关键词: 黄花; 源库关系; 光合作用模型; 形态模型; 三维动态生长模拟; 产量模拟;
DOI：10.12133/j.smartag.SA202310011
提交时间： 2024-06-17
摘要：［目的/意义］为探究并表达环境因素对黄花各器官生长发育、形态结构和产量的影响，提出一种基于源 库关系的黄花植株三维动态生长及产量模拟模型。［方法］以大同地区黄花主要栽培种植品种大同黄花为研究材 料，采集黄花叶片、花葶、花蕾等形态数据和叶片光合生理参数，利用功能-结构植物模型（Functional-Structural Plant Model，FSPM） 平台的三维建模技术，建立基于云量的室外地表太阳辐射模型及适配黄花的光合作用模型， 同时基于黄花源库关系建立黄花光合产物碳分配模型，利用β生长函数构建黄花各器官生长模拟模型，计算黄花 生长期内逐日形态数据，最终实现黄花植株三维动态生长及产量模拟。［结果和讨论］采用实测数据对模型进行检 验。结果显示，室外地表太阳辐射实测值和模拟值R2为0.87；剩余标准差（Root Mean Squared Error，RMSE） 为 28.52 W/m2，黄花各器官模拟模型实测值和预测值R2为0.896~0.984，RMSE为1.4~17.7 cm；平均花蕾产量模拟R2 为0.880，RMSE为0.5 g；整体F 值为82.244~1 168.533，Sig.值均小于显著水平0.05，表明上述模型拟合度和显著 性较好。［结论］模型能够准确地表现黄花植株在3个主要生长时期的生长规律和形态特征，模拟结果与实际情况 相符合，表现出较高的可信度。因此，本模型具有理想的模拟效果，足以满足精细农业领域的研究需求。
点击量
276
下载量
67
评论
0
关键词: 无人机; 深度学习; 小麦倒伏检测; 特征金字塔网络; Mask2Former;
DOI：10.12133/j.smartag.SA202310002
提交时间： 2024-06-17
摘要：［目的/意义］传统的小麦倒伏检测方法需要人工进行田间观测和记录，这种方法存在主观、效率低、劳 动强度大等问题，难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上 得到应用，但普遍局限于对小麦单一发育阶段的倒伏识别，而倒伏可能发生在小麦生长的各个时期，不同时期倒 伏特征变化复杂，这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏 区域检测方法。［方法］用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像，通过数据 增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former，该模型在Mask2Former 的基础上加以改进，引入分层交互式特征金字塔网络（Hierarchical Interactive Feature Pyramid Network, HI-FPN ）， 用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。［结果和讨论］所提出的Lodg⁃ ing2Former模型相较于现存的多种主流算法，如Mask R-CNN （Mask Region-Based Convolutional Neural Network）、 SOLOv2（Segmenting Objects by Locations, Version 2） 以及Mask2Former，在平均精度均值（mean Average Precision, mAP） 上展现出显著优势。在阈值分别为0.5、0.75以及0.5~0.95的条件下，模型的mAP值分别达到了79.5%、 40.2%和43.4%，相比Mask2Former模型，mAP性能提升了1.3%~4.3%。［结论］提出的HI-FPN网络可以有效利用 图像中的上下文语义和细节信息，通过提取丰富的多尺度特征，增强了模型对小麦在不同生长阶段倒伏区域的检 测能力，证实了HI-FPN在多生育期小麦倒伏检测中的应用潜力和价值。
点击量
276
下载量
74
评论
0
关键词: YOLOv8s; 玫瑰鲜切花; 分级检测; 深度学习; SAM; 注意力机制;
DOI：10.12133/j.smartag.SA202401005
提交时间： 2024-06-17
