核心期刊
JST
关键词: 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
提交时间： 2024-08-30
摘要：［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。
点击量
4662
下载量
1793
评论
0
关键词: 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
提交时间： 2024-08-30
摘要：［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。
点击量
4751
下载量
1620
评论
0
关键词: 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
提交时间： 2024-08-30
摘要：［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。
点击量
4131
下载量
1391
评论
0
关键词: 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
提交时间： 2024-08-30
摘要：［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。
点击量
4187
下载量
1813
评论
0
关键词: 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
提交时间： 2024-08-30
摘要：［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。
点击量
4676
下载量
1952
评论
0
关键词: 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
提交时间： 2024-08-30
摘要：［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。
点击量
5047
下载量
1538
评论
0
关键词: 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
提交时间： 2024-08-30
摘要：［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。
点击量
3944
下载量
1329
评论
0
关键词: 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
提交时间： 2024-08-30
摘要：［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。
点击量
4944
下载量
2115
评论
0
关键词: 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
提交时间： 2024-08-30
摘要：［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。
点击量
4318
下载量
1580
评论
0
关键词: 生猪计数; 深度学习; 微信小程序; YOLOv8; 实例分割;
DOI：10.12133/j.smartag.SA202310001
提交时间： 2024-08-30
摘要：［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。
点击量
4543
下载量
1406
评论
0
关键词: 羊只检测; YOLOv8; 小目标; SPPFCSPC; 注意力机制; 深度可分离卷积;
DOI：10.12133/j.smartag.SA202401004
提交时间： 2024-08-30
摘要：［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 Block Attention Module, CBAM），从通道和空间两个维度增强网络的抗干扰能力，提升网 络对复杂背景的抑制能力，进一步提高对密集羊群的检测性能。最后，为提升模型的实时性和可部署性，将Neck 网络的标准卷积改为具有可变化内核的轻量卷积C2f_DS（C2f-DSConv） 模块，减小了模型的参数量并提升了模型 的检测速度。［结果和讨论］与YOLO、Faster R-CNN（Faster Regions with Convolutional Neural Networks）及其他经 典网络模型相比，改进后的CSD-YOLOv8s模型在检测速度和模型大小相当的情况下，在羊群检测任务中具有更高 的检测精度。Precision达到95.2%，mAP达到93.1%，FPS（Frames Per Second） 达到87 f/s，并对不同遮挡程度的 羊只目标具有较强的鲁棒性，有效解决了无人机检测任务中因羊只目标小、背景噪声大、密集程度高导致羊群漏 检和误检严重的问题。公开数据集验证结果表明，提出的模型对其他不同物体的检测精度均有所提高，特别是在 羊只检测方面，检测精度提升了9.7%。［结论］提出的CSD-YOLOv8s在无人机图像中更精准地检测草原放牧牲 畜，对不同程度的聚集和遮挡目标实现精准检测，且具有较好的实时性，为养殖场大规模畜禽检测提供了技术支 撑，具有广泛的应用潜力。
