全文下载排行

一年内发表文章 | 两年内 | 三年内 | 全部 | 最近1个月下载排行 | 最近1年下载排行

当前位置： 一年内发表文章

Please wait a minute...


选择: 导出引用 EndNote Ris BibTeX 显示/隐藏图片

Select

1. 农田土壤理化参数快速获取技术研究进展与展望 齐江涛, 程盼婷, 高芳芳, 郭丽, 张瑞瑞 智慧农业(中英文)    2024, 6 (3): 17-33.   DOI: 10.12133/j.smartag.SA202404003 摘要 （748）   HTML （114）    PDF（pc） （1524KB）（5190）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

2. 农业复杂场景下多机器人协同SLAM研究进展与展望 马楠, 曹姗姗, 白涛, 孔繁涛, 孙伟 智慧农业(中英文)    2024, 6 (6): 23-43.   DOI: 10.12133/j.smartag.SA202406005 摘要 （553）   HTML （73）    PDF（pc） （2300KB）（4493）    可视化    收藏 ［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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

3. 设施农业机器人导航关键技术研究进展与展望 何勇, 黄震宇, 杨宁远, 李禧尧, 王玉伟, 冯旭萍 智慧农业(中英文)    2024, 6 (5): 1-19.   DOI: 10.12133/j.smartag.SA202404006 摘要 （1193）   HTML （294）    PDF（pc） （2130KB）（3995）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

4. 采摘机器人全果园视觉感知及自主作业综述 陈明猷, 罗陆锋, 刘威, 韦慧玲, 王金海, 卢清华, 骆少明 智慧农业(中英文)    2024, 6 (5): 20-39.   DOI: 10.12133/j.smartag.SA202405022 摘要 （818）   HTML （147）    PDF（pc） （4030KB）（3930）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

5. 丘陵山地拖拉机调平与防翻关键技术研究现状与发展趋势 牟孝栋, 杨福增, 段罗佳, 刘志杰, 宋卓颖, 李宗霖, 管寿青 智慧农业(中英文)    2024, 6 (3): 1-16.   DOI: 10.12133/j.smartag.SA202312015 摘要 （795）   HTML （100）    PDF（pc） （2448KB）（3657）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

6. 基于深度学习的四川盆地丘陵区县域耕地遥感识别研究 李豪, 杜雨秋, 肖星竹, 陈彦羲 智慧农业(中英文)    2024, 6 (3): 34-45.   DOI: 10.12133/j.smartag.SA202308002 摘要 （369）   HTML （48）    PDF（pc） （2649KB）（2441）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

7. 智慧农业科技创新引领农业新质生产力发展路径 曹冰雪, 李鸿飞, 赵春江, 李瑾 智慧农业(中英文)    2024, 6 (4): 116-127.   DOI: 10.12133/j.smartag.SA202405004 摘要 （1122）   HTML （205）    PDF（pc） （1102KB）（2355）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

8. MSH-YOLOv8：融合尺度重建的蘑菇小目标检测方法 叶大鹏, 景均, 张之得, 李辉煌, 吴昊宇, 谢立敏 智慧农业(中英文)    2024, 6 (5): 139-152.   DOI: 10.12133/j.smartag.SA202404002 摘要 （504）   HTML （71）    PDF（pc） （2660KB）（2296）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

9. 利用MODIS数据和BP神经网络重构美国区域尺度大豆日光诱导叶绿素荧光 姚建恩, 刘海秋, 杨曼, 冯金赢, 陈秀, 张佩佩 智慧农业(中英文)    2024, 6 (5): 40-50.   DOI: 10.12133/j.smartag.SA202309006 摘要 （319）   HTML （44）    PDF（pc） （1648KB）（1970）    可视化    收藏 【目的和意义】 原始星载日光诱导叶绿素荧光（Sunlight-induced Chlorophyll Fluorescence, SIF）数据存在足迹离散、时空分辨率低等缺陷，针对这些问题许多研究进行了SIF重构，但大多数重构后的新型SIF数据分辨率仍较低，难以应用到精细尺度农业领域，且部分高精度SIF重构数据并非基于原始卫星SIF数据重构。OCO-2 SIF原始数据空间分辨率高（1.29 km×2.25 km），植被异质性低，对区域尺度高分辨率作物SIF重构具备突出价值。 【方法】 选取美国区域尺度大豆为研究对象，利用原始OCO-2 SIF和MODIS产品进行高分辨率大豆SIF重构，通过组合多个卫星轨迹经过的大豆种植区，提高SIF样本总量，与增强植被指数（Enhanced Vegetation Index, EVI）、光合有效辐射分量（Fraction of Photosynthetically Active Radiation, FPAR）和土地表面温度（Land Surface Temperature, LST）等预测因子足迹匹配后构建多源遥感数据集，代入BP神经网络训练模型，进而生成区域尺度空间连续且具有较高时空分辨率（8 d、500 m）的重构SIF数据集（BPSIF）。 【结果和讨论】 加入EVI，FPAR和LST的SIF重构模型R2达0.84，利用总初级生产力（Gross Primary Productivity, GPP）数据对BPSIF进行质量评价，OCO-2 SIF与 GPP的Pearson相关系数为0.53，而BPSIF与GPP相关系数提升到0.8，表明本研究生成的BPSIF数据集更加可靠。 【结论】 研究成果有望为区域尺度大豆作物SIF研究提供理论依据和数据支撑。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

10. 基于改进YOLOv8n-pose和三维点云分析的蒙古马体尺自动测量方法 李明煌, 苏力德, 张永, 宗哲英, 张顺 智慧农业(中英文)    2024, 6 (4): 91-102.   DOI: 10.12133/j.smartag.SA202312027 摘要 （1141）   HTML （55）    PDF（pc） （2477KB）（1635）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

11. 水稻智慧无人农场关键技术研究现状与展望 于丰华, 许童羽, 郭忠辉, 白驹驰, 相爽, 国斯恩, 金忠煜, 李世隆, 王世宽, 刘美含, 惠尹宣 智慧农业(中英文)    2024, 6 (6): 1-22.   DOI: 10.12133/j.smartag.SA202410018 摘要 （703）   HTML （124）    PDF（pc） （3047KB）（1634）    可视化    收藏 ［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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

12. 用于农产品冷链物流需求预测的GRA-WHO-TCN组合模型 刘艳, 季俊成 智慧农业(中英文)    2024, 6 (3): 148-158.   DOI: 10.12133/j.smartag.SA202310006 摘要 （437）   HTML （37）    PDF（pc） （1280KB）（1589）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

13. 肉牛生理指标智能监测技术研究进展与展望 张帆, 周梦婷, 熊本海, 杨振刚, 刘民泽, 冯文晓, 唐湘方 智慧农业(中英文)    2024, 6 (4): 1-17.   DOI: 10.12133/j.smartag.SA202312001 摘要 （1172）   HTML （80）    PDF（pc） （1471KB）（1434）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

14. 基于改进YOLOv10n的轻量化荔枝虫害小目标检测模型 黎祖胜, 唐吉深, 匡迎春 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202412003 预出版日期: 2025-01-24

Select

15. 基于多模态图像信息及改进实例分割网络的肉牛体尺自动测量方法 翁智, 范琦, 郑志强 智慧农业(中英文)    2024, 6 (4): 64-75.   DOI: 10.12133/j.smartag.SA202310007 摘要 （1171）   HTML （40）    PDF（pc） （3345KB）（1278）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

16. 基于改进YOLOv10的轻量级黄花菜分级检测模型 靳学萌, 梁西银, 邓鹏飞 智慧农业(中英文)    2024, 6 (5): 108-118.   DOI: 10.12133/j.smartag.SA202407022 摘要 （398）   HTML （57）    PDF（pc） （1532KB）（1274）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

17. 猪三维点云体尺自动计算模型Pig Back Transformer 王宇啸, 石源源, 陈招达, 吴珍芳, 蔡更元, 张素敏, 尹令 智慧农业(中英文)    2024, 6 (4): 76-90.   DOI: 10.12133/j.smartag.SA202401023 摘要 （1278）   HTML （41）    PDF（pc） （2776KB）（1174）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

18. 粮食生产大数据平台研究进展与展望 杨贵军, 赵春江, 杨小冬, 杨浩, 胡海棠, 龙慧灵, 裘正军, 李娴, 江冲亚, 孙亮, 陈雷, 周清波, 郝星耀, 郭威, 王培, 高美玲 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202409014 预出版日期: 2025-01-21

Select

19. 基于激光雷达与IMU融合的农业机器人定位方法 刘洋, 冀杰, 潘登, 赵立军, 李明生 智慧农业(中英文)    2024, 6 (3): 94-106.   DOI: 10.12133/j.smartag.SA202401009 摘要 （587）   HTML （52）    PDF（pc） （3329KB）（1071）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

20. 基于改进YOLOv8的苹果叶病害轻量化检测算法 罗友璐, 潘勇浩, 夏顺兴, 陶友志 智慧农业(中英文)    2024, 6 (5): 128-138.   DOI: 10.12133/j.smartag.SA202406012 摘要 （491）   HTML （80）    PDF（pc） （1702KB）（1056）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

