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 土壤中氮、钾元素在作物生长和农业生产过程中具有关键作用。快速定量检测土壤中氮、钾含量对指导精确施肥具有重要意义。因此，建立一种快速可靠的土壤氮、钾含量检测方法十分必要。 方法 本研究建立一种基于聚二甲基硅氧烷（Polydimethylsiloxane, PDMS）微流控芯片电泳和电容耦合非接触电导检测（Capacitively Coupled Contactless Conductivity Detection, C4D）方法，快速定量检测土壤中氮、钾养分离子。通过微流控电泳芯片实现对土壤中多种离子快速分离，利用C4D进行电导率变化的精准测量。基于检测器工作频率输出响应特性，激励电压响应特性和电泳电压，确定最佳分离和检测性能。 结果和讨论 该方法对钾离子（K+）、铵根离子（NH4+）和硝酸根离子（NO3‒）标准溶液的检测限（S/N=3）分别为0.5、0.1和0.4 mg/L。K+、NH4+和NO3‒在0.5~40.0 mg/L范围内具有良好的线性关系，线性相关系数（R2）分别为0.994、0.997和0.990，表明该方法可以对土壤中氮、钾养分离子进行定量分析。同时，采用峰高、峰面积和出峰时间作为评价指标进行可重复性实验，其相对标准偏差（Relative Standard Deviation, RSD）均小于4.4%，说明该方法具有良好的重复性。此外，对土壤样品进行测试，K+和NH4+可实现完全分离以及同步检测，其检测效率明显提高。通过标准加入法进行回收率实验，回收率保持在81.74%~127.76%。 结论 本研究为土壤氮钾养分离子的快速检测提供了一种简便、高效的方法。
目的/意义 土壤中含水率直接影响农作物生长状态和产量。开发出一种可靠、高效的土壤湿度传感器对实施农田科学灌溉具有重要指导意义。 方法 本研究提出一种基于微加工工艺制备的二硫化钼电容式土壤湿度传感器，通过叉指电极上同一平面上的金电极阵列实现数个电容并联，表面修饰二硫化钼作为敏感层实现对土壤湿度的测量。通过计算及使用COMSOL Multiphysics多物理场仿真软件研究电极参数对电容敏感度的影响，最终确定电极参数使用10 μm间距、75对叉指。 结果和讨论 在保证测量精度的前提下，大大缩小了传感器的体积，可以实现土壤湿度的原位动态监测。在室温下相对湿度值从11%变化到96%时，电容式土壤湿度传感器在200 Hz频率下的电容输出为12.13 pf~187.42 nF；当土壤含水量由8.66%增加到42.75%时，传感器的电容输出在200 Hz频率下由119.51 nF增长到377.98 nF，显示出较高的湿度灵敏度及较宽的敏感范围。 结论 本研究提出的土壤水分传感器有望实现原位长期监测电容式土壤传感器的电容变化，从而监测土壤湿度的变化。
目的/意义 电容耦合非接触式电导检测（Capacitively Coupled Contactless Conductivity Detection, C4D）在农业土壤养分离子检测方面发挥着重要作用。对C4D信号中离子特征峰的有效识别，有利于后续对离子特征峰的定性和定量分析，为加强农业土壤养分管理提供依据。然而，C4D信号的特征峰检测仍然存在无法自动精准识别、人工操作复杂、效率低等缺点。 方法 提出一种基于连续小波变换结合粒子群优化（Particle Swarm Optimization, PSO）和最大类间方差法（Otsu）的谱峰自动识别算法，旨在实现准确、高效、自动化的C4D信号峰识别。采用C4D检测样品溶液，得到离子谱图信号，对谱图信号进行连续小波变换，得到小波变换系数矩阵。通过搜索小波系数变换系数矩阵极值，识别出脊线和谷线。将小波系数矩阵转换为灰度图像，结合PSO和Otsu寻找最佳阈值，进一步对灰度图像的背景和目标分割，再结合原始谱图中的脊谷线识别谱图中的特征峰。［结果与讨论］测试含有41、61和102个峰的数据集，以受试者工作特性（Receiver Operating Characteristic, ROC）曲线和度量值作为评估峰值检测算法性能的准则。与其他方法相比，基于连续小波变换结合粒子群优化的最大类间方差法分割图像（Continuous Wavelet Transform Combined with Particle Swarm Optimization of Otsu to Segment Image, CWTSPSO）的谱峰自动识别算法的ROC曲线均保持在0.9以上，度量值分别为0.976、0.915和0.969。CWTSPSO能够有效检测出更多弱峰和重叠峰，同时检测出更少的假峰，有利于提升C4D信号的谱峰识别率和精准性。 结论 本研究提出的CWTSPSO能为非接触式电导检测农业土壤养分离子信号分析提供有力支持。
目的/意义 农作物长势监测能及时提供农作物的生长状态信息，对于加强中国作物生产管理、确保国家粮食安全具有重要的意义。卫星遥感技术的发展为大面积的作物长势监测提供了契机。然而，在雨热同期的作物生长旺季，光学遥感数据的获取经常受到天气的限制。因此，近年微波雷达遥感技术受到了广泛重视。［进展］梳理了利用合成孔径雷达（Synthetic Aperture Radar, SAR）数据进行农作物长势监测的国内外研究现状，从农作物长势SAR遥感监测指标、农作物长势SAR遥感监测数据和农作物长势SAR遥感监测方法3个方面对基于SAR数据农作物长势监测研究进展与标志性成果进行总结。在分析常用于农作物长势监测的方法及其适用性的基础上，对它们在长势监测中应用情况进行分析。［结论/展望］提出了4个国内外SAR监测农作物长势所存在的问题：1）基于SAR数据的农作物长势监测方法研究整体较少；2）微波散射特征挖掘不够，特别是对极化分解参数的长势监测应用研究还有待深入；3）针对农作物长势监测中的雷达植被指数相对较少，其应用尚未得到充分发挥；4）基于SAR散射强度的农作物长势监测主要采用经验模型，难以推广到不同地区和类型的农作物上。最后，展望未来的研究应聚焦于挖掘微波散射特征、利用SAR极化分解参数、发展和优化雷达植被指数以及深化散射模型来监测农作物长势。
