基于探地雷达和深度学习的果树根径预测方法

针对果树根系相较于果树枝干或冠层难以观察和取样的问题，提出一种基于探地雷达和卷积神经网络的果树根系半径和深度预测方法。首先，使用开源软件gprMax构造所需的探地雷达A-Scan数据集；然后，将输入数据导入注意力模块，对特征信息重新分配权重，突出关键特征对模型的影响；最后，通过卷积层提取特征信息，通过全连接层将前面卷积层所学到的局部特征综合为A-Scan数据的全局特征，完成对根系半径和深度的准确预测。为了证明提出方法的可行性与有效性，在仿真数据和实测数据上分别进行实验。结果表明，该方法可以实现对根系半径和深度的有效预测，其中，在仿真数据上对根系半径预测的最大误差为2.9mm，R2为0.990，均方根误差为0.00068m，深度预测最大误差为11.2mm，R2为0.999，均方根误差为0.0020m；在实测数据上对根系半径预测最大误差为1.56mm，深度预测最大误差为9.90mm，总平均相对误差为5.83%，能够实现对根系半径和深度的准确预测。     

基于轻量级SE-PPM的自然状态烟叶正副组分类算法

【目的】针对自然状态烟叶传统正副组分类速度慢、正副组易错分、特征提取困难的问题，提出了一种基于轻量级SE PPM的自然状态烟叶正副组分类算法（SAPMDSNet）。【方法】基于轻量级ShuffleNetV2网络，先通过降低网络卷积深度和进化激活函数，加快网络模型的训练速度；再引入通道注意力机制SE模块，增强通道间的特征差异，提高网络模型的表征能力，避免正副组烟叶叶部区域化导致的组别错分；最后通过嵌入金字塔池化模块PPM充分融合烟叶显露特征与全局信息，增强对正副组烟叶上下文信息的聚合,并采用自行构建的烟叶数据集进行对比试验。【结果】SAPMDSNet网络模型的分类准确率为91.09%，计算量（FLOPs）为151.70 M，取得了相对较高的分类效果。与原网络ShuffleNetV2模型和轻量级GhostNet模型相比，SAPMDSNet网络模型的FLOPs分别升高2.65%和2.84%，而识别准确率则分别提高2.72和21.13个百分点；MobileNetV2、DenseNet和SqueezeNet模型的识别准确率分别为87.02%，89.53%和87.60%，虽均与SAPMDSNet模型的识别准确率接近，但其FLOPs明显较SAPMDSNet模型大。【结论】构建的SAPMDSNet模型能提高烟叶正副组分类精度且具有较好的整体性能，为烤烟烟叶品质初筛提供了新的思路和方法。     

基于植物电子病历多类型数据融合的作物病害诊断方法

植物电子病历(EMR)以结构化和非结构化的形式记录了大量关于疾病症状、环境特征以及诊断开方的信息，为病害的智能诊断提供了优质知识来源，但是其样本量少、公开数据集缺乏和多种类型数据并存的特点给相关研究带来困难。根据植物EMR多类型数据混合的特点，提出了一种基于BERT-MPL数据融合与注意力机制优化的作物病害诊断模型(BERT-MPL data fusion model based on attention mechanism, BM-Att)。首先采用BERT预训练语言模型抽取电子病历中非结构化部分的文本语义特征；其次通过one-hot编码和多层感知机(MLP)对结构化数据进行编码和向量维度的扩增；最后在特征融合阶段采用注意力机制强调关键特征，利用多层全连接层实现病害诊断。构建了番茄、黄瓜、生菜和西瓜4种作物的15种病害数据集验证模型的效果并进行消融实验，并且对比了CNN、RCNN、AttRNN、FastText、Transformer、BERT和ERNIE等处理文本数据的常见模型，以及BERT-ALEX、BERT-1dCNN、BERT-1dLSTM、BERT-1dAttLSTM、BE...     

