在發(fā)展智慧農(nóng)業(yè)上，無數(shù)高校都投入了巨量人力、物力，結(jié)合無人機、深度學(xué)習、遙感遙測等技術(shù)，實時、準確地獲取農(nóng)田信息和作物生長狀況，并進行精細化生產(chǎn)管理(灌溉、施肥、病蟲害防治)決策，對提高作物產(chǎn)量和品質(zhì)有重要作用，為生產(chǎn)種植智能化、經(jīng)營信息化及管理數(shù)字化提供技術(shù)基礎(chǔ)。

一、利用改進EfficientNetV2和無人機圖像檢測小麥倒伏類型

科研機構(gòu)：中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院、中國農(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)重點實驗室、北達科他州州立大學(xué)農(nóng)業(yè)與生物工程系、韓國江原大學(xué)生物系統(tǒng)工程系、韓國江原大學(xué)、塔里木大學(xué)機械電氣化工程學(xué)院

不同類型的小麥倒伏(根部倒伏、莖部倒伏)對產(chǎn)量和質(zhì)量會產(chǎn)生不同影響。該團隊研究在通過無人機圖像檢測對小麥倒伏類型進行分類，并探究無人機飛行高度對分類性能的影響。

研究設(shè)置3個無人機飛行高度(15、45、91 m)來獲取小麥試驗田的圖像，并利用自動分割算法生成不同高度的數(shù)據(jù)集，提出一種EfficientNetV2-C改進模型對其進行分類識別。經(jīng)試驗證實改進的EfficientNetV2-C在小麥倒伏類型檢測方面取得了較高的準確率，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)病蟲害圖像數(shù)據(jù)集構(gòu)建關(guān)鍵問題及評價方法綜述

科研機構(gòu)：安徽省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟與信息研究所

農(nóng)業(yè)病蟲害科學(xué)數(shù)據(jù)集是農(nóng)業(yè)病蟲害監(jiān)測預(yù)警的基礎(chǔ)，也是發(fā)展智慧農(nóng)業(yè)重要的組成部分，對農(nóng)業(yè)病蟲害防治具有重要意義。隨著深度學(xué)習技術(shù)在農(nóng)業(yè)病蟲害智能監(jiān)測預(yù)警中應(yīng)用效果的凸顯，構(gòu)建高質(zhì)量的農(nóng)業(yè)病蟲害數(shù)據(jù)集逐步受到專家學(xué)者的重視。為了進一步構(gòu)建高質(zhì)量、分布均衡的農(nóng)業(yè)病蟲害圖像數(shù)據(jù)集，提高檢測模型的準確性和魯棒性。

結(jié)合農(nóng)業(yè)病蟲害圖像識別實際需求，對構(gòu)建高質(zhì)量農(nóng)業(yè)病蟲害圖像數(shù)據(jù)集提出了相關(guān)建議：

①結(jié)合實際使用場景構(gòu)建農(nóng)業(yè)病蟲害數(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)、合理劃分數(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，以提高算法準確性、魯棒性和實用性。深入研究農(nóng)業(yè)病蟲害圖像數(shù)據(jù)規(guī)模與模型性能的關(guān)聯(lián)關(guān)系、病蟲害圖像數(shù)據(jù)標注方法、模糊、密集、遮擋等目標的識別算法和高質(zhì)量農(nóng)業(yè)病蟲害數(shù)據(jù)集評價指標，進一步提高農(nóng)業(yè)病蟲害智能化水平;

③增強數(shù)據(jù)集的使用價值。構(gòu)建多模態(tài)農(nóng)業(yè)病蟲害數(shù)據(jù)集，創(chuàng)新數(shù)據(jù)采集組織形式，開發(fā)數(shù)據(jù)中臺，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ImCascade R-CNN的小麥籽粒表形鑒定方法

