機器視覺與農(nóng)業(yè)智能感知相關(guān)的研究，目前已經(jīng)取得了一定進展，在果園果樹、大田作物、荒漠植物、中藥材、畜禽等領(lǐng)域，已經(jīng)獲得了一定科研進展。本文整理了近期發(fā)表的機器視覺與農(nóng)業(yè)智能感知相關(guān)專題的論文。

一、基于改進ResNet50模型的自然環(huán)境下蘋果物候期識別

參與機構(gòu)：四川省農(nóng)業(yè)科學院農(nóng)業(yè)信息與農(nóng)村經(jīng)濟研究所

針對傳統(tǒng)方法對自然環(huán)境下蘋果物候期圖像識別精度低、覆蓋面不全等問題,該團隊提出了一種基于改進ResNet50模型的蘋果物候期識別方法，實現(xiàn)自然環(huán)境下高原紅富士蘋果物候期圖像的智能識別。

結(jié)果表明改進ResNet50可實現(xiàn)對蘋果物候期有效識別,該研究成果可為果園物候期識別提供參考,通過集成至果樹生育期智能監(jiān)測生產(chǎn)管理平臺,實現(xiàn)蘋果園區(qū)的智能化管控。

二、自然環(huán)境中鮮食葡萄快速識別與采摘點自動定位方法

參與機構(gòu)：山東農(nóng)業(yè)大學機械與電子工程學院/智能化農(nóng)業(yè)機械與裝備實驗室/山東省園藝機械與裝備重點實驗室、山東交通學院工程機械學院、山東農(nóng)業(yè)大學生命科學學院小麥育種全國重點實驗室

自然環(huán)境中鮮食葡萄的快速識別，與精準定位是實現(xiàn)鮮食葡萄機器人自動采摘的先決條件。該團隊研究了基于改進的K-means聚類算法和輪廓分析法提出一種鮮食葡萄采摘點自動定位的方法,利用幾何方法實現(xiàn)鮮食葡萄采摘點快速準確定位。

結(jié)果表明該算法在籬壁式、棚架式下紫葡萄、綠葡萄的采摘點定位成功率高,整體試驗效果較好。為鮮食葡萄采摘機器人實現(xiàn)精準采摘葡萄提供技術(shù)支撐。

三、用于邊緣計算設(shè)備的果樹掛果量輕量化估測模型

參與機構(gòu)：中國農(nóng)業(yè)科學院農(nóng)業(yè)信息研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)大數(shù)據(jù)重點實驗室、中國農(nóng)業(yè)科學院

掛果量是果樹栽培管理的重要指標。傳統(tǒng)人力抽樣估測果樹掛果量的方法不僅耗時費力,而且容易產(chǎn)生較大誤差。該團隊研究提出了一種用于邊緣計算設(shè)備的輕量化模型,實現(xiàn)視頻中樹上柑橘掛果量的自動估測，以提升掛果量估測準確性。

試驗結(jié)果證明：該模型在邊緣計算設(shè)備上對柑橘掛果量估測的有效性,基于算法模型研發(fā)的果園掛果量遠程監(jiān)測系統(tǒng)，可滿足用于果園移動平臺行進狀態(tài)下的果樹掛果量估測需求，為果園生產(chǎn)力自動監(jiān)測分析提供技術(shù)支持。

四、融合ECA機制與DenseNet201的水稻病蟲害識別方法

參與機構(gòu)：揚州大學信息工程學院(人工智能學院)

針對傳統(tǒng)人工識別病蟲害存在的效率過低、成本過高等問題,該團隊提出了一種融合ECA注意力機制與DenseNet201的水稻圖像識別模型GE-DenseNet。

該方法在包含水稻胡麻斑病、水稻鐵甲蟲、稻瘟病與健康水稻的3355張圖像數(shù)據(jù)集上進行了實驗測試,識別準確率達到83.52%，實現(xiàn)對不同水稻病蟲害圖像更為準確地識別,為及時防治病蟲害,減少各類損失提供技術(shù)支持。

