基于CNN-S-GPR的宁夏枸杞高光谱影像估产方法

针对现有遥感估产方法未对通道间依赖关系建模和无法整合影像外其他特征的问题,以宁夏枸杞估产为例,提出了一种基于CNN-S-GPR的高光谱影像年际作物估产模型。首先,运用直方图降维、归一化、时间序列融合和维度转换4种特征工程方法构建枸杞估产数据集,实现多波段、多时相影像融合;然后,采用卷积神经网络自动提取数据集特征,简化特征提取操作;接着,融合通道注意力机制,以表征不同通道间的重要程度;最后,引入高斯过程回归,整合影像特征及空间位置特征,进一步提高估产准确性。实验结果表明,与其他估产模型相比,该模型平均相对误差和均方根误差下降了0.44~0.95个百分点和52.48~82.65t,且决定系数达到0.91。结合宁夏16个县的枸杞年际产量实现了复杂拟合,对全区农业规划布局及可持续发展具有参考价值。     

基于注意力机制的农资标签文本检测

农资包装上的文本含有登记证号、有效成分含量、生产许可证号、产品标准号等产品相关信息,这些不仅为农民购买农资提供重要的依据,还有助于农资监督机构发现影响农资安全的问题,同时也对出口农资的识别有极大的帮助。基于农资包装图像构建数据集,提出一种基于注意力机制的农资标签文本检测模型,该模型使用Swin-Transformer作为骨干网络,采用FPN提取文本特征,设计双特征融合模块（Twin Feature Fusion Module,TFFM）来统合局部特征和全局特征,预测阶段采用缩放式扩展算法来生成文本边框。该模型在自建农资包装图像数据集上的试验结果表明：其准确率、召回率和F值分别为91.4%、87.3%和89.3%,均优于主流方法,对农资包装图像文本检测任务具有一定的优越性。     

基于注意力机制的农业文本命名实体识别

针对农业智能问答系统构建过程中传统的农业命名实体识别方法依赖人工特征模板、特征信息提取不充分、实体名称多样导致标注不一致等问题,提出一种基于注意力机制的农业文本命名实体识别方法。采用连续词袋模型(Continuous bag of words,CBOW)对输入字向量进行预训练,丰富字向量特征信息,缓解分词准确度对性能的影响;引入文档级的注意力(Attention)机制,获取实体间相似信息,保证实体在不同语境下的标签一致性;基于双向长短期记忆网络(Bi-directional long-short term memory,BiLSTM)和条件随机场(Conditional random field,CRF)模型,构建适合农业领域实体识别的模型框架。选取4604篇农业文本,针对病害、虫害、农药、农作物品种4类实体进行了识别实验。结果表明,模型能有效地辨别农业文本中的实体,缓解实体标记不一致的问题,在农业语料上达到了较好的结果,识别的准确率、召回率、F值分别为93.48%、90.60%、92.01%。与其他3种识别方法相比,模型在不同规模语料库的准确率均有一定提高,具有明显的性能优势。     

基于MobileViT轻量化网络的遥感图像分类方法研究

【目的】针对遥感图像分类任务,为使模型精确捕获高层语义信息的同时降低计算复杂度,解决遥感图像分类任务中类内差异大而类间差异小的问题,提出了基于Mobile Vi T轻量化网络的遥感图像分类方法。【方法】基于Transformer框架,通过在卷积神经网络中引入注意力机制来实现对图像特征的提取和编码。在训练阶段,Mobile Vi T使用类似于传统Transformer模型的自监督学习方法,即通过无监督的方式学习图像特征的表示。通过使用一种名为Contrastive Multiview Coding(CMC)的学习策略,该策略可以通过最大化不同视角下的图像相似性来学习图像特征。在训练过程中,Mobile Vi T使用随机数据增强技术和Dropout等方法来增加模型的泛化能力,同时应用权重衰减和梯度剪裁等技术来避免过拟合和爆炸梯度问题。在推理阶段,Mobile Vi T将输入的图像沿着通道轴划分成多个块,并将每个块作为一个序列输入到Transformer网络中。在Transformer网络中,Mobile Vi T采用多头自注意力机制和全连接层,将每个块的特征编码成一个固定长度的向量。然后,...     