目的/意义 植株光合表型研究在把握植株生理特性和解析植株形态结构上起着至关重要的作用，通过传统叶绿素荧光成像方法难以对植株光合作用三维空间异质性进行分析。为提高植株表型检测效率，满足高通量植株光合表型分析需求，本研究构建了一套经济实用、融合三维结构光和叶绿素荧光的植株光合表型成像系统。 方法 提出了一种自动化植株图像采集并建立植株可视化模型的方法，并进行图像分析获取植株光合效率信息。通过搭建结合叶绿素荧光激发的结构光条纹投影装置，先用LED（Light-Emitting Diode）白光与蓝光分别照射植株样本，再用投影仪对植株样本投射相移条纹，电动滤光轮配合相机同步采集不同光照条件下特定波段的植株图像；通过数字图像处理获取植株三维图像和对应的叶绿素荧光图像，并分析植株的三维形态结构及光合效率，将植株叶绿素荧光图像逐像素渲染到其三维结构上，便可推测出植株光合在三维空间中分布情况。 结果和讨论 该方法及系统能够高效多样化采集植株图像，快速重构出植株三维形态，其整体重建准确率可达到96.69%，整体误差仅为3.31%，重构时间仅需1.11 s，同时能够满足植株光合效率评估需求。 结论 该研究可为植株高通量光合表型异质性分析提供技术支持。
目的/意义 植物激素的调控对于作物生长至关重要。油菜素内酯作为一种重要的植物内源激素，在作物的生长发育、产量提高以及抗逆性增强等方面扮演着举足轻重的角色。传统的油菜素内酯检测方法不仅繁琐耗时，而且难以实现原位、快速检测。为了突破这一技术瓶颈，本研究提出了一种利用丝网印刷（Screen-printed electrode, SPE）电极构建的电化学免疫传感器，旨在实现对油菜素内酯的快速、准确检测。 方法 首先利用电化学工作站电沉积金纳米颗粒（AuNPs）将其固定在SPE电极表面，然后在电极上滴加氯化铜纳米线（CuCl2 NWs），氯化铜纳米线不仅可以提高电极的导电性，其中Cu2+还可以作为传感器的氧化还原探针。最后选择Mxene和聚多巴胺纳米复合材料（Mxene@PDA）作为SPE电极的修饰材料，因为Mxene具有表面积大和导电性好的优点，可以进一步放大Cu2+的信号。但Mxene在空气中很容易被氧化而不稳定。聚多巴胺（Polydopamine, PDA）含有大量的邻苯二酚和氨基等基团，通过多巴胺自聚合后包覆在Mxene的表面，切断氧渗透的路径，使Mxene难以被氧化。Mxene@PDA还可以作为偶联剂在电极表面固定更多的抗体，提高整体的生物相容性。 结果和讨论 传感器具有较宽的线性检测范围：0.1 pg/ml~1 mg/ml，检出限低至0.015 pg/ml （S/N=3）。此外，通过SPE电极对小麦内源的油菜素内酯含量进行离体检测和后续的加标实验，计算出其回收率为98.13%~104.74%。在验证该传感器准确性的同时，也展示了其优越的稳定和灵敏性。与其他油菜素内酯的检测方法相比，本研究中开发的免疫传感器有更加出色的分析性能。除此之外，在对小麦叶片的油菜素内酯的原位检测中，传感器也表现出了极佳的实际应用潜力。 结论 本研究首次研制了用于原位检测油菜素内酯的电化学免疫传感器，不仅为原位检测植物叶片中的油菜素内酯提供了良好的电化学平台，同时在精准农业中具有巨大的应用潜力。
目的/意义 可见-近红外光谱可对小麦霉变情况快速无损检测，但是高分辨率光谱仪价格高、体积大，不利于在农业环境中推广，因此通过对低分辨率光谱数据进行优化处理，以期接近高分辨率光谱仪分辨霉变小麦的效果。 方法 使用可见-近红外农产品检测仪（型号VNIAPD，分辨率1.6 nm）和复享光纤光谱仪（型号SINO2040，分辨率0.19 nm）采集100份小麦样本的新鲜状态以及不同霉变状态的光谱数据。首先对SINO2040光谱进行裁剪，让其和VNIAPD波长保持一致，均为640~1 050 nm；然后对其使用标准差标准化（Standard Deviation Normalization, SDN）、标准正态变换（Standard Normal Variation, SNV）、均值中心化（Mean Centrality, MC）、一阶导数（First-order Derivatives, 1ST）、Savitzky-Golay平滑（Savitzky-Golay Smoothing, SG）、多元散射校正（Multiple Scattering Correction, MSC）等多种预处理方法处理并使用离群点检测算法（Local Outlier Factor, LOF）筛选出离群点并剔除；其次使用连续投影算法（Sequential Projection Algorithm, SPA）和最小绝对收缩和选择算法（Least Absolute Shrinkage and Selection Operator, LASSO）对预处理后的光谱进行特征波长提取；最后分别采用K近邻算法（K-Nearest Neighbor, KNN）、支持向量机（Support Vector Machine, SVM）、随机森林（Random Forests, RF）和朴素贝叶斯（Naïve-Bayes）、后向传播神经网络（Back Propagation Neural Network, BPNN）、深度神经网络（Deep Neural Networks, DNN）6种算法对特征波长光谱进行建模分析，从而分辨霉变小麦以及区分霉变程度。 结果和讨论 BPNN、DNN两种神经网络模型的测试集准确率均可达到100%，但是建模时间长，模型内存大；而KNN、SVM、RF和Naïve-Bayes浅层模型的测试集准确率为93.18%~100%，建模速度快、模型内存小。本研究光谱仪VNIAPD在光学参数（光学分辨率1.6 nm）低于SINO2040的光学参数（光学分辨率0.19 nm）且成本更低的情况下，检测准确率到达同一水平。 结论 本研究通过对比光谱数据的不同预处理方法从而找出了对应算法的最佳数据优化选择，使低分辨率光谱仪VNIAPD检测霉变小麦性能可以追平高分辨率光谱仪SINO2040，为基于可见-近红外光谱的小麦霉变低成本无损检测提供了新选择。