21. 改进DeepLab v3+模型下的梯田遥感提取研究 张俊, 陈雨艳, 秦震宇, 张梦瑶, 张军 智慧农业(中英文)    2024, 6 (3): 46-57.   DOI: 10.12133/j.smartag.SA202312028 摘要 （490）   HTML （42）    PDF（pc） （2806KB）（1055）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

22. 基于改进YOLACT的油茶叶片炭疽病感染严重程度分级模型 聂刚刚, 饶洪辉, 李泽锋, 刘木华 智慧农业(中英文)    2024, 6 (3): 138-147.   DOI: 10.12133/j.smartag.SA202402002 摘要 （352）   HTML （30）    PDF（pc） （2130KB）（1038）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

23. 特色农产品设施环境下品质智能管控技术研究现状与展望 郭威, 吴华瑞, 郭旺, 顾静秋, 朱华吉 智慧农业(中英文)    2024, 6 (6): 44-62.   DOI: 10.12133/j.smartag.SA202411017 摘要 （351）   HTML （51）    PDF（pc） （3153KB）（973）    可视化    收藏 ［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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

24. 改进YOLOv11的水面膨化饲料颗粒图像实时检测算法 周秀珊, 文露婷, 介百飞, 郑海锋, 吴其琦, 李克讷, 梁军能, 黎一键, 文家燕, 江林源 智慧农业(中英文)    2024, 6 (6): 155-167.   DOI: 10.12133/j.smartag.SA202408014 摘要 （473）   HTML （62）    PDF（pc） （1858KB）（935）    可视化    收藏 ［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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

25. 基于大语言模型推理的数字孪生平台蔬菜作物生长模型研究 赵春江, 李静晨, 吴华瑞, 杨雨森 智慧农业(中英文)    2024, 6 (6): 63-71.   DOI: 10.12133/j.smartag.SA202410008 摘要 （871）   HTML （150）    PDF（pc） （1460KB）（880）    可视化    收藏 ［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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

26. 基于MPC延时补偿器的农机多机器人编队行驶轨迹跟踪方法 栾世杰, 孙叶丰, 贡亮, 张凯 智慧农业(中英文)    2024, 6 (3): 69-81.   DOI: 10.12133/j.smartag.SA202306013 摘要 （381）   HTML （31）    PDF（pc） （1797KB）（871）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

27. 复杂大田场景下基于改进YOLOv8的小麦幼苗期叶片数快速检测方法 侯依廷, 饶元, 宋贺, 聂振君, 王坦, 何豪旭 智慧农业(中英文)    2024, 6 (4): 128-137.   DOI: 10.12133/j.smartag.SA202403019 摘要 （512）   HTML （97）    PDF（pc） （2913KB）（835）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

28. 割草机器人自适应时域MPC路径跟踪控制方法 贺庆, 冀杰, 冯伟, 赵立军, 张博涵 智慧农业(中英文)    2024, 6 (3): 82-93.   DOI: 10.12133/j.smartag.SA202401010 摘要 （363）   HTML （25）    PDF（pc） （2278KB）（794）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

29. 融合远端深度学习识别模型的白菜株心精准对靶喷雾系统 张辉, 胡军, 石航, 刘昶希, 吴淼 智慧农业(中英文)    2024, 6 (6): 85-95.   DOI: 10.12133/j.smartag.SA202406013 摘要 （235）   HTML （24）    PDF（pc） （1923KB）（764）    可视化    收藏 ［目的/意义］ 针对白菜株心及其内叶叶缘对靶喷施钙素等药剂时，喷雾前进速度的提升导致单位时间内覆盖的有效喷施面积和农药喷雾量的变化这一问题，设计了一套基于深度学习的对靶喷雾控制系统。 ［方法］ 首先，阐述了对靶喷雾控制系统的结构及工作原理。其次，对通用YOLOv8模型进行了改进，提出了一种融合远端识别、喷雾机前进速度和喷雾响应频率的YOLOv8-Ghost-Backbone轻量化模型。通过Jetson Xavier NX控制器，搭载轻量化YOLOv8-Ghost-Backbone模型，设计了稳压执行单元和对靶控制单元，并通过间歇喷雾试验对系统性能进行测试。试验期间，逐步提高喷雾平台前进速度，根据电磁阀响应频率得到对应喷嘴的喷雾量。 ［结果/结论］ 记录了对靶喷雾系统3个主要部分的响应时间：图像处理平均耗时为29.50 ms，决策信号传递耗时为6.40 ms，喷雾过程耗时为88.83 ms，综合分析表明，对靶喷雾的总响应时间相较于电信号滞后约124.73 ms。通过补偿电磁阀响应滞后时间与获取试验，得出电磁喷雾响应补偿后的实际喷雾与需求的差异值，确定速度为7.2 km/h的条件下，对应的实际与需求差值为0.01 L/min，其差值最小，符合对靶喷雾的作业要求。 ［结论］ 本研究可为对靶施药机器人在喷雾系统中的应用和参数选择提供参考。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

30. 母牛发情精准感知与智能鉴定技术研究进展、问题与挑战 张志勇, 曹姗姗, 孔繁涛, 刘继芳, 孙伟 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202305005 预出版日期: 2025-01-08

Select

31. 基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型 胡程喜, 谭立新, 王文胤, 宋敏 智慧农业(中英文)    2024, 6 (5): 119-127.   DOI: 10.12133/j.smartag.SA202403016 摘要 （337）   HTML （40）    PDF（pc） （1379KB）（720）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

32. 多源信息融合下冷链配送车辆碳排放动态预测方法 杨霖, 刘双印, 徐龙琴, 赫敏, 绳庆峰, 韩佳伟 智慧农业(中英文)    2024, 6 (4): 138-148.   DOI: 10.12133/j.smartag.SA202403020 摘要 （304）   HTML （15）    PDF（pc） （2240KB）（691）    可视化    收藏 [目的/意义] 冷链配送碳排放动态预测是企业碳排放精准评估及其绿色信用等级评定的重要依据。本研究面向车辆碳排放受路况信息、行驶特征、制冷参数等多因素影响，提出一种融合多源信息的冷藏车辆碳排放动态预测模型。 [方法] 基于道路车辆数量与像素面积占比表征路况信息，构建基于改进YOLOv8s的路况信息识别模型，并以路况信息、行驶特征（速度、加速度）、货物重量、制冷参数（温度、功率）等为输入，构建基于改进iTransformer的冷藏车辆碳排放动态预测模型。最后与其他模型展开对比分析，分别验证路况信息识别与车辆碳排放动态预测的精度。 [结果] 改进的YOLOv8s路况信息识别模型在精确率、召回率和平均识别精度上分别达到98.1%、95.5%和98.4%，比YOLOv8s分别提高了1.2%、3.7%和0.2%，参数量和运算量分别减少了12.5%和31.4%，检测速度提高了5.4%。改进的iTransformer模型碳排放量预测的均方误差、平均绝对误差、均方根误差和R2分别为0.026 1 %VOL、0.079 1 %VOL、0.161 5 %VOL和0.940 0，均优于其他时序预测模型。 [结论] 提出的多源信息融合下冷链配送碳排放预测模型可实现对冷藏车辆碳排放量的精准预测，为有效降低冷链配送碳排放与提升配送企业绿色信用等级等提供理论参考。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

33. 基于改进ENet的复杂背景下山药叶片图像分割方法 芦碧波, 梁迪, 杨洁, 宋爱青, 皇甫尚卫 智慧农业(中英文)    2024, 6 (6): 109-120.   DOI: 10.12133/j.smartag.SA202407007 摘要 （181）   HTML （21）    PDF（pc） （2024KB）（677）    可视化    收藏 ［目的/意义］ 作物叶面积是反映光合作用效率和生长状况的重要指标，建立一个品种丰富的山药图像数据集并提出一种基于深度学习的山药叶片图像分割方法，可以用于实时测定山药叶片面积，解决传统测量效率低的问题。 ［方法］ 基于改进ENet的轻量化分割网络，在ENet的基础上，裁剪掉第3阶段，减少模型中的冗余计算；将瓶颈结构里面的常规卷积用PConv替换，构成P-Bottleneck，减少模型参数量，加快推理速度；改进上采样模块中的转置卷积为双线性插值，提升模型分割精度，减少参数量；最后在模型编码阶段加入CA注意力机制模块，强化对叶片边缘语义特征的提取能力。训练时使用Adam优化器，根据历史梯度信息自适应地调节学习率，加速收敛过程，提高模型的泛化能力。 ［结果和讨论］ 改进的模型在包含40个品种的山药室内图像数据集和室外数据集上进行实验，平均交并比和均像素精度分别达到98.61%和99.32%，模型参数量下降51%，浮点运算量下降49%，并且网络运算速度提高38%。与原始模型相比，在保证分割精度的同时显著降低网络的参数量和浮点运算量，提升运行速度，减少资源占用，使其更加适合应用到农业监测设备。 ［结论］ 改进算法能够精准快速地分割山药叶片，为复杂背景下山药叶片面积的研究提供了参考依据。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

34. 羊场自动导航喷药机器人设计与实验 范铭铄, 周平, 李淼, 李华龙, 刘先旺, 麻之润 智慧农业(中英文)    2024, 6 (4): 103-115.   DOI: 10.12133/j.smartag.SA202312016 摘要 （960）   HTML （30）    PDF（pc） （2160KB）（661）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