融合轻量化网络与注意力机制的果园环境下苹果检测方法

为提高复杂果园环境下苹果检测的综合性能，降低检测模型大小，通过对单阶段检测网络YOLOX-Tiny的拓扑结构进行了优化与改进，提出了一种适用于复杂果园环境下轻量化苹果检测模型（Lightweight Apple Detection YOLOX-Tiny Network，Lad-YXNet）。该模型引入高效通道注意力（Efficient Channel Attention，ECA）和混洗注意力（Shuffle Attention，SA）两种轻量化视觉注意力模块，构建了混洗注意力与双卷积层（Shuffle Attention and Double Convolution Layer，SDCLayer）模块，提高了检测模型对背景与果实特征的提取能力，并通过测试确定Swish与带泄露修正线性单元（Leaky Rectified Linear Unit，Leaky-ReLU）作为主干与特征融合网络的激活函数。通过消融试验探究了Mosaic增强方法对模型训练的有效性，结果表明图像长宽随机扭曲对提高模型综合检测性能贡献较高，但图像随机色域变换由于改变训练集中苹果的颜色，使模型检测综合性能下降。为提高模型检测苹果的可解释性，采用特征可视化技术提取了Lad-YXNet模型的主干、特征融合网络和检测网络的主要特征图，探究了Lad-YXNet模型在复杂自然环境下检测苹果的过程。Lad-YXNet经过训练在测试集下的平均精度为94.88%，分别比SSD、YOLOV4-Tiny、YOLOV5-Lite和YOLOX-Tiny模型提高了3.10个百分点、2.02个百分点、2.00个百分点和0.51个百分点。Lad-YXNet检测一幅图像的时间为10.06 ms，模型大小为16.6 MB，分别比YOLOX-Tiny减少了20.03%与18.23%。该研究为苹果收获机器人在复杂果园环境下准确、快速地检测苹果提供了理论基础。     

基于TPH-YOLO的无人机图像麦穗计数方法

在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法，它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象，针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点，设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型，提高无人机图像麦穗计数的精度。首先，为了减小光照不均匀对无人机图像质量造成的影响，该研究采用Retinex算法进行图像增强处理。其次，在YOLOv5的骨干网络中添加坐标注意力机制（coordinateattention,CA），使模型细化特征，更加关注麦穗信息，抑制麦秆、麦叶等一些背景因素的干扰。再次，将YOLOv5中原始的预测头转换为Transformer预测头（transformer prediction heads,TPH），该预测头具有多头注意力机制的预测潜力，可以在高密度场景下准确定位到麦穗。最后，为了提高模型的泛化能力和检测精度，采用了迁移学习的训练策略，先使用田间采集的小麦图像数据集对模型进行预训练，接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练，...     

融合IDA-GRU和IIDW的水产养殖溶解氧时空预测模型

为了提高大面积水产养殖中养殖效率、降低养殖风险、提高溶解氧（dissolved oxygen，DO）时空预测精度，该研究基于双重注意力机制改进的门控循环单元（improved gated recurrent unit based on dual attention mechanism，IDA-GRU）和改进逆距离加权插值算法（improved inverse distance weighting interpolation algorithm，IIDW），提出了一种改进的水产养殖溶解氧时空预测模型。首先在门控循环单元（gated recurrent unit，GRU）的基础上，引入特征和时间双重注意力机制（dual attention，DA），实现溶解氧时间序列预测，其中特征注意力机制实时计算各环境特征的贡献率，不断修正各环境特征的权重，时间特征注意力机制自主地提取关键历史时刻信息；然后在溶解氧时间序列的基础上，利用IIDW算法实现溶解氧空间预测，该算法中提出的距离权重校正系数，能够实时调整插值权重。最后，在上海城市电力公司数字化生态养殖基地对该模型进行了试验验证。试验结果表明，对于溶解氧时间序列预测，该研究提出的IDA-GRU模型评价指标均方误差、均方根误差、平均绝对误差分别为0.0687、0.2621和0.2051，优于对比模型；对于溶解氧空间预测，该研究提出的IIDW算法，其均方误差、均方根误差、平均绝对误差分别为 0.2088 、 0.4570 和 0.3835 ，均优于对比算法。该研究提出的模型提高了溶解氧时空预测精度，对提升大面积水产养殖防灾能力，实现水质智能化调控具有重要的推动作用。     