基于机器视觉的枸杞产地识别研究

设计以枸杞图像的特征进行产地识别的可行性验证试验。选用3份枸杞样本,在光照箱拍照获得图像,经预处理后得到枸杞形态、颜色及纹理方面的54个特征;运用主分量分析法（PCA）优化得到13个主成分;通过建立支持向量机（SVM）模型,进行样本的训练和测试。结果表明,模型对3个不同产地的构杞正确识别率达到100％。研究结果对于枸杞品种及产地的识别及枸杞谱系研究具有一定参考价值。     

多尺度自注意力特征融合的茶叶病害检测方法

针对茶叶病害检测面临的病害尺度多变、病害密集与遮挡等诸多问题,提出了一种多尺度自注意力茶叶病害检测方法(Multi-scale guided self-attention network, MSGSN)。该方法首先采用基于VGG16的多尺度特征提取模块,以获取茶叶病害图像在不同尺度下的局部细节特征,例如纹理和边缘等,从而有效表达多尺度的局部特征。其次,通过自注意力模块捕获茶叶图像中像素之间的全局依赖关系,实现病害图像全局信息与局部特征之间的有效交互。最后,采用通道注意力机制对多尺度特征进行加权融合,提升了模型对病害多尺度特征的表征能力,使其更加关注关键特征,从而提高了病害检测的准确性。实验结果表明,融合多尺度自注意力的茶叶病害检测方法在背景复杂、病害尺度多变等场景下具有更好的检测效果,平均精度均值达到92.15%。该方法可为茶叶病害的智能诊断提供参考依据。     

基于双流跨模态特征融合模型的群养生猪体质量测定

针对生猪体质量准确测定问题,提出了一种跨模态特征融合模型（Cross modality feature fusion ResNet,CFF-ResNet）,充分利用可见光图像的纹理轮廓信息与深度图像的空间结构信息的互补性,实现了群养环境中无接触的生猪体质量智能测定。首先,采集并配准俯视猪圈的可见光与深度图像,并通过EdgeFlow算法对每一只目标生猪个体进行由粗到细的像素级分割。然后,基于ResNet50网络构建双流架构模型,通过内部插入门控形成双向连接,有效地结合可见光流和深度流的特征,实现跨模态特征融合。最后,双流分别回归出生猪体质量预估值,通过均值合并得到最终的体质量测定值。在试验中,以某种公猪场群养生猪为数据采集对象,构建了拥有9842对配准可见光和深度图像的数据集,包括6909对训练数据和2933对测试数据。本研究所提出模型在测试集上的平均绝对误差为3.019kg,平均准确率为96.132%。与基于可见光和基于深度的单模态基准模型相比,该模型体质量测定精度更高,其在平均绝对误差上分别减少18.095%和12.569%。同时,该模型体质量测定精度优于其他现有生猪体质量测定方法：常规图像处理模型、改进EfficientNetV2模型、改进DenseNet201模型和BotNet+DBRB+PFC模型,在平均绝对误差上分别减少46.272%、14.403%、8.847%和11.414%。试验结果表明,该测定模型能够有效学习跨模态的特征,满足了生猪体质量测定的高精度要求,为群养环境中生猪体质量测定提供了技术支撑。     

基于内容的图像检索技术在农业信息化中的应用

在基于内容的图像检索技术的基础上,针对农作物图像数据库的特点,提出了一种综合使用颜色、纹理和形状特征的新的检索算法,使检索的精确度得到了很大提高,并且通过合理设置特征库,大大提高了检索的效率。为此,通过编程构造了一个实验系统,组织了一个相对完备的农作物图像测试数据库和通用图像库,验证了新的检索算法的有效性,并对利用不同特征进行检索的性能进行了评测和比较,同时对出现的问题进行了分析。     

基于综合特征的图像检索在农业信息化中的应用

主要研究了基于内容的图像检索技术在农业信息化中的应用.同时,提出了一种综合颜色和纹理特征进行农作物图像检索方法,并设计了农作物病虫害图像检索实验系统的功能模块.通过对组织的图像库测试,验证了检索算法在农作物图像库检索方面的有效性,查全率在0.9以上,查准率在0.6以上,并且检索效率很高,可以满足在线检索的需要.     

基于Attention_DenseCNN的水稻问答系统问句分类

为了解决“中国农技推广APP”问答社区中水稻提问数据快速自动分类的问题,提出一种基于Attention_DenseCNN的水稻文本分类方法。根据水稻文本具备的特征,采用Word2vec方法对文本数据进行处理与分析,并结合农业分词词典对文本数据进行向量化处理,采用Word2vec方法能够有效地解决文本的高维性和稀疏性问题。对卷积神经网络（CNN）上下游卷积块之间建立一条稠密的链接,并结合注意力机制（Attention）,使文本中的关键词特征得以充分体现,使文本分类模型具有更好的文本特征提取精度,从而提高了分类精确率。试验表明：基于Attention_DenseCNN的水稻问句分类模型可以提高文本特征的利用率、减少特征丢失,能够快速、准确地对水稻问句文本进行自动分类,其分类精确率及F1值分别为95.6%和94.9%,与其他7种神经网络问句分类方法相比,分类效果明显提升。     