目的/意义 为满足目前市场上对农产品农药残留的快速灵敏检测需求，报道一种基于柠檬汁还原制备银纳米粒子（AgNPs）的方法。 方法 首先将新鲜柠檬汁经滤纸过滤，稀释成2%的柠檬汁水溶液，再配制一定浓度的AgNO3溶液、50 mM的NaOH溶液，放置室温保存。然后在室温下，将10 mL的ddH2O、2 mL的NaOH、2 mL的2%柠檬汁和5 mL的AgNO3溶液混合，待溶液颜色变为澄清的黄色时，溶液离心即可获得AgNPs。 结果和讨论 该方法制备的AgNPs，其颗粒形貌大小基本均一，约为20 nm，具有很好的表面增强拉曼散射（Surface Enhancement of Raman Scattering, SERS）增强效应，即良好的SERS信号稳定性，较强的SERS增强性能。该胶体中AgNPs分散较均匀，并且具有较长时间储存的稳定性，因此可用于微量农残检测。柠檬汁中主要还原成分抗坏血酸、葡萄糖和果糖，其含量分别为395.76 μg/mL、5.95 mg/mL和5.90 mg/mL。将柠檬汁还原法制备的AgNPs用于果蔬表面农残检测，对于百草枯、多菌灵的检出限分别最低至3.90 ng/kg及0.22 µg/kg。 结论 这项工作为果蔬农残快检提供了一种绿色、便捷的SERS材料制备方法，为实现农产品农药残留的快速、灵敏检测提供一种新的途径。
目的/意义 青贮机作业时，田间遗落的铁丝等铁磁性金属异物如果混入其喂入系统，将会对青贮机的关键零部件和牲畜脏器造成严重损伤。为了确保青贮机在田间作业时能准确、高效地检测出金属异物，本研究开发了一套性能优良的金属探测系统。 方法 首先分析了青贮机金属检测原理，然后对平面螺旋线圈与圆柱线圈进行了仿真计算，选择平面螺旋线圈作为研究对象，通过使用非支配排序遗传算法（Nondominated Sorting Genetic Algorithm-II, NSGA-II）结合有限元仿真分析的方式，确定了线圈的线径、内径、外径、层数以及频率，并对弯曲线圈与未弯曲线圈以及阵列线圈进行了仿真计算。最后进行了系统集成，搭建了青贮机模拟试验台进行了模拟试验。 结果和讨论 仿真分析结果显示，平面螺旋线圈磁通密度模变化范围明显大于圆柱线圈，且其电感灵敏度、电阻灵敏度和被测物涡流损耗要明显高于圆柱线圈；另一方面，平面线圈弯曲后电感灵敏度、电阻灵敏度大幅度提高，有利于增强探测线圈的响应度。通过模拟台架试验，验证了该金属探测系统在探测距离小于70 mm，对直径0.6 mm、长度20 mm铁丝报警率达到100%，且经过计算，系统响应时间为0.105 0 s，小于安全运输时间，系统可以在金属物到达切碎系统前及时停止。 结论 本研究设计出了一套青贮机金属异物探测系统，提出了一套金属探测线圈的优化方法，并开发了相应的金属探测软硬件系统，通过试验验证了金属探测系统的功能，为青贮机安全运行提供了有力技术支撑。
目的/意义 农业场景下的知识服务具有周期性长、活动时间长的特点。传统推荐模型无法有效挖掘农业场景下的基于农时的隐藏信息。针对上述问题，提出一种融合时间感知和增强过滤的农业知识个性化推荐模型（Time-aware and Filter-enhanced Sequential Recommendation Model for Agriculture Knowledge, TiFSA）。 方法 首先，基于时间感知的位置嵌入方法，将农户交互的时间信息与位置嵌入相结合，帮助学习农业情境下基于农时的项目相关性。其次，在时间感知位置嵌入的基础上，引入滤波器过滤算法，自适应地衰减农户情境数据中的噪声。最后，引入时间信息的多头自注意力网络，实现对时间、项目和特征的统一建模，对农户随时间变化的偏好特征进行情境表示，从而为用户提供可靠的推荐结果。 结果和讨论 根据“全国农业知识智能服务云平台”中的用户交互序列数据集进行实验。结果表明，该模型在农业数据集上的命中率为45.79%，归一化折损累计增益为53.52%；与近几年性能最佳的模型Ti-SASRec相比分别提升16.19%和14.02%。 结论 该模型能够有效捕获农业领域的用户情境特征和建模农户的动态偏好，具有更好的推荐性能。
目的/意义 胡麻种子的周长、面积、长短轴和千粒重是胡麻考种过程中常用的参数，对于胡麻的育种、栽培，以及种子品质和性状的评估都具有重要的意义。 方法 针对胡麻种子自动化考种时出现的数据统计错误率高、效率低等问题，基于机器视觉研究胡麻种子的轮廓特点、探索形态特征的测量方法，针对籽粒重叠现象提出基于融合角点特征的轮廓拟合图像分割方法，设计胡麻种子自动化考种数据实时分析系统，最终实现胡麻种子自动化考种的研究。本研究在工业相机获取的胡麻种子图像上进行试验。 结果和讨论 提出的自动化考种方法对不同品种胡麻种子的统计识别准确率达97.28%，百粒种子平均处理时长69.58 ms，相较于极限腐蚀算法、基于距离变换的分水岭算法，平均计算准确率比极限腐蚀算法提升19.6%，平均运算时间低于直接使用分水岭算法所需时间。 结论 自动化考种方法具有更好的计算准确率和处理速度，能够更准确地批量获取胡麻种子的形态学特征参数，使测量误差能够保持在10%以内，可为今后胡麻考种相关工作提供技术支撑，助力相关产业发展。
