广东省农业发展优势度综合评价方法及其空间特征研究

客观评价农业发展优势,并对症施策,有助于促进农业高质高效发展和乡村全面振兴。本文从自然地理本底、农业生产环境、农业质量效益、经营组织效益、生态协调能力、产业发展潜力等6个维度构建农业发展优势度评价指标体系,借助熵权法、机器学习神经网络算法等评价并揭示了2019年广东省县域农业发展优势度及其空间特征。结果表明：2019年广东省农业发展综合优势度空间差异明显,珠江三角洲平原区县域的农业优势最突出。6个分项中,自然地理本底、农业生产环境和生态协调能力是主要贡献因素。其中,自然地理本底和经营组织效益均表现为粤西南方向最优;农业生产环境表现为粤东北方向最优;产业发展潜力表现为粤东南方向较优;农业质量效益、生态协调能力与农业综合优势度整体空间分布相似,但农业质量效益不再是农业发展优势度的关键影响因素,粤中南和东北方向的生态协调优势突出。因此,建议结合农业分项与综合优势,未来在珠江三角洲平原区以及粤西南、粤东南和粤东北分别形成现代都市农业区、高效农业区、特色农业区和生态农业区,助力农业高质量发展。     

基于深度学习的高分辨率麦穗图像检测方法

小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法。对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素。通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果。通过对改进模型的测试,表明该模型检测精度高,鲁棒性强。不同分辨率、不同品种、不同时期的麦穗图像均类平均精度（mAP）为93.7%,单张图片的检测速度为52帧·s^-1,满足了麦穗的高精度实时检测。该研究结果为田间麦穗计数以及产量预测提供技术支持。     

基于HRNet-OCR模型的农村宅基地提取方法

【目的】 农村宅基地信息统计是制定农村宅基地制度改革政策方向的基础,目前,基于遥感影像的农村宅基地提取还主要停留在人工目视解译的阶段,这种传统的提取方法效率低、成本高、耗时长,基于遥感影像自动化提取农村宅基地的相关研究较少。【方法】 文章收集了德清县无人机遥感影像数据,建立了训练集、验证集和测试集,构建HRNet-OCR模型,并与FCN、UNet、DeepLabV3Plus这3种模型在不同场景下进行对比。【结果】 模型精度评价指标IoU表明,在平原和丘陵地区HRNet-OCR比FCN、UNet和DeepLabV3Plus分别高了4.24%、3.72%和2.82%,在山区HRNet-OCR比FCN、UNet和DeepLabV3Plus分别高了3.59%、2.77%和1.55%,且模型在边缘细节上表现得更优秀。【结论】 基于HRNet-OCR识别模型使得遥感影像农村宅基地提取更为准确,具有更好的鲁棒性,可为精准提取农村宅基地提供重要参考价值。未来更快速、高效的高精度提取方法还有待进一步研究。     

湿地生态系统实际蒸散发数据驱动估算模型研究

利用Fluxnet2015全球通量塔观测数据集,研究了随机森林（RF）、梯度增强回归分析（GBR）、支持向量回归（SVR）和深度学习神经网络（DNN）预测湿地生态系统的实际蒸散发（Evaporation,ET）。通过对比研究,确定了预测实际蒸散发的最佳特征变量组合,包括短波辐射、净辐射、初级生产总值、气温、土壤温度、风速、降水、经度、纬度和时间。以此为模型输入,利用Fluxnet2015站点测试数据集和ERA5-Land再分析资料提供的输入特征,对比分析了不同模型的实际蒸散发估计精度,结果表明：以站点数据为输入,SVR算法精度相对较高,其R²可达0.896,RPE最小为31.5%;以ERA5-Land再分析资料为输入,除了GBR算法以外,其余3种方法R²高于0.820,RPE小于57%。另外,模型算法估计的ET精度要明显高于ERA5-Land再分析资料提供的ET产品。     

