以機(jī)器視覺(jué)為主的農(nóng)業(yè)信息智能感知技術(shù)已成為智慧農(nóng)業(yè)發(fā)展的關(guān)鍵技術(shù)，廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域?qū)?huì)加速農(nóng)業(yè)生產(chǎn)方式的轉(zhuǎn)變，推動(dòng)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)，對(duì)提高農(nóng)業(yè)現(xiàn)代化水平、實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展具有重大意義。本文機(jī)器視覺(jué)與農(nóng)業(yè)智能感知專題，涉及果園果樹(shù)、大田作物、荒漠植物、中藥材以及畜禽等多個(gè)農(nóng)業(yè)領(lǐng)域智能感知新技術(shù)，旨在能夠促進(jìn)機(jī)器視覺(jué)與農(nóng)業(yè)智能感知技術(shù)的創(chuàng)新與應(yīng)用發(fā)展。

在果園果樹(shù)方面，①中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所孫坦研究員團(tuán)隊(duì)，研發(fā)出適合果園移動(dòng)平臺(tái)邊緣計(jì)算設(shè)備的掛果量估測(cè)模型，該模型引入輕量化的CSPDarknet53作為主干，并在果實(shí)跟蹤時(shí)考慮高分-低分檢測(cè)框及其ReID數(shù)據(jù)關(guān)聯(lián)，實(shí)現(xiàn)了估測(cè)性能和模型復(fù)雜度的平衡。②四川省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息與農(nóng)村經(jīng)濟(jì)研究所何鵬研究員團(tuán)隊(duì)，提出一種基于改進(jìn)ResNet50模型的蘋(píng)果物候期識(shí)別方法，解決了傳統(tǒng)方法對(duì)自然環(huán)境下蘋(píng)果物候期圖像識(shí)別精度低、覆蓋面不全的問(wèn)題。

為實(shí)現(xiàn)精準(zhǔn)鮮食葡萄采摘機(jī)器人采摘，①山東農(nóng)業(yè)大學(xué)劉平教授團(tuán)隊(duì)，基于改進(jìn)的均值聚類算法和輪廊分析法，提出一種鮮食葡萄采摘點(diǎn)自動(dòng)定位的方法，籬壁式和棚架式葡萄采摘點(diǎn)定位綜合成功率78%以上。②廣東海洋大學(xué)王驥教授團(tuán)隊(duì)提出了輕量級(jí)的MobileNet V3-YOLOv4網(wǎng)絡(luò)，與5種單、雙階網(wǎng)絡(luò)模型相比，降低了訓(xùn)練速度、減小了參數(shù)量，在農(nóng)田復(fù)雜環(huán)境下，黃熟期和青熟期菠蘿檢測(cè)準(zhǔn)確率分別為100%和98.85%。

在大田作物方面，針對(duì)傳統(tǒng)人工識(shí)別病蟲(chóng)害存在的效率過(guò)低、成本過(guò)高等問(wèn)題，①揚(yáng)州大學(xué)張正華教授團(tuán)隊(duì)將ECA注意力機(jī)制與DcnscNct201的水稻圖像識(shí)別模型融合，增加模型通道特征表達(dá)能力，實(shí)現(xiàn)對(duì)3種水稻病蟲(chóng)害更為準(zhǔn)確地識(shí)別。②河南農(nóng)業(yè)大學(xué)馮偉研究員團(tuán)隊(duì)基于無(wú)人機(jī)遙感，通過(guò)構(gòu)建小麥倒伏分類模型，探討了不同空間分辨率遙感影像及特征優(yōu)化方法，對(duì)小麥倒伏區(qū)域識(shí)別精度的影響，為確立作物倒伏信息獲取策略及小麥災(zāi)情評(píng)估提供參考。

③河南農(nóng)業(yè)大學(xué)葉協(xié)鋒教授團(tuán)隊(duì)，利用無(wú)人機(jī)搭載高光諾成像儀采集了烤煙在6個(gè)關(guān)鍵生育期冠層反射率數(shù)據(jù)，通過(guò)比較不同光譜組合及不同回歸分析算法的預(yù)測(cè)精度，建立了基于多種光譜指數(shù)組合的葉片葉綠素含量回歸估測(cè)模型，實(shí)現(xiàn)了不同生育期烤煙葉片葉綠素含量的準(zhǔn)確估測(cè)。④為分析甘蔗產(chǎn)量與氣象因素的關(guān)系，廣西大學(xué)李修華副救授團(tuán)隊(duì)結(jié)合氣象數(shù)據(jù)，分別利用四種機(jī)器學(xué)習(xí)方法構(gòu)建甘蔗產(chǎn)量預(yù)測(cè)模型，發(fā)現(xiàn)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)可以準(zhǔn)確預(yù)測(cè)單蔗區(qū)甘蔗氣象產(chǎn)量，BP神經(jīng)網(wǎng)絡(luò)可準(zhǔn)確預(yù)測(cè)多蔗區(qū)甘燕氣象產(chǎn)量。

在其他植物識(shí)別方面，①中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所孫偉副研究員團(tuán)隊(duì)，以自然環(huán)境下的整株荒漠植物圖像為研究對(duì)象，提出了一種融合遷移學(xué)習(xí)和集成學(xué)習(xí)的荒漠植物圖像識(shí)別算法，在50種荒漠植物圖像數(shù)據(jù)集的最高識(shí)別準(zhǔn)確率達(dá)99.23%。②吉林農(nóng)業(yè)大學(xué)李東明教授團(tuán)隊(duì)，針對(duì)中藥材防風(fēng)識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算量大、精度低的問(wèn)題，提出了一種基于注意力嵌入ShuftleNet V2的防風(fēng)道地性識(shí)別模型，在保持較高識(shí)別精度的同時(shí)占用較少的儲(chǔ)存空間，有助于在低性能終端上實(shí)現(xiàn)防風(fēng)道地性的實(shí)時(shí)識(shí)別。

在智慧養(yǎng)殖方面，①青海大學(xué)張玉安教授團(tuán)隊(duì)為實(shí)現(xiàn)不同部位牦牛肉快速、準(zhǔn)確識(shí)別，在ResNet18殘差塊之后融入輕量級(jí)卷積塊注意力模塊，對(duì)全連接層進(jìn)行改進(jìn)，降低了算法的計(jì)算代價(jià)。通過(guò)將模型部署到移動(dòng)端，實(shí)現(xiàn)了牦牛肉部位的準(zhǔn)確快速識(shí)別。

審核編輯 黃宇