機(jī)器視覺(jué)與農(nóng)業(yè)智能感知相關(guān)的研究，目前已經(jīng)取得了一定進(jìn)展，在果園果樹(shù)、大田作物、荒漠植物、中藥材、畜禽等領(lǐng)域，已經(jīng)獲得了一定科研進(jìn)展。本文整理了近期發(fā)表的機(jī)器視覺(jué)與農(nóng)業(yè)智能感知相關(guān)專題的論文。

一、基于改進(jìn)ResNet50模型的自然環(huán)境下蘋(píng)果物候期識(shí)別

參與機(jī)構(gòu)：四川省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息與農(nóng)村經(jīng)濟(jì)研究所

針對(duì)傳統(tǒng)方法對(duì)自然環(huán)境下蘋(píng)果物候期圖像識(shí)別精度低、覆蓋面不全等問(wèn)題,該團(tuán)隊(duì)提出了一種基于改進(jìn)ResNet50模型的蘋(píng)果物候期識(shí)別方法，實(shí)現(xiàn)自然環(huán)境下高原紅富士蘋(píng)果物候期圖像的智能識(shí)別。

結(jié)果表明改進(jìn)ResNet50可實(shí)現(xiàn)對(duì)蘋(píng)果物候期有效識(shí)別,該研究成果可為果園物候期識(shí)別提供參考,通過(guò)集成至果樹(shù)生育期智能監(jiān)測(cè)生產(chǎn)管理平臺(tái),實(shí)現(xiàn)蘋(píng)果園區(qū)的智能化管控。

二、自然環(huán)境中鮮食葡萄快速識(shí)別與采摘點(diǎn)自動(dòng)定位方法

參與機(jī)構(gòu)：山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院/智能化農(nóng)業(yè)機(jī)械與裝備實(shí)驗(yàn)室/山東省園藝機(jī)械與裝備重點(diǎn)實(shí)驗(yàn)室、山東交通學(xué)院工程機(jī)械學(xué)院、山東農(nóng)業(yè)大學(xué)生命科學(xué)學(xué)院小麥育種全國(guó)重點(diǎn)實(shí)驗(yàn)室

自然環(huán)境中鮮食葡萄的快速識(shí)別，與精準(zhǔn)定位是實(shí)現(xiàn)鮮食葡萄機(jī)器人自動(dòng)采摘的先決條件。該團(tuán)隊(duì)研究了基于改進(jìn)的K-means聚類算法和輪廓分析法提出一種鮮食葡萄采摘點(diǎn)自動(dòng)定位的方法,利用幾何方法實(shí)現(xiàn)鮮食葡萄采摘點(diǎn)快速準(zhǔn)確定位。

結(jié)果表明該算法在籬壁式、棚架式下紫葡萄、綠葡萄的采摘點(diǎn)定位成功率高,整體試驗(yàn)效果較好。為鮮食葡萄采摘機(jī)器人實(shí)現(xiàn)精準(zhǔn)采摘葡萄提供技術(shù)支撐。

三、用于邊緣計(jì)算設(shè)備的果樹(shù)掛果量輕量化估測(cè)模型

參與機(jī)構(gòu)：中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室、中國(guó)農(nóng)業(yè)科學(xué)院

掛果量是果樹(shù)栽培管理的重要指標(biāo)。傳統(tǒng)人力抽樣估測(cè)果樹(shù)掛果量的方法不僅耗時(shí)費(fèi)力,而且容易產(chǎn)生較大誤差。該團(tuán)隊(duì)研究提出了一種用于邊緣計(jì)算設(shè)備的輕量化模型,實(shí)現(xiàn)視頻中樹(shù)上柑橘掛果量的自動(dòng)估測(cè)，以提升掛果量估測(cè)準(zhǔn)確性。

