為發(fā)展智慧農(nóng)業(yè)，國(guó)家在資金、科研、政策等方面都投入不少力量，尤其是科技、科研方面，中國(guó)農(nóng)業(yè)大學(xué)、山東科技大學(xué)、北京市農(nóng)林科學(xué)院、瓦赫寧根大學(xué)等國(guó)內(nèi)外高校，紛紛展開(kāi)了跨學(xué)科、跨專業(yè)的聯(lián)合研究，在大田作物智慧種植方面取得了一定進(jìn)展，內(nèi)容包含大田無(wú)人農(nóng)場(chǎng)、玉米籽粒檢測(cè)與計(jì)數(shù)、玉米-大豆條帶間、土壤鹽分機(jī)器學(xué)習(xí)等。

一、基于多種深度學(xué)習(xí)算法的田間玉米籽粒檢測(cè)與計(jì)數(shù)

參與機(jī)構(gòu)：中國(guó)農(nóng)業(yè)大學(xué)智慧農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室、中國(guó)農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息獲取技術(shù)重點(diǎn)實(shí)驗(yàn)室、北達(dá)科他州州立大學(xué)農(nóng)業(yè)與生物工程系、韓國(guó)江原大學(xué)生物系統(tǒng)工程系、韓國(guó)江原大學(xué)

為快速準(zhǔn)確獲取玉米收獲過(guò)程中遺失籽粒數(shù)信息，進(jìn)行收割損失調(diào)節(jié)等管理，對(duì)比不同目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)田間玉米籽粒計(jì)數(shù)的性能。該團(tuán)隊(duì)利用RGB相機(jī)獲取數(shù)據(jù)集，構(gòu)建籽粒識(shí)別的不同目標(biāo)檢測(cè)網(wǎng)絡(luò)，進(jìn)行訓(xùn)練、驗(yàn)證、測(cè)試，依據(jù)測(cè)試集圖像的識(shí)別結(jié)果進(jìn)行籽粒計(jì)數(shù)性能評(píng)價(jià)。

結(jié)果表明，YOLOv5-L網(wǎng)絡(luò)對(duì)測(cè)試集圖像檢測(cè)的平均精度、模型尺寸、;籽粒計(jì)數(shù)的檢測(cè)正確率、漏檢率、F1值、處理速度、識(shí)別與計(jì)數(shù)等性能優(yōu)于其他三種網(wǎng)絡(luò)，并對(duì)具有不同地表遮擋程度和籽粒聚集狀態(tài)的圖像具有較強(qiáng)的魯棒性，可實(shí)現(xiàn)實(shí)際作業(yè)中玉米收獲損失籽粒的實(shí)時(shí)監(jiān)測(cè)，精度高、適用性強(qiáng)。

二、基于植物功能-結(jié)構(gòu)模型的玉米-大豆條帶間作光截獲行間差異研究

參與機(jī)構(gòu)：中國(guó)農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院、浙江省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)裝備研究所、瓦赫寧根大學(xué)作物系統(tǒng)分析中心、新西蘭植物和食品研究所馬爾堡研究中心

針對(duì)間作種植中作物生長(zhǎng)、表型和光截獲的行間差異，解析條帶間作生產(chǎn)力的行間差異，該團(tuán)隊(duì)研究基于田間觀測(cè)數(shù)據(jù)構(gòu)建植物功能-結(jié)構(gòu)模型，量化間作系統(tǒng)中光截獲的行間差異，并于2017—2018年開(kāi)展了間作田間試驗(yàn)。

田間試驗(yàn)結(jié)果表明，間作種植顯著增加了玉米節(jié)間直徑。受玉米遮陰影響，大豆節(jié)間變長(zhǎng)、變細(xì)，且隨大豆條帶變窄差異越明顯。基于三維FSPM，未來(lái)可進(jìn)行不同生長(zhǎng)環(huán)境下間作種植模式等的布局優(yōu)化，以達(dá)到最佳系統(tǒng)光截獲優(yōu)勢(shì)。

