在發(fā)展智慧農(nóng)業(yè)上，無(wú)數(shù)高校都投入了巨量人力、物力，結(jié)合無(wú)人機(jī)、深度學(xué)習(xí)、遙感遙測(cè)等技術(shù)，實(shí)時(shí)、準(zhǔn)確地獲取農(nóng)田信息和作物生長(zhǎng)狀況，并進(jìn)行精細(xì)化生產(chǎn)管理(灌溉、施肥、病蟲(chóng)害防治)決策，對(duì)提高作物產(chǎn)量和品質(zhì)有重要作用，為生產(chǎn)種植智能化、經(jīng)營(yíng)信息化及管理數(shù)字化提供技術(shù)基礎(chǔ)。

一、利用改進(jìn)EfficientNetV2和無(wú)人機(jī)圖像檢測(cè)小麥倒伏類型

科研機(jī)構(gòu)：中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院、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)、塔里木大學(xué)機(jī)械電氣化工程學(xué)院

不同類型的小麥倒伏(根部倒伏、莖部倒伏)對(duì)產(chǎn)量和質(zhì)量會(huì)產(chǎn)生不同影響。該團(tuán)隊(duì)研究在通過(guò)無(wú)人機(jī)圖像檢測(cè)對(duì)小麥倒伏類型進(jìn)行分類，并探究無(wú)人機(jī)飛行高度對(duì)分類性能的影響。

研究設(shè)置3個(gè)無(wú)人機(jī)飛行高度(15、45、91 m)來(lái)獲取小麥試驗(yàn)田的圖像，并利用自動(dòng)分割算法生成不同高度的數(shù)據(jù)集，提出一種EfficientNetV2-C改進(jìn)模型對(duì)其進(jìn)行分類識(shí)別。經(jīng)試驗(yàn)證實(shí)改進(jìn)的EfficientNetV2-C在小麥倒伏類型檢測(cè)方面取得了較高的準(zhǔn)確率，為小麥倒伏預(yù)警和農(nóng)作物管理提供了新的解決方案。

二、農(nóng)業(yè)病蟲(chóng)害圖像數(shù)據(jù)集構(gòu)建關(guān)鍵問(wèn)題及評(píng)價(jià)方法綜述

科研機(jī)構(gòu)：安徽省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所

農(nóng)業(yè)病蟲(chóng)害科學(xué)數(shù)據(jù)集是農(nóng)業(yè)病蟲(chóng)害監(jiān)測(cè)預(yù)警的基礎(chǔ)，也是發(fā)展智慧農(nóng)業(yè)重要的組成部分，對(duì)農(nóng)業(yè)病蟲(chóng)害防治具有重要意義。隨著深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)病蟲(chóng)害智能監(jiān)測(cè)預(yù)警中應(yīng)用效果的凸顯，構(gòu)建高質(zhì)量的農(nóng)業(yè)病蟲(chóng)害數(shù)據(jù)集逐步受到專家學(xué)者的重視。為了進(jìn)一步構(gòu)建高質(zhì)量、分布均衡的農(nóng)業(yè)病蟲(chóng)害圖像數(shù)據(jù)集，提高檢測(cè)模型的準(zhǔn)確性和魯棒性。

結(jié)合農(nóng)業(yè)病蟲(chóng)害圖像識(shí)別實(shí)際需求，對(duì)構(gòu)建高質(zhì)量農(nóng)業(yè)病蟲(chóng)害圖像數(shù)據(jù)集提出了相關(guān)建議：

①結(jié)合實(shí)際使用場(chǎng)景構(gòu)建農(nóng)業(yè)病蟲(chóng)害數(shù)據(jù)集。多視角、多環(huán)境下采集圖像數(shù)據(jù)構(gòu)建數(shù)據(jù)集，從算法提取特征的角度，科學(xué)、合理劃分?jǐn)?shù)據(jù)類別，構(gòu)建樣本數(shù)量分布和特征分布均衡的數(shù)據(jù)集;