五、基于不同空間分辨率無人機多光譜遙感影像的小麥倒伏區(qū)域識別方法

參與機構(gòu)：河南農(nóng)業(yè)大學農(nóng)學院/教育部作物生長發(fā)育調(diào)控重點實驗室/省部共建小麥玉米作物學國家重點實驗室

快速準確評估作物倒伏災(zāi)情狀況,需及時獲取倒伏發(fā)生位置及面積等信息。結(jié)合目前無人機遙感識別作物倒伏缺乏相應(yīng)的技術(shù)標準,不利于規(guī)范無人機數(shù)據(jù)獲取流程和提出問題解決方案。該團隊研究旨在探討不同空間分辨率無人機遙感影像，及特征優(yōu)化方法對小麥倒伏區(qū)域識別精度的影響。

結(jié)果表明在不同飛行高度下的分類精度相對差異較小,90 m總體分類精度可達到95.6%,Kappa系數(shù)達到0.914,滿足了對分類精度的需求。通過選擇適宜的特征選擇方法,不僅可以兼顧分類精度,還能有效縮小影像空間分辨率變化引起的倒伏分類差異,有助于提升飛行高度,擴大小麥倒伏監(jiān)測面積,降低作業(yè)成本,為確立作物倒伏信息獲取策略及小麥災(zāi)情評估提供參考及支持。

六、基于無人機高光譜遙感的烤煙葉片葉綠素含量估測

參與機構(gòu)：河南農(nóng)業(yè)大學煙草學院、國家煙草栽培生理生化研究基地、煙草行業(yè)煙草栽培重點實驗室

研究目的：烤煙葉片葉綠素含量是表征烤煙光合作用、營養(yǎng)狀況和長勢的重要指標。該團隊以高效精確地估測不同生長期烤煙LCC為目的，以中煙100煙葉為研究對象。采用一元線性回歸、多元線性回歸、偏最小二乘回歸、支持向量回歸和隨機森林回歸5種建模方法進行LCC估測。

該研究通過分析多種光譜指數(shù)與烤煙LCC的響應(yīng)規(guī)律,構(gòu)建可靠的烤煙葉片LCC估測模型,可為烤煙葉LCC估測以及烤煙的生長發(fā)育監(jiān)測提供理論依據(jù)和技術(shù)支撐。

七、基于輕量級MobileNet V3-YOLOv4的生長期菠蘿成熟度分析

參與機構(gòu)：廣東省電信規(guī)劃設(shè)計院有限公司第四分公司、華中科技大學電子信息與通信學院、廣東海洋大學電子與信息工程學院、廣東省智慧海洋傳感網(wǎng)及其裝備工程技術(shù)研究中心

菠蘿的貯藏性與成熟度相關(guān),菠蘿采摘前對其成熟度進行識別尤為重要。該團隊研究提出了一種新型網(wǎng)絡(luò)模型,提高菠蘿成熟度自動識別的準確率和速度。

試驗結(jié)果表明,對于黃熟期菠蘿和青熟期菠蘿兩種類別的檢測精確率分別為100%和98.85%,平均精度值分別為87.62%、94.21%,召回率分別為77.55%、86.00%,F1分數(shù)分別為0.87和0.92,推理速度80.85 img/s。實現(xiàn)了在降低訓練速度、減小參數(shù)量的同時,提高了菠蘿成熟度識別的精度和推理速度,滿足實際檢測需求。

八、基于多種機器學習算法預(yù)測廣西蔗區(qū)甘蔗產(chǎn)量

參與機構(gòu)：廣西大學電氣工程學院、廣西大學甘蔗生物學重點實驗室、廣西糖業(yè)集團有限公司、廣西農(nóng)業(yè)科學院甘蔗研究所

該團隊分析了廣西甘蔗主產(chǎn)區(qū)甘蔗產(chǎn)量與氣象因素的關(guān)系,利用氣象數(shù)據(jù)預(yù)測甘蔗產(chǎn)量,為糖廠及相關(guān)管理部門提供科學的數(shù)據(jù)支撐。