点击量
5438
下载量
1746
评论
0
关键词: 奶牛反刍行为; 实时监测; 边缘计算; 改进MobileNet v3; 边缘智能模型; Bi-LSTM;
DOI：10.12133/j.smartag.SA202405023
提交时间： 2024-08-30
摘要：［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CA-MobileNet v3网络，进而利用CA-MobileNet v3网络和FedAvg模型聚合 算法，设计了联邦式边缘智能模型。在基于拆分式边缘智能的奶牛反刍行为实时识别方法研究中，利用融合协同 注意力机制的MobileNet v3网络和Bi-LSTM网络，设计了基于MobileNet-LSTM的拆分式边缘智能模型。［结果和讨 论］ 对比了MobileNet v3、CA-MobileNet、联邦式边缘智能模型，以及拆分式边缘智能模型的识别准确率，其中基 于CA-MobileNet v3的联邦式边缘智能模型的平均查准率、召回率、F1-Score、特异性以及准确率分别达到97.1%、 97.9%、97.5%、98.3%和98.2%，达到了最佳识别效果。［结论］ 本研究为奶牛反刍行为的监测提供了一种实时有 效的方法，所提出的方法可以在实际应用中使用。
点击量
3037
下载量
829
评论
0
关键词: 奶牛跛行检测; 时空融合; 视频动作分类; 深度图像; 注意力机制; TSM;
DOI：10.12133/j.smartag.SA202405025
提交时间： 2024-08-30
摘要：［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，分别在不同输入模态、不同注意力机制、不同视频动作分类网络和现有方法4个方面对比，进行奶牛跛行 实验，以探究所提出方法的优劣性。［结果和讨论］共采集处理了180段奶牛图像序列数据，跛行奶牛与非跛行奶 牛视频段数比例为1∶1，所提出模型识别精度达到88.7%，模型大小为22 M，离线推理时间为0.046 s。与主流视 频动作分类模型TSM、PP-TSM、PP-TSMv2、SlowFast和TimesFormer模型相比，综合表现最好。同时，以时空流 融合特征图像作为输入时，识别精度分别比单时间模态与单空间模态分别提升12%与4.1%，证明本研究中模态融 合的有效性。通过与通道注意力（Squeeze-and-Excitation, SE）、卷积核注意力（Selective Kernel, SK）、坐标注意力 （Coordinate Attention, CA） 与CBAM不同注意力机制进行消融实验，证明利用CBAM注意力机制构建奶牛跛行检测 模型效果最佳。最后，与现有跛行检测方法进行对比，所提出的方法同时具有较好的性能和实用性。［结论］本研 究能够避免侧视视角下检测跛行奶牛时出现的遮挡问题，对于减少奶牛跛行发生率、提高牧场经济效益具有重要 意义，符合牧场规模化建设的需求。
点击量
3430
下载量
1222
评论
0
关键词: 肉牛生理指标; 人工智能; 智能监测; 传感器; 数据融合;
DOI：10.12133/j.smartag.SA202312001
提交时间： 2024-08-30
摘要：［目的/意义］随着自动化、数智化技术的快速发展及其相关技术在肉牛养殖上的逐步推广利用，肉牛智 能化养殖技术研究也取得了一定进步。肉牛的生理指标如运动量、体温、心率、呼吸频率，以及反刍量等变化反 映了肉牛的健康或亚健康状态。基于多种传感器采集到的数据以及机器学习、数据挖掘及模型化分析等技术的利 用，肉牛的生理指标可由智能感知装备尤其接触式设备自动获取并用于发情、产犊、健康和应激的监测。［进展］ 针对肉牛养殖过程生理指标的智能监测技术及其利用价值进行了系统分析，分析了生理指标监测技术在实际生产 中的应用现状，总结了肉牛生理指标监测的难点和挑战，并提出了未来发展方向。［结论/展望］肉牛生理指标的 智能监测与利用既提高数据采集的时效性和准确性，有利于提高一线人员工作效率，促进肉牛养殖的智能化水平 及健康养殖水平。结合当前中国肉牛实际饲养现状和肉牛生理指标智能监测传感器的研究现状，未来需降低接触 类相关设备能耗、提高使用寿命；提高各监测数据的相互融合深度分析，提高监测准确率；加强非接触、高精度、 自动化的数据采集分析技术研发，减少人工佩戴设备的工作量和设备使用成本。
点击量
2584
下载量
878
评论
0
关键词: 数字化转型; 农产品供应链; 冷链物流; 灰色关联分析; 野马优化算法; 时序卷积网络;
DOI：10.12133/j.smartag.SA202310006
提交时间： 2024-08-30
