简介：[目的/意义]针对现有规模化猪场生猪计数需求场景多,人工计数效率低、成本高等问题,提出一种基于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法.[方法]首先,利用智能手机拍摄养殖场猪只视频,对视频抽帧进一步生成图像数据集.其次,通过改进卷积块注意力模块(Convolutional Block Attention Module,CBAM)中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题,提出高效全局注意力模块,并将该模块引入基于回归分析的单阶段实例分割网络YOLO(You Only Look Once)v8中对获取的生猪图像进行分割,构建新的识别模型YOLOv8x-Ours,以实现高精度的生猪计数.最后,基于微信公众平台开发微信小程序,并嵌入综合表现最优的生猪计数模型,实现使用智能手机拍摄图像进行生猪快速计数.[结果和讨论]在测试集上的试验结果表明,与现有实例分割模型..

简介：[目的/意义]针对传统大米品质监管追溯系统中存在的品控数据链机制不够完善、品控信息可追溯程度不足、数据上链效率低及隐私信息泄露等问题,提出一种差分隐私增强的大米区块链品控模型.[方法]首先,结合大米全产业链,设计数据传输流程,涵盖种植、收购、加工、仓储和销售等各环节,有效保证品控数据链的连续性;其次,为解决上链数据量大、上链效率低问题,将大米全产业链各环节关键品控数据存储于星际文件系统(InterPlanetary File System,IPFS),然后将存储完成后返回的哈希值上链;最后,为提高品控模型信息可追溯程度,将种植环节关键品控数据中涉及隐私的部分信息通过差分隐私(Differential Privacy)处理后展示给用户,模糊化个体数据,以提高品控信息可信度,同时也保护了农户种植隐私.基于该品控模型,设计了差分隐私增强的大米区块链品控系统,并在相关大米企业实际运行.[结..

简介：摘要 : 土壤养分作为农业生产的重要指标，含量过少会降低农作物产量，过多则会造成环境污染。因此，快速、准确检测土壤养分对于精准施肥和提高作物产量具有重要意义。基于取样和化学分析的传统方法能够全面准确地检测土壤养分，但检测过程中土壤的取样及预处理过程繁琐、操作复杂、费时费力，不能实现土壤养分的原位快速检测。本研究基于调制近红外光谱，提出了一种土壤养分主动式近场遥测方法，可有效避免土壤反射自然光的干扰。该方法使用波长范围 1260~1610 nm的 8通道窄带激光二极管作为近红外光源，通过测量 8通道激光光束的土壤反射率，建立土壤养分中氮（ N）关于土壤反射率的计量模型，实现了 N的快速检测。在 74组已知 N含量的土壤样品中，选取 54组作为训练集， 20组作为预测集。基于一般线性模型，对训练集中土壤 N含量与土壤反射率的定量化参数进行训练，筛选显著波段后的计量模型 R2达到 0.97。基于建立的计量模型，预测集中土壤 N含量预测值与参考值的决定系数 R2达到 0.9，结果表明该方法具有土壤养分现场快速检测的能力。

简介：摘要 : 光是植物进行光合作用的主要能量来源，光照好坏直接影响作物的产量和品质。本研究针对现有植物补光系统多以功能叶光合能力为基准进行冠层补光，导致冠层新生叶光抑制、株间功能叶位补光不足以及补光位置不能适应作物生长进行动态调整的问题，以黄瓜为研究对象，设计了一种基于植株需光差异特性的设施黄瓜立体光环境智能调控系统。该系统由智能控制子系统、冠层 -株间 LED补光子系统、冠层 -株间环境监测子系统和补光灯升降子系统组成，通过 ZigBee技术实现各子系统间无线通信。其中冠层 -株间环境监测子系统分别获取冠层和株间环境信息并发送至智能控制子系统，智能控制子系统根据环境实时信息调用冠层调控模型和株间适宜叶位调控模型获得相应调控目标值，并将其下发至冠层 -株间补光灯，实现冠层与株间补光灯的动态实时调控。在陕西省泾阳县蔬菜产业综合服务区蔬菜基地分别部署立体补光设备和传统冠层补光设备，并进行系统调控效果验证试验。结果表明，立体补光区黄瓜植株的株高和茎粗显著增长，其中相比传统冠层补光区平均株高、茎粗分别增长了 8.03%和 7.24%，相比自然处理区平均株高、茎粗分别增长了 26.51%和 36.03%；在一个月的采摘期内，立体补光区相比传统冠层补光区和自然处理区产量分别提升了 0.28和 1.39 kg/m2，经济效益分别增加了 2.82和 4.88 CNY/m2，说明立体光环境调控系统能够提高经济效益，具有应用推广价值。