基于卷积神经网络的害虫分类

农作物病虫害是一种严重的自然灾害,需要对其进行及时预测和监控,以保证农作物产量。由于害虫种类繁多以及作物在生长初期的形态相似,农业工作者难以准确识别各类作物昆虫,给病虫害的防治工作带来巨大挑战。针对这一问题,提出一种基于多尺度特征融合的网络模型(FFNet)对作物害虫进行精准识别与分类。首先,采用空洞卷积设计多尺度特征提取模块(MFEM),获取害虫图像的多尺度特征图;然后,使用深层特征提取模块(DFEM)提取图像的深层特征信息;最后,将分别由多尺度特征提取模块(MFEM)和深层特征提取模块(DFEM)提取到的特征图进行融合,从而实现以端到端的方式对作物害虫进行精准分类与识别。试验表明：所提出的方法在12类害虫的数据集上获得优异的分类性能,分类准确率(ACC)达到98.2%,损失函数Loss为0.031,模型训练时间为197 min。     

基于多源信息融合的中文农作物病虫害命名实体识别

随着农作物病虫害研究文献的快速增长,对农作物病虫害领域文献进行文本挖掘变得越来越重要。开发有效、准确的农作物病虫害命名实体识别系统有助于在农作物病虫害相关研究报告中提取研究成果,为农作物病虫害的治理提供有效建议。本文针对中文农作物病虫害数据集缺失问题,提出了基于半远程监督的停等算法,利用该算法构建中文农作物病虫害领域语料库,大幅度减少标注过程的人工成本和时间成本;同时,提出了中文农作物病虫害命名实体识别模型（Agricultural information extraction, Agr-IE）,该模型基于BERT-BILSTM-CRF,辅以多源信息融合（多源分词信息和全局词汇嵌入信息）丰富字符向量,使其充分结合字符级与词汇级的信息,以提高模型捕捉上下文信息的能力。实验表明,该模型可以有效地识别病害、虫害、药剂、作物等实体,F1值分别为96.56%、95.12%、94.48%、95.54%,并对识别难度较大的病原实体具有较好的识别效果,F1值为81.48%,高于BERT-BILSTM-CRF、BERT等模型的相应值。本文所提模型在MSRA和Weibo等其他领域数据集上与CAN-NER、Lattice-LSTM-CRF等模型进行了对比实验,并取得最佳的识别效果,F1值分别为95.80%、94.57%,表明该算法具有一定的泛化能力。     

农作物病虫害遥感监测关键技术研究进展与展望

病虫害是影响农作物健康生长、产量和质量的制约因素之一,加强农作物病虫害的监测,对农作物病虫害进行精准防控,对保障粮食安全,提高农产品产量和质量具有重要意义。随着信息技术的发展,农作物病虫害监测由传统的人工监测逐渐向自动化、信息化和智能化方向发展。农作物病虫害监测平台、监测传感器技术以及相关的数据分析和处理技术是研究农作物病虫害遥感监测的关键技术,这些关键技术的发展水平,决定了农作物病虫害遥感监测技术的发展水平。本文从监测平台、监测传感器技术和相关数据分析与处理技术3方面对农作物病虫害监测技术研究进展进行综述。在监测平台方面,归纳总结了地面监测平台、航空监测平台和卫星监测平台的国内外研究现状,并分析了上述平台优缺点;在监测传感器技术方面,综述了雷达传感器、图像传感器、热成像传感器和光谱传感器等在作物病虫害领域的研究进展;在相关数据分析与处理技术方面,阐述了经典统计算法、计算机图像处理算法、机器学习算法和深度学习算法在农作物病虫害监测领域的研究成果。最后提出了监测平台、监测传感器技术和相关数据分析与处理技术的未来发展趋势,以期为进一步促进我国农作物病虫害监测平台及相关技术的发展提供参考。     

基于多层EESP深度学习模型的农作物病虫害识别方法

为了提取图像高层语义特征、解决各种植物病虫害图像尺寸不相同的问题,提出了多层次增强高效空间金字塔(Extremely efficient spatial pyramid,EESP)卷积深度学习模型。首先,对图像进行预处理;其次,构建多层融合EESP网络模型,该模型通过对每层设置不同的空洞率进行空洞卷积,选择性地提取不同层次的特征信息,通过融合各层信息获得各种农作物病虫害图像的不同特征;最后,通过Softmax分类方法实现农作物病虫害识别。数据集包括10种农作物的61种病虫害类别,迭代训练300次,得到本文方法 Top1分类准确率最高达到了88.4%,且采用三阶EESP模型达到了最佳效果。     