目的/意义 针对小麦叶片病虫害在自然环境下形态和颜色特征较为复杂、区分度较低等特点，提出一种高质量高效的病虫害检测模型，即YOLOv8⁃SS（You Only Look Once Version 8-SS），为病虫害的预防与科学化治理提供准确的依据。 方法 基于YOLOv8算法，采用改进的轻量级卷积神经网络ShuffleNet V2作为主干网络提取图像特征即YOLOv8-S，在保持检测精度的同时，减少模型的参数数量和计算负载；在此基础上增加小目标检测层和注意力机制SEnet（Squeeze and Excitation Network），对YOLOv8-S进行改进，在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度，提出YOLOv8-SS小麦叶片病虫害检测模型。［结果与讨论］ YOLOv8-SS模型在实验数据集上的平均识别精度和检测准确率分别达89.41%和91.00%，对比原模型分别提高10.11%和7.42%。因此，本研究所提出的方法可显著提高农作物病虫害的检测鲁棒性，并增强模型对小目标图像特征的提取能力，从而高效准确地进行病虫害的检测和识别。 结论 本研究使用的方法具有广泛适用性，可应用于大规模农作物病虫害检测的实际场景中。
［目的/意义］ 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] 作物农艺性状与形态结构表型智能识别是作物智慧育种的主要内容，是研究“基因型—环境型—表型”相互作用关系的基础，对现代作物育种具有重要意义。［进展］ 大规模、高通量作物表型获取设备是作物表型获取、分析、测量、识别等的基础和重要手段。本文介绍了高通量作物表型主流平台和感知成像设备的功能、性能以及应用场景。分析了作物株高获取、作物器官检测与技术等农艺性状智能识别和作物株型识别、作物形态信息测量以及作物三维重建等形态结构智能识别技术的研究进展及挑战。［结论/展望］从研制新型低成本田间智能作物表型获取与分析装备、提升作物表型获取田间环境的标准化与一致性水平、强化田间作物表型智能识别模型的通用性，研究多视角、多模态、多点连续分析与时空特征融合的作物表型识别方法，以及提高模型解释性等方面，展望了作物表型技术主要发展方向。
[目的/意义] 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] 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] 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] 对虾病害严重危害对虾养殖业。针对对虾病害发病快、死亡率高等特点，高密度的工厂化养殖等模式需要一种高效率对虾发病检测方法替代传统人工检查方法，实现对虾发病的及时预警。 [方法] 提出一种基于改进YOLOv8（You Only Look Once）和多元特征的对虾发病检测方法。首先利用改进YOLOv8网络从对虾夜间水面红外图像中进行前景提取，再利用Farneback光流法和灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）提取对虾视频片段的运动特征与图像纹理特征，利用提取到的特征参数构建训练数据集，训练支持向量机（Support Vector Machine，SVM）作为分类器用于检测对虾视频片段，实现对正常与发病的对虾视频片段的检测分类。 [结果和讨论] 训练好的SVM分类器在300个测试样本上的表现为检测准确率平均值为83%，检测效果达到设计要求。检测误差主要是将发病片段错误地检测为正常片段。该误差主要受水面对虾数量和视频影响。 [结论] 本研究实现了对对虾发病的检测，提供了一种基于计算机视觉的检测方法。但受条件限制，仅在工厂化养殖环境下进行了实验，尚不能适用于多种养殖环境，仍有改进空间。
[目的/意义] 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] 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] 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] 借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析，将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计，提高甘蓝移栽后的成活率以及制定后续工作方案，减少人力和物力的浪费，研究一种自然环境下高效识别甘蓝移栽状态的算法。 [方法] 采集移栽后的甘蓝图像，利用数据增强方式对数据进行处理，输入YOLOv8s（You Only Look Once Version 8s）算法中进行识别，通过结合可变形卷积，提高算法特征提取和目标定位能力，捕获更多有用的目标信息，提高对目标的识别效果；通过嵌入多尺度注意力机制，降低背景因素干扰，增加算法对目标区域的关注，提高模型对不同尺寸的甘蓝的检测能力，降低漏检率；通过引入Focal-EIoU Loss（Focal Extended Intersection over Union Loss），优化算法定位精度，提高算法的收敛速度和定位精度。 [结果和讨论] 提出的算法经过测试，对甘蓝移栽状态的召回率R值和平均精度均值（Mean Average Precision，mAP）分别达到92.2%和96.2%，传输速率为146帧/s，可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。 [结论] 提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别，可以提升移栽质量测量效率，减少时间和人力投入，提高大田移栽质量调查的自动化程度。