三、基于地物高光譜和無(wú)人機(jī)多光譜的黃河三角洲土壤鹽分機(jī)器學(xué)習(xí)反演模型

參與機(jī)構(gòu)：山東科技大學(xué)測(cè)繪與空間信息學(xué)院、濱州學(xué)院山東省黃河三角洲生態(tài)環(huán)境重點(diǎn)實(shí)驗(yàn)室、青島農(nóng)業(yè)大學(xué)農(nóng)學(xué)院

針對(duì)黃河三角洲地區(qū)土壤鹽漬化問(wèn)題，該團(tuán)隊(duì)探索無(wú)人機(jī)影像在地表無(wú)植被覆蓋條件下的土壤鹽分含量反演狀況，獲取地物高光譜和無(wú)人機(jī)多光譜兩種數(shù)據(jù)源與樣點(diǎn)土壤鹽分含量，通過(guò)優(yōu)選敏感光譜參量，使用偏最小二乘回歸和隨機(jī)森林兩種機(jī)器學(xué)習(xí)算法建立土壤鹽分含量反演模型，實(shí)現(xiàn)研究區(qū)的土壤鹽分含量反演。

本研究構(gòu)建并對(duì)比了兩種不同源數(shù)據(jù)的黃河三角洲土壤鹽分反演模型，并結(jié)合各自數(shù)據(jù)源的優(yōu)勢(shì)進(jìn)行優(yōu)化，探索了地表無(wú)植被覆蓋情況下的土壤鹽分含量反演方法，對(duì)更精準(zhǔn)反演土地鹽漬化程度提供了參考。

四、大田無(wú)人農(nóng)場(chǎng)關(guān)鍵技術(shù)研究現(xiàn)狀與展望

參與機(jī)構(gòu)：北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心、智能農(nóng)業(yè)動(dòng)力裝備全國(guó)重點(diǎn)實(shí)驗(yàn)室 、國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心等

無(wú)人農(nóng)場(chǎng)，作為智慧農(nóng)業(yè)的一種表現(xiàn)形式，建設(shè)農(nóng)業(yè)強(qiáng)國(guó)的重要探索，和實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化的發(fā)展方向。以數(shù)據(jù)、知識(shí)和智能裝備為核心要素，將現(xiàn)代信息技術(shù)與農(nóng)業(yè)深度融合，實(shí)現(xiàn)農(nóng)業(yè)全過(guò)程生產(chǎn)所需的信息感知、定量決策、智能控制、精準(zhǔn)投入及個(gè)性化服務(wù)一體化。

該團(tuán)隊(duì)從無(wú)人農(nóng)場(chǎng)的概念、架構(gòu)入手，討論了信息感知與智能決策、精準(zhǔn)作業(yè)系統(tǒng)與裝備、自動(dòng)駕駛、無(wú)人化農(nóng)機(jī)裝備，以及無(wú)人農(nóng)場(chǎng)管控平臺(tái)等關(guān)鍵技術(shù)與裝備，分析了發(fā)展國(guó)內(nèi)無(wú)人農(nóng)場(chǎng)亟待解決的關(guān)鍵科學(xué)與技術(shù)問(wèn)題。并以吉林省公主嶺市玉米無(wú)人農(nóng)場(chǎng)為例，論證了物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算以及人工智能等技術(shù)，在玉米全程無(wú)人化生產(chǎn)中的具體應(yīng)用及效果。

根據(jù)已經(jīng)發(fā)表的智慧農(nóng)業(yè)科研論文，理想認(rèn)識(shí)國(guó)內(nèi)農(nóng)業(yè)發(fā)展現(xiàn)狀及存在的機(jī)遇和挑戰(zhàn)，明確為了農(nóng)業(yè)發(fā)展的戰(zhàn)略目標(biāo)與思路，掌握農(nóng)業(yè)前沿知識(shí)。

審核編輯黃宇