35. 基于轻量化Ghost-YOLOv8和智能手机的田间水稻有效分蘖检测方法 崔家乐, 曾祥峰, 任政威, 孙健, 汤晨, 杨万能, 宋鹏 智慧农业(中英文)    2024, 6 (5): 98-107.   DOI: 10.12133/j.smartag.SA202407012 摘要 （408）   HTML （77）    PDF（pc） （2128KB）（657）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

36. 基于改进UperNet的结球甘蓝叶球识别方法 朱轶萍, 吴华瑞, 郭旺, 吴小燕 智慧农业(中英文)    2024, 6 (3): 128-137.   DOI: 10.12133/j.smartag.SA202401020 摘要 （392）   HTML （112）    PDF（pc） （1568KB）（656）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

37. 基于通道剪枝的轻量化YOLOv8s草莓穴盘苗分级检测与定位方法 陈俊霖, 赵鹏, 曹先林, 宁纪锋, 杨蜀秦 智慧农业(中英文)    2024, 6 (6): 132-143.   DOI: 10.12133/j.smartag.SA202408001 摘要 （301）   HTML （53）    PDF（pc） （3614KB）（646）    可视化    收藏 ［目的/意义］ 准确识别和定位各级草莓穴盘苗对自动化穴盘苗分选技术具有重要意义，可以降低育苗过程中的人工成本。本研究提出了一种基于轻量化YOLOv8s的草莓穴盘苗分级识别和定位方法，以有效克服穴盘苗越界生长带来的识别和定位干扰。 ［方法］ 首先，基于层自适应幅度剪枝评分（Layer-Adaptive Magnitude-based Pruning Score， LAMP Score）通道剪枝算法压缩基础YOLOv8s草莓穴盘苗-穴孔识别模型的参数量和模型大小，提高了模型推理速度，高效检测穴盘苗和穴孔。其次，结合剪枝后的模型设计了一种两阶段草莓穴盘苗-穴孔匹配定位算法，根据穴盘苗和穴孔边界框的重叠度将苗株与穴孔进行配对，并通过第一阶段匹配中的草莓穴盘苗-穴孔匹配结果减少相邻越界生长的穴盘苗带来的影响，从而准确获得各级穴盘苗在穴盘中的具体位置信息。 ［结果和讨论］ 剪枝后的模型在保持较高检测精度的同时，将模型尺寸、浮点运算次数（Floating Point Operations Per Second, FLOPs）和参数量分别降低了94.4%、86.3%和95.4%。与原始模型相比，剪枝后的模型F1分数提高了0.1%，而平均精度（Mean Average Precision, mAP）提高了1%，两阶段草莓穴盘苗-穴孔匹配定位算法对各级穴盘苗的平均定位精度达到了88%。 ［结论］ 提出的草莓穴盘苗分级识别和定位方法能够满足实际育苗过程的要求，为自动化穴盘苗分选提供了技术支持。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

38. 基于改进DeepLabCut模型的奶牛滑蹄检测方法 年悦, 赵凯旋, 姬江涛 智慧农业(中英文)    2024, 6 (5): 153-163.   DOI: 10.12133/j.smartag.SA202406014 摘要 （808）   HTML （26）    PDF（pc） （1765KB）（644）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

39. ReluformerN：轻量化高低频增强高光谱农业地物分类方法 刘伊, 张彦军 智慧农业(中英文)    2024, 6 (5): 74-87.   DOI: 10.12133/j.smartag.SA202406008 摘要 （246）   HTML （21）    PDF（pc） （3072KB）（639）    可视化    收藏 【目的/意义】 为了智能监测农业地物种类分布情况，一般采用无人机搭载高光谱相机进行高光谱数据采集，之后对高光谱数据分类，实现农作物分布图自动绘制。但不同农作物外形相似，同一农作物不同生长期差别较大，所以对农业地物分类的网络模型要求较高。分类精度较高的网络模型往往复杂程度较高，无法部署在硬件系统中。针对以上问题，本研究提出一种轻量化高低频增强的ReluformerN网络（Reluformer Network）实现农业地物分类。 【方法】 首先提出自适应八倍频卷积，不仅可以对高光谱图像的空间和光谱频域特征进行提取，同时缓解了内部人工参数设置带来的影响。其次针对低频信息可以捕获全局特征的特点，提出Reluformer进行全局特征提取，Reluformer相比transformer具有线性计算复杂度，有利于网络轻量化的同时保持了提取全局特征的能力。将该网络在三个公开的有关农作物品种精细分类的高光谱数据集上进行实验，并与较为流行的五种分类网络进行对比。 【结果和讨论】 ReluformerN在整体精度（Overall Accuracy, OA）、平均精度（Average Accuracy, AA）等精度评价指标中表现较好。在模型参数量（Parameters）、模型计算量（FLOPs）模型复杂度评价指标中，ReluformerN参数量最小，计算量最低。 【结论】 本研究提出的ReluformerN网络在农作物品种分类精度和模型复杂度之间达到了较好的平衡，有望后续部署在资源有限的硬件系统中，实现地物实时分类功能。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

40. 基于景观格局的丘陵山区耕地生态风险评价 张星山, 杨恒, 马雯秋, 杨敏丽, 王海翼, 尤泳, 惠云婷, 宫泽奇, 王天一 智慧农业(中英文)    2024, 6 (3): 58-68.   DOI: 10.12133/j.smartag.SA202306008 摘要 （369）   HTML （24）    PDF（pc） （1636KB）（611）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

41. 基于改进实例分割算法的区域养殖生猪计数系统 张岩琪, 周硕, 张凝, 柴秀娟, 孙坦 智慧农业(中英文)    2024, 6 (4): 53-63.   DOI: 10.12133/j.smartag.SA202310001 摘要 （1180）   HTML （64）    PDF（pc） （2077KB）（592）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

42. 差分隐私增强的大米区块链品控模型 吴国栋, 胡全兴, 刘旭, 秦辉, 高博文 智慧农业(中英文)    2024, 6 (4): 149-159.   DOI: 10.12133/j.smartag.SA202311027 摘要 （242）   HTML （17）    PDF（pc） （1858KB）（591）    可视化    收藏 [目的/意义] 针对传统大米品质监管追溯系统中存在的品控数据链机制不够完善、品控信息可追溯程度不足、数据上链效率低及隐私信息泄露等问题，提出一种差分隐私增强的大米区块链品控模型。 [方法] 首先，结合大米全产业链，设计数据传输流程，涵盖种植、收购、加工、仓储和销售等各环节，有效保证品控数据链的连续性；其次，为解决上链数据量大、上链效率低问题，将大米全产业链各环节关键品控数据存储于星际文件系统（InterPlanetary File System, IPFS），然后将存储完成后返回的哈希值上链；最后，为提高品控模型信息可追溯程度，将种植环节关键品控数据中涉及隐私的部分信息通过差分隐私（Differential Privacy）处理后展示给用户，模糊化个体数据，以提高品控信息可信度，同时也保护了农户种植隐私。基于该品控模型，设计了差分隐私增强的大米区块链品控系统，并在相关大米企业实际运行。［结果与讨论］经测试，差分隐私增强的大米区块链品控系统全产业链单环节数据完成存储平均耗时1.125 s，信息追溯查询平均耗时0.691 s。与传统大米品质监管追溯系统相比，单环节数据存储时间缩短6.64%，信息追溯查询时间缩短16.44%。 [结论] 研究提出的模型不仅提高了品控数据连续性和信息可追溯程度，同时保护了农户的隐私，还在一定程度上提升了品控数据存储及信息追溯查询的效率，可为大米品质监管与信息追溯系统的设计和改进提供参考。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

43. 基于3C-YOLOv8n和深度相机的葡萄识别与定位方法 刘畅, 孙雨, 杨晶, 王凤超, 陈进 智慧农业(中英文)    2024, 6 (6): 121-131.   DOI: 10.12133/j.smartag.SA202407008 摘要 （262）   HTML （34）    PDF（pc） （2020KB）（583）    可视化    收藏 ［目的/意义］ 为了提高葡萄采摘效率、做到葡萄采摘自动化，提出了3C-YOLOv8n目标检测模型，与RealSense D415深度相机结合，对葡萄进行识别和定位。 ［方法］ 首先对YOLOv8n主干网络进行改进，将卷积块注意力模块（Convolutional Block Attention Module, CBAM）与原本的网络结构融合，使模块全面捕获特征中的关键信息。再嵌入坐标注意力（Coordinate Attention, CA），既可以对一个通道的特征进行全面捕获，又可以对不同方向的特征进行敏锐感知。然后，在YOLOv8n颈部将最近邻插值上采样算法替换为内容感知特征重组算法（Content-aware ReAssembly of Features, CARAFE），弥补YOLOv8n的原始上采样模块没有利用特征图语义信息的缺点，增大了感受野。最后转换相机坐标系，将目标葡萄的二维平面坐标和距离深度相机的垂直距离结合，得到目标葡萄的世界坐标，实现葡萄的识别和定位。 ［结果和讨论］ 经过对比试验和消融试验，3C-YOLOv8n模型在并交比为0.5（IOU=0.5）的平均精度均值（Mean Average Precision, mAP）达到94.3%，高于YOLOv8n模型1%，准确率（Precision, P）和召回率（Recall, R）分别为91.6%和86.4%，3种改进策略的结合使损失初始值降低，曲线收敛更快。与其他主流YOLO系列算法对比，3C-YOLOv8n各个评价指标都有所提升，且漏检率、错检率为所有算法中最低，在实际检测中具有很大的优势。 ［结论］ 基于3C-YOLOv8n网络模型和RealSense D415深度相机，对葡萄进行精准识别和定位，为采摘自动化提供了技术手段。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