[目的/意义] 针对当前玫瑰鲜切花分级仍依赖人工进行简单分级，造成效率低、准确率低等问题，提出一种新的模型Flower-YOLOv8s来实现玫瑰鲜切花的分级检测。 [方法] 以单一背景下单支玫瑰花的花头作为检测目标，将鲜切花分为A、B、C、D四个等级，对YOLOv8s（You Only Look Once version 8 small）模型进行了优化改进。首先，构建了一个全新的玫瑰鲜切花分级检测数据集。其次，在YOLOv8s的骨干网络分别添加CBAM（Convolutional Block Attention Module）和SAM（Spatial Attion Module）两个注意力机制模块进行对比实验；选择SAM模块并对其进一步优化，针对模型轻量化需求，再结合深度可分离卷积模块一起添加到C2f结构中，形成Flower-YOLOv8s模型。 [结果和讨论] 从实验结果来看YOLOv8s添加SAM的模型具有更高的检测精度，mAP@0.5达到86.4%。Flower-YOLOv8s相较于基线模型精确率提高了2.1%，达到97.4%，平均精度均值（mAP）提高了0.7%，同时降低了模型参数和计算量，分别降低2.26 M和4.45 MB；最后使用相同的数据集和预处理方法与Fast-RCNN、Faster-RCNN、SSD、YOLOv3、YOLOv5s和YOLOv8s进行对比实验，证明所提出的实验方法综合强于其他经典YOLO模型。 [结论] 提出的基于改进YOLOv8s的玫瑰鲜切花分级方法研究能有效提升玫瑰鲜切花分级检测的精准度，为玫瑰鲜切花分级检测技术提供一定的参考价值。
[目的/意义] 传统的小麦倒伏检测方法需要人工进行田间观测和记录，这种方法存在主观、效率低、劳动强度大等问题，难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上得到应用，但普遍局限于对小麦单一发育阶段的倒伏识别，而倒伏可能发生在小麦生长的各个时期，不同时期倒伏特征变化复杂，这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。 [方法] 用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像，通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former，该模型在Mask2Former的基础上加以改进，引入分层交互式特征金字塔网络（Hierarchical Interactive Feature Pyramid Network, HI-FPN ），用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。 [结果和讨论] 所提出的Lodging2Former模型相较于现存的多种主流算法，如Mask R-CNN （Mask Region-Based Convolutional Neural Network）、SOLOv2（Segmenting Objects by Locations, Version 2）以及Mask2Former，在平均精度均值（mean Average Precision, mAP）上展现出显著优势。在阈值分别为0.5、0.75以及0.5~0.95的条件下，模型的mAP值分别达到了79.5%、40.2%和43.4%，相比Mask2Former模型，mAP性能提升了1.3%~4.3%。 [结论] 提出的HI-FPN网络可以有效利用图像中的上下文语义和细节信息，通过提取丰富的多尺度特征，增强了模型对小麦在不同生长阶段倒伏区域的检测能力，证实了HI-FPN在多生育期小麦倒伏检测中的应用潜力和价值。
[目的/意义] 为探究并表达环境因素对黄花各器官生长发育、形态结构和产量的影响，提出一种基于源库关系的黄花植株三维动态生长及产量模拟模型。 [方法] 以大同地区黄花主要栽培种植品种大同黄花为研究材料，采集黄花叶片、花葶、花蕾等形态数据和叶片光合生理参数，利用功能-结构植物模型（Functional-Structural Plant Model，FSPM）平台的三维建模技术，建立基于云量的室外地表太阳辐射模型及适配黄花的光合作用模型，同时基于黄花源库关系建立黄花光合产物碳分配模型，利用β生长函数构建黄花各器官生长模拟模型，计算黄花生长期内逐日形态数据，最终实现黄花植株三维动态生长及产量模拟。 [结果和讨论] 采用实测数据对模型进行检验。结果显示，室外地表太阳辐射实测值和模拟值R2为0.87；剩余标准差（Root Mean Squared Error，RMSE）为28.52 W/m2，黄花各器官模拟模型实测值和预测值R2为0.896~0.984，RMSE为1.4~17.7 cm；平均花蕾产量模拟R2为0.880，RMSE为0.5 g；整体F值为82.244~1 168.533，Sig.值均小于显著水平0.05，表明上述模型拟合度和显著性较好。 [结论] 模型能够准确地表现黄花植株在3个主要生长时期的生长规律和形态特征，模拟结果与实际情况相符合，表现出较高的可信度。因此，本模型具有理想的模拟效果，足以满足精细农业领域的研究需求。
[目的/意义] 丘陵山区的机械化、智能化是未来农机行业研究和发展的热点。中国丘陵山区耕地面积占比超过50%，且面临坡陡路窄、地块碎小、地形地貌复杂等多种环境因素制约，各生产环节存在“无机可用，无好机用”的现实问题，并且缺乏适合丘陵山区大坡度农机装备研发的理论支撑。［进展］ 综述了国内外丘陵山地拖拉机调平及防翻系统的研究现状。其中拖拉机车身调平技术平行四杆与液压差高式结构简单，折腰扭腰式更适合连续起伏的崎岖路面，重心可调与全向调平式坡地牵引性与适应性均较好；驾驶室及座椅调平技术基于角度传感器自适应控制，关键在于缓解驾驶疲劳提高舒适度；车身与农具姿态协同控制技术大都采用PID控制技术实现协同控制，但缺乏作业效果反馈机制；拖拉机防翻保护装置与预警技术在防翻保护架的基础上，通过环境模拟感知提前预判翻车危险信号并及时反馈。［结论/展望］未来丘陵山地拖拉机调平、防翻预警及无人化、自动化技术的发展方向：1）结构优化、灵敏度高、稳定性好的山地拖拉机调平系统研究；2）坡地适应性好的农机具仿形系统研究；3）环境感知、自动干涉的防翻预警技术研究；4）农机精准导航技术、智能化监测技术和农机作业远程调度与管理技术研究；5）坡地纵向稳定性理论研究。以期为研发符合中国丘陵山地复杂作业环境的高可靠性、高安全性山地拖拉机提供借鉴参考。