試驗(yàn)結(jié)果證明：該模型在邊緣計(jì)算設(shè)備上對(duì)柑橘掛果量估測(cè)的有效性,基于算法模型研發(fā)的果園掛果量遠(yuǎn)程監(jiān)測(cè)系統(tǒng)，可滿足用于果園移動(dòng)平臺(tái)行進(jìn)狀態(tài)下的果樹(shù)掛果量估測(cè)需求，為果園生產(chǎn)力自動(dòng)監(jiān)測(cè)分析提供技術(shù)支持。

四、融合ECA機(jī)制與DenseNet201的水稻病蟲(chóng)害識(shí)別方法

參與機(jī)構(gòu)：揚(yáng)州大學(xué)信息工程學(xué)院(人工智能學(xué)院)

針對(duì)傳統(tǒng)人工識(shí)別病蟲(chóng)害存在的效率過(guò)低、成本過(guò)高等問(wèn)題,該團(tuán)隊(duì)提出了一種融合ECA注意力機(jī)制與DenseNet201的水稻圖像識(shí)別模型GE-DenseNet。

該方法在包含水稻胡麻斑病、水稻鐵甲蟲(chóng)、稻瘟病與健康水稻的3355張圖像數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)測(cè)試,識(shí)別準(zhǔn)確率達(dá)到83.52%，實(shí)現(xiàn)對(duì)不同水稻病蟲(chóng)害圖像更為準(zhǔn)確地識(shí)別,為及時(shí)防治病蟲(chóng)害,減少各類損失提供技術(shù)支持。

五、基于不同空間分辨率無(wú)人機(jī)多光譜遙感影像的小麥倒伏區(qū)域識(shí)別方法

參與機(jī)構(gòu)：河南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院/教育部作物生長(zhǎng)發(fā)育調(diào)控重點(diǎn)實(shí)驗(yàn)室/省部共建小麥玉米作物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室

快速準(zhǔn)確評(píng)估作物倒伏災(zāi)情狀況,需及時(shí)獲取倒伏發(fā)生位置及面積等信息。結(jié)合目前無(wú)人機(jī)遙感識(shí)別作物倒伏缺乏相應(yīng)的技術(shù)標(biāo)準(zhǔn),不利于規(guī)范無(wú)人機(jī)數(shù)據(jù)獲取流程和提出問(wèn)題解決方案。該團(tuán)隊(duì)研究旨在探討不同空間分辨率無(wú)人機(jī)遙感影像，及特征優(yōu)化方法對(duì)小麥倒伏區(qū)域識(shí)別精度的影響。

結(jié)果表明在不同飛行高度下的分類精度相對(duì)差異較小,90 m總體分類精度可達(dá)到95.6%,Kappa系數(shù)達(dá)到0.914,滿足了對(duì)分類精度的需求。通過(guò)選擇適宜的特征選擇方法,不僅可以兼顧分類精度,還能有效縮小影像空間分辨率變化引起的倒伏分類差異,有助于提升飛行高度,擴(kuò)大小麥倒伏監(jiān)測(cè)面積,降低作業(yè)成本,為確立作物倒伏信息獲取策略及小麥災(zāi)情評(píng)估提供參考及支持。

六、基于無(wú)人機(jī)高光譜遙感的烤煙葉片葉綠素含量估測(cè)

參與機(jī)構(gòu)：河南農(nóng)業(yè)大學(xué)煙草學(xué)院、國(guó)家煙草栽培生理生化研究基地、煙草行業(yè)煙草栽培重點(diǎn)實(shí)驗(yàn)室

研究目的：烤煙葉片葉綠素含量是表征烤煙光合作用、營(yíng)養(yǎng)狀況和長(zhǎng)勢(shì)的重要指標(biāo)。該團(tuán)隊(duì)以高效精確地估測(cè)不同生長(zhǎng)期烤煙LCC為目的，以中煙100煙葉為研究對(duì)象。采用一元線性回歸、多元線性回歸、偏最小二乘回歸、支持向量回歸和隨機(jī)森林回歸5種建模方法進(jìn)行LCC估測(cè)。