44. 区块链背景下农产品零售市场价格博弈模型与竞争策略 薛冰, 孙传恒, 刘双印, 罗娜, 李金辉 智慧农业(中英文)    2024, 6 (4): 160-173.   DOI: 10.12133/j.smartag.SA202309027 摘要 （312）   HTML （21）    PDF（pc） （1265KB）（582）    可视化    收藏 [目的/意义] 区块链本质上是一个共享数据库，存储的数据是不可篡改、公开和透明的，应用在农产品供应链上可以提高产品透明度，吸引更多的消费者，但也会存在消费者隐私担忧问题。消费者的隐私担忧程度影响着农产品零售商对于是否售卖区块链溯源农产品的决策。通过研究区块链溯源对农产品零售商竞争策略、定价和最优决策的影响，零售商可以根据自己的市场情况制定市场竞争策略，提高自己的竞争力，优化农产品供应链。 [方法] 基于纳什均衡及Stackelberg博弈理论，建立初始农产品零售商与新进零售商的价格博弈模型，研究分析农产品零售商之间的竞争决策，利用区块链智能合约技术将博弈过程以及对应情况写入智能合约，保障合作博弈有效进行，将博弈结果上链来规范博弈双方的合作行为。 [结果和讨论] 消费者隐私担忧问题会影响农产品的价格和利润。此外，通过对两家农产品零售商均衡策略的研究，发现当消费者隐私担忧程度较低、信息透明度较高时，两家零售商才会同时售卖区块链溯源产品；消费者隐私担忧程度和信息透明度处于中等水平时，消费者对初始零售商的信任度更高，使其可以承担更高的隐私担忧成本，而新进零售商会被挤出市场。 [结论] 从利益层面上讲，区块链溯源农产品并不总是适用于零售商，结合自身实际条件才能做出最优的决策选择。良性的合作博弈才能使利益最大化，优化农产品供应链整体利益水平。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

45. 基于机器学习优化建模的GF-5影像土壤总氮量预测填图 刘丽琪, 魏广源, 周萍 智慧农业(中英文)    2024, 6 (5): 61-73.   DOI: 10.12133/j.smartag.SA202405011 摘要 （265）   HTML （39）    PDF（pc） （3325KB）（572）    可视化    收藏 【目的/意义】 大范围快速检测土壤养分并实现基于GF-5影像对土壤总氮量精准填图。 【方法】 基于实测土壤光谱和GF-5星载高光谱数据，引入偏最小二乘回归（Partial Least Squares Regression, PLSR）、反向神经网络（Back Propagation Neural Network, BPNN）和以核函数Poly为驱动支持向量机（Support Vector Machine, SVM）的机器学习算法，构建3种土壤总氮（Total Nitrogen, TN）反演模型，并以十折交叉验证方法确定各模型的最优解。采用多元散射校正（Multiple Scattering Correction, MSC）获取的波段特征值使模型表现更佳。 【结果和讨论】 MSC-Poly-SVM模型经测试集样本检验，其决定系数（R2）、均方根误差（Root Mean Squared Error, RMSE）和相对分析误差（Residual Prediction Deviation, RPD）分别是0.863、0.203和2.147。将该模型用于星载GF-5号影像数据进行土壤总氮含量的反演填图。由填图结果可见，黑龙江省富锦市建三江垦区86.1%的土地总氮量均在2.0 g/kg以上，土地氮含量以一等地块和二等地块为主，而三等地块和四等级地块仅占总面积的11.83%。研究区内土壤氮要素储备充足，总氮高背景值主要集中在中部靠近河流两岸、呈北东东向分布。本研究土壤总氮预测成图结果与前人1∶25万地球化学插值和航空高光谱影像（Compact Airborne Spectrographic Imager, CASI）和（Shortwave Infrared Airborne Spectrographic Imager, SASI）填图效果具有很好的一致性。 【结论】 研究表明星载GF-5高光谱数据在土壤全氮含量监测填图和可视化分析上具有极高的潜力，本研究提出方法可为今后大范围开展定量检测土壤养分状况以及合理施肥提供技术支撑。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

46. CSD-YOLOv8s：基于无人机图像的密集小目标羊只检测模型 翁智, 刘海鑫, 郑志强 智慧农业(中英文)    2024, 6 (4): 42-52.   DOI: 10.12133/j.smartag.SA202401004 摘要 （1269）   HTML （92）    PDF（pc） （1772KB）（538）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

47. 基于时空流特征融合的俯视视角下奶牛跛行自动检测方法 代昕, 王军号, 张翼, 王鑫杰, 李晏兴, 戴百生, 沈维政 智慧农业(中英文)    2024, 6 (4): 18-28.   DOI: 10.12133/j.smartag.SA202405025 摘要 （865）   HTML （31）    PDF（pc） （1828KB）（536）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

48. 基于改进SlowFast模型的设施黄瓜农事行为识别方法 何峰, 吴华瑞, 史扬明, 朱华吉 智慧农业(中英文)    2024, 6 (3): 118-127.   DOI: 10.12133/j.smartag.SA202402001 摘要 （348）   HTML （104）    PDF（pc） （1737KB）（450）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

49. 基于三维点云的小麦叶片曲面参数化重建方法 朱顺尧, 瞿宏俊, 夏倩, 郭维, 郭亚 智慧农业(中英文)    2025, 7 (1): 85-96.   DOI: 10.12133/j.smartag.SA202410004 摘要 （223）   HTML （30）    PDF（pc） （2475KB）（411）    可视化    收藏 【目的/意义】 植物叶形是植物结构形状的重要组成部分。叶片三维结构模型的建立有助于模拟和分析植物生长。针对三维结构表示与数学模型参数的互操作性，本研究提出了一套参数驱动的具有互操作性的小麦叶片点云反演模型。 【方法】 利用参数化建模技术，建立具有7个特征参数的小麦叶片参数化曲面模型。基于小麦叶片三维点云对模型参数进行反演估计，实现叶片曲面的逆向参数化构建。为验证该方法可靠性，使用Chamfer距离评估重建点云与原点云间差异度。 【结果和讨论】 该模型能有效地重建小麦叶片，对于实测数据基于点云的参数化重建结果的平均偏差约为1.2 mm，具有较高的精度。重构模型与点云具有互操作性，可以灵活调整模型参数，生成形状相近的叶簇。反演参数具有较高的可解释性，可用于点云时间序列的一致、连续地估计。 【结论】 该模型对叶片的一些细节特征进行了适度的简化，只需要少量的参数就可以还原叶片的几何形状。该方法不仅简单、直接、高效，而且得到的参数几何意义更明确，具有可编辑性和可解释性，对小麦叶片的模拟分析和数字孪生具有重要的应用价值。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

50. 基于无人机图像和改进LSC-CNN模型的密集苗木检测和计数方法 彭小丹, 陈锋军, 朱学岩, 才嘉伟, 顾梦梦 智慧农业(中英文)    2024, 6 (5): 88-97.   DOI: 10.12133/j.smartag.SA202404011 摘要 （323）   HTML （43）    PDF（pc） （2507KB）（372）    可视化    收藏 【目的/意义】 快速、准确地统计密集种植的苗木数量对苗木经营管理具有重要意义。为解决无人机航拍的密集种植苗木图像中苗木粘连、尺度差异大的问题，提出以点标签数据为监督信号的改进密集检测计数模型（Locate, Size and Count, LSC-CNN），同时实现苗木的检测和计数。 【方法】 改进的LSC-CNN模型通过将LSC-CNN模型特征提取网络的最后一层卷积替换为扩张卷积（Dilated Convolutions, DConv），实现在保留苗木细节特征的同时扩大感受野，帮助模型更好地理解上下文信息以区分粘连苗木。此外，在多个尺度分支前引入注意力机制（Convolutional Block Attention Module, CBAM）使模型聚焦于有助于苗木检测和计数的关键特征，以更好地适应不同尺度的苗木。为解决类别不平衡问题，提高模型的泛化能力，将损失函数替换为标签平滑交叉熵损失函数。 【结果和讨论】 经测试，改进LSC-CNN模型在456幅苗木图像的测试集上的平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）和平均计数准确率（Mean Counting Accurate, MCA）分别为14.24株、22.22株和91.23%，三项指标均优于IntegrateNet、PSGCNet、CANet、CSRNet、CLTR和LSC-CNN模型。 【结论】 改进LSC-CNN模型能够准确实现密集种植苗木的检测和计数，适用于多种树木的检测和计数工作。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