[目的/意义] 土壤是农业基本的生产资料，其质量与农业高效生产和可持续发展密切相关。由于以往对农田的高强度利用以及土壤侵蚀等原因，导致部分农田出现土壤有机质明显下降、地力减弱和生态功能退化等现象。土壤理化参数作为揭示土壤空间特征、评估土壤肥力的关键指标，对农田可持续利用起着至关重要的作用。因此，土壤理化参数信息的快速获取极为必要。［进展］探讨了农田土壤理化参数获取技术的研究意义，总结了当前用于农田土壤理化参数信息获取的主要技术，包括以电化学分析和光谱分析为主的实验室快速检验技术，以电磁感应、探地雷达、多光谱、高光谱和热红外为主的近地快速感知技术，以直接反演法、间接反演法和结合分析法为主的卫星遥感技术，以及近年的新型快速获取技术，如生物传感、环境磁学、太赫兹光谱和伽马能谱等，梳理了各方法的优缺点及适用情况。［结论/展望］结合农田环境的作业需求，依据未来研究的侧重方向提出发展建议，包括开发便携化、智能化和经济型的近地土壤信息获取系统及设备，实现土壤信息的原位快速检测。优化低空土壤信息获取平台的性能，完善数据的解译方法；联合多因素构建卫星遥感反演模型，利用多种共享开放的云计算平台实现数据的深度挖掘。深入探索多源数据融合在土壤理化参数信息获取中的研究与应用，构建泛化能力强、可靠性高的土壤信息感知算法和模型等，从而实现土壤理化参数信息快速、精准和智能化获取。
[目的/意义] 耕地识别是农业遥感的重要应用领域之一，但现阶段深度学习等人工智能方法在中国西南丘陵区遥感识别的研究应用深度仍然不够，识别精度有待提升。 [方法] 为了快速、精确地获取耕地面积、分布等信息，基于高分辨率的高分六号（GF-6）遥感影像，运用UNet++、DeeplabV3+、UNet与PSPNet等新型深度学习模型对四川省绵阳市三台县耕地信息进行识别，并对各深度学习模型、传统机器学习方法——随机森林法及新型土地覆盖产品SinoLC-1的识别精度进行对比分析，以期深入探索深度学习方法在地物遥感识别领域的应用前景。 [结果和讨论] 深度学习模型在F1分数、整体精度（Overall Accuracy, OA）、Kappa系数等精度评价指标的表现上，相比于传统机器学习方法和新型土地覆盖产品均有显著提升，精度提升幅度分别可达20%和50%；其中添加了密集跳跃连接技术的UNet++模型的识别效果最好，其F1分数、交并比（Intersection over Union, IoU）、平均交并比（Mean Intersection over Union, MIoU）、OA 值和 Kappa系数值分别为0.92、85.93%、81.93%、90.60%和0.80。应用UNet++模型对2种由仅光谱特征以及光谱+地形特征两种不同特征构建的影像进行耕地提取，光谱+地形特征模型的IoU、OA和Kappa 3个指标比仅光谱特征模型分别提高了0.98%、1.10%和0.01。 [结论] 深度学习技术在应用于高分辨率遥感影像中的耕地识别方面展现出显著的实用价值，融合光谱和地形特征可以实现信息互补，能进一步改善耕地的识别效果。本研究可为相关部门更好地管理和利用耕地资源、推动农业可持续发展提供技术支撑。
[目的与意义] 梯田作为农业生产的关键要素之一，其面积估算对于农业政策制定、土地规划和资源管理至关重要。为解决复杂的地形条件、种植环境导致传统遥感数据和监测方法难以开展梯田自动化提取问题，探索一种利用深度学习技术在高分辨率遥感影像中精准提取梯田面积的方法。 [方法] 以休耕期梯田高分六号影像构建语义分割数据集，同时提出一种改进的DeepLab v3+模型。该模型使用轻量级网络MobileNet v2作为骨干网络，为了同时兼顾局部细节和全局语境，使用多尺度特征融合（Multi-scale Feature Fusion module, MSFF）模块代替空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块，利用扩张率依次增大的空洞卷积级联模式改善信息丢失的问题。此外，对浅层特征和深层特征使用坐标注意力机制以加强网络对于目标的学习。［结果与讨论］ 利用红、绿和近红外波段组合方式在梯田提取的精度和效果上表现最佳。相比于原始DeepLab v3+网络，精确率、召回率、F1评分和交并比指标分别提升4.62%、2.61%、3.81%和2.81%。此外，与UNet和原始DeepLab v3+相比，改进的DeepLab v3+在参数量上和浮点运算数有着更为优越的性能，其参数量仅为UNet的28.6%和原始DeepLab v3+的19.5%，同时浮点运算数仅为UNet和DeepLab v3+的1/5。这不仅提高了计算效率，也使得改进后的模型更适用于资源有限或计算能力较低的环境中。 [结论] 深度学习在高分辨率遥感影像梯田识别中具有较高的精度，有利于为梯田精细化监测和管理提供参考依据。