简介：摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的 MobileNetV3网络，结合关键点预测的目标检测网络（ CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（ M-CenterNet），并通过与 CenterNet和单次多重检测器（ Single Shot Multibox Detector， SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%；模型体积和帧率分别为 14.2MB和 8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为 CenterNet网络的 1/4；相比于 SSD网络，所提网络模型的 AP提升了 3.9%，模型体积降低了 84.3%；本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。

简介：摘要 : 叶片湿润时间（ LWD）是植物病害模型的重要输入变量之一，它与许多叶部病原菌的侵染有关，影响病原侵染和发育速率。为了准确地预测日光温室黄瓜病害的发生时间和方位，本研究于 2019年 3月和 9月在北京两个不同类型日光温室内按照棋盘格法设置了 9个采样点部署温湿光传感器和目测叶片湿润时间，每隔 1 h采集一次温度、湿度、辐射和叶片湿润数据进行定量估算分析。分析结果表明： BP神经网络模型在两个温室的试验条件下获得了相似的准确度（ ACC为 0.90和 0.92），比相对湿度经验模型估算叶片湿润时间的准确度（ ACC为 0.82和 0.84）更高，平均绝对误差 MAE分别为 1.81和 1.61 h，均方根误差 RSME分别为 2.10和 1.87，决定系数 R2分别为 0.87和 0.85；在晴天和多云天气条件下，叶片湿润时间的空间分布总体规律是南部＞中部＞北部，南面是叶片湿润平均时间（ 12.17 h/d）最长的区域；由东向西方向上，叶片湿润时间的空间分布总体规律是东部＞西部＞中部，中部是叶片湿润平均时间（ 4.83 h/d）最短的区域；雨天的叶片湿润平均时间比晴天和多云长，春季和秋季分别为 17.15和 17.41 h/d。这些变化和差异对温室黄瓜种群水平方向的叶片湿润时间分布具有重要影响，与大多数高湿性黄瓜病害的发生规律密切相关。本研究为预测温室黄瓜病害分布提供了有价值的参考，对控制病害流行和减少农药使用具有重要意义，提出的区域化分析温室内叶片湿润时间的方法，可以为模拟日光温室叶片湿润时间的空间分布提供参考。

简介：[目的/意义]随着奶牛养殖业向规模化、精准化和信息化养殖迅速发展,对奶牛健康的监测和管理需求也日益增加.实时监测奶牛的反刍行为对于第一时间获取奶牛健康的相关信息以及预测奶牛疾病具有至关重要的意义.目前,针对奶牛反刍行为的监测已经提出了多种策略,包括基于视频监控、声音识别、传感器监测等方法,但是这些方法普遍存在实时性不足的问题.为了减轻数据传输的数量与云端计算量,实现对奶牛反刍行为的实时监测,基于边缘计算的思想提出了一种实时对奶牛反刍行为进行监测的方法.[方法]使用自主设计的边缘设备实时地采集并处理奶牛的六轴加速度信号,基于六轴数据提出了基于联邦式与拆分式边缘智能这两种不同的策略对奶牛反刍行为实时识别方法展开研究.在基于联邦式边缘智能的奶牛反刍行为实时识别方法研究中,通过协同注意力机制改进MobileNet v3网络提出了...

简介：[目的/意义]奶牛跛行检测是规模化奶牛养殖过程中亟待解决的重要问题,现有方法的检测视角主要以侧视为主.然而,侧视视角存在着难以消除的遮挡问题.本研究主要解决侧视视角下存在的遮挡问题.[方法]提出一种基于时空流特征融合的俯视视角下奶牛跛行检测方法.首先,通过分析深度视频流中跛行奶牛在运动过程中的位姿变化,构建空间流特征图像序列.通过分析跛行奶牛行走时躯体前进和左右摇摆的瞬时速度,利用光流捕获奶牛运动的瞬时速度,构建时间流特征图像序列.将空间流与时间流特征图像组合构建时空流融合特征图像序列.其次,利用卷积块注意力模块(Convolutional Block Attention Module,CBAM)改进PP-TSMv2(PaddlePad-dle-Temporal Shift Module v2)视频动作分类网络,构建奶牛跛行检测模型Cow-TSM(Cow-Temporal Shift Module).最后,分别在不同输..