摘要：［目的/意义］针对当前玫瑰鲜切花分级仍依赖人工进行简单分级，造成效率低、准确率低等问题，提出 一种新的模型Flower-YOLOv8s来实现玫瑰鲜切花的分级检测。［方法］以单一背景下单支玫瑰花的花头作为检测 目标，将鲜切花分为A、B、C、D四个等级，对YOLOv8s（You Only Look Once version 8 small） 模型进行了优化改 进。首先，构建了一个全新的玫瑰鲜切花分级检测数据集。其次，在YOLOv8s的骨干网络分别添加CBAM（Con⁃ volutional Block Attention Module） 和SAM（Spatial Attion Module） 两个注意力机制模块进行对比实验；选择SAM模 块并对其进一步优化，针对模型轻量化需求，再结合深度可分离卷积模块一起添加到C2f结构中，形成Flower- YOLOv8s模型。［结果和讨论］从实验结果来看YOLOv8s添加SAM的模型具有更高的检测精度，mAP@0.5达到 86.4%。Flower-YOLOv8s相较于基线模型精确率提高了2.1%，达到97.4%，平均精度均值（mAP） 提高了0.7%， 同时降低了模型参数和计算量，分别降低2.26 M和4.45 MB；最后使用相同的数据集和预处理方法与Fast-RCNN、 Faster-RCNN、SSD、YOLOv3、YOLOv5s和YOLOv8s进行对比实验，证明所提出的实验方法综合强于其他经典 YOLO模型。［结论］提出的基于改进YOLOv8s的玫瑰鲜切花分级方法研究能有效提升玫瑰鲜切花分级检测的精准 度，为玫瑰鲜切花分级检测技术提供一定的参考价值。
点击量
301
下载量
99
评论
0
关键词: 甘蓝移栽; YOLOv8s; 目标检测; 多尺度注意力机制; 可变形卷积;
DOI：10.12133/j.smartag.SA202401008
提交时间： 2024-06-17
摘要：［目的/意义］借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析，将会极大提高 识别效率。为了实现甘蓝大田移栽情况的实时监测和统计，提高甘蓝移栽后的成活率以及制定后续工作方案，减 少人力和物力的浪费，研究一种自然环境下高效识别甘蓝移栽状态的算法。［方法］采集移栽后的甘蓝图像，利用 数据增强方式对数据进行处理，输入YOLOv8s（You Only Look Once Version 8s） 算法中进行识别，通过结合可变 形卷积，提高算法特征提取和目标定位能力，捕获更多有用的目标信息，提高对目标的识别效果；通过嵌入多尺 度注意力机制，降低背景因素干扰，增加算法对目标区域的关注，提高模型对不同尺寸的甘蓝的检测能力，降低 漏检率；通过引入Focal-EIoU Loss（Focal Extended Intersection over Union Loss），优化算法定位精度，提高算法的 收敛速度和定位精度。［结果和讨论］提出的算法经过测试，对甘蓝移栽状态的召回率R值和平均精度均值 （Mean Average Precision，mAP） 分别达到92.2%和96.2%，传输速率为146帧/s，可满足实际甘蓝移栽工作对移栽 状态识别精度和速度的要求。［结论］提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别，可 以提升移栽质量测量效率，减少时间和人力投入，提高大田移栽质量调查的自动化程度。
点击量
224
下载量
67
评论
0
关键词: 移动式表型平台; 实例分割; 草莓表型; 叶龄统计; 冠幅; Mask R-CNN; ResNeSt;
DOI：10.12133/j.smartag.SA202310014
提交时间： 2024-06-17
摘要：［目的/意义］为解决高通量草莓叶龄及冠幅提取问题，提出一种基于移动式表型平台和实例分割技术的 高通量表型提取方法。［方法］利用小型移动式表型平台对温室内盆栽草莓植株的俯拍图像进行数据获取，并利用 改进型Mask R-CNN （Convolutional Neural Network） 模型对图像进行处理，以此获取草莓植株叶龄信息。首先利 用带有分组注意力模块的Split-Attention Networks（ResNeSt） 骨干网络替换原有网络，从而提高图像特征信息提取 精度和执行效率。在训练时，利用Mosaic方法对草莓图像进行数据增强，并且使用二元交叉熵损失函数对原本的 交叉熵分类损失函数进行优化，以达到更好的植株与叶片的检测准确度。在此基础上，对训练结果进行后处理， 利用标定比值对冠幅进行计算。［结果和讨论］该方法能够在ResNeSt-101骨干网络下，实现80.1%的掩膜准确率 和89.6%的检测框准确率，并且能够以99.3%的植株检测正确率和98.0%的叶片数量检出率实现高通量的草莓叶龄 估算工作。而模型推理后草莓植株南北和东西向冠幅测试值与真实值相比误差均低于5%的约占98.1%。［结论］ 该方法有着较高的鲁棒性，能够为智慧农业下高通量植物表型获取与解析工作提供技术支持。
点击量
240
下载量
78
评论
0
关键词: 农业病害; 命名实体识别; 实体嵌套; RoFormer预训练模型; 指针网络;
DOI：10.12133/j.smartag.SA202311021
提交时间： 2024-06-17