②平衡數(shù)據(jù)集與算法間的關(guān)系。研究數(shù)據(jù)集特征與算法性能之間的關(guān)系，需充分考慮數(shù)據(jù)集中的類別和分布，以及與模型匹配的數(shù)據(jù)集規(guī)模，以提高算法準(zhǔn)確性、魯棒性和實(shí)用性。深入研究農(nóng)業(yè)病蟲(chóng)害圖像數(shù)據(jù)規(guī)模與模型性能的關(guān)聯(lián)關(guān)系、病蟲(chóng)害圖像數(shù)據(jù)標(biāo)注方法、模糊、密集、遮擋等目標(biāo)的識(shí)別算法和高質(zhì)量農(nóng)業(yè)病蟲(chóng)害數(shù)據(jù)集評(píng)價(jià)指標(biāo)，進(jìn)一步提高農(nóng)業(yè)病蟲(chóng)害智能化水平;

③增強(qiáng)數(shù)據(jù)集的使用價(jià)值。構(gòu)建多模態(tài)農(nóng)業(yè)病蟲(chóng)害數(shù)據(jù)集，創(chuàng)新數(shù)據(jù)采集組織形式，開(kāi)發(fā)數(shù)據(jù)中臺(tái)，挖掘多模態(tài)數(shù)據(jù)間的關(guān)聯(lián)性，提高數(shù)據(jù)使用便捷性，為應(yīng)用落地、業(yè)務(wù)創(chuàng)新提供高效服務(wù)。

三、基于深度學(xué)習(xí)ImCascade R-CNN的小麥籽粒表形鑒定方法

科研機(jī)構(gòu)：山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院/智能化農(nóng)業(yè)機(jī)械與裝備實(shí)驗(yàn)室

為培育優(yōu)質(zhì)高產(chǎn)的小麥品種，該團(tuán)隊(duì)為解決小麥籽粒檢測(cè)精度低的問(wèn)題，研究建立ImCascade R-CNN模型，提出小麥籽粒表形鑒定方法，精準(zhǔn)檢測(cè)小麥籽粒完整性、分割籽粒并獲取完整籽粒表形參數(shù)。

經(jīng)試驗(yàn)，該方法測(cè)量粒長(zhǎng)、粒寬的平均誤差率分別為2.15%和3.74%，測(cè)量長(zhǎng)寬比的標(biāo)準(zhǔn)誤差為0.15，與人工測(cè)量值具有較高的一致性。研究結(jié)果可快速精準(zhǔn)檢測(cè)籽粒完整性、獲取完整籽粒表形數(shù)據(jù)，加速培育優(yōu)質(zhì)高產(chǎn)小麥品種。

四、干旱脅迫下玉米葉片葉綠素含量與含水量高光譜成像反演方法

科研機(jī)構(gòu)：廣西大學(xué)機(jī)械工程學(xué)院、廣西大學(xué)農(nóng)學(xué)院、廣西大學(xué)廣西甘蔗生物學(xué)重點(diǎn)實(shí)驗(yàn)室

為實(shí)現(xiàn)玉米的干旱脅迫等作物生長(zhǎng)狀態(tài)的無(wú)損監(jiān)測(cè)，該團(tuán)隊(duì)研究探索一種基于高光譜技術(shù)的干旱脅迫下玉米葉片葉綠素含量與含水量無(wú)損檢測(cè)方法?？蓪?shí)現(xiàn)玉米葉片葉綠素含量與含水量的精確、無(wú)損檢測(cè)，可為玉米生長(zhǎng)狀態(tài)實(shí)時(shí)監(jiān)測(cè)提供理論依據(jù)和技術(shù)支持。

五、油料作物產(chǎn)量遙感監(jiān)測(cè)研究進(jìn)展與挑戰(zhàn)

科研機(jī)構(gòu)：中北大學(xué)信息與通信工程學(xué)院、北方干旱半干旱耕地高效利用全國(guó)重點(diǎn)實(shí)驗(yàn)室(中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所)、湖南省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)和農(nóng)業(yè)區(qū)劃研究所

油料作物是糧食供應(yīng)和非糧食供應(yīng)的重要組成部分，也是食用植物油和植物蛋白的重要來(lái)源。實(shí)時(shí)、動(dòng)態(tài)、大范圍的油料作物生長(zhǎng)監(jiān)測(cè)對(duì)指導(dǎo)農(nóng)業(yè)生產(chǎn)、維持糧油市場(chǎng)穩(wěn)定、確保國(guó)民生命健康具有重大意義。遙感技術(shù)因其覆蓋范圍廣、獲取信息及時(shí)、快速等優(yōu)勢(shì)被廣泛應(yīng)用于區(qū)域作物產(chǎn)量監(jiān)測(cè)研究和應(yīng)用中。

