《智慧农业（中英文）》由中华人民共和国农业农村部主管，中国农业科学院农业信息研究所主办，中国工程院赵春江院士担任主编。期刊聚焦农业信息技术发展前沿与热点，期刊聚焦农业信息技术发展前沿与热点，已被中国农林核心期刊、Scopus、DOAJ、CAB Abstracts、EBSCO等收录
Keywords: 区块链; 供应链; 农产品零售商; 消费者隐私; 博弈论;
DOI：10.12133/j.smartag.SA202309027
submitted time 2024-08-30
Abstract：［目的/意义］区块链本质上是一个共享数据库，存储的数据是不可篡改、公开和透明的，应用在农产品 供应链上可以提高产品透明度，吸引更多的消费者，但也会存在消费者隐私担忧问题。消费者的隐私担忧程度影 响着农产品零售商对于是否售卖区块链溯源农产品的决策。通过研究区块链溯源对农产品零售商竞争策略、定价 和最优决策的影响，零售商可以根据自己的市场情况制定市场竞争策略，提高自己的竞争力，优化农产品供应链。 ［方法］基于纳什均衡及Stackelberg博弈理论，建立初始农产品零售商与新进零售商的价格博弈模型，研究分析农 产品零售商之间的竞争决策，利用区块链智能合约技术将博弈过程以及对应情况写入智能合约，保障合作博弈有 效进行，将博弈结果上链来规范博弈双方的合作行为。［结果和讨论］消费者隐私担忧问题会影响农产品的价格和 利润。此外，通过对两家农产品零售商均衡策略的研究，发现当消费者隐私担忧程度较低、信息透明度较高时， 两家零售商才会同时售卖区块链溯源产品；消费者隐私担忧程度和信息透明度处于中等水平时，消费者对初始零 售商的信任度更高，使其可以承担更高的隐私担忧成本，而新进零售商会被挤出市场。［结论］从利益层面上讲， 区块链溯源农产品并不总是适用于零售商，结合自身实际条件才能做出最优的决策选择。良性的合作博弈才能使 利益最大化，优化农产品供应链整体利益水平。
Hits
2291
Downloads
906
Comment
0
Keywords: 星际文件系统; 区块链; 品控; 高效上链; 差分隐私增强; 信息追溯;
DOI：10.12133/j.smartag.SA202311027
submitted time 2024-08-30
Abstract：［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。［结果与讨论］经测试，差分隐私增强的大米区块链品控系统全产 业链单环节数据完成存储平均耗时1.125 s，信息追溯查询平均耗时0.691 s。与传统大米品质监管追溯系统相比， 单环节数据存储时间缩短6.64%，信息追溯查询时间缩短16.44%。［结论］研究提出的模型不仅提高了品控数据连 续性和信息可追溯程度，同时保护了农户的隐私，还在一定程度上提升了品控数据存储及信息追溯查询的效率， 可为大米品质监管与信息追溯系统的设计和改进提供参考。
Hits
2143
Downloads
710
Comment
0
Keywords: 冷链配送; 碳排放; 路况识别; 时序预测; YOLOv8s; iTransformer; 多源信息融合; 渐进特征金字塔网络;
DOI：10.12133/j.smartag.SA202403020
submitted time 2024-08-30
Abstract：［目的/意义］冷链配送碳排放动态预测是企业碳排放精准评估及其绿色信用等级评定的重要依据。本研 究面向车辆碳排放受路况信息、行驶特征、制冷参数等多因素影响，提出一种融合多源信息的冷藏车辆碳排放动 态预测模型。［方法］基于道路车辆数量与像素面积占比表征路况信息，构建基于改进YOLOv8s的路况信息识别 模型，并以路况信息、行驶特征（速度、加速度）、货物重量、制冷参数（温度、功率） 等为输入，构建基于改进 iTransformer的冷藏车辆碳排放动态预测模型。最后与其他模型展开对比分析，分别验证路况信息识别与车辆碳排 放动态预测的精度。［结果］改进的YOLOv8s路况信息识别模型在精确率、召回率和平均识别精度上分别达到 98.1%、95.5% 和98.4%， 比YOLOv8s 分别提高了1.2%、3.7% 和0.2%， 参数量和运算量分别减少了12.5% 和 31.4%，检测速度提高了5.4%。改进的iTransformer模型碳排放量预测的均方误差、平均绝对误差、均方根误差和 R2分别为0.026 1 %VOL、0.079 1 %VOL、0.161 5 %VOL和0.940 0，均优于其他时序预测模型。［结论］提出的多 源信息融合下冷链配送碳排放预测模型可实现对冷藏车辆碳排放量的精准预测，为有效降低冷链配送碳排放与提 升配送企业绿色信用等级等提供理论参考。