摘要：［目的/意义］针对实体嵌套、实体类型混淆等问题导致的农业病害命名实体识别（Named Entities Recog⁃ nition, NER） 准确率不高的情况，以PointerNet为基准模型，提出一种基于RoFormer预训练模型的指针网络农业病 害NER方法RoFormer-PointerNet。［方法］采用RoFormer预训练模型对输入的文本进行向量化，利用其独特的旋 转位置嵌入方法来捕捉位置信息，丰富字词特征信息，从而解决一词多义导致的类型易混淆的问题。使用指针网 络进行解码，利用指针网络的首尾指针标注方式抽取句子中的所有实体，首尾指针标注方式可以解决实体抽取中 存在的嵌套问题。［结果和讨论］自建农业病害数据集，数据集中包含2 867条标注语料，共10 282个实体。为验 证RoFormer预训练模型在实体抽取上的优越性，采用Word2Vec、BERT、RoBERTa等多种向量化模型进行对比试 验，RoFormer-PointerNet 与其他模型相比，模型精确率、召回率、F1 值均为最优，分别为87.49%，85.76% 和 86.62%。为验证RoFormer-PointerNet在缓解实体嵌套的优势，与使用最为广泛的双向长短期记忆神经网络（Bidirectional Long Short-Term Memory, BiLSTM） 和条件随机场（Conditional Random Field, CRF） 模型进行对比试验， RoFormer-PointerNet比RoFormer-BiLSTM模型、RoFormer-CRF模型和RoFormer-BiLSTM-CRF模型分别高出4.8%、 5.67%和3.87%，证明用指针网络模型可以很好解决实体嵌套问题。最后验证RoFormer-PointerNet方法在农业病害 数据集中的识别性能，针对病害症状、病害名称、防治方法等8类实体进行了识别实验，本方法识别的精确率、 召回率和F1值分别为87.49%、85.76%和86.62%，为同类最优。［结论］本研究提出的方法能有效识别中文农业病 害文本中的实体，识别效果优于其他模型。在解决实体抽取过程中的实体嵌套和类型混淆等问题方面具有一定 优势。
点击量
221
下载量
67
评论
0
关键词: 害虫识别; 语义知识; 图像特征; 生成对抗网络; 对比学习; 广义零样本学习;
DOI：10.12133/j.smartag.SA202312014
提交时间： 2024-06-17
摘要：［目的/意义］害虫的精准识别对农作物虫害有效防治具有重大意义。然而，当前的害虫图像识别模型都 是针对闭集数据构建的模型，难以对训练集中没有出现过的害虫种类（不可见害虫） 进行推理，导致在实际应用 过程中遇见不可见类别昆虫时误判现象尤为严重。［方法］针对这一问题，提出了一种适用零样本学习（Zero- Shot Learning, ZSL） 和广义零样本学习 （Generalized Zero-Shot Learning, GZSL） 范式的害虫图像识别方法VSAWGAN， 可以实现对可见（训练集中包含的类别） 与不可见害虫种类的辨识。该方法基于生成对抗网络（Genera⁃ tive Adversarial Network, GAN） 生成伪视觉特征，将零样本害虫识别问题转化为传统监督学习任务，且通过引入对 比学习来优化生成器的生成质量，添加视觉-语义对齐模块进一步约束生成器，使其能生成更具判别性的特征。 ［结果与讨论］在自建的一个适用于零样本学习研究的害虫数据集和几个公开数据集对提出方法进行了评估。其 中，在多个公开数据上取得了目前最优结果，相比之前方法最大提升达到2.8%；在自建20类害虫数据集上取得了 零样本设置下77.4%的识别精度和广义零样本设置下78.3%的调和精度，相比之前方法分别提升了2.1%和1.2%。 ［结论］所提方法能有效地将害虫的视觉特征泛化到不可见类，实现害虫的零样本识别，有助于提升害虫识别模型 的泛化能力，为农作物新虫害的发现与防治提供帮助。
点击量
201
下载量
52
评论
0
关键词: 对虾病害; 计算机视觉; YOLOv8; Farneback光流法; 灰度共生矩阵; 支持向量机;
DOI：10.12133/j.smartag.SA201311014
提交时间： 2024-06-17