鄱阳湖国家湿地公园网络关注度时空分布特征及其影响因素

以鄱阳湖国家湿地公园为研究对象，基于百度指数获取2013～2019年日均、月均、年均网络关注度数据，采用年际变动指数、季节性强度指数、地理集中指数、标准差椭圆等方法分析鄱阳湖国家湿地公园网络关注度的时空特征，并探究其影响因素。结果显示：①鄱阳湖国家湿地公园的年际网络关注度总体呈下降趋势；网络关注度的各月分布较分散，月份之间差异较大，表现出明显的“双峰”特征。②鄱阳湖国家湿地公园网络关注度在空间上呈集中分布，各省网络关注度极其不均衡，整体呈现东南部、中部关注度高，西部、西北部关注度低；且距离越近，网络关注度越高；网络关注度的重心总体呈现向东南方向移动的趋势，方向趋势明显。③气候舒适度、闲暇时间、当地特色活动举办时间和人口规模、经济发展水平、网络发达程度、两地间的空间距离分别是影响鄱阳湖国家湿地公园网络关注度时间和空间分布的重要因素。     

基于混沌表示和特征注意力机制的机床两轴动态误差预测

针对传统方法难以揭示机床多轴插补动态误差的序列产生机制，各时间维度上的误差时序特征存在相互关联的问题，提出一种融合混沌表示(Chaotic representation, CR)和特征注意力机制(Feature attention mechanism, FA)的级联动态误差预测模型。首先，在证明多元动态误差时变演化具有混沌特性的基础上，对其进行相空间重构，将动态误差参数时间序列背后隐藏的信息在相空间中进行表达。然后，融合特征注意力机制在时间维度上动态分配相点特征权重的同时降低高维演化相空间信息冗余，进一步重塑原系统的动力学状态向量空间。最后，考虑到混沌时变演化具有长程相关性，采用双向长短期记忆(Bi-directional long short-term memory, Bi-LSTM)网络模型逼近混沌相空间内的动力学特性，实现动态误差混沌时间序列信息的有效预测。通过XK-L540型数控铣床实测数据的算例表明，相较于CRFA-LSTM模型，以及单一级联模型CR-Bi-LSTM、FA-Bi-LSTM,本文算法的均方根误差分别降低约35%、16%和43%。     

数据驱动下农用车辆柴油机NOX排放预测模型

针对农用车辆柴油机NOX排放与实际运行工况之间的复杂非线性关系，提出一种数据驱动下的NOX排放预测模型。基于车辆OBD采集实际运行数据，通过小波阈值降噪降低原始数据的非平稳性，采用集成特征选择算法完成模型输入特征的选择，同时融合BiGRU和注意力机制构成BiGRU-Attention模型，同时利用贝叶斯优化进行模型超参数选择。基于实车道路测试数据集分析，提出的模型相对于LSTM、GRU和BiLSTM-Attention模型NOX瞬时排放预测校正系数分别提高7.65%、3.26%和4.09%，模型平均绝对误差维持在0.001 4 g/s，在不同车辆数据集上预测校正系数均保持在85%以上，可以有效进行实际场景下NOX排放的高精度预测，为农用车辆柴油机NOX排放预测控制提供数据支撑。     

融合多头注意力的轻量级作物病虫害识别

【目的】解决当前病虫害识别方法参数多、计算量大、难以在边缘嵌入式设备部署的问题，实现农作物病虫害精准识别，提高农作物产量和品质。【方法】提出一种融合多头注意力的轻量级卷积网络(Multi-head attention to convolutional neural network,M2CNet)。M2CNet采用层级金字塔结构，首先，结合深度可分离残差和循环全连接残差构建局部捕获块，用来捕捉短距离信息；其次，结合全局子采样注意力和轻量级前馈网络构建轻量级全局捕获块，用来捕捉长距离信息。提出M2CNet-S/B/L 3个变体以满足不同的边缘部署需求。【结果】M2CNetS/B/L参数量分别为1.8M、3.5M和5.8M，计算量(Floating point operations,FLOPs)分别为0.23G、0.39G和0.60G。M2CNet-S/B/L对PlantVillage病害数据集取得了大于99.7%的Top5准确率和大于95.9%的Top1准确率，对IP102虫害数据集取得了大于88.4%的Top5准确率和大于67.0%的Top1准确率，且比同级别的模型表现优异。【结论】该方...