Hits
1694
Downloads
665
Comment
0
Keywords: 小麦叶片; 叶尖识别; 叶片计数; 注意力机制; YOLOv8; 深度学习;
DOI：10.12133/j.smartag.SA202403019
submitted time 2024-08-30
Abstract：［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mAP0.5分别达到91.6%和85.1%，具有良好的检测效果。在复杂大田环境 下该方法具有更好的适应能力，能够在不同光照条件下实现自适应检测，模型鲁棒性强。小麦幼苗期叶片检测漏 检率低，说明该方法能够满足复杂大田场景下小麦叶尖识别的需求，提高了小麦叶片数检测的准确性。［结论］本 研究可为复杂大田场景下小麦叶片数检测的研究提供参考，为小麦长势高质量评估提供技术支撑。
Hits
1957
Downloads
990
Comment
0
Keywords: 智慧农业; 科技创新; 农业新质生产力; 数据要素; 智能育种;
DOI：10.12133/j.smartag.SA202405004
submitted time 2024-08-30
Abstract：［目的/意义］智慧农业科技是农业领域又一次新技术革命，具备农业新质生产力“高科技、高效能、高 质量、可持续”的内在特征，已成为推进农业新质生产力发展的重要内核与引擎。［进展］本文对智慧农业科技创 新的现实基础、内在逻辑与问题挑战开展系统研究，结论表明中国“表型+基因型+环境型”智能育种已迈入快车 道，农业天、空、地信息感知技术体系逐渐成熟，农业大数据与智能决策技术研究探索不断推进，面向不同领域 的智能农机装备创制取得丰硕成果。智慧农业科技创新通过赋能农业要素、技术、场景、主体与价值，推动农业 新质生产力发展。但也面临科技创新政策体系不健全、关键技术存在卡点堵点断点、科创成果转化落地难度较大、 支撑体系不够完备等重大挑战。［结论/展望］聚焦问题导向，提出了中国智慧农业科技创新平台、技术、场景、 人才的“四高”路径，并围绕顶层设计、政策供给、先行实践、生态体系等层面，提出智慧农业科技创新引领农 业新质生产力发展的对策建议。
Hits
2161
Downloads
1156
Comment
0
Keywords: 自动导航; 喷药机器人; 计算机视觉; 语义分割; 注意力模块; 中心点计算; DAENe;
DOI：10.12133/j.smartag.SA202312016
submitted time 2024-08-30
Abstract：［目的/意义］大规模肉羊畜舍人工消毒存在费时费力、覆盖不全和消毒不彻底的问题，为保持畜舍卫生 和肉羊健康，本研究提出一种羊场自动导航喷药机器人。［方法］从硬件、语义分割模型和控制算法3个方面设计 了自动导航喷药机器人。硬件部分包括履带底盘、摄像头和折叠式喷药装置。语义分割模型部分通过引入压缩通 道网络注意力（Squeeze-and-Excitation Network, SENet） 和基于场景改进的十字交叉注意力（Criss-Cross Attention， CCA） 模块，提出一种双注意力ENet语义分割模型（Double Attention ENet, DAENet）。在控制算法方面，针对机器 人在面对岔路时无法控制行进方向的问题，利用模拟真实道路的方法，在羊舍外的道路上绘出车道线，提出了道 路中心点识别和车道线中心点识别两种算法来计算机器人行进过程中的导航点。为了实现上述两种算法，使用了 两台摄像头并设计了摄像头切换算法，依靠此算法实现两台摄像头的切换，并控制喷药装置的开关；提出了一种 偏移量与速度计算算法控制机器人履带左右轮速度，实现对于机器人行走的控制。