51. 油菜播种机除尘式播量监测系统设计与试验 李强, 余秋丽, 李浩鹏, 徐春保, 丁幼春 智慧农业(中英文)    2024, 6 (3): 107-117.   DOI: 10.12133/j.smartag.SA202401011 摘要 （300）   HTML （11）    PDF（pc） （1747KB）（354）    可视化    收藏 [目的/意义] 针对气送式油菜直播机作业过程中粉尘影响种子流检测性能、监测系统难以适应不同幅宽播种行数等问题，设计了一种油菜播种机除尘式播量监测系统。 [方法] 该监测系统由除尘式油菜种子流检测装置与播量监测终端构成，可通过改变检测装置数量适配不同幅宽播种机。根据粉尘影响种子流检测结构机制，设计了防尘除尘机构。该机构通过透明防尘板将光电感应器件与导种管隔开，粉尘只附着在透明防尘板靠近导种管一侧，同时利用步进电机-丝杆机构使透明防尘板与除尘布产生相互摩擦实现对透明防尘板除尘。通过分析与试验确定透明防尘板尺寸、除尘启动阈值等关键参数。 [结果和讨论] 检测装置对比台架试验表明，在平均排种频率12.4~36.3 Hz、平均粉尘流量252~386 mg/s下，无防尘除尘检测装置在两个除尘周期后检测准确率不高于80.2%；有防尘除尘检测装置在单个除尘周期内平均检测准确率不低于93.6%，检测装置不会将粉尘误计。播量监测台架试验表明，在平均排种频率不高于37.6 Hz时，播量监测准确率不低于92.2%。田间播种试验表明，在2.8~4.6 km/h的油菜直播机正常作业速度下，田间排种频率为14.8~31.1 Hz时，播量监测准确率不低于93.1%。 [结论] 该油菜播量监测系统为气送式油菜直播机作业中粉尘影响下种子流精准检测提供了有效支持，提高了对不同宽幅播种行数的适应性。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

52. 长江经济带智慧农场发展的时空特征及驱动因子研究 高群, 王宏杨, 陈诗瑶 智慧农业(中英文)    2024, 6 (6): 168-179.   DOI: 10.12133/j.smartag.SA202404005 摘要 （242）   HTML （29）    PDF（pc） （1099KB）（343）    可视化    收藏 ［目的/意义］ 为提炼区域智慧农业高质量发展的典范案例，并为国家智慧农业事业持续进步贡献策略，深入探究长江经济带智慧农场时空特征及关键驱动因子。 ［方法］ 基于2014—2023年11省（市）数据，用核密度分析、空间自相关及标准差椭圆方法全面剖析长江经济带智慧农场时空分异特征，并用地理探测器从7个维度考察关键因子及其交互作用。 ［结果和讨论］ 长江经济带智慧农场数量10年间稳步增长，2016年为重要转折点；空间布局呈分散集聚特征，以H-L型和L-H型集聚为主，分布省份略显繁杂；技术创新是时空分布格局形成的首要关键因素，因子解释度为0.311 1，与其他指标交互之后仍保持核心驱动地位。 ［结论］ 长江经济带智慧农场发展势头向好，子区域智慧农场的发展增速与水平呈“下游＞中游＞上游”的差异化特征；整体空间分布均衡，子区域分布均衡程度为“中游（湖北、湖南、江西3省均衡）＞下游（安徽主导）＞上游（四川，独占鳌头）”，智慧农场选址覆盖面持续扩张并形成“东北—西南”的横向扩散格局；时空分异格局形成是多因子综合作用的结果，因子解释力为：技术创新＞城镇化＞农业机械化＞人力资本＞互联网基础＞产业依赖＞专项财政支持，且因子交互作用时影响力会进一步得到强化。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

53. 基于ECMWF长时间序列再分析数据的县域冬小麦适宜播种期研究 刘睿萱, 张方照, 张继波, 李振海, 杨俊涛 智慧农业(中英文)    2024, 6 (5): 51-60.   DOI: 10.12133/j.smartag.SA202309019 摘要 （264）   HTML （20）    PDF（pc） （1500KB）（321）    可视化    收藏 【目的/意义】 在全球气候变暖的大背景下，准确确定冬小麦的适宜播种期对于提高小麦产量、保障国家粮食安全具有重要意义。本研究旨在对县级镇在气候变暖长时间序列影响下冬小麦适宜播种期进行分析。 【方法】 本研究以山东省齐河县为研究区域，基于1997—2022年的欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts, ECMWF）再分析数据，首先，采用温度阈值法确定稳定通过18、16、14和0 ℃终日的日期，并从不同小麦品种的适宜播种温度、不同日期播种至越冬前≥0 ℃的积温、适播期历年日平均气温等关键播期指标对冬小麦适宜播种期进行统计分析；其次，利用叶龄积温法对冬前壮苗所需合适积温的日期进行测算；最后，结合实际生产实践情况，确定气候变暖趋势下齐河县各乡镇冬小麦的适宜播种期。 【结果和讨论】 从小麦适宜播种温度、播种至小麦越冬停止生长0 ℃的积温等农业气象指标，以及考虑齐河县种植的冬小麦品种，得出齐河县冬小麦适宜播种期为10月3日—10月16日，最佳播种期为10月5日—10月13日。但具体年份的适播期还需要依据当年的具体情况灵活播种。 【结论】 研究结果证明了温度阈值法和叶龄积温法在确定冬小麦适宜播种期研究中的可行性，通过温度变化趋势可判断冷冬或暖冬，及时调整播种时间以提高小麦产量，减少温度过高或过低对冬小麦的影响。本研究不仅可以为齐河县冬小麦产量评估提供决策参考，还可以为科学安排农业生产提供重要的理论依据。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

54. 基于边缘计算和改进MobileNet v3的奶牛反刍行为实时监测方法 张宇, 李相廷, 孙雅琳, 薛爱迪, 张翼, 姜海龙, 沈维政 智慧农业(中英文)    2024, 6 (4): 29-41.   DOI: 10.12133/j.smartag.SA202405023 摘要 （945）   HTML （45）    PDF（pc） （1694KB）（307）    可视化    收藏 [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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

55. 基于多模态融合大模型架构Agri-QA Net的作物知识问答系统 吴华瑞, 赵春江, 李静晨 智慧农业(中英文)    2025, 7 (1): 1-10.   DOI: 10.12133/j.smartag.SA202411005 摘要 （334）   HTML （74）    PDF（pc） （1010KB）（288）    可视化    收藏 【目的/意义】 随着农业信息化和智能化的快速发展，多模态人机交互技术在农业领域的重要性日益凸显。本研究提出了一种基于多模态融合的大模型架构Agri-QA Net，旨在针对甘蓝作物的农业知识，设计多模态专业问答系统。 【方法】 该模型通过整合文本、音频和图片数据，利用预训练的BERT（Bidirectional Encoder Representations from Transformers）模型提取文本特征，声学模型提取音频特征，以及卷积神经网络提取图像特征，并采用基于Transformer的融合层来整合这些特征。此外，引入跨模态注意力机制和领域自适应技术，增强了模型对农业领域专业知识的理解和应用能力。本研究通过收集和预处理甘蓝种植相关的多模态数据，训练并优化了Agri-QA Net模型。 【结果和讨论】 实验评估表明，该模型在甘蓝农业知识问答任务上表现出色，相较于传统的单模态或简单多模态模型，具有更高的准确率和更好的泛化能力。在多模态输入的支持下，其准确率达到了89.5%，精确率为87.9%，召回率为91.3%，F1值为89.6%，均显著高于单一模态模型。 【结论】 案例研究展示了Agri-QA Net在实际农业场景中的应用效果，证明了其在帮助农民解决实际问题中的有效性。未来的工作将探索模型在更多农业场景中的应用，并进一步优化模型性能。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

56. 基于模糊逻辑控制的滑移转向底盘避障控制方法 李磊, 佘小明, 唐兴隆, 张涛, 董继伟, 古愉川, 周晓晖, 冯伟, 杨清慧 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202408003 预出版日期: 2024-12-27

Select

57. 基于大语言模型的个性化作物水肥管理智能决策方法 吴华瑞, 李静晨, 杨雨森 智慧农业(中英文)    2025, 7 (1): 11-19.   DOI: 10.12133/j.smartag.SA202410007 摘要 （329）   HTML （35）    PDF（pc） （1181KB）（244）    可视化    收藏 【目的/意义】 为解决当前作物管理中个性化需求难以捕捉、决策过程缺乏灵活性难题，本研究提出了一种基于大语言模型的个性化作物生产智能决策方法 【方法】 通过自然语言对话收集用户在蔬菜作物管理过程中的个性化需求，涵盖产量、人力资源消耗和水肥消耗等方面。随后，将作物管理过程建模为多目标优化问题，同时考虑用户个性化偏好和作物产量，并采用强化学习算法来学习作物管理策略。水肥管理策略的训练通过与环境的交互持续更新，学习在不同条件下采取何种行动以实现最优决策，从而实现个性化的作物管理。 【结果和讨论】 在gym-DSSAT（Gym-Decision Support System for Agrotechnology Transfer）仿真平台上进行的实验，结果表明，所提出的个性化作物生产智能决策方法能够有效地根据用户的个性化偏好调整作物管理策略。 【结论】 通过精准捕捉用户的个性化需求，该方法在保证作物产量的同时，优化了人力资源与水肥资源的消耗。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