科研機構(gòu)：山東農(nóng)業(yè)大學(xué)機械與電子工程學(xué)院/智能化農(nóng)業(yè)機械與裝備實驗室

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

經(jīng)試驗，該方法測量粒長、粒寬的平均誤差率分別為2.15%和3.74%，測量長寬比的標準誤差為0.15，與人工測量值具有較高的一致性。研究結(jié)果可快速精準檢測籽粒完整性、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

科研機構(gòu)：廣西大學(xué)機械工程學(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)重點實驗室

為實現(xiàn)玉米的干旱脅迫等作物生長狀態(tài)的無損監(jiān)測，該團隊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損檢測方法。可實現(xiàn)玉米葉片葉綠素含量與含水量的精確、無損檢測，可為玉米生長狀態(tài)實時監(jiān)測提供理論依據(jù)和技術(shù)支持。

五、油料作物產(chǎn)量遙感監(jiān)測研究進展與挑戰(zhàn)

科研機構(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重點實驗室(中國農(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源。實時、動態(tài)、大范圍的油料作物生長監(jiān)測對指導(dǎo)農(nóng)業(yè)生產(chǎn)、維持糧油市場穩(wěn)定、確保國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、快速等優(yōu)勢被廣泛應(yīng)用于區(qū)域作物產(chǎn)量監(jiān)測研究和應(yīng)用中。

遙感技術(shù)在油料作物監(jiān)測中的機遇，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題和挑戰(zhàn)，為油料作物的區(qū)域估產(chǎn)及生長監(jiān)測的深入研究提供借鑒和參考。

六、基于深度學(xué)習語義分割和遷移學(xué)習策略的麥田倒伏面積識別方法

科研機構(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)國家地方聯(lián)合工程研究中心、 西北農(nóng)林科技大學(xué)機械與電子工程學(xué)院、宿州學(xué)院信息工程學(xué)院

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

以健康/倒伏小麥為研究對象，在其灌漿期和成熟期開展麥田圖像采集工作。試驗得知遷移學(xué)習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)練語義分割模型，在較高飛行高度(80 m)空圖像做遷移學(xué)習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)集無法滿足語義分割模型訓(xùn)練的要求的問題，提供了一種有效的方法。

七、基于雙目視覺和改進YOLOv8的玉米莖稈寬度原位識別方法

科研機構(gòu)：中國農(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)重點實驗室、中國農(nóng)業(yè)大學(xué)智慧農(nóng)業(yè)系統(tǒng)集成研究教育部重點實驗室、中國農(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量存在人工采集過程繁瑣、設(shè)備自動采集識別精度誤差較大等問題，該團隊研究一種玉米莖稈寬度原位檢測與高精度識別方法具有重要應(yīng)用價值。

基于改進YOLOv8模型的玉米莖稈寬度原位識別方法，可以實現(xiàn)對玉米莖稈的原位準確識別，很好地解決了目前人工測量耗時費力和機器視覺識別精度較差的問題，為實際生產(chǎn)應(yīng)用提供了理論依據(jù)。

八、融合改進UNet和遷移學(xué)習的棉花根系圖像分割方法

科研機構(gòu)：河北農(nóng)業(yè)大學(xué)機電工程學(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)。該團隊為提高根系圖像分割的準確性和魯棒性，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)增強和遷移學(xué)習進一步提高改進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)葉綠素熒光信息的水稻葉瘟病早期監(jiān)測

科研機構(gòu)：南京農(nóng)業(yè)大學(xué)國家信息農(nóng)業(yè)工程技術(shù)中心/江蘇省信息農(nóng)業(yè)重點實驗室/農(nóng)業(yè)農(nóng)村部農(nóng)作物系統(tǒng)分析與決策重點實驗室/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

對稻瘟病的研究多使用反射光譜在其顯癥階段進行監(jiān)測，該團隊針對稻葉瘟早期侵染階段的日光誘導(dǎo)葉綠素熒光光譜監(jiān)測研究尚未見報道。基于不同葉位的日光誘導(dǎo)葉綠素熒光信息，實現(xiàn)水稻葉瘟病早期階段感病葉片的準確識別。