［结果和讨论］DAENet模型在 图像分割任务中的平均交并比（Mean Intersection over Union, mIoU） 达到了0.945 3；摄像头切换算法测试结果表明 摄像头的切换时间在15 s以内，机器人能正确、快速地带动喷药装置的开关；中心点与偏移量计算算法测试的结 果表明，在处理多帧视频流时，算法平均处理一帧图片所用的时间为0.04~0.055 s，帧率为20~24 f/s，满足实际 工作的实时性要求；羊场实地的整体测试结果表明，机器人完成了两个羊舍的自动导航和消毒任务，并且未碰撞 路边料槽，行进轨迹偏移量未超过0.3 m。在0.2 m/s的行进速度下，药箱里的药液能够满足两个羊舍的消毒任务。 机器人处理图像的平均帧率为22.4 f/s，对于信息处理的准确性和实时性能够满足实验指标要求。喷药覆盖圈舍地 面超过90%，满足实验指标要求。［结论］本研究提出的羊舍自动导航喷药机器人以语义分割模型DAENet为基 础，中心点识别算法为核心，通过与硬件设计和控制算法的相互配合，能够在确保安全性和实时性的前提下，实 现在羊舍内的自动导航和全覆盖喷药。
Hits
2215
Downloads
703
Comment
0
Keywords: 蒙古马; 体尺测量; 卷积神经网络; 注意力机制; 三维点云处理; YOLOv8n-pose;
DOI：10.12133/j.smartag.SA202312027
submitted time 2024-08-30
Abstract：［目的/意义］准确高效地获取马匹体尺信息是马产业现代化进程中的关键环节。传统的人工测量方法耗 时长、工作量大，且会对马匹造成一定应激反应。因此，实现准确且高效的体尺参数自动测量对于制定蒙古马早 期育种计划至关重要。［方法］选择Azure Kinect深度相机获取蒙古马双侧RGB-D数据，以YOLOv8n-pose为基础， 通过在C2f模块中引入可变形卷积（Deformable Convolution v2, DCNv2），同时添加洗牌注意力机制（Shuffle Atten⁃ tion, SA） 模块和优化损失函数（SCYLLA-IoU Loss, SIoU） 的方法，利用余弦退火法动态调整学习率，提出一种名 为DSS-YOLO（DCNv2-SA-SIoU-YOLO） 的模型用于蒙古马体尺关键点的检测。其次，将RGB图中的二维关键点 坐标与深度图中对应深度值相结合，得到关键点三维坐标，并实现蒙古马点云信息的转换。利用直通滤波、随机 抽样一致性（Random Sample Consensus, RANSAC）、统计离群值滤波、主成分分析法（Principal Component Analy⁃ sis, PCA） 完成点云处理与分析。最终根据关键点坐标自动计算体高、体斜长、臀高、胸围和臀围5项体尺参数。 ［结果和讨论］DSS-YOLO的平均关键点检测精度为92.5%；dDSS为7.2个像素；参数量和运算量分别仅为3.48 M和 9.1 G。体尺参数自动测量结果与人工测量值相比，各项体尺参数的整体平均绝对误差为3.77 cm；平均相对误差为 2.29%。［结论］研究结果可为蒙古马运动性能相关遗传参数的确定提供技术支撑。
Hits
1787
Downloads
730
Comment
0
Keywords: Pig Back Transformer; 三维点云; 体尺自动测量; 测量关键点定位; 深度相机; 自注意力机制;
DOI：10.12133/j.smartag.SA202401023
submitted time 2024-08-30
Abstract：［目的/意义］为了提高体尺关键点定位准确率，猪三维点云体尺自动测量方法会采用点云分割，在各个 分割后局部点云定位测量关键点，以减少点云之间相互干扰。然而点云分割网络通常需要消耗较大计算资源，且 现有测量点定位效果仍有待提升空间。本研究旨在通过设计关键点生成网络从猪体点云中提取出各体尺测量所需 关键点。在降低显存资源需求的同时提高测量关键点定位效果，提高体尺测量的效率和精度。［方法］针对猪三维 表面点云进行体尺测量，提出了一种定位猪体尺关键点的模型Pig Back Transformer。