通過敏感時段分析法篩選的關(guān)鍵氣象因子與產(chǎn)量均呈顯著相關(guān),根據(jù)敏感時段能準確地分析各氣象因子對產(chǎn)量的影響。使用LSTM模型預(yù)測單蔗區(qū)產(chǎn)量,使用BPNN模型預(yù)測多蔗區(qū)甘蔗氣象產(chǎn)量的方法是可行的,且預(yù)測誤差在可接受范圍內(nèi)。

九、基于改進殘差網(wǎng)絡(luò)模型的不同部位牦牛肉分類識別方法

參與機構(gòu)：青海大學計算機技術(shù)與應(yīng)用系、青海大學畜牧獸醫(yī)科學院、青海省玉樹州動物疫病預(yù)防控制中心

為實現(xiàn)不同部位牦牛肉快速、準確識別,該團隊研究提出了一種改進的殘差網(wǎng)絡(luò)模型,并開發(fā)了一種基于智能手機的牦牛肉部位識別軟件。

研究采集牦牛的里脊、上腦、腱子、胸肉的圖像數(shù)據(jù)，通過消融實驗。結(jié)果表明,改進后的ResNet18CBAM模型可在實際應(yīng)用中識別不同部位牦牛肉且具有良好的結(jié)果。該成果有助于保障牦牛肉產(chǎn)業(yè)的食品質(zhì)量安全,也為青藏高原地區(qū)的牦牛肉產(chǎn)業(yè)智能化發(fā)展提供技術(shù)支撐。

十、融合遷移學習和集成學習的自然背景下荒漠植物識別方法

參與機構(gòu)：新疆農(nóng)業(yè)大學計算機與信息工程學院、中國農(nóng)業(yè)科學院農(nóng)業(yè)信息研究所、國家農(nóng)業(yè)科學數(shù)據(jù)中心

荒漠植物的準確識別是其認識和保護過程中不可或缺的任務(wù),是荒漠生態(tài)研究與保護的基礎(chǔ)。自然條件下野外荒漠植物圖像的機器視覺自動分類識別可有效提升植物資源調(diào)查效率、降低人為主觀因素影響,對荒漠植物的精準分類、多樣性保護和資源化利用具有重要意義。該團隊以自然環(huán)境下的整株荒漠植物圖像為研究對象,構(gòu)建新疆干旱區(qū)荒漠植物圖像數(shù)據(jù)集,以EfficientNet B0—B4網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò),提出一種融合遷移學習和集成學習的荒漠植物圖像識別算法,并在公開數(shù)據(jù)集Oxford Flowers102上進行對比驗證。

實驗結(jié)果表明，該方法可提高荒漠植物的識別準確率,通過云端傳輸至服務(wù)器后,實現(xiàn)荒漠植物的準確識別,為真實野外環(huán)境下植物圖像識別精度低、模型魯棒性及泛化性弱等問題提供解決思路。服務(wù)于野外調(diào)查、教學科普以及科學實驗等場景。

十一、基于改進ShuffleNet V2的輕量級防風藥材道地性智能識別

參與機構(gòu)：吉林農(nóng)業(yè)大學信息技術(shù)學院、吉林農(nóng)業(yè)大學生命科學學院、無錫學院物聯(lián)網(wǎng)工程學院

對于防風藥材產(chǎn)地和品質(zhì)的鑒別方法主要是根據(jù)其物理或化學特征,其方法需對中藥材進行分離提取,存在耗時長,費用高,專業(yè)性強,技術(shù)難度大等問題,不利于推廣應(yīng)用。隨著深度學習的不斷發(fā)展,其無需人工提取特征、分類精度高等優(yōu)點被廣泛應(yīng)用在中藥材的識別之中。

針對大多數(shù)卷積神經(jīng)網(wǎng)絡(luò)模型在識別防風藥材時計算量大、精度低的問題,該團隊研究提出了一種改進的ShuffieNet V2的輕量級防風道地性識別模型。結(jié)果表明該研究所提出的模型在保持較高識別精度的同時占用較少的儲存空間,有助于在未來的低性能終端上實現(xiàn)防風道地性的實時診斷。

審核編輯 黃宇