該研究通過(guò)分析多種光譜指數(shù)與烤煙LCC的響應(yīng)規(guī)律,構(gòu)建可靠的烤煙葉片LCC估測(cè)模型,可為烤煙葉LCC估測(cè)以及烤煙的生長(zhǎng)發(fā)育監(jiān)測(cè)提供理論依據(jù)和技術(shù)支撐。

七、基于輕量級(jí)MobileNet V3-YOLOv4的生長(zhǎng)期菠蘿成熟度分析

參與機(jī)構(gòu)：廣東省電信規(guī)劃設(shè)計(jì)院有限公司第四分公司、華中科技大學(xué)電子信息與通信學(xué)院、廣東海洋大學(xué)電子與信息工程學(xué)院、廣東省智慧海洋傳感網(wǎng)及其裝備工程技術(shù)研究中心

菠蘿的貯藏性與成熟度相關(guān),菠蘿采摘前對(duì)其成熟度進(jìn)行識(shí)別尤為重要。該團(tuán)隊(duì)研究提出了一種新型網(wǎng)絡(luò)模型,提高菠蘿成熟度自動(dòng)識(shí)別的準(zhǔn)確率和速度。

試驗(yàn)結(jié)果表明,對(duì)于黃熟期菠蘿和青熟期菠蘿兩種類別的檢測(cè)精確率分別為100%和98.85%,平均精度值分別為87.62%、94.21%,召回率分別為77.55%、86.00%,F1分?jǐn)?shù)分別為0.87和0.92,推理速度80.85 img/s。實(shí)現(xiàn)了在降低訓(xùn)練速度、減小參數(shù)量的同時(shí),提高了菠蘿成熟度識(shí)別的精度和推理速度,滿足實(shí)際檢測(cè)需求。

八、基于多種機(jī)器學(xué)習(xí)算法預(yù)測(cè)廣西蔗區(qū)甘蔗產(chǎn)量

參與機(jī)構(gòu)：廣西大學(xué)電氣工程學(xué)院、廣西大學(xué)甘蔗生物學(xué)重點(diǎn)實(shí)驗(yàn)室、廣西糖業(yè)集團(tuán)有限公司、廣西農(nóng)業(yè)科學(xué)院甘蔗研究所

該團(tuán)隊(duì)分析了廣西甘蔗主產(chǎn)區(qū)甘蔗產(chǎn)量與氣象因素的關(guān)系,利用氣象數(shù)據(jù)預(yù)測(cè)甘蔗產(chǎn)量,為糖廠及相關(guān)管理部門(mén)提供科學(xué)的數(shù)據(jù)支撐。

通過(guò)敏感時(shí)段分析法篩選的關(guān)鍵氣象因子與產(chǎn)量均呈顯著相關(guān),根據(jù)敏感時(shí)段能準(zhǔn)確地分析各氣象因子對(duì)產(chǎn)量的影響。使用LSTM模型預(yù)測(cè)單蔗區(qū)產(chǎn)量,使用BPNN模型預(yù)測(cè)多蔗區(qū)甘蔗氣象產(chǎn)量的方法是可行的,且預(yù)測(cè)誤差在可接受范圍內(nèi)。

九、基于改進(jìn)殘差網(wǎng)絡(luò)模型的不同部位牦牛肉分類識(shí)別方法

參與機(jī)構(gòu)：青海大學(xué)計(jì)算機(jī)技術(shù)與應(yīng)用系、青海大學(xué)畜牧獸醫(yī)科學(xué)院、青海省玉樹(shù)州動(dòng)物疫病預(yù)防控制中心

為實(shí)現(xiàn)不同部位牦牛肉快速、準(zhǔn)確識(shí)別,該團(tuán)隊(duì)研究提出了一種改進(jìn)的殘差網(wǎng)絡(luò)模型,并開(kāi)發(fā)了一種基于智能手機(jī)的牦牛肉部位識(shí)別軟件。

