分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
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。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
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。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
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。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］近年来，人工智能在农业领域的应用取得了显著进展，但仍面临诸如模型数据收集标记困 难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术，已在多个行业的垂直领域中展现 出了良好性能，尤其在复杂关联表示、模型泛化、多模态信息处理等方面较传统机器学习方法有着较大优势。［进 展］ 本文首先阐述了大模型的基本概念和核心技术方法，展示了在参数规模扩大与自监督训练下，模型通用能力 与下游适应能力的显著提升。随后，分析了大模型在农业领域应用的主要场景；按照语言大模型、视觉大模型和 多模态大模型三大类，在阐述模型发展的同时重点介绍在农业领域的应用现状，展示了大模型在农业上取得的研 究进展。［结论/展望］ 对农业大模型数据集少而分散、模型部署难度大、农业应用场景复杂等困难提出见解，展 望了农业大模型未来的发展重点方向。预计大模型将在未来提供全面综合的农业决策系统，并为公众提供专业优 质的农业服务。
点击量
通过
点击量
下载量
评论