58. 基于改进YOLOv8的苗期玉米行检测方法 李洪波, 田鑫, 阮志文, 刘少文, 任玮琪, 苏中滨, 高睿, 孔庆明 智慧农业(中英文)    2024, 6 (6): 72-84.   DOI: 10.12133/j.smartag.SA202408008 摘要 （381）   HTML （80）    PDF（pc） （3458KB）（236）    可视化    收藏 ［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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

59. 基于精准知识筛选及知识协同生成的农业大语言模型 姜京池, 闫莲, 刘劼 智慧农业(中英文)    2025, 7 (1): 20-32.   DOI: 10.12133/j.smartag.SA202410025 摘要 （200）   HTML （24）    PDF（pc） （2081KB）（213）    可视化    收藏 【目的/意义】 大语言模型（Large Language Models, LLMs）依托其强大的认知理解和内容生成能力，发展迅速，有望成为智慧农业领域一种全新的研究范式。然而，由于通用LLMs缺乏农业领域知识，对于专业性问题通常会产生事实性错误或信息不完备的回复。为提升大模型在农业领域的适应性，本研究提出了一种知识图谱引导的农业LLMs——KGLLM。 【方法】 该模型基于信息熵实现知识过滤，并在解码阶段显式利用知识图谱的语义信息约束其内容生成。具体而言，将输入问题中的关键实体链接到农业知识图谱，形成知识推理路径和问答依据。为保证此外源知识的有效性，进一步评估引入每条知识前后模型输出内容的熵差，对无法提升答案确定性的知识进行过滤。经筛选的知识路径将被用于调整词表概率，以增加与知识高度相关词的输出，实现知识图谱对LLMs的显式引导。 【结果和讨论】 本研究在5种主流的通用LLMs上实现了农业知识图谱引导技术，包括Baichuan、ChatGLM、Qwen等开源大模型，同时与最优的知识图谱检索增强生成技术进行了对比。实验结果表明，本研究提出的方法在内容流畅性、准确性、真实性和领域忠诚度方面都有显著提升，相较于GPT-4o，在Mean BLEU、ROUGE、BertScore上分别平均提升了2.592 3、2.815 1和9.84%。通过消融实验亦证明了知识引导的农业LLMs不仅实现了冗余知识过滤，而且在解码过程中可有效调整词表输出分布，有助于提升通用LLMs在农业领域的适应性及问答的可解释性。 【结论】 本研究为后续农业LLMs的构建提供了可借鉴思路，表明知识图谱引导的方法在提升模型的领域适应性和回答质量具有潜在的应用价值。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

60. 基于改进CycleGAN的水稻叶片病害图像增强方法 严从宽, 朱德泉, 孟凡凯, 杨玉青, 唐七星, 张爱芳, 廖娟 智慧农业(中英文)    2024, 6 (6): 96-108.   DOI: 10.12133/j.smartag.SA202407019 摘要 （273）   HTML （31）    PDF（pc） （1744KB）（205）    可视化    收藏 目的/意义 针对水稻病害图像识别任务存在数据集获取困难、样本不足及不同类别病害样本不均衡等问题，提出了一种基于改进CycleGAN（Cycle-Consistent Adversarial Networks）的水稻叶片病害图像数据增强方法。 方法 以CycleGAN为基本框架，将CBAM（Convolution Block Attention Module）注意力机制嵌入到生成器的残差模块中，增强CycleGAN对病害特征的提取能力，使网络更准确地捕捉小目标病害或域间差异不明显的特征；在损失函数中引入感知图像相似度损失，以指导模型在训练过程中生成高质量的样本图像，并提高模型训练的稳定性。基于生成的水稻病害样本，在不同目标检测模型上进行迁移训练，通过比较迁移学习前后模型性能的变化，验证生成的病害图像数据的有效性。 结果和讨论 改进的CycleGAN网络生成的水稻叶片病害图像质量优于原始CycleGAN，病斑区域的视觉特征更加明显，结构相似性（Structural Similarity, SSIM）指标提升约3.15%，峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）指标提升约8.19%。同时，使用YOLOv5s、YOLOv7-tiny和YOLOv8s这3种模型在生成的数据集上进行迁移学习后，模型的检测性能均有提升，如YOLOv5s模型的病害检测精度从79.7%提升至93.8%。 结论 本研究提出的方法有效解决了水稻病害图像数据集匮乏的问题，为水稻病害识别模型的训练提供了可靠的数据支撑。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

61. 基于改进YOLOv10n的轻量化番茄叶片病虫害检测方法 吴六爱, 许雪珂 智慧农业(中英文)    2025, 7 (1): 146-155.   DOI: 10.12133/j.smartag.SA202410023 摘要 （285）   HTML （62）    PDF（pc） （1834KB）（204）    可视化    收藏 【目的/意义】 为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题，提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS（You Only Look Once Version 10-YS）。 【方法】 首先，采用C2f_RepViTBlock模块替换主干网络的C2f，减少了模型的计算量和参数量。其次，加入带切片操作的注意力机制SimAM，结合原有卷积形成Conv_SWS模块，提升了小目标的特征提取能力。另外，在颈部网络中使用DySample轻量动态上采样模块，使采样点集中在目标区域而不会关注背景部分，实现病虫害的有效识别。最后，将跨通道交互的高效率通道注意力（Efficient Channel Attention with Cross-Channel Interaction, EMCA）替换主干网络的金字塔空间注意力机制（Pyramid Spatial Attention, PSA），进一步提高了主干网络的特征提取能力。 【结果与讨论】 实验结果显示，YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%，相较于原模型，这些指标分别提升了3.8、3.3和4.2个百分点。同时，模型在参数量和计算量上也实现了显著的优化，分别减少了13.8%和8.5%。 【结论】 这些改进不仅提升了模型的性能，还保持了其轻量化特性，对番茄叶片病虫害的检测具有重要参考价值。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

62. 基于实例白化与特征恢复的草莓病害识别领域泛化方法 胡晓波, 许桃胜, 王成军, 朱洪波, 甘雷 智慧农业(中英文)    2025, 7 (1): 124-135.   DOI: 10.12133/j.smartag.SA202411016 摘要 （153）   HTML （13）    PDF（pc） （1496KB）（200）    可视化    收藏 【目的/意义】 基于深度神经网络的草莓病害识别模型通常假设训练集（源域）和测试集（目标域）满足独立同分布。然而，在实际应用中由于光照、背景环境和草莓品种等多种因素的影响，测试集与训练集存在领域差异，造成模型在应用过程中的识别精度出现明显下降。针对这一问题，本研究提出一种基于实例白化与特征恢复的领域泛化方法，用于提升草莓病害识别模型的泛化性能。 【方法】 该方法首先利用实例白化技术消除源域和目标域间的风格差异，再从滤除的风格特征中提取任务相关特征，最后将任务相关特征恢复到白化后的特征中，以减轻实例白化对特征类别区分度的影响。为增强从风格特征中分离任务相关特征的效果，设计了两个特征提取器分别提取任务相关和任务无关特征，并采用双段恢复损失约束两特征提取器所提取特征与任务的相关性，引入互信息损失确保特征的相互独立，进一步增强特征分类效果。 【结果和讨论】 该方法可以在不降低源域识别精度的前提下，有效提升各病害识别模型在目标域上的泛化性能，如AlexNet加入该算法后，其不同风格目标域上的识别精度可分别提升3.97个百分点和2.79个百分点。相较于IBN-Net（Instance Batch Normalization Net）、可切换白化（Switchable Whitening, SW）、样式归一化和恢复模块（Style Normalization and Restitution, SNR）等其他领域泛化方法，该算法在测试数据集上的泛化性能可分别提高2.63%、2.35%和1.14%。 【结论】 本方法可有效提升基于深度学习的草莓病害识别模型在目标域中的泛化性能，可为草莓病害精准识别提供可靠的技术支撑。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

63. 人工智能驱动畜牧新质生产力高质量发展：制约因素、生成逻辑与推进路径 刘继芳, 周向阳, 李敏, 韩书庆, 郭雷风, 迟亮, 杨璐, 吴建寨 智慧农业(中英文)    2025, 7 (1): 165-177.   DOI: 10.12133/j.smartag.SA202407010 摘要 （1059）   HTML （15）    PDF（pc） （1692KB）（193）    可视化    收藏 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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

64. 无人智慧农场关键技术与构建模式——以“吨半粮”无人农场为例 刘力宁, 张洪奇, 章子文, 张正辉, 王甲玉, 李宣宣, 朱珂, 柳平增 智慧农业(中英文)    2025, 7 (1): 70-84.   DOI: 10.12133/j.smartag.SA202410033 摘要 （208）   HTML （27）    PDF（pc） （2674KB）（175）    可视化    收藏 【目的/意义】 无人智慧农场是智慧农业的重要实践模式。本研究以山东德州“吨半粮”无人智慧农场为实验场所，攻克大田智慧农场建设中的核心技术难题，探索其建设模式与服务机制。 【方法】 运用物联网技术，研发了智慧农场的立体感知网络，能够高效采集并汇聚传输环境、作物长势和设备状态等关键数据。借助数据分析挖掘技术，精准提取了小麦的物候期、麦穗特征等关键表型信息。进一步结合智能农机与智能决策技术，研发了集云管控平台、智能化设备及智能农机于一体的智能控制系统。此外，依托多源数据融合、分布式计算和地理信息系统（Geographic Information System, GIS）等技术，构建了农业生产全过程智能管控平台。 【结果和讨论】 “吨半粮”无人智慧农场感知系统不仅提高了数据传输质量，同时可以完成麦穗、物候期等表型特征的本地分析；智能控制系统可帮助农机提升自主作业精度和灌溉、施药效率、质量，通过农业设备的改造升级实现了农场耕作、种植、管理、收获的全链条智能化管控；大数据智慧服务平台为农户提供了气象预测、灾害预警、最佳播期等农事管理服务，极大地提高了农场管理的数字化、智能化水平。实验结果表明，自组网络数据准确率保持在85%以上，无人机施药可节药55%，灌溉模型可节水20%，“济南17”和“济麦44”分别增产10.18%和7%。 【结论】 研究结果可为智慧农场建设提供参考和借鉴。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