基于一年的溫室接種試驗和大田采樣實驗，配合使用主動光源、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，并人工標注了被測樣本的發(fā)病等級。研究基于連續(xù)小波分析提取對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別精度，最后基于線性判別分析算法構(gòu)建了稻葉瘟識別模型。

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

科研機構(gòu)：江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院“輕工過程先進控制”教育部重點實驗室、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圖像會部分失焦，導(dǎo)致出現(xiàn)邊緣模糊、紋理細節(jié)丟失等問題，現(xiàn)有的處理算法難以兼顧處理質(zhì)量和處理速度。蓋團隊研究提出了一種新型算法，提高融合圖像質(zhì)量問題的同時兼顧處理速度。

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。該算法實現(xiàn)在保障融合質(zhì)量的同時，提高融合圖像的效率，為搭建綠色植株三維點云模型提供高質(zhì)量數(shù)據(jù)的同時節(jié)省了時間。

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

科研機構(gòu)：福建農(nóng)林大學(xué)機電工程學(xué)院、福建省農(nóng)業(yè)信息感知技術(shù)重點實驗室、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題。低溫脅迫會對菌草的生長發(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，利用光譜技術(shù)反演MDA含量，可快速無損地評估菌草生長動態(tài)，為菌草育種及低溫脅迫診斷提供參考。

該團隊研究基于6個品種的菌草植株，設(shè)置低溫脅迫組與常溫對照組，獲取菌草苗期的可見/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;為提升模型的檢測效果，提出了改進的一維深度卷積生成式對抗網(wǎng)絡(luò)用于樣本數(shù)量增廣，并建立基于隨機森林、偏最小二乘回歸以及卷積神經(jīng)網(wǎng)絡(luò)算法的MDA光譜定量檢測模型。

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

十二、基于無人機遙感和深度學(xué)習的葡萄卷葉病感染程度診斷方法

科研機構(gòu)：西北農(nóng)林科技大學(xué)機械與電子工程學(xué)院、 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室、陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點實驗室、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

葡萄卷葉病是一種嚴重影響葡萄產(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重的數(shù)據(jù)不平衡，導(dǎo)致無人機遙感技術(shù)難以進行精確的診斷。針對此問題，該團隊研究提出一種結(jié)合細粒度分類和生成對抗網(wǎng)絡(luò)的方法，用戶提高無人機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別診斷為例，使用GANformer分別對每一類的葡萄園正射影像的分塊圖像進行學(xué)習，生成多樣化和逼真的圖像以增強數(shù)據(jù)，并以Swin Transformer tiny作為基礎(chǔ)模型，提出改進模型CA-Swin Transformer，引入通道注意力機制來增強特征表達能力，并使用ArcFace損失函數(shù)和實例歸一化來改進模型的性能。

基于CA-Swin Transformer使用滑動窗口法制作了葡萄園蛇龍珠卷葉病嚴重程度分布圖，為葡萄園卷葉病的防治提供了參考。同時，該方法為無人機遙感監(jiān)測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)檢測的低成本葉綠素熒光成像系統(tǒng)

科研機構(gòu)：江南大學(xué)輕工過程先進控制教育部重點實驗室、江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院等

植物光合作用過程中釋放的葉綠素熒光與光化學(xué)反應(yīng)緊密耦合，其熒光信號采集是光合作用效率、植物生理及環(huán)境脅迫等無損的測試手段。作為獲取該信號的葉綠素熒光成像系統(tǒng)通常價格昂貴，針對此問題，該團隊提出一種低成本葉綠素熒光成像系統(tǒng)設(shè)計方案。

基于該方案，制造了一款儀器樣機，其激發(fā)光強最大為6250μmol/(m2·s)，光場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。通過葉綠素熒光圖像采集實驗驗證了本儀器的有效性。該儀器結(jié)構(gòu)簡單、造價成本低，在植物生理狀態(tài)檢測領(lǐng)域有著很好的應(yīng)用價值。

審核編輯 黃宇