[目的/意义] 丘陵山区农田宜机化整治会改变耕地景观格局、高程、坡度、微地貌等，评价其生态风险为后续整治工作提供数据参考具有重要意义。本研究的目的为评价丘陵山区农田宜机化整治对耕地生态风险的改变情况以及探究生态风险与耕地坡度之间的关系。 [方法] 以重庆市潼南区20个县为评价单元，基于2010年和2020年土地利用数据，采用ArcGIS 10.8和Excel软件计算景观格局指数，通过熵权法确定各指数的权重并构建生态风险评价模型，揭示生态风险时序空间变化特征；基于数理统计原理，对生态风险与坡度进行相关性分析，探究生态风险与坡度的关系。 [结果和讨论] 2010年和2020年两个时期，干扰度指数由0.97下降为0.94，耕地整体抗干扰能力增强；脆弱度指数由2.96增加为3.20，耕地结构更加脆弱；生态风险值由3.10下降为3.01，耕地生态安全性提高。两个时期生态风险区域主要以低风险区和较低风险区为主，低风险区面积增加6.44%，较低风险区面积增加6.17%，中风险区面积增加24.4%，较高风险区面积减少60.70%，高风险区面积增加16.30%，耕地生态安全区域相对增加。耕地坡度主要以2°~25°为主，耕地坡度小于15°时坡度面积占比与生态风险值呈负相关，耕地坡度大于15°时坡度面积占比与生态风险值呈正相关关系，坡度处于5°~8°、15°~25°、25°以上时坡度面积与生态风险值呈极显著相关。农田宜机化整治应重点关注潼南区南部区域，并集中于耕地坡度处于5°~8°和15°~25°区域。 [结论] 通过评价潼南区农田宜机化整治前后耕地生态风险并分析生态风险与耕地坡度的相关性，表明农田宜机化整治可以降低耕地生态风险，耕地坡度面积占比可作为精准指导农田宜机化整治的重要依据，潼南区宜机化整治工作应重点关注耕地坡度处于5°~8°和15°~25°区域。
[目的/意义] 农机装备尺寸大、行驶慢等特点，在路面归库作业过程中容易造成严重道路拥堵。因此，在多机协同过程中，编队行驶被认为是未来道路上行驶的主要方式。然而，目前农机自动驾驶技术停留在单机阶段，多农机之间的协同仍是制约中国农业规模化自主生产的主要瓶颈。为解决多车编队协同控制中通信延时的问题及其补偿策略，本研究基于一种模型预测控制器（Model Predictive Control, MPC）延时补偿器的农机多机编队行驶的轨迹跟踪方法。 [方法] 以车联网技术为基础，聚焦多农机编队协同控制领域，针对控制器局域网总线（Controller Area Network, CAN）通信存在的延时问题而产生的横向控制精度差，基于线性二次调节器（Linear Quadratic Regulator, LQR）与MPC算法，设计了一种带有延时补偿的模型预测控制器，用于对通信延时进行补偿控制。最后对所提算法利用Carsim和Simulink软件进行联合仿真。 [结果和讨论] Carsim与MATLAB/Simulink可以有效兼容，实现软件与外部求解器的联合仿真。当延时步长d=5时，应用延时补偿，MPC反应速度更快，表现更为平滑；速度误差曲线响应更快，且能够逐渐稳定至零误差，没有出现振荡现象；1号车在较短时间内有效地变更车道，与头车保持在同一车道上。在更长的延时步长d=10情况下，未应用延时补偿的控制器表现出更显著的性能下降。即使在较高的延时条件下，应用延时补偿的MPC速度误差和纵向加速度仍然能够快速响应并逐渐稳定至零误差，避免了振荡现象。1号车的轨迹表明，延时补偿机制效果在极端延时条件下有所下降。 [结论] 本研究所设计的编队算法能够使得多车完成多车变道形成队列并保持一定距离和一定速度。通信延时补偿控制算法使得带有加入延时的车辆能较好完成编队任务，实现稳定的横纵向控制，验证了本研究带有延时补偿的模型预测控制器的可行性。
[目的/意义] 传统路径跟踪模型预测控制（Model Predictive Control, MPC）大多采用固定时域，较少考虑道路弯曲和曲率变化的影响，使得机器人在曲线路径作业过程中的跟踪效果和适应性都较差。因此，设计了一种自适应时域MPC控制器并使其满足自主割草等复杂作业要求。 [方法] 首先，根据割草机器人的速度确定前方参考路径的预瞄区域，并计算预瞄区域内的参考路径曲度因子和曲度变化因子，分别用于描述曲率和曲率变化大小。然后，将二者作为模糊控制器的输入信息，用于自适应调节MPC的预测时域，同时，根据预测时域及曲度变化因子调整控制时域，以增强控制器对路径弯曲变化的适应性并降低计算资源。此外，设计一种MPC事件触发执行机制，进一步提升MPC的实时性。 [结果和讨论] 与固定时域的MPC进行对比试验，自适应时域MPC控制器的最大横向误差绝对值和最大航向误差绝对值分别控制在11 cm和0.13 rad以内，其平均求解时间比最大时域MPC减少10.9 ms。 [结论] 自适应时域MPC不仅能够保证割草机器人对曲线路径的跟踪精度，同时降低了MPC求解计算量并提高了控制实时性，解决了固定时域MPC的控制精度与计算量之间的矛盾。
[目的/意义] 精准可靠的定位技术是智能农业机器人开展自主导航作业的重要前提，而常用的全球卫星导航系统（Global Navigation Satellite System, GNSS）定位方法在农业环境中容易受到树木遮挡、电磁干扰等因素影响，因而，提出一种基于三维激光雷达（Light Detection and Ranging, LiDAR）与惯性测量单元（Inertial Measurement Unit, IMU）信息融合的农业机器人定位方法。 [方法] 首先，利用基于角度的聚类方法对激光雷达点云数据进行信息处理，并与三维正态分布变换（3D Normal Distribution Transform, 3D-NDT）定位算法相结合，在先验点云地图信息基础上实现基于激光雷达的实时定位；其次，为了克服单传感器定位方法的局限性，利用扩展卡尔曼滤波（Extended Kalman Filter, EKF）算法对激光雷达定位信息与IMU里程计信息进行融合，进一步提升农业机器人的定位精度。最后，分别在机器人操作系统（Robot Operating System, ROS）的Gazebo仿真环境中，以及真实作业场景中进行实验，验证提出的定位算法的有效性。 [结果和讨论] 融合定位方法在仿真环境中的纵向和横向平均定位误差分别为1.7和1.8 cm，而在实验中的纵向和横向平均定位误差分别为3.3和3.3 cm，均小于传统3D-NDT定位算法的定位误差。 [结论] 提出的融合定位方法能够满足农业机器人在弱GNSS环境下自主作业的定位要求，为农业机器人提供了一种新的定位方法。