65. 基于迁移学习的农业短文本语义相似度计算方法 金宁, 郭宇峰, 韩晓东, 缪祎晟, 吴华瑞 智慧农业(中英文)    2025, 7 (1): 33-43.   DOI: 10.12133/j.smartag.SA202410026 摘要 （751）   HTML （10）    PDF（pc） （1239KB）（139）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

66. 基于Deep-Semi-NMF的苹果斑点落叶病检测方法 傅卓军, 胡政, 邓阳君, 龙陈锋, 朱幸辉 智慧农业(中英文)    2024, 6 (6): 144-154.   DOI: 10.12133/j.smartag.SA202409001 摘要 （278）   HTML （28）    PDF（pc） （1901KB）（137）    可视化    收藏 ［目的/意义］ 苹果斑点落叶病易导致苹果树叶过早脱落，从而影响苹果品质和产量。因此，如何准确检测此病一直是苹果树病害精准防治的热点问题。由于逆光等因素影响，传统基于图像分割的病斑检测方法难以在复杂背景下准确检测病斑区域边界，亟需发展苹果斑点落叶病检测新方法，助力苹果树病害精准防治。 ［方法］ 针对上述问题，本研究从图像异常检测的角度出发，考虑复杂背景干扰，采用深度半非负矩阵分解理论，结合鲁棒性好的马氏距离度量，提出一种新的深度半非负矩阵分解的马氏距离异常检测方法（Deep Semi-Non-Negative Matrix Factorization-Based Mahalanobis Distance-Anomaly Detector, DSNMFMAD）。该方法首先利用深度非负矩阵分解（Deep Semi-Non-Negative Matrix Factorization, DSNMF）提取图像中低秩的背景部分和稀疏的异常部分。然后采用基于奇异值分解特征子空间的马氏距离构建病斑检测器，检测器通过计算异常部分每个像元的异常度来标记病斑。最后，分别构建了实验室和自然条件下的两个苹果斑点落叶病数据集，用以验证提出方法的有效性。 ［结果和讨论］ DSNMFMAD在实验室条件和自然条件下对苹果斑点落叶病的识别准确率分别达到了99.8%和87.8%；平均检测速度为0.087和0.091 s/幅。相较于4种经典的异常检测方法和1种深度学习模型，本研究所提出方法的检测准确率在实验室条件下分别提高了0.2%、37.9%、10.3%、0.4%和24.5%；在自然条件下分别提高了2.5%、32.7%、5%、14.8%和3.5%。 ［结论］ 本研究提出的 DSNMFMAD能够通过DSNMF有效地将图像中的异常部分提取出来，并利用构建的病斑检测器准确地将苹果斑点落叶病位置检测出来。即使在复杂背景条件下，该方法亦获得了比对比方法更高的检测准确度，展现出了优异的病斑检测性能，为苹果斑点落叶病的检测与防治提供了技术参考依据。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

67. 基于YOLOv10-MHSA的三北工程内蒙古地区植树位点精准检测 谢纪元, 张东彦, 牛圳, 程涛, 苑峰, 刘亚玲 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202410010 预出版日期: 2025-01-24

Select

68. 多源场景下粘虫板小目标害虫轻量化检测识别模型 杨信廷, 胡焕, 陈晓, 李汶政, 周子洁, 李文勇 智慧农业(中英文)    2025, 7 (1): 111-123.   DOI: 10.12133/j.smartag.SA202410019 摘要 （171）   HTML （17）    PDF（pc） （2514KB）（123）    可视化    收藏 【目的/意义】 为了解决多源场景下粘虫板图像中粉虱和蓟马两种害虫由于个体小难以精确检测以及设备计算资源受限的问题，本研究基于YOLOv5s提出了一种名为MobileNetV4+VN-YOLOv5s的小目标图像轻量化检测识别模型。 【方法】 模型框架结合MobileNetV4主干网络构建EM模块，实现特征提取网络结构的优化和精度的提升；在模型颈部引入轻量化模块GSConv和VoV-GSCSP，替代普通卷积，降低模型复杂度；最后添加NWD（Normalized Wasserstein Distance）损失函数，用于增强小目标的判别敏感度与定位能力。 【结果和讨论】 所提出模型在室内场景下对小目标害虫的检测性能最佳，平均检测精度为82.5%，较原始模型YOLOv5s提升了8.4%；模型参数量降低了3.0 M，帧率提升了6.0帧/s；在室外场景下，所提出模型的平均精度为70.8%，较YOLOv5s提升了7.3个百分点，参数量降低了3.0 M，帧率提升了5.5帧/s；在混合场景下，模型的平均精度为74.7%，较YOLOv5s提升了8.0个百分点，参数量降低了3.0 M，帧率提升了4.3帧/s。同时研究发现，对原始图像进行裁剪分割能够影响模型性能，在采用5×5的比率对原图进行分割下模型的检测识别性能最佳；利用室内场景数据训练的模型能够在所有场景下都获得最佳的检测性能。 【结论】 本研究提出的MobileNetV4+VN-YOLOv5s模型兼顾轻量化和精度，模型可部署到嵌入式设备，便于落地应用，可为各种多源场景下粘虫板图像中小目标害虫检测提供参考。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

69. 农产品市场监测预警深度学习智能预测方法 许世卫, 李乾川, 栾汝朋, 庄家煜, 刘佳佳, 熊露 智慧农业(中英文)    2025, 7 (1): 57-69.   DOI: 10.12133/j.smartag.SA202411004 摘要 （198）   HTML （16）    PDF（pc） （1936KB）（105）    可视化    收藏 【目的/意义】 农产品供给、消费和价格的变化直接影响市场监测和预警。随着中国农业生产方式和市场体系的转型，数据获取技术的进步使得农业数据呈现爆炸式增长。然而，农产品多品种的联动监测和预测仍面临数据复杂、模型狭窄、应变能力弱等挑战。因此，亟需构建适应中国农业数据特点的深度学习模型，以提升农产品市场的监测与预警能力，推动精准决策和应急响应。 【方法】 本研究应用深度学习方法，从中国多维农业数据资源实际出发，创新提出了一套不同监测预警对象条件下深度学习综合预测方法，构建了生成对抗与残差网络协同生产量模型（Generative Adversarial Network and Residual Network, GAN-ResNet）、变分自编码器岭回归消费预测模型（Variational Autoencoder and Ridge Regression, VAE-Ridge）、自适应变换器价格预测模型（Adaptive-Transformer）。为适应实际需求，研究在CAMES中采用“离线计算与可视化分离”策略，模型推理离线完成，平衡了计算复杂度与实时预警需求。 【结果和讨论】 深度学习综合预测方法在玉米单产、生猪消费量和番茄市场价格的预测上，均表现出显著的精度提升。GAN-ResNet生产量预测模型进行县级尺度玉米单产预测的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）为6.58%，运用VAE-Ridge模型分析生猪消费量的MAPE为6.28%，运用Adaptive-Transformer模型预测番茄价格的MAPE为2.25%。 【结论】 该研究提出的深度学习综合预测方法，具有较先进的单品种、多场景、宽条件下的农产品市场监测预警分析能力，并在处理不同区域多维数据、多品种替代、市场季节性波动等分析方面显示出优良的指标性能，可为中国农产品市场监测预警提供一套新的有效分析方法。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

70. 基于双维信息与剪枝的中文猕猴桃文本命名实体识别方法 齐梓均, 牛当当, 吴华瑞, 张礼麟, 王仑峰, 张宏鸣 智慧农业(中英文)    2025, 7 (1): 44-56.   DOI: 10.12133/j.smartag.SA202410022 摘要 （612）   HTML （5）    PDF（pc） （1225KB）（104）    可视化    收藏 【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。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

