛选方法。首先，基于无人机遥感影像，利用Pix4dmapper软件生成试验区的数字地表模型（Digital Surface Model，DSM）和正射影像；然后，对苎麻种质资源关键表型参数（株高、株数、叶面积指数、叶片叶绿素含量、含水量）进行估测。基于DSM采用“差分法”提取苎麻株高，基于正射图像采用目标检测算法提取苎麻株数，采用机器学习方法估测苎麻叶面积指数（Leaf Area Index，LAI）、叶片叶绿素含量（SPAD值）、含水量；最后，根据提取的各项遥感表型参数，采用变异性分析和主成分分析方法对苎麻种质资源进行遗传多样性分析。结果表明，（1）基于无人机遥感的苎麻表型估测效果较好，株高的拟合精度为0.93，均方根误差为5.65 cm；SPAD值、含水量、LAI的拟合指标分别达到0.66、0.79、0.74，RMSE分别为2.03、2.21、0.63；（2）苎麻种质资源的遥感表型存在较大差异，LAI、株高和株数的估测值变异系数分别达到20.82%、24.61%和35.48%；（3）利用主成分分析法将苎麻种质资源的遥感表型聚类为因子1（株高、LAI）和因子2（LAI、SPAD值），因子1可用于苎麻种质资源结构特征评价，因子2可以作为高光效苎麻资源的筛选指标。本研究将为作物种质资源表型监测和育种相关分析提供参考。
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。
疏花是梨生产中的重要农艺措施，机械化智能疏花是当今高速发展的疏花方式，花朵与花苞的分类与检测是保证疏花机器正常工作的基本要求。本研究针对目前梨园智能化生产中出现的梨树花序检测与分类问题，提出了一种基于改进YOLOv5s的水平棚架梨园花序识别算法Ghost-YOLOv5s-BiFPN。通过对田间采集的梨树花苞与花朵图像进行标注与数据扩充后送入算法进行训练得到检测模型。Ghost-YOLOv5s-BiFPN运用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）替换原始的路径聚合网络（Path Aggregation Network，PAN）结构，对网络提取的不同尺寸目标特征进行有效的融合。同时运用Ghost模块替换传统卷积，在不降低准确度的同时减少模型参数量和提升设备运行效率。田间试验结果表明，改进的Ghost-YOLOv5s-BiFPN算法对梨树花序中花苞与花朵的检测精度分别为93.2%和89.4%，两种目标平均精度为91.3%，检测单张图像时间为29 ms，模型大小为7.62 M。相比于原始YOLOv5s算法，检测精度与召回度分别提升了4.2%和2.7%，检测时间和模型参数量分别降低了9 ms和46.6%。本研究提出的算法可对梨树花苞与花朵进行精确的识别和分类，为后续梨园智能化疏花的实现提供技术支持。
[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。
饲料粮缺口的逐渐加大，导致中国饲料粮安全问题逐步转化为粮食安全问题。因此，全面整合饲料营养基础数据资源，提高一切可利用饲料资源的营养价值，成为中国今后长期保障国家粮食安全的技术措施之一。本研究依据16类中国饲料原料描述规范和属性数据标准，全面用数字化模式收集整理了自“六五”至“十三五”期间累积的50万条以上已有饲料资源的种类、空间分布、饲料成分含量及营养价值特性数据，利用MySQL网络数据库及PHP程序语言，开发了新一代饲料营养大数据分析平台（http：//www.chinafeeddata.org.cn/）并提供Web数据共享功能。首先，平台提供所有入库数据的可视化分析，可实现单个或多个饲料多种养分和多种图形模式的直观比对。通过二维码技术提供所有饲料营养属性数据及饲料实体样本溯源数据的移动端实时分享与下载服务。其次，平台构建了通过已知饲料概略养分在线预测其他有效养分的回归模型，为饲料原料养分变异提供动态分析。最后，平台基于地理信息系统技术，将饲料概略养分和主要矿物元素含量数据与其所处的地理位置分布相结合，实现了饲料营养数据地理信息图谱的分布查询及对比分析，同时提供各种数据的下载方式，为已有饲料数据的全面应用带来便利。研究表明，拓展饲料资源数据并提供饲料养分的预测分析模型，可最大化利用已有饲料养分数据的价值，进一步嵌入各类饲料配方的网络计算模块，可以达到饲料营养数据的一站式服务及数据的最大化升值服务。
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。