摘要：［目的/意义］对虾病害严重危害对虾养殖业。针对对虾病害发病快、死亡率高等特点，高密度的工厂化 养殖等模式需要一种高效率对虾发病检测方法替代传统人工检查方法，实现对虾发病的及时预警。［方法］提出一 种基于改进YOLOv8（You Only Look Once） 和多元特征的对虾发病检测方法。首先利用改进YOLOv8网络从对虾 夜间水面红外图像中进行前景提取，再利用Farneback光流法和灰度共生矩阵（Gray Level Co-occurrence Matrix， GLCM） 提取对虾视频片段的运动特征与图像纹理特征，利用提取到的特征参数构建训练数据集，训练支持向量 机（Support Vector Machine，SVM） 作为分类器用于检测对虾视频片段，实现对正常与发病的对虾视频片段的检测 分类。［结果和讨论］训练好的SVM分类器在300个测试样本上的表现为检测准确率平均值为83%，检测效果达到 设计要求。检测误差主要是将发病片段错误地检测为正常片段。该误差主要受水面对虾数量和视频影响。［结论］ 本研究实现了对对虾发病的检测，提供了一种基于计算机视觉的检测方法。但受条件限制，仅在工厂化养殖环境 下进行了实验，尚不能适用于多种养殖环境，仍有改进空间。
点击量
300
下载量
74
评论
0
关键词: YOLOv8; 害虫检测; 注意力机制; 边缘计算; CBAM; BiFPN; VoVGSCSP; GSConv;
DOI：10.12133/j.smartag.SA202311007
提交时间： 2024-06-17
摘要：［目的/意义］实现复杂的自然环境下农作物害虫的识别检测，改变当前农业生产过程中依赖于专家人工 感官识别判定的现状，提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作 物拟态、检测准确率低、算法推理速度慢等问题，本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目 标检测算法。［方法］首先通过引入GSConv提高模型的感受野，部分Conv更换为轻量化的幻影卷积（Ghost Convo⁃ lution），采用HorBlock捕捉更长期的特征依赖关系，Concat更换为BiFPN（Bi-directional Feature Pyramid Network） 更加丰富的特征融合，使用VoVGSCSP 模块提升微小目标检测，同时引入CBAM （Convolutional Block Attention Module） 注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本，提高网络 模型的泛化能力和整体性能。之后，对改进后的YOLOv8-Extend 模型与YOLOv8 原模型、YOLOv5、YOLOv8- GSCONV、YOLOv8-BiFPN、YOLOv8-CBAM进行对比，验证模型检测准确度和精度。最后将模型移植到边缘设备 进行推理验证，在实际应用场景中验证模型的有效性。［结果和讨论］YOLOv8-Extend在对比实验中均取得良好的 表现，其中与原模型对比实验中，精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升2.6%、3.6%、 2.4% 和7.2%，表现突出，具有更好的检测效果。改进前后的模型分别运行在边缘计算设备JETSON ORIN NX 16 GB上并通过TensorRT加速相比，mAP@0.5提升4.6%，达到57.6 FPS，满足实时性检测要求。在复杂农业场景 中YOLOv8-Extend模型具有更好的适应性，在实际采集数据中微小害虫与生长环境相似的害虫检测方面有明显优 势，在困难数据检测方面准确率提高了11.9%。［结论］本研究提出的YOLOv8改进模型有效提高了检测精度和识 别率同时保持了较高的运行效率，能够部署在边缘终端计算设备上实现农作物害虫的实时检测，也为其他小目标 智能检测和模型结构优化提供参考和帮助。
点击量
207
下载量
58
评论
0
关键词: 油菜菌核病检测; 高光谱图像分割; 双向门控循环神经网络; 空-谱信息融合; 深度学习;
DOI：DOI：10.12133/j.smartag.SA202310010
提交时间： 2024-06-17
摘要：［目的/意义］油菜菌核病是一种全球性的植物病害，可严重影响油菜的产量和品质，造成巨大的经济损 失。为解决传统化学检测方法存在的操作复杂、污染环境、破坏样品及检测效率低等问题，构建了一种基于空- 谱信息融合的双向门控循环网络（Bi-directional Gate Recurrent Unit, Bi-GRU） 模型，实现油菜菌核病侵染区域的 高光谱图像分割。［方法］首先提取7×7像素邻域作为目标像素的空间特征，同时考虑全波段光谱特征，实现空 间信息和光谱信息的有效融合。在此基础上结合Bi-GRU架构，实现序列数据中任意位置上特征的同时提取，避 免了空-谱数据融合顺序对模型结果的影响。［结果和讨论］与卷积神经网络模型和长短时记忆网络模型相比，基 于空-谱信息融合的Bi-GRU模型在平均精度、平均交并比、Kappa系数和Dice系数等评价指标上均获得显著提升。 该模型的油菜菌核病检测平均精度达到93.7%，同时可以有效提取早期感染阶段的病斑区域。［结论］本研究可为 油菜菌核病的高通量无损检测奠定基础，也为油菜菌核病的早期感染检测提供参考依据。
点击量
258
下载量
73
评论
0