基于深度卷积神经网络的水稻知识文本分类方法

为解决文本特征提取不准确和因网络层次加深而导致模型分类性能变差等问题,提出基于深度卷积神经网络的水稻知识文本分类方法。针对水稻知识文本的特点,采用Word2Vec方法进行文本向量化处理,并与OneHot、TF-IDF和Hashing方法进行对比分析,得出Word2Vec方法具有较高的分类精度,正确率为86.44%,能够有效解决文本向量表示稀疏和信息不完整等问题。通过调整残差网络(Residual network,Res Net)结构,分析残差模块结构和网络层次对分类网络的影响,构建了9种分类网络结构,测试结果表明,具有4层残差模块结构的网络具有较好的特征提取精度,Top-1准确率为99.79%。采用优选出的4层残差模块结构作为基本结构,使用胶囊网络(Capsule network,Caps Net)替代其池化层,设计了水稻知识文本分类模型。与Fast Text、Bi LSTM、Atten-Bi GRU、RCNN、DPCNN和Text CNN等6种文本分类模型的对比分析表明,本文设计的文本分类模型能够较好地对不同样本量和不同复杂程度的水稻知识文本进行精准分类,模型的精准率、召回率和F1值分别不小于95.17%、95.83%和95.50%,正确率为98.62%。本文模型能够实现准确、高效的水稻知识文本分类,满足实际应用需求。     

基于机器视觉的田间飞行害虫自动检测方法

害虫数量的精准统计,对害虫的综合治理有重要的意义。传统统计害虫的方法是在固定植株上数害虫数量,难以统计受惊飞走的害虫。采用固定位置放置粘虫板捕捉害虫并自动识别,在害虫正常生活习性下,可有效解决飞行类害虫难统计、信息不准确的问题。同时利用自动阈值分割、目标粘连处理、目标识别和利用生物特征干扰去除等机器视觉方法,有效统计田间飞行害虫数量,识别准确率＞85%,为病虫害防治提供依据。      

基于深度学习的农作物病虫害检测算法综述

农作物病虫害对农业产量和品质影响巨大。数字图像处理技术在农作物病虫害识别中发挥重要作用。深度学习在该领域取得显著突破,效果优于传统方法。深度学习方法的特征提取能力更强,能准确捕捉细微特征,提高检测精度和可靠性。深度学习为农业提供了有力支持。本研究综述了基于深度学习的农作物病虫害检测研究,从分类网络、检测网络和分割网络3方面进行了概述,并对每种方法的优缺点进行了总结,同时比较了现有研究的性能。在此基础上,进一步探讨了基于深度学习的农作物病虫害检测算法在实际应用中面临的难题,并提出了相应的解决方案和研究思路。最后,对基于深度学习的农作物病虫害检测技术的未来趋势进行了分析和展望。     

基于不同平台的小麦病虫害遥感监测研究进展

小麦病虫害的频发不仅会造成产量的巨大损失,病虫害防治农药的过度使用也会提高生产成本,增加农产品有毒残留的风险,而传统监测方法费时费力,具有主观性和滞后性。小麦病虫害遥感监测技术可实现快速、实时无损的监测,从而有针对性的提早防治病虫害。介绍作物病虫害光谱响应生理机制的基础上,重点从不同平台的角度入手概述近年来小麦病虫害遥感监测研究进展。最后提出目前遥感监测小麦病虫害尚存的问题,如对病虫害光谱特征的专属性认识不足、缺乏多种小麦病虫害危害类型的比较研究及病虫害监测模型普适性较差等,并探讨遥感在监测小麦病虫害方面的发展趋势,建议通过综合多时相遥感数据、建立小麦病虫害光谱库、构建全国性病虫害遥感监测信息服务系统以及加强国际间的交流与合作来进一步开展小麦病虫害的研究,从而实现小麦病虫害大面积、实时、科学有效的防控。     

基于Android的玉米病虫害机器视觉诊断系统研究

为了使农业智能诊断系统更加廉价、便捷,有效地为普通农户服务,提出了一种基于Android手机的农业病虫害智能诊断系统。该系统使用Android智能手机对玉米病虫害部分进行图片拍摄,并将图像利用无线网上传至Web服务器,利用分割和匹配算法对病虫害部分进行智能化分析,最终将结果传输到手机用户端。为实现图像匹配的特征点提取,采用高斯差分的方法对图像进行分割和精确定位,使用聚类算法对匹配效果进行优化,并利用特征点的无限逼近,完成病虫害图像的匹配,从而诊断病虫害的类型。上传后的图像和Web服务器的规则库的图像进行匹配后可以生成病虫害的匹配结果信息,该信息可以通过Android智能系统接收,最终反馈给农户的手机客户端。通过测试发现:玉米病虫害诊断系统可从多幅图像里有效地对病虫害类型进行匹配,匹配成功率较高,系统的稳定性较好,具有很好的推广前景。     

农作物病虫害治理方法

农作物的病虫害问题仍然是我国农业所面临的最大问题。为了从根本上解决农作物病虫害问题,做好病虫害的治理工作,进而为农作物的生产保驾护航,必须建立健全有效的农作物病虫害防治体系。在分析农作物病虫害治理过程中所面临问题的基础上,提出了几点切实可行的措施。