［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。
针对小麦植株分蘖多、器官间交叉遮挡严重，难以用图像或点云准确提取植株和器官表型的问题，本研究提出了基于三维数字化的小麦植株表型参数提取方法。首先提出了小麦植株各器官数字化表达方法，制定了适用于小麦全生育期的三维数字化数据获取规范，并依据该规范进行数据获取。根据三维数字化数据的空间位置语义信息和表型参数的定义，提出了小麦植株表型参数计算方法，实现了小麦植株和器官长度、粗度和角度等3类共11个常规可测表型参数的计算。进一步提出了定量描述小麦株型和叶形的表型指标。其中，植株围度通过基于最小二乘法拟合三维离散坐标计算，用于定量化描述小麦植株松散/紧凑程度；小麦叶片卷曲和扭曲程度为定量化叶形的指标，根据叶面向量方向变化计算得到。利用丰抗13号、西农979号和济麦44号三个品种小麦起身期、拔节期、抽穗期三个时期的人工测量值和提取值进行验证。结果表明，在保持植株原始三维形态结构的前提下，提取的茎长、叶长、茎粗、茎叶夹角与实测数据精度相对较高，R2 分别为0.93、0.98、0.93、0.85；叶宽和叶倾角与实测数据的R2 分别为0.75、0.73。本方法能便捷、精确地提取小麦植株和器官形态结构表型参数，为小麦表型相关研究提供了有效技术支撑。
[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。
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】 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。
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。
【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。
人工智能（Artificial Intelligence，AI）辅助种植有助于提高设施园艺作物精准化管理水平、缓解日益凸显的劳动力紧缺问题。草莓是典型的劳动密集型园艺作物，研究对比采用不同AI种植策略和关键技术对草莓温室生产的调控效果，可对园艺作物种植的AI技术改进和产业化应用提供参考。本研究对比分析了4个不同AI种植策略对草莓生长发育和产量及品质的调控效果，并以人工种植管理为参照，对AI种植的技术特点和存在问题进行了分析。结果表明，知识图谱、深度学习、视觉识别、作物模型和作物生长仿真器等技术在草莓AI种植中各有优势。其中，AI-1组采用知识图谱技术将专家经验、作物数据和环境数据进行融合，建立了标准化草莓种植知识结构和智慧种植决策方法，对作物生产发育的调控较为稳健，以较低的投入获得了最高产值。与人工种植管理相比，AI种植策略组的平均产量提高了1.66倍，平均产值提高了1.82倍，最高投入产投比提高了1.27倍。针对高产优质的目标，在配备较完善的智能化设备和控制组件的温室生产条件下，AI辅助种植能有效提高草莓种植管控的精准度，减少水肥和劳动力的投入，获得较高的收益，但也存在对人工管理扰动的模拟难、作物本体信息采集难等问题。
[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。
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。
[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。
牦牛个体身份标识是实现个体建档、行为监测、精准饲喂、疫病防控及食品溯源的前提。针对智慧畜牧智能化、信息化等养殖平台中动物个体识别技术应用需求，本研究提出一种基于迁移学习的多尺度特征融合牦牛脸部识别算法（Transfer Learning-Multiscale Feature Fusion-VGG， T-M-VGG）。以预训练的视觉几何组网络（Visual Geometry Group Network，VGG）为骨干网络构建基于迁移学习的卷积神经网络模型，获取其Block3、Block4、Block5输出的特征图，分别用F3、F4、F5表示，将F3和F5经过三个不同膨胀系数的空洞卷积组成的并行空洞卷积模块增大感受野后，送入改进的特征金字塔进行多尺度特征融合；最后利用全局平均池化代替全连接层分类输出。试验结果表明，本研究提出的T-M-VGG算法在194头牦牛的38,800张数据集中识别准确率达到96.01%，模型大小为70.75 MB。随机选取12张不同类别牦牛图像进行面部遮挡测试，识别准确率为83.33%。本算法可以为牦牛脸部识别研究提供参考。