模型分为两个模块，分别设 计了两种改进的Transformer自注意力编码器，第一模块为全局关键点模块，首先设计了一种猪背部边缘点提取算 法用于获取边缘点，再使用edge encoder编码器以边缘点集合作为输入，edge encoder的edge attention中加入了边 缘点和质点的偏移距离信息；第二模块为关键点生成模块，使用了back attention机制的back encoder，其中加入了 与质心和第一模块生成的全局关键点的偏移量，并将偏移量与点云注意力通过按位max pooling操作结合，最后通 过生成猪的体尺测量关键点和背脊走向点。最后设计了使用关键点和背脊走向点作为输入的体尺算法。［结果和讨 论］ 对比关键点和背脊走向点生成任务上Pig Back Transformer表现最佳，并对比体尺计算结果与人工测量结果， 体长相对误差为0.63%，相对PointNet++、Point Transformer V2、Point Cloud Transforme、OctFormer PointTr等模型 有较大提升。［结论］Pig Back Transformer能相对准确地生成猪体尺关键点，提高体尺测量数据准确度，并且通过 点云特征定位体尺关键点节省了计算资源，为无接触牲畜体尺测量提供了新思路。
Hits
2507
Downloads
1188
Comment
0
Keywords: 肉牛体尺测量; 深度学习; 点云分割; 实例分割; 注意力机制; Mask2former;
DOI：10.12133/j.smartag.SA202310007
submitted time 2024-08-30
Abstract：［目的/意义］牛的体尺参数是反映牛身体发育状况的关键指标，也是牛选育过程的关键因素。为解决规 模化肉牛牧场复杂环境对肉牛体尺的测量需求，设计了一种图像采集装置以及体尺自动测量算法。［方法］首先搭 建肉牛行走通道，当肉牛通过通道后进入限制装置，用英特尔双目深度相机D455对牛只右侧图像进行RGB与深 度图的采集。其次，为避免复杂环境背景的影响，提出一种改进后的实例分割网络Mask2former来对牛只二维图进 行前景轮廓提取，对轮廓进行区间划分，利用计算曲率分析方法找到所需体尺测点。然后，将原始深度图转换为 点云数据，对点云进行点云滤波、分割和深度图牛只区域的空值填充，以保留牛体区域的点云完整，从而找到所 需测点并返回到二维数据中。最后，将二维像素点投影到三维点云中，利用相机参数计算出投影点的世界坐标， 从而进行体尺的自动化计算，最终提取肉牛体高、十字部高、体斜长和管围4种体尺参数。［结果与讨论］改进的 实例分割网络与Mask R-CNN、PointRend、Queryinst等模型相比具有更好的分割结果。采用本研究测得的这4种 体尺平均相对误差分别为4.32%、3.71%、5.58%和6.25%。［结论］本研究开发的肉牛图像采集装置及相应的图像 处理方法可以满足该牧场对肉牛体尺无接触自动测量误差小于8%的精度要求，为非接触式肉牛体尺自动化测量 提供了理论与实践指导。
Hits
1878
Downloads
827
Comment
0
Keywords: 生猪计数; 深度学习; 微信小程序; YOLOv8; 实例分割;
DOI：10.12133/j.smartag.SA202310001
submitted time 2024-08-30
Abstract：［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相比，引入高效全局注意力的YOLOv8x-Ous模型获得66%的平均精 度（AP（50∶95）），平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE） 和R2分 别为1.727、2.168和0.949，表现出较高的准确性和稳定性。模型计算猪只数量误差小于3头猪的图像数量占测试 图像总数量的93.8%，相比两阶段实例分割算法Mask R-CNN（Region Convolutional Neural Network） 提升7.6%；单 幅图像平均处理时间仅为64 ms，是Mask R-CNN的1/8。［结论］该方法经济高效，为规模化猪场的生猪计数提供 了一种技术方案。
Hits
1925
Downloads
709
Comment
0