遙感技術(shù)在油料作物監(jiān)測(cè)中的機(jī)遇，提出了基于遙感技術(shù)的油料作物估產(chǎn)在作物特征選取、空間尺度確定以及遙感數(shù)據(jù)選擇等方面存在的一些問(wèn)題和挑戰(zhàn)，為油料作物的區(qū)域估產(chǎn)及生長(zhǎng)監(jiān)測(cè)的深入研究提供借鑒和參考。

六、基于深度學(xué)習(xí)語(yǔ)義分割和遷移學(xué)習(xí)策略的麥田倒伏面積識(shí)別方法

科研機(jī)構(gòu)：安徽大學(xué)農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程研究中心、 西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院、宿州學(xué)院信息工程學(xué)院

該團(tuán)隊(duì)針對(duì)低空無(wú)人機(jī)技術(shù)并結(jié)合深度學(xué)習(xí)語(yǔ)義分割模型精準(zhǔn)提取作物倒伏區(qū)域，受田間各種客觀條件(不同無(wú)人機(jī)飛行高度低于120 m、多個(gè)研究區(qū)、關(guān)鍵生育期不同天氣狀況等)限制，無(wú)人機(jī)獲取的圖像數(shù)量仍偏少，難以滿足高精度深度學(xué)習(xí)模型訓(xùn)練要求等難題。旨在探索一種在作物生育期和研究區(qū)有限的情況下精準(zhǔn)提取倒伏面積的方法。

以健康/倒伏小麥為研究對(duì)象，在其灌漿期和成熟期開(kāi)展麥田圖像采集工作。試驗(yàn)得知遷移學(xué)習(xí)模型倒伏面積提取精度最高，利用低飛行高度(40 m)預(yù)訓(xùn)練語(yǔ)義分割模型，在較高飛行高度(80 m)空?qǐng)D像做遷移學(xué)習(xí)的方法提取倒伏小麥面積是可行的，這為解決空域飛行高度限制下，較少80 m及以上圖像數(shù)據(jù)集無(wú)法滿足語(yǔ)義分割模型訓(xùn)練的要求的問(wèn)題，提供了一種有效的方法。

七、基于雙目視覺(jué)和改進(jìn)YOLOv8的玉米莖稈寬度原位識(shí)別方法

科研機(jī)構(gòu)：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、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)水利與土木工程學(xué)院

為解決玉米莖稈寬度測(cè)量存在人工采集過(guò)程繁瑣、設(shè)備自動(dòng)采集識(shí)別精度誤差較大等問(wèn)題，該團(tuán)隊(duì)研究一種玉米莖稈寬度原位檢測(cè)與高精度識(shí)別方法具有重要應(yīng)用價(jià)值。

基于改進(jìn)YOLOv8模型的玉米莖稈寬度原位識(shí)別方法，可以實(shí)現(xiàn)對(duì)玉米莖稈的原位準(zhǔn)確識(shí)別，很好地解決了目前人工測(cè)量耗時(shí)費(fèi)力和機(jī)器視覺(jué)識(shí)別精度較差的問(wèn)題，為實(shí)際生產(chǎn)應(yīng)用提供了理論依據(jù)。

八、融合改進(jìn)UNet和遷移學(xué)習(xí)的棉花根系圖像分割方法

科研機(jī)構(gòu)：河北農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院、河北省教育考試院、河北農(nóng)業(yè)大學(xué)農(nóng)學(xué)院

根系圖像分割是根系表型分析的重要方法，受限于圖像質(zhì)量、復(fù)雜土壤環(huán)境、低效傳統(tǒng)方法，根系圖像分割存在一定挑戰(zhàn)。該團(tuán)隊(duì)為提高根系圖像分割的準(zhǔn)確性和魯棒性，以UNet模型為基礎(chǔ)，提出了一種多尺度特征提取根系分割算法，并結(jié)合數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)進(jìn)一步提高改進(jìn)UNet模型的泛化性和通用性。

采用的多尺度特征提取策略能準(zhǔn)確、高效地分割根系，為作物根系表型研究提供重要的研究基礎(chǔ)。

九、基于不同葉位日光誘導(dǎo)葉綠素?zé)晒庑畔⒌乃救~瘟病早期監(jiān)測(cè)