摘要：［目的/意义］为了解决冷链物流需求预测在数字化转型中存在特征提取不充分、数据非线性程度高和算 法易陷入局部最优等问题，提出一种结合灰色关联分析（Grey Relational Analysis, GRA）、野马优化算法（Wild Horse Optimizer, WHO） 和时序卷积网络（Temporal Convolutional Networks, TCN） 的组合预测模型，旨在解决需求 预测精度不高的问题，以实现农产品供应链智能化管理。［方法］首先运用GRA对农产品冷链物流相关指标进行 关联度筛选；其次采用TCN充分考虑农产品供应链中社会经济数据及物流信息中的时序性特征，并使用WHO对 TCN模型超参数进行寻优；最后运用优化的GRA-WHO-TCN模型对浙江省冷链物流需求进行预测。［结果和讨论］ 采用WHO的时序算法TCN模型能够有效提取多维度数据的时序特征和空间特征，具备较好的拟合效果。与GRALSTM 、GRA-TCN和GRA-WHO-LSTM模型相比，GRA-WHO-TCN冷链物流需求预测模型具有较低的均方根误差 值（11.3） 和有效的相关系数（0.95），且预测2016—2020年浙江省农产品冷链物流需求量分别为2 980、3 046、 2 487、2 645和2 799万吨，能够实现对冷链物流需求较高的预测精度。［结论］提出的GRA-WHO-TCN模型具备 良好的优化和预测能力，能够为数字经济背景下农产品供应链物资流、信息流发展提供科学预测依据和实际参考 价值。
点击量
2009
下载量
706
评论
0
关键词: 油茶; 叶部病害; 炭疽病; BiFPN; YOLACT; Transformer; 深度学习;
DOI：10.12133/j.smartag.SA202402002
提交时间： 2024-08-30
摘要：［目的/意义］炭疽病（anthracnose）作为油茶生长过程中重要的病害，其严重程度的精准判定对于精准 施药和科学管理具有重大意义。本研究提出了一种改进YOLACT（You Only Look At CoefficienTs） 分级模型Camel⁃ lia-YOLACT，旨在实现对油茶叶片炭疽病感染严重程度的自动、高效判定。［方法］首先在YOLACT主干网络部 分使用Swin-Transformer来进行特征提取。Transformer架构的自注意力机制拥有全局感受野及移位窗口等特性，有 效地增强了模型的特征提取能力；引入加权双向特征金字塔网络，融合不同尺度的特征信息，加强模型对不同尺 度目标的检测能力，提高模型的检测精度；在激活函数的选择上，采用非线性能力更强的HardSwish激活函数替 换原模型的ReLu激活函数。由于HardSwish在负值区域不是完全截断，对于输入数据中的噪声具有更高的鲁棒性， 自然环境下的图像有着复杂的背景和前景信息，HardSwish的鲁棒性有助于模型更好地处理这些情况，进一步提升 精度。［结果和讨论］采用迁移学习方式在油茶炭疽病感染严重程度分级数据集上进行实验验证。消融实验结果表 明，本研究提出的Camellia-YOLACT模型的mAP75为86.8%，较改进前提升5.7%；mAPall为78.3%，较改进前提升 2.5%；mAR为91.6%，较改进前提升7.9%。对比实验结果表明，Camellia-YOLACT在精度和速度方面表现均好于 SOLO （Segmenting Objects by Locations），与Mask R-CNN算法相比，其检测速度提升了2倍。在室外的36组分级 实验中进一步验证了Camellia-YOLACT模型的性能，其对油茶炭疽病严重程度的分级正确率达到了94.4%，K值 平均绝对误差为1.09%。［结论］本研究提出的Camellia-YOLACT模型在油茶叶片和炭疽病病斑分割上具有较高的 精度，能够实现对油茶炭疽病严重程度的自动分级，为油茶病害的精准防治提供技术支持，进一步推动油茶炭疽 病诊断的自动化和智能化。
点击量
1863
下载量
752
评论
0
关键词: 结球甘蓝; 语义分割; 叶球识别; 注意力机制; 特征选择; 特征对齐;
DOI：10.12133/j.smartag.SA202401020
提交时间： 2024-08-30
摘要：［目的/意义］叶球是结球甘蓝的重要部分，其生长发育对田间管理至关重要。针对叶球分割识别存在大 田背景复杂、光照不均匀和叶片纹理相似等问题，提出一种语义分割算法UperNet-ESA，旨在能快速、准确地分 割田间场景中结球甘蓝的外叶和叶球，以实现田间结球甘蓝的智能化管理。［方法］首先，采用统一感知解析网络 （Unified Perceptual Parsing Network, UperNet） 作为高效语义分割框架，将主干网络改为先进的ConvNeXt，使得模 型在提升分割精度的同时也能具有较低的模型复杂度；其次，利用高效通道注意力机制（Efficient Channel Atten⁃ tion, ECA） 融入特征提取网络的各阶段，进一步捕捉图像的细节信息；最后，通过将特征选择模块（Feature Se⁃ lection Model, FSM） 和特征对齐模块（Feature Alignment Model, FAM） 集成到特征金字塔框架中，得到更为精确的 目标边界预测结果。［结果和讨论］在自制结球甘蓝图像数据集上进行实验，与目前主流的UNet、PSPNet和Deep⁃ labV3+语义分割模型相比，改进UperNet方法的平均交并比为92.45%，平均像素准确率为94.32%，推理速度为 16.6 f/s，能够达到最佳精度-速度平衡效果。［结论］研究成果可为结球甘蓝生长智能化监测提供理论参考，对甘 蓝产业发展具有重要的应用前景。
点击量
2633
下载量
937
评论
0
关键词: 农事活动行为; SlowFast模型; 多路径激励残差网络; ECA-Res; 平衡损失函数;
DOI：10.12133/j.smartag.SA202402001
提交时间： 2024-08-30