简介：摘要 : 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（ CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（ DSEB）的事件驱动分簇路由算法。算法包括：（ 1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率；（ 2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点 -主网关节点两种情况；（ 3）基于频谱变化和通信服务质量（ QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发 CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设 sink为中心），即在网关或簇头节点选取计算式中引入与节点到 sink的距离成正比的权重系数。算法仿真结果表明，与采用 K-medoid分簇和能量感知的事件驱动分簇 (ERP)路由方案相比，在 CRSN节点数为定值的前提下，基于 DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进；在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。

简介：[目的/意义]天然牧场下放牧牲畜数量的准确检测是规模化养殖场改造升级的关键.为满足规模化养殖场对大批羊群实现精准实时的检测需求,提出一种高精度、易部署的小目标检测模型CSD-YOLOv8s(CBAM SP-PFCSPC DSConv-YOLOv8s),实现无人机高空视角下小目标羊只个体的实时检测.[方法]首先,使用无人机获取天然草原牧场中包含不同背景及光照条件下的羊群视频数据并与下载的部分公开数据集共同构成原始图像数据.通过数据清洗和标注整理生成羊群检测数据集.其次,为解决羊群密集和相互遮挡造成的羊只检测困难问题,基于YOLO(You Only Look Once)v8模型构建具有跨阶段局部连接的SPPFCSPC(Spatial Pyramid Pooling Fast-CSPC)模块,提升网络特征提取和特征融合能力,增强模型对小目标羊只的检测性能.在模型的Neck部分引入了卷积注意力模块(Convolutional Blo...

简介：[目的/意义]小麦叶片数是衡量植株生长状况、确定茎蘖动态、调节群体结构的重要指标之一.目前大田环境下小麦叶片计数主要依靠人工、耗时耗力,而现有的自动化检测计数方法的效率与精度难以满足实际应用需求.为提高小麦叶片数检测的准确性,设计了一种复杂大田环境下高效识别小麦叶尖的算法.[方法]本研究以手机和田间摄像头获取的可见光图像构建了两种典型光照条件下出苗期、分蘖期、越冬期等多个生长期的小麦叶片图像数据集.以YOLOv8为基础网络,融合坐标注意力机制降低背景环境的干扰,提高模型对小麦叶尖轮廓信息的提取能力;替换损失函数加快模型收敛速度;增加小目标检测层提高对小麦叶尖的识别效果,降低漏检率.设计了一种适用于叶尖小目标识别的深度学习网络,通过检测图像叶尖数量从而得出叶片数.[结果与讨论]本研究提出的方法对小麦叶尖的识别精确率和mAP...

简介：摘要 : 水肥一体化自动装备的使用能够有效提高水肥资源利用率，但需要在作业前获知作物的营养状况及水肥需求量，而通过人工手持测量仪器来获取这些信息，存在着时效性差和劳动强度大等缺点。针对以上问题，本研究以常见的作物玉米为研究对象，使用大疆精灵Ⅲ无人机携带 RedEdge-M多光谱相机在田间上空采集玉米多光谱图像，同时使用 YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息，根据这些信息将采集的图像分为 3个等级（每个等级共包含 530幅五通道图像，其中 480幅作为训练集， 50幅作为验证集），提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于 TensorFlow深度学习框架搭建了 ResNet18卷积神经网络模型，通过向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像，能够输出玉米的营养状况等级和 GPS 信息，识别彩色图像模型在验证集的正确率为 84.7%，识别多光谱图像模型在验证集的正确率为 90.5%，模型训练平均时间为 4.5h，五通道图像识别平均用时为 3.56s。该识别方法可快速无损地获取玉米作物的营养状况，为有效提高水肥资源利用率提供了方法和依据。

简介：摘要 : 冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（ D3P）模拟生成了 100种冠层结构不同的小麦品种在 5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（ GAI）、平均倾角（ AIA）和散射光截获率（ FIPARdif）信息作为真实值 ,进一步利用上述三维小麦场景开展了虚拟的激光雷达（ LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（ H）和绿色分数特征（ GF）。最后，利用人工神经网络（ ANN）算法分别构建了从不同 LiDAR点云特征（ H、 GF和 H+GF）输入到 FIPARdif、 GAI和 AIA的反演模型。结果表明，对于 GAI、 AIA和 FIPARdif，预测精度从高到低对应的点云特征输入为 GF+H > H > GF。由此可见， H特征对提高目标表型特性的估算精度起到了重要作用。输入 GF + H特征，在中等测量噪音（ 10%）情况下， FIPARdif和 GAI的估算均获得了满意精度， R2分别为 0.95和 0.98，而 AIA的估算精度（ R2=0.20）还有待进一步提升。本研究基于 D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了 D3P协助表型算法开发的能力，展示了高通量 LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。