科研機(jī)構(gòu)：南京農(nóng)業(yè)大學(xué)國(guó)家信息農(nóng)業(yè)工程技術(shù)中心/江蘇省信息農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室/農(nóng)業(yè)農(nóng)村部農(nóng)作物系統(tǒng)分析與決策重點(diǎn)實(shí)驗(yàn)室/智慧農(nóng)業(yè)教育部工程研究中心/現(xiàn)代作物生產(chǎn)省部共建協(xié)同創(chuàng)新中心

對(duì)稻瘟病的研究多使用反射光譜在其顯癥階段進(jìn)行監(jiān)測(cè)，該團(tuán)隊(duì)針對(duì)稻葉瘟早期侵染階段的日光誘導(dǎo)葉綠素?zé)晒夤庾V監(jiān)測(cè)研究尚未見(jiàn)報(bào)道。基于不同葉位的日光誘導(dǎo)葉綠素?zé)晒庑畔?，?shí)現(xiàn)水稻葉瘟病早期階段感病葉片的準(zhǔn)確識(shí)別。

基于一年的溫室接種試驗(yàn)和大田采樣實(shí)驗(yàn)，配合使用主動(dòng)光源、ASD地物光譜儀和FluoWat葉片夾，獲取了拔節(jié)期和抽穗期水稻植株頂1至頂4葉位的葉片SIF光譜，并人工標(biāo)注了被測(cè)樣本的發(fā)病等級(jí)。研究基于連續(xù)小波分析提取對(duì)稻葉瘟敏感的小波特征，比較了不同葉位敏感特征及其感病葉片識(shí)別精度，最后基于線性判別分析算法構(gòu)建了稻葉瘟識(shí)別模型。

該研究揭示了稻瘟病脅迫下水稻葉片SIF光譜響應(yīng)規(guī)律，提取了對(duì)稻葉瘟敏感的SIF小波特征，結(jié)果證明了連續(xù)小波分析和SIF技術(shù)用于診斷稻葉瘟的潛力，為實(shí)現(xiàn)稻瘟病的田間早期、快速、原位診斷提供了重要參考與技術(shù)支撐。

十、基于PADC-PCNN與平穩(wěn)小波變換多焦距綠色植株圖像融合算法

科研機(jī)構(gòu)：江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院“輕工過(guò)程先進(jìn)控制”教育部重點(diǎn)實(shí)驗(yàn)室、江南大學(xué)物后勤管理處環(huán)境中心等

為構(gòu)建綠色植株三維點(diǎn)云模型需大量清晰圖像，受鏡頭景深限制，在采集大縱深植株圖像時(shí)圖像會(huì)部分失焦，導(dǎo)致出現(xiàn)邊緣模糊、紋理細(xì)節(jié)丟失等問(wèn)題，現(xiàn)有的處理算法難以兼顧處理質(zhì)量和處理速度。蓋團(tuán)隊(duì)研究提出了一種新型算法，提高融合圖像質(zhì)量問(wèn)題的同時(shí)兼顧處理速度。

基于非下采樣剪切波變換的參數(shù)自適應(yīng)雙通道脈沖耦合神經(jīng)網(wǎng)絡(luò)與平穩(wěn)小波變換的植株圖像融合方法。該算法實(shí)現(xiàn)在保障融合質(zhì)量的同時(shí)，提高融合圖像的效率，為搭建綠色植株三維點(diǎn)云模型提供高質(zhì)量數(shù)據(jù)的同時(shí)節(jié)省了時(shí)間。

十一、基于深度卷積生成式對(duì)抗網(wǎng)絡(luò)的菌草丙二醛含量可見(jiàn)/近紅外光譜反演

科研機(jī)構(gòu)：福建農(nóng)林大學(xué)機(jī)電工程學(xué)院、福建省農(nóng)業(yè)信息感知技術(shù)重點(diǎn)實(shí)驗(yàn)室、福建農(nóng)林大學(xué)園藝學(xué)院

菌草是多年生可用作飼料與生物質(zhì)能源的草本植物，在溫帶種植需克服越冬問(wèn)題。低溫脅迫會(huì)對(duì)菌草的生長(zhǎng)發(fā)育造成不利影響。丙二醛作為診斷菌草低溫脅迫狀態(tài)的有力診斷指標(biāo)，利用光譜技術(shù)反演MDA含量，可快速無(wú)損地評(píng)估菌草生長(zhǎng)動(dòng)態(tài)，為菌草育種及低溫脅迫診斷提供參考。