[目的/意义] 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。
[目的/意义] 农事行为活动识别对设施蔬菜生产精准化调控有着重要意义，在一定程度上可以通过查看农事操作的时间、操作过程是否合理来减少因农事行为不当导致产量下降。为了解决农事行为识别方法中由于黄瓜叶片和设施遮挡导致识别准确率不高的问题，提出一种名为SlowFast-SMC-ECA（SlowFast-Spatio-Temporal Excitation、Channel Excitation、Motion Excitation-Efficient Channel Attention）的农事活动行为识别算法。 [方法] 该算法主要基于SlowFast模型，通过改进Fast Pathway和Slow Pathway中的网络结构来提高对于农事活动中手部动作特征和关键特征的提取能力。在Fast Pathway中，引入多路径激励残差网络的概念，通过在信道之间插入卷积操作来增强它们在时域上的相互关联性，从而更好地捕捉快速运动信息的细微时间变化。在Slow Pathway中，将传统的Residual Block替换为ECA-Res结构，以提高对通道信息的捕获能力。这两项改进有效地加强了通道之间的联系，提升了特征之间的语义信息传递，进而显著提升了农事行为识别的准确率。此外，为了解决数据集中类别不均衡的问题，设计了平衡损失函数（Smoothing Loss），通过引入正则化系数，平衡损失函数可以有效地处理数据集中的类别不均衡情况，提高模型在各个类别上的表现。 [结果和讨论] 改进的SlowFast-SMC-ECA模型在农事行为识别中表现出良好的性能，各类行为的平均识别精度达到80.47%，相较于原始的SlowFast模型有约3.5%的提升。 [结论] 本研究在农事行为识别中展现出良好的性能。这对农业生产的智能化管理和决策具有重要意义。
[目的/意义] 叶球是结球甘蓝的重要部分，其生长发育对田间管理至关重要。针对叶球分割识别存在大田背景复杂、光照不均匀和叶片纹理相似等问题，提出一种语义分割算法UperNet-ESA，旨在能快速、准确地分割田间场景中结球甘蓝的外叶和叶球，以实现田间结球甘蓝的智能化管理。 [方法] 首先，采用统一感知解析网络（Unified Perceptual Parsing Network, UperNet）作为高效语义分割框架，将主干网络改为先进的ConvNeXt，使得模型在提升分割精度的同时也能具有较低的模型复杂度；其次，利用高效通道注意力机制（Efficient Channel Attention, ECA）融入特征提取网络的各阶段，进一步捕捉图像的细节信息；最后，通过将特征选择模块（Feature Selection Model, FSM）和特征对齐模块（Feature Alignment Model, FAM）集成到特征金字塔框架中，得到更为精确的目标边界预测结果。 [结果和讨论] 在自制结球甘蓝图像数据集上进行实验，与目前主流的UNet、PSPNet和DeeplabV3+语义分割模型相比，改进UperNet方法的平均交并比为92.45%，平均像素准确率为94.32%，推理速度为16.6 f/s，能够达到最佳精度-速度平衡效果。 [结论] 研究成果可为结球甘蓝生长智能化监测提供理论参考，对甘蓝产业发展具有重要的应用前景。
[目的/意义] 炭疽病（anthracnose）作为油茶生长过程中重要的病害，其严重程度的精准判定对于精准施药和科学管理具有重大意义。本研究提出了一种改进YOLACT（You Only Look At CoefficienTs）分级模型Camellia-YOLACT，旨在实现对油茶叶片炭疽病感染严重程度的自动、高效判定。 [方法] 首先在YOLACT主干网络部分使用Swin-Transformer来进行特征提取。Transformer架构的自注意力机制拥有全局感受野及移位窗口等特性，有效地增强了模型的特征提取能力；引入加权双向特征金字塔网络，融合不同尺度的特征信息，加强模型对不同尺度目标的检测能力，提高模型的检测精度；在激活函数的选择上，采用非线性能力更强的HardSwish激活函数替换原模型的ReLu激活函数。由于HardSwish在负值区域不是完全截断，对于输入数据中的噪声具有更高的鲁棒性，自然环境下的图像有着复杂的背景和前景信息，HardSwish的鲁棒性有助于模型更好地处理这些情况，进一步提升精度。 [结果和讨论] 采用迁移学习方式在油茶炭疽病感染严重程度分级数据集上进行实验验证。消融实验结果表明，本研究提出的Camellia-YOLACT模型的mAP75为86.8%，较改进前提升5.7%；mAPall为78.3%，较改进前提升2.5%；mAR为91.6%，较改进前提升7.9%。对比实验结果表明，Camellia-YOLACT在精度和速度方面表现均好于SOLO（Segmenting Objects by Locations），与Mask R-CNN算法相比，其检测速度提升了2倍。在室外的36组分级实验中进一步验证了Camellia-YOLACT模型的性能，其对油茶炭疽病严重程度的分级正确率达到了94.4%，K值平均绝对误差为1.09%。 [结论] 本研究提出的Camellia-YOLACT模型在油茶叶片和炭疽病病斑分割上具有较高的精度，能够实现对油茶炭疽病严重程度的自动分级，为油茶病害的精准防治提供技术支持，进一步推动油茶炭疽病诊断的自动化和智能化。
[目的/意义] 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。