研究采集牦牛的里脊、上腦、腱子、胸肉的圖像數(shù)據(jù)，通過(guò)消融實(shí)驗(yàn)。結(jié)果表明,改進(jìn)后的ResNet18CBAM模型可在實(shí)際應(yīng)用中識(shí)別不同部位牦牛肉且具有良好的結(jié)果。該成果有助于保障牦牛肉產(chǎn)業(yè)的食品質(zhì)量安全,也為青藏高原地區(qū)的牦牛肉產(chǎn)業(yè)智能化發(fā)展提供技術(shù)支撐。

十、融合遷移學(xué)習(xí)和集成學(xué)習(xí)的自然背景下荒漠植物識(shí)別方法

參與機(jī)構(gòu)：新疆農(nóng)業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院、中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所、國(guó)家農(nóng)業(yè)科學(xué)數(shù)據(jù)中心

荒漠植物的準(zhǔn)確識(shí)別是其認(rèn)識(shí)和保護(hù)過(guò)程中不可或缺的任務(wù),是荒漠生態(tài)研究與保護(hù)的基礎(chǔ)。自然條件下野外荒漠植物圖像的機(jī)器視覺(jué)自動(dòng)分類識(shí)別可有效提升植物資源調(diào)查效率、降低人為主觀因素影響,對(duì)荒漠植物的精準(zhǔn)分類、多樣性保護(hù)和資源化利用具有重要意義。該團(tuán)隊(duì)以自然環(huán)境下的整株荒漠植物圖像為研究對(duì)象,構(gòu)建新疆干旱區(qū)荒漠植物圖像數(shù)據(jù)集,以EfficientNet B0—B4網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò),提出一種融合遷移學(xué)習(xí)和集成學(xué)習(xí)的荒漠植物圖像識(shí)別算法,并在公開(kāi)數(shù)據(jù)集Oxford Flowers102上進(jìn)行對(duì)比驗(yàn)證。

實(shí)驗(yàn)結(jié)果表明，該方法可提高荒漠植物的識(shí)別準(zhǔn)確率,通過(guò)云端傳輸至服務(wù)器后,實(shí)現(xiàn)荒漠植物的準(zhǔn)確識(shí)別,為真實(shí)野外環(huán)境下植物圖像識(shí)別精度低、模型魯棒性及泛化性弱等問(wèn)題提供解決思路。服務(wù)于野外調(diào)查、教學(xué)科普以及科學(xué)實(shí)驗(yàn)等場(chǎng)景。

十一、基于改進(jìn)ShuffleNet V2的輕量級(jí)防風(fēng)藥材道地性智能識(shí)別

參與機(jī)構(gòu)：吉林農(nóng)業(yè)大學(xué)信息技術(shù)學(xué)院、吉林農(nóng)業(yè)大學(xué)生命科學(xué)學(xué)院、無(wú)錫學(xué)院物聯(lián)網(wǎng)工程學(xué)院

對(duì)于防風(fēng)藥材產(chǎn)地和品質(zhì)的鑒別方法主要是根據(jù)其物理或化學(xué)特征,其方法需對(duì)中藥材進(jìn)行分離提取,存在耗時(shí)長(zhǎng),費(fèi)用高,專業(yè)性強(qiáng),技術(shù)難度大等問(wèn)題,不利于推廣應(yīng)用。隨著深度學(xué)習(xí)的不斷發(fā)展,其無(wú)需人工提取特征、分類精度高等優(yōu)點(diǎn)被廣泛應(yīng)用在中藥材的識(shí)別之中。

針對(duì)大多數(shù)卷積神經(jīng)網(wǎng)絡(luò)模型在識(shí)別防風(fēng)藥材時(shí)計(jì)算量大、精度低的問(wèn)題,該團(tuán)隊(duì)研究提出了一種改進(jìn)的ShuffieNet V2的輕量級(jí)防風(fēng)道地性識(shí)別模型。結(jié)果表明該研究所提出的模型在保持較高識(shí)別精度的同時(shí)占用較少的儲(chǔ)存空間,有助于在未來(lái)的低性能終端上實(shí)現(xiàn)防風(fēng)道地性的實(shí)時(shí)診斷。

審核編輯 黃宇