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。
【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。
针对当前中国肉牛繁育管理水平和信息化智能化水平不高等问题，本研究借鉴国际先进肉牛养殖国家的经验，建立了适合中国的商业化肉牛繁育大数据平台。该平台主要完成肉牛种质信息资源的整合，在线自动测定肉牛关键繁育性状，全程服务支撑肉牛繁育过程，形成肉牛种质资源大数据分析决策，并实现肉牛联合育种创新模式。本文详细介绍了商业化肉牛繁育大数据软件平台开发思路，包括数据中心的实现、软件平台前端开发技术和后端开发技术等，并总结了该平台的关键技术创新和模式创新内容，包括肉牛种质资源与良种管理系谱深度挖掘技术，非接触式繁育性状自动获取评价技术，以及多源异构信息融合提供智能决策支持等，为中国肉牛种业发展提供可持续发展的信息化解决方案，以促进肉牛育种整体水平的提高。
［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。
自然环境下果实的精准检测是火龙果采摘机器人执行采摘作业的先决条件。为提高自然环境下果实识别的精确性、鲁棒性和检测效率，本研究对YOLOX（You Only Look Once X）网络进行改进，提出了一种含有注意力模块的目标检测方法。为便于在嵌入式设备上部署，本方法以YOLOX-Nano网络为基准，将卷积注意力模块（Convolutional Block Attention Module，CBAM）添加到YOLOX-Nano的主干特征提取网络中，通过为主干网络提取到不同尺度的特征层分配权重系数来学习不同通道间特征的相关性，加强网络深层信息的传递，降低自然环境背景下对火龙果识别的干扰。对该方法进行性能评估和对比试验，经过训练后，该火龙果目标检测网络在测试集的AP0.5值为98.9%，AP0.5:0.95的值为72.4%。在相同试验条件下对比其它YOLO网络模型，该方法平均检测精度分别超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2%、9.8%和7.9%。最后对不同分辨率的火龙果果园自然环境下采集的视频进行实时测试。试验结果表明，本研究提出的改进YOLOX-Nano目标检测方法，每帧平均检测时间为21.72 ms，F1值为0.99，模型大小仅3.76 MB，检测速度、检测精度和模型大小满足自然环境下火龙果采摘的技术要求。
［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。
精准饲喂是全龄人工饲料工厂化养蚕节本增效的核心技术之一，家蚕自动化识别与计数是实现精准饲喂的关键环节。本研究基于机器视觉系统获取工厂化养蚕过程中蚕在4龄和5龄期的数字图像，利用改进深度学习模型Mask R-CNN检测蚕体和残余饲料。通过在Mask R-CNN模型框架中加入像素重加权策略和边界框细调策略，从噪声数据中训练一个鲁棒性更好的目标检测模型，实现模型性能的优化，提高对蚕体和饲料边界的检测和分割能力。改进Mask R-CNN模型对蚕的检测和分割交并比阈值为0.5时的平均精度（Average Precision at IoU=0.5，AP50）分别为0.790和0.795，识别准确率为96.83%；对残余饲料的检测和分割AP50分别为0.641和0.653，识别准确率为87.71%。模型部署在NVIDIA Jetson AGX Xavier开发板上，单张图像平均检测时间为1.32 s，最长检测时间为2.05 s，运算速度可以满足养蚕盒单元在生产线上移动实时检测的要求。该研究为工厂化养蚕精准饲喂信息系统和投喂装置的研发提供了核心算法，可提高人工饲料的利用率，提升工厂化养蚕生产管理水平。
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。
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。
［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。
奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相，本研究提出一种融合高斯混合模型 （Gaussian Mixture Model，GMM） 和隐马尔科夫模型 （Hidden Markov Model，HMM）的无监督学习奶牛步态时相识别算法 GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号，通过卡尔曼滤波消除噪声，筛选并提取特征值，构建GMM-HMM模型，实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明，静立相识别的准确率、召回率和F1分别为89.28%、90.95%和90.91%，连续步态中的站立相识别的准确率、召回率和F1分别为91.55%、86.71%和89.06%，连续步态中的摆动相识别的准确率、召回率和F1分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%，相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。
［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。
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。
［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。
苹果产业作为苹果主产区经济发展的支柱产业，为当地果农增收、农业增效做出了重要贡献。随着产业的转型升级，苹果生产机械化和智能化的发展程度将影响其经济效益。为推进苹果生产智能化技术研究与智能装备研发，本文概述了苹果生产各个环节机械化水平，阐述了动力底盘、除草装备、收获装备等苹果生产装备主要技术特点，归纳了自动调平与控制、自主导航、自动避障、杂草识别、杂草去除、苹果识别、苹果定位、苹果分离等技术分别在智能化动力底盘、智能除草装备、苹果采收机器人上的研究与应用进展，并阐明了上述3种智能装备关键技术的基本原理和特点。在此基础上，指出了目前苹果生产智能装备技术面临的挑战，并提出了发展建议。
为解决芒果园传统植保作业中农药用量大、施药不均匀、作业效率低等问题，并构建智慧芒果园，本研究对比了地面弥雾机和六旋翼植保无人机两种果园施药机具在芒果冠层中的药液雾滴沉积性能。将芒果冠层分为上中下层，以柠檬黄为示踪剂，使用高清相纸与滤纸采集药液雾滴，通过图像处理等手段分析雾滴沉积分布均匀性。试验结果表明，植保无人机在芒果树上部冠层叶片表面的雾滴覆盖率显著高于地面弥雾机，在其余冠层部位，两种施药机具在叶片表面药液无显著差异覆盖；植保无人机处理组叶片正反面平均覆盖率均为地面弥雾机的1.5~2倍，对叶片背面的防治优于地面弥雾机。地面弥雾机处理组叶片正面雾滴密度显著高于植保无人机，叶片背面无显著差异，植保无人机处理组正反面均未满足低量喷雾20个/cm2的病虫害防治要求。地面弥雾机药液沉积集中在中下冠层（61.1%），植保无人机集中在上部冠层（43.0%），冠层内部沉积比例地面弥雾机（48.6%）＞植保无人机（25.5%），但地面弥雾机在冠层上部沉积能力不足，沉积占比仅为17%。研究表明，相较于植保无人机，地面弥雾机适用于芒果冠层中下部及内部病虫害防治，同时该机具较高的雾滴覆盖密度在喷洒杀菌剂时也有明显优势，植保无人机适用于针对芒果上部冠层如蓟马、炭疽等易发于外部花絮的病虫害防治。
[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。
为解决现代化果园水果收获过程中人工劳动强度大、作业效率低、配套机械匮乏等问题，结合果树矮砧宽行密植模式和农艺种植要求，本研究设计了一种自走式果园多工位收获装备。首先介绍了自走式果园多工位收获装备的整机结构和工作原理，然后根据“两侧、两高度、六工位”采摘作业模式，对履带自走式底盘、扩展作业平台、果实自动输送装箱及转运系统的关键部件进行了参数分析、计算与结构设计。田间试验结果表明，所设计的自走式果园多工位收获装备可同步于六工位人工采收速度，苹果采收损伤率为4.67％，装箱均布系数为1.475，装箱速度为72.9个/min，能够满足果园采收作业要求。
[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。