71. 基于GCN-BiGRU-STMHSA的农业干旱预测研究 权家璐, 陈雯柏, 王一群, 程佳璟, 刘亦隆 智慧农业(中英文)    2025, 7 (1): 156-164.   DOI: 10.12133/j.smartag.SA202410027 摘要 （152）   HTML （15）    PDF（pc） （1086KB）（84）    可视化    收藏 【目的/意义】 农业干旱对中国农业生产发展具有消极影响，甚至威胁到粮食安全。为了降低灾害损失，保障中国的作物产量，根据标准化土壤湿度指数（Standardized Soil Moisture Index, SSMI）对农业干旱进行准确预测和等级分类具有重要意义。 【方法】 基于遥感数据，采用深度学习相关模型实现了农业干旱预测。首先，考虑了农业干旱的空间特点，提出了一种结合图神经网络、双向门控循环单元（Bi-Directional Gated Recurrent Unit, BiGRU）和多头自注意力机制的农业干旱预测模型GCN-BiGRU-STMHSA（Graph Convolutional Networks-Bidirectional Gated Recurrent Unit-Spatio-Temporal Multi-Head Self-Attention）。其次，使用日尺度的SSMI作为农业干旱指标。最后，根据搭建的GCN-BiGRU-STMHSA模型实现对SSMI的精准预测和分类。采用全球陆地数据同化系统2.1（Global Land Data Assimilation System-2.1, GLDAS-2.1）为数据集，在该数据集上训练GCN-BiGRU-STMHSA模型，以预测SSMI值并进行农业干旱等级分类。并与经典深度学习模型进行了比较。 【结果和讨论】 实验结果表明，GCN-BiGRU-STMHSA模型结果优于其他模型。在5个研究地点中，固始县数据集上误差最小，预测10天后的SSMI时，其平均绝对误差（Mean Absolute Error, MAE）为0.053、均方根误差（Root Mean Square Error, RMSE）为0.071、决定系数（Coefficient of Determination, R2）为0.880，准确率（Accuracy, ACC）为0.925，调和平均值（ F1）为0.924。预测步长越短，预测的效果越好，当预测步长为28天时，模型预测干旱分类表现依然良好。 【结论】 该模型在农业干旱预测和分类任务中具有更高的精度和更好的泛化能力。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

72. 基于深度网络集成的复杂背景甘蔗叶片病害识别 马巍巍, 陈悦, 王咏梅 智慧农业(中英文)    2025, 7 (1): 136-145.   DOI: 10.12133/j.smartag.SA202411026 摘要 （148）   HTML （24）    PDF（pc） （1385KB）（80）    可视化    收藏 【目的/意义】 农作物病害图像的随机性和复杂性仍给病害识别带来诸多挑战。针对自然条件下甘蔗叶片病害识别难题，本研究提出XEffDa模型。 【方法】 该模型利用色调、饱和度、亮度（Hue-Saturation-Value, HSV）颜色空间的图像分割与边缘处理技术去除背景干扰，根据特征融合策略，集成高效网络 B0 版本（Efficient Network B0, EfficientNetB0）、深度可分离卷积网络（Extreme Inception, Xception）和密集连接卷积网络201 （Dense Convolutional Network 201, DenseNet201）作为特征提取器，采用预训练权重，通过贝叶斯优化确定顶层超参数，改进弹性网络（ElasticNet）正则化方法并加入随机失活（Dropout）层，以双重机制遏制过拟合现象。在甘蔗叶片病害数据集上训练并完成分类任务。 【结果和讨论】 模型集成后的识别准确率为97.62%，对比EfficientNetB0、Xception单模型及EfficientNetB0与其他深度网络结合模型识别准确率分别提高了9.96、6.04、8.09、4.19、1.78个百分点。融合实验进一步表明，加入改进ElasticNet正则化后的网络较主干网络其准确率、精确度、召回率及F1值分别提高了3.76、3.76、3.67及3.72个百分点。最大概率散点图结果显示预测最大概率值不低于0.5的比例高达99.4%。 【结论】 XEffDa模型具有更好的鲁棒性和泛化能力，能为农作物叶片病害精准防治提供参考。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

73. 基于多模态数据表型特征提取的番茄生长高度预测方法 宫宇, 王玲, 赵荣强, 尤海波, 周沫, 刘劼 智慧农业(中英文)    2025, 7 (1): 97-110.   DOI: 10.12133/j.smartag.SA202410032 摘要 （164）   HTML （30）    PDF（pc） （1307KB）（79）    可视化    收藏 【目的/意义】 准确预测番茄的生长高度对优化智能农业中的生产环境至关重要。然而，目前的预测方法大多依赖于经验模型、机制模型或基于学习的模型，这些模型主要利用图像数据或环境数据，未能充分利用多模态数据，无法全面捕捉植物生长的各个方面。 【方法】 为了解决这一限制，本研究提出了一种基于深度学习算法的两阶段表型特征提取（Phenotypic Feature Extraction, PFE）模型，该模型结合了番茄植物的环境信息和植物本身的信息，提供了对生长过程的全面理解。PFE模型采用表型特征和时间特征提取器，综合捕捉两类特征，从而深入理解番茄植物与环境之间的相互作用，最终实现对生长高度的高精度预测。 【结果和讨论】 实验结果表明，该模型具有显著效果：在基于过去五天数据预测接下来的两天时，PFE-RNN（Phenotypic Feature Extraction with Recurrent Neural Network）模型和PFE-LSTM（Phenotypic Feature Extraction with Long Short-Term Memory）模型的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）分别为0.81%和0.40%，显著低于大语言模型（Large language model, LLM）模型的8.00%和基于Transformer的模型的6.72%。在较长期预测中，PFE-RNN模型在10天预测4天后和30天预测12天后的表现持续优于其他两个基准模型，MAPE分别为2.66%和14.05%。 【结论】 所提出的基于表型-时间协同的预测方法展示了其在智能化、数据驱动的番茄种植管理中的巨大潜力，是提升智能番茄种植管理效率和精准度的一种有前景的方法。 图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

74. 基于混合注意力生成对抗网络的遥感图像去雾研究 马六, 毛克彪, 郭中华 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202410011 预出版日期: 2025-01-24

Select

75. Chilli-YOLO：基于改进YOLOv10的露地辣椒成熟度智能检测算法 司超国, 刘梦晨, 吴华瑞, 缪祎晟, 赵春江 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202411002 预出版日期: 2025-03-24

Select

76. 基于图像和三维点云融合的休眠期高纺锤形苹果树剪枝点定位方法 刘龙, 王宁, 王嘉成, 曹宇恒, 张凯, 康峰, 王亚雄 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202501022 预出版日期: 2025-04-08

Select

77. 面向干旱条件下的冬小麦估产HLM模型改进研究 赵培钦, 刘长斌, 郑婕, 孟炀, 梅新, 陶婷, 赵倩, 梅广源, 杨小冬 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202408009 预出版日期: 2025-01-24

Select

78. 专题导读：农业知识智能服务和智慧无人农场（上） 智慧农业(中英文)    2024, 6 (6): 0-0.   摘要 （238）      可视化    收藏 相关文章 | 多维度评价 | 评论（0）

Select

79. 基于双意图建模和知识图谱扩散的水稻品种选育推荐方法 乔磊, 陈雷, 袁媛 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202412025 预出版日期: 2025-03-03

Select

80. 黄河流域山东段土地利用冲突时空格局与多情景模拟研究 董光龙, 尹海洋, 姚荣岩, 原晨朝, 曲成闯, 田原, 贾敏 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202409007 预出版日期: 2025-04-14

Select

81. 四川省粮食生产时空演变格局及影响因素分析 郑玲, 马千然, 江涛, 刘晓敬, 牟珈慧, 王灿辉, 蓝羽 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202411013 预出版日期: 2025-03-18

Select

82. 本期导读 智慧农业(中英文)    2024, 6 (5): 0-0.   摘要 （33）      可视化    收藏 相关文章 | 多维度评价 | 评论（0）

Select

83. 知识图谱驱动下粮食生产大数据应用现状与展望 杨晨雪, 李娴, 周清波 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202501004 预出版日期: 2025-04-25

Select

84. 农业知识智能服务和智慧无人农场（下） 智慧农业(中英文)    2025, 7 (1): 0-1.   摘要 （99）      可视化    收藏 相关文章 | 多维度评价 | 评论（0）

Select

85. 水稻生产遥感监测与智慧决策研究进展 赵柄婷, 华传海, 叶晨洋, 熊育春, 钱涛, 程涛, 姚霞, 郑恒彪, 朱艳, 曹卫星, 江冲亚 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202501002 预出版日期: 2025-04-29

Select

86. 专题导读：丘陵山区智慧农业技术与机械 智慧农业(中英文)    2024, 6 (3): 0-0.   摘要 （17）      可视化    收藏 相关文章 | 多维度评价 | 评论（0）

Select

87. 专题导读：智慧畜牧技术创新与可持续发展 智慧农业(中英文)    2024, 6 (4): 0-0.   摘要 （24）      可视化    收藏 相关文章 | 多维度评价 | 评论（0）

Select

88. 基于TVDI结合ICEEMDAN-ARIMA模型的干旱区灌区农业旱情监测 韦余鑫, 李巧, 陶洪飞, 卢春雷, 罗旭, 马合木江·艾合买提, 姜有为 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202502005 预出版日期: 2025-04-30

Select

89. 旋转包络梳脱式烟叶采收机构设计与试验 王潇涵, 冉云亮, 葛朝, 郭婷, 刘艺豪, 陈度, 王书茂 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202501020 预出版日期: 2025-04-24

Select

90. 基于Sentinel 1/2和GEE的水稻种植面积提取方法——以杭嘉湖平原为例 鄂海林, 周德成, 李坤 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202502003 预出版日期: 2025-04-29

Select

91. 激光除草机器人关键技术与展望 余忠义, 王洪宇, 何雄奎, 赵磊, 王媛媛, 孙海 智慧农业(中英文)    DOI: 10.12133/j.smartag.SA202410031 预出版日期: 2025-04-29