摘要：［目的/意义］农事行为活动识别对设施蔬菜生产精准化调控有着重要意义，在一定程度上可以通过查看 农事操作的时间、操作过程是否合理来减少因农事行为不当导致产量下降。为了解决农事行为识别方法中由于黄 瓜叶片和设施遮挡导致识别准确率不高的问题，提出一种名为SlowFast-SMC-ECA （SlowFast-Spatio-Temporal Ex⁃ citation、Channel Excitation、Motion Excitation-Efficient Channel Attention）的农事活动行为识别算法。［方法］该算 法主要基于SlowFast模型，通过改进Fast Pathway和Slow Pathway中的网络结构来提高对于农事活动中手部动作特 征和关键特征的提取能力。在Fast Pathway中，引入多路径激励残差网络的概念，通过在信道之间插入卷积操作来 增强它们在时域上的相互关联性，从而更好地捕捉快速运动信息的细微时间变化。在Slow Pathway中，将传统的 Residual Block替换为ECA-Res结构，以提高对通道信息的捕获能力。这两项改进有效地加强了通道之间的联系， 提升了特征之间的语义信息传递，进而显著提升了农事行为识别的准确率。此外，为了解决数据集中类别不均衡 的问题，设计了平衡损失函数（Smoothing Loss），通过引入正则化系数，平衡损失函数可以有效地处理数据集中 的类别不均衡情况，提高模型在各个类别上的表现。［结果和讨论］改进的SlowFast-SMC-ECA模型在农事行为识 别中表现出良好的性能，各类行为的平均识别精度达到80.47%，相较于原始的SlowFast模型有约3.5%的提升。 ［结论］本研究在农事行为识别中展现出良好的性能。这对农业生产的智能化管理和决策具有重要意义。
点击量
2105
下载量
683
评论
0
关键词: 油菜种子流检测; 播种; 除尘; 监测系统; 精准计数;
DOI：10.12133/j.smartag.SA202401011
提交时间： 2024-08-30
摘要：［目的/意义］针对气送式油菜直播机作业过程中粉尘影响种子流检测性能、监测系统难以适应不同幅宽 播种行数等问题，设计了一种油菜播种机除尘式播量监测系统。［方法］该监测系统由除尘式油菜种子流检测装置 与播量监测终端构成，可通过改变检测装置数量适配不同幅宽播种机。根据粉尘影响种子流检测结构机制，设计 了防尘除尘机构。该机构通过透明防尘板将光电感应器件与导种管隔开，粉尘只附着在透明防尘板靠近导种管一 侧，同时利用步进电机-丝杆机构使透明防尘板与除尘布产生相互摩擦实现对透明防尘板除尘。通过分析与试验 确定透明防尘板尺寸、除尘启动阈值等关键参数。［结果和讨论］检测装置对比台架试验表明，在平均排种频率 12.4~36.3 Hz、平均粉尘流量252~386 mg/s下，无防尘除尘检测装置在两个除尘周期后检测准确率不高于80.2%； 有防尘除尘检测装置在单个除尘周期内平均检测准确率不低于93.6%，检测装置不会将粉尘误计。播量监测台架 试验表明，在平均排种频率不高于37.6 Hz时，播量监测准确率不低于92.2%。田间播种试验表明，在2.8~4.6 km/h 的油菜直播机正常作业速度下，田间排种频率为14.8~31.1 Hz时，播量监测准确率不低于93.1%。［结论］该油菜 播量监测系统为气送式油菜直播机作业中粉尘影响下种子流精准检测提供了有效支持，提高了对不同宽幅播种行 数的适应性。
点击量
1771
下载量
637
评论
0
关键词: 农业机器人; 激光雷达定位; 点云匹配; 扩展卡尔曼滤波; 传感器融合;
DOI：10.12133/j.smartag.SA202401009
提交时间： 2024-08-30
摘要：［目的/意义］精准可靠的定位技术是智能农业机器人开展自主导航作业的重要前提，而常用的全球卫星 导航系统（Global Navigation Satellite System, GNSS） 定位方法在农业环境中容易受到树木遮挡、电磁干扰等因素影 响，因而，提出一种基于三维激光雷达（Light Detection and Ranging, LiDAR） 与惯性测量单元（Inertial Measure⁃ ment Unit, IMU）信息融合的农业机器人定位方法。［方法］首先，利用基于角度的聚类方法对激光雷达点云数据 进行信息处理，并与三维正态分布变换（3D Normal Distribution Transform, 3D-NDT） 定位算法相结合，在先验点 云地图信息基础上实现基于激光雷达的实时定位；其次，为了克服单传感器定位方法的局限性，利用扩展卡尔曼 滤波（Extended Kalman Filter, EKF） 算法对激光雷达定位信息与IMU里程计信息进行融合，进一步提升农业机器 人的定位精度。最后，分别在机器人操作系统（Robot Operating System, ROS） 的Gazebo仿真环境中，以及真实作 业场景中进行实验，验证提出的定位算法的有效性。［结果和讨论］融合定位方法在仿真环境中的纵向和横向平均 定位误差分别为1.7和1.8 cm，而在实验中的纵向和横向平均定位误差分别为3.3和3.3 cm，均小于传统3D-NDT定 位算法的定位误差。［结论］提出的融合定位方法能够满足农业机器人在弱GNSS环境下自主作业的定位要求，为 农业机器人提供了一种新的定位方法。
点击量
3537
下载量
1418
评论
0