黄土高原近20年来苹果栽植面积迅猛增加，对区域生态水文和社会经济发展均产生了重要影响。但该区域果园地块小且场景复杂，仅有县/市尺度统计数据，尚无苹果园实际的空间分布信息。为此，本研究建立了无人机低空遥感影像专业数据集。融合迁移学习与深度学习方法，将残差神经网络ResNet34网络迁移到Linknet网络，得到R_34_Linknet网络。将R_34_Linknet网络与5种常用的深度学习语义分割模型SegNet、FCN_8s、DeeplabV3+、UNet和Linknet应用于黄土高原苹果园空间分布提取，表现最好的模型为R_34_Linknet，其在测试集上的调和平均值F1为87.1%，像素准确度PA为92.3%，均交并比MIoU为81.2%，频权交并比FWIoU为85.7%，平均像素准确度MPA为89.6%。将空间金字塔池化结构（Atrous Spatial Pyramid Pooling，ASPP）与R_34_Linknet网络相结合，扩大网络的感受野，得到R_34_Linknet_ASPP网络；然后对ASPP结构进行改进，得到R_34_Linknet_ASPP+网络。对比三种网络性能，表现最优的为R_34_Linknet_ASPP+，在测试集上F1为86.3%，PA为94.7%，MIoU为82.7%，FWIoU为89.0%，MPA为92.3%。使用R_34_Linknet_ASPP+在长武县王东沟和白水县通积村提取苹果园面积精度分别为94.22%和95.66%。本研究提出的R_34_Linknet_ASPP+方法提取到的苹果园更加准确，苹果园地块边缘处效果更好，可作为黄土高原苹果园空间分布制图等研究的技术支撑和理论依据。
为满足苹果内部品质产地检测分级需求，本研究研发出检测模块和分级模块，构成可移动式苹果内部品质果园产地分级系统。在此系统的基础上，以苹果糖度和霉心病为代表品质指标，提出一种基于乘法效应消除（Multiplicative Effect Elimination，MEE）的光谱校正方法，用于消除苹果物理属性差异导致的有效光程变化对光谱的影响。利用该系统获取苹果600~900 nm漫透射光谱数据，分别采用多元散射校正（Multiple Scattering Correction，MSC）、标准正态变量变换（Standard Normal Variate Transform，SNV）和MEE算法对苹果光谱预处理后，建立糖度偏最小二乘回归（Partial Least Squares Regression， PLSR）预测模型和霉心病偏最小二乘判别（Partial Least Squares - Discriminant Analysis，PLS-DA）模型。结果表明，MEE算法相比于MSC和SNV算法建模结果更好，糖度预测模型的校正集相关系数（Rc）、校正集均方根误差（Root Mean Square Error of Calibration，RMSEC）、预测集相关系数（Rp）和预测集均方根误差（Root Mean Square Error of Prediction，RMSEP）分别为0.959、0.430%、0.929和0.592%；霉心病判别模型的校正集敏感性、校正集特异性、校正集准确率、预测集敏感性、预测集特异性和预测集准确率分别为98.33%、96.67%、97.50%、100.00%、90.00%和95.00%。将建立的最佳预测模型导入分级系统进行试验，结果表明该系统的分级准确率为90.00%，分级速度约3个/s。该系统具有成本低、结构简单、移动方便等优点，可以满足苹果内部品质果园产地检测分级需求。
［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。
基于管道的自动喷雾技术及设施可以解决山地果园植保作业中喷雾作业效率低、劳动强度大、移动式喷雾机械难以进入的问题。本研究设计了适用于山地果园的管道自动喷雾系统，主要包括喷雾首部、喷雾管道、自动喷雾控制器及喷雾小组等结构，计算了山地果园管道药液压力损失，研制了自动喷雾控制器，并开发了控制程序。喷雾作业时，喷雾首部将药液经管道引入果园，利用自动喷雾控制器控制电磁阀，逐次打开或关闭喷雾小组，实现手动控制或自动控制喷雾。为确定电磁阀持续开通时间，进行了喷雾有效性试验。结果表明，控制喷雾小组的电磁阀持续开通8 s即可保证喷雾的有效性；采用这种管道自动喷雾设施的喷雾作业效率为2.61 hm2/h，与人工喷雾相比，提高了喷雾作业的效率。本研究可为山地果园的喷雾技术及智能施药设施的研发提供参考和思路。
[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。