該團(tuán)隊(duì)研究基于6個(gè)品種的菌草植株，設(shè)置低溫脅迫組與常溫對(duì)照組，獲取菌草苗期的可見(jiàn)/近紅外光譜數(shù)據(jù)與葉片MDA含量信息，分析低溫脅迫條件下菌草MDA含量及其光譜反射率均相應(yīng)增加的變化趨勢(shì);為提升模型的檢測(cè)效果，提出了改進(jìn)的一維深度卷積生成式對(duì)抗網(wǎng)絡(luò)用于樣本數(shù)量增廣，并建立基于隨機(jī)森林、偏最小二乘回歸以及卷積神經(jīng)網(wǎng)絡(luò)算法的MDA光譜定量檢測(cè)模型。

利用DCGAN進(jìn)行樣本數(shù)量增廣，能顯著提升基于光譜數(shù)據(jù)的模型對(duì)菌草MDA含量的反演精度與預(yù)測(cè)性能。

十二、基于無(wú)人機(jī)遙感和深度學(xué)習(xí)的葡萄卷葉病感染程度診斷方法

科研機(jī)構(gòu)：西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院、 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室、陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室、西北農(nóng)林科技大學(xué)葡萄酒學(xué)院、寧夏賀蘭山東麓葡萄產(chǎn)業(yè)園區(qū)管理委員會(huì)

葡萄卷葉病是一種嚴(yán)重影響葡萄產(chǎn)量和品質(zhì)的病害。然而，葡萄卷葉病感染程度類別之間存在嚴(yán)重的數(shù)據(jù)不平衡，導(dǎo)致無(wú)人機(jī)遙感技術(shù)難以進(jìn)行精確的診斷。針對(duì)此問(wèn)題，該團(tuán)隊(duì)研究提出一種結(jié)合細(xì)粒度分類和生成對(duì)抗網(wǎng)絡(luò)的方法，用戶提高無(wú)人機(jī)遙感圖像中葡萄卷葉病感染程度分類的性能。

以蛇龍珠品種卷葉病識(shí)別診斷為例，使用GANformer分別對(duì)每一類的葡萄園正射影像的分塊圖像進(jìn)行學(xué)習(xí)，生成多樣化和逼真的圖像以增強(qiáng)數(shù)據(jù)，并以Swin Transformer tiny作為基礎(chǔ)模型，提出改進(jìn)模型CA-Swin Transformer，引入通道注意力機(jī)制來(lái)增強(qiáng)特征表達(dá)能力，并使用ArcFace損失函數(shù)和實(shí)例歸一化來(lái)改進(jìn)模型的性能。

基于CA-Swin Transformer使用滑動(dòng)窗口法制作了葡萄園蛇龍珠卷葉病嚴(yán)重程度分布圖，為葡萄園卷葉病的防治提供了參考。同時(shí)，該方法為無(wú)人機(jī)遙感監(jiān)測(cè)作物病害提供了一種新的思路和技術(shù)手段。

十三、應(yīng)用于植物生理狀態(tài)檢測(cè)的低成本葉綠素?zé)晒獬上裣到y(tǒng)

科研機(jī)構(gòu)：江南大學(xué)輕工過(guò)程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室、江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院等

植物光合作用過(guò)程中釋放的葉綠素?zé)晒馀c光化學(xué)反應(yīng)緊密耦合，其熒光信號(hào)采集是光合作用效率、植物生理及環(huán)境脅迫等無(wú)損的測(cè)試手段。作為獲取該信號(hào)的葉綠素?zé)晒獬上裣到y(tǒng)通常價(jià)格昂貴，針對(duì)此問(wèn)題，該團(tuán)隊(duì)提出一種低成本葉綠素?zé)晒獬上裣到y(tǒng)設(shè)計(jì)方案。

基于該方案，制造了一款儀器樣機(jī)，其激發(fā)光強(qiáng)最大為6250μmol/(m2·s)，光場(chǎng)整體變化幅度偏差為2%，光譜范圍為400～1000 nm，穩(wěn)定的采集頻率最高可達(dá)42 f/s，具備連續(xù)光激發(fā)和調(diào)制脈沖激發(fā)功能。通過(guò)葉綠素?zé)晒鈭D像采集實(shí)驗(yàn)驗(yàn)證了本儀器的有效性。該儀器結(jié)構(gòu)簡(jiǎn)單、造價(jià)成本低，在植物生理狀態(tài)檢測(cè)領(lǐng)域有著很好的應(yīng)用價(jià)值。

審核編輯 黃宇