机器视觉与农业智能感知科研汇总.docx
机器视觉与农业智能感知科普汇总，加速农业生产方式转变以机器视觉为主的农业信息智能感知技术已成为智慧农业发展的关键技术，广泛应用于农业领域将会加速农业生产方式的转变，推动产业结构升级，对提高农业现代化水平、实现农业可持续发展具有重大意义。本文机器视觉与农业智能感知专题，涉及果园果树、大田作物、荒漠植物、中药材以及畜禽等多个农业领域智能感知新技术，旨在能够促进机器视觉与农业智能感知技术的创新与应用发展。在果园果树方面，中国农业科学院农业信息研究所孙坦研究员团队，研发出适合果园移动平台边缘计算设备的挂果量估测模型，该模型引入轻量化的CSPDarknet53作为主干，并在果实跟踪时考虑高分低分检测框及其ReID数据关联，实现了估测性能和模型复杂度的平衡。四川省农业科学院农业信息与农村经济研究所何鹏研究员团队，提出一种基于改进ReSNet50模型的苹果物候期识别方法，解决了传统方法对自然环境下苹果物候期图像识别精度低、覆盖面不全的问题。为实现精准鲜食葡萄采摘机器人采摘，山东农业大学刘平教授团队，基于改进的均值聚类算法和轮廊分析法，提出一种鲜食葡萄采摘点自动定位的方法，篱壁式和棚架式葡萄采摘点定位综合成功率78%以上。广东海洋大学王骥教授团队提出了轻量级的MobiIeNetV3-YO1Ov4网络,与5种单、双阶网络模型相比，降低了训练速度、减小了参数量，在农田复杂环境下，黄熟期和青熟期渡萝检测准确率分别为IO0%和98.85%o在大田作物方面，针对传统人工识别病虫害存在的效率过低、成本过高等问题，扬州大学张正华教授团队将ECA注意力机制与DcnscNct201的水稻图像识别模型融合,增加模型通道特征表达能力，实现对3种水稻病虫害更为准确地识别。河南农业大学冯伟研究员团队基于无人机遥感，通过构建小麦倒伏分类模型,探讨了不同空间分辨率遥感影像及特征优化方法，对小麦倒伏区域识别精度的影响，为确立作物倒伏信息获取策略及小麦灾情评估提供参考。河南农业大学叶协锋教授团队,利用无人机搭载高光诺成像仪采集了烤烟在6个关键生育期冠层反射率数据，通过比较不同光谱组合及不同回归分析算法的预测精度，建立了基于多种光谱指数组合的叶片叶绿素含量回归估测模型，实现了不同生育期烤烟叶片叶绿素含量的准确估测。为分析甘蔗产量与气象因素的关系，广西大学李修华副救授团队结合气象数据，分别利用四种机器学习方法构建甘蔗产量预测模型，发现长短时记忆网络可以准确预测单蔗区甘蔗气象产量，BP神经网络可准确预测多蔗区甘燕气象产量。在其他植物识别方面，中国农业科学院农业信息研究所孙伟副研究员团队，以自然环境下的整株荒漠植物图像为研究对象，提出了一种融合迁移学习和集成学习的荒漠植物图像识别算法，在50种荒漠植物图像数据集的最高识别准确率达99.23%。吉林农业大学李东明教授团队，针对中药材防风识别卷积神经网络模型计算量大、精度低的问题，提出了一种基于注意力嵌入ShUftIeNetV2的防风道地性识别模型，在保持较高识别精度的同时占用较少的储存空间，有助于在低性能终端上实现防风道地性的实时识别。在智慧养殖方面，青海大学张玉安教授团队为实现不同部位耗牛肉快速、准确识别，在ReSNet18残差块之后融入轻量级卷积块注意力模块，对全连接层进行改进，降低了算法的计算代价。通过将模型部署到移动端，实现了耗牛肉部位的准确快速识别。