基于遥感技术的森林树种识别研究进展

基于遥感手段的森林类型/树种（组）的精准识别是森林参数提取和计算的前提,是林业遥感领域的研究前沿,可为宏观尺度快速获取森林资源信息提供重要途径。对多源遥感数据在森林树种识别中的应用研究进行总结分析发现,当前基于遥感数据的树种识别已成为林业遥感的研究热点。利用卫星遥感数据和近地低空遥感数据结合随机森林、支持向量机等分类方法进行树种识别已相对成熟。近年来,无人机技术不断发展,以其灵活性强的特点在林业中有较强的应用潜力,在计算机技术、数字图像处理技术和机器学习领域不断发展成熟背景下,低空遥感数据结合深度学习技术应用于森林树种的精确识别是值得深入研究的科学问题。     

基于MRE-PointNet+AE的绿萝叶片外形参数估测算法

为了准确、高效、自动获取植物叶片外形参数,提出一种基于多分辨率编码点云深度学习网络(MRE-PointNet)和自编码器模型的绿萝叶片外形参数估测算法。使用Kinect V2相机以垂直姿态获取绿萝叶片点云数据,采用直通滤波、分割、点云精简算法对数据进行预处理,通过测定的叶片外形参数反演绿萝叶片几何模型,并计算几何模型的叶长、叶宽、叶面积。将不同参数组合构建的几何模型离散成点云数据输入MRE-PointNet网络,得到几何模型叶片外形参数估测的预训练模型。针对拍摄过程中存在的叶片部分遮挡和噪声问题,采用自编码器网络对点云数据进行二次处理,以几何模型离散的点云数据作为输入,经过编码解码运算得到自编码器的预训练模型,提升了MRE-PointNet网络在遮挡情况下对叶片外形参数估测的鲁棒性。试验共采集300片绿萝叶片点云数据,按照2∶1比例进行划分,以其中200片点云数据作为训练集,对预训练模型MRE-PointNet做模型迁移的参数微调,以剩下的100片点云数据作为测试集,评估模型对绿萝叶片外形参数的估测能力。采用本文算法将外形参数估测值和真实值进行数学统计与线性回归分析,得出叶长、叶宽和叶面积估测的R^2和RMSE分别为0.9005和0.4170 cm、0.9131和0.3164 cm、0.9447和3.8834 cm^2。试验表明,基于MRE-PointNet和自编码器模型的绿萝叶片外形参数估测算法具有较高的精确度和实用性。     

基于实例分割的白羽肉鸡体质量估测方法

针对白羽肉鸡体质量测量自动化水平低、易造成肉鸡应激的问题,提出一种结合深度学习的非接触式白羽肉鸡体质量估测方法。利用Mask R-CNN和YOLACT(You only look at coefficients) 两种实例分割算法获取白羽肉鸡位置与覆盖掩膜,并进行效果对比;采用自适应掩膜随机提取白羽肉鸡身体部分边缘点,并作为观测点进行椭圆拟合,映射白羽肉鸡背部像素投影面积;通过双变量相关性分析验证白羽肉鸡背部投影面积与体质量间的显著相关性,根据白羽肉鸡背部投影面积与背部像素投影面积的线性比例关系,按照最小二乘原则建立白羽肉鸡背部像素投影面积与体质量间的线性回归模型。试验表明,单只鸡体质量估测中以Mask R-CNN进行特征提取的体质量估测平均准确率为97.23%,以YOLACT进行特征提取的体质量估测平均准确率为97.49%,群鸡场景中体质量估测最低准确率为90.50%。     

基于DXNet模型的富士苹果外部品质分级方法研究

针对传统计算机视觉技术在苹果外部品质分级中准确率较低、鲁棒性较差等问题,提出了基于深度学习的苹果外观分级方法（多卷积神经网络融合DXNet模型）。首先,在延安市超市、果园等场所实地拍摄不同外观等级的苹果图像15000幅,并进行人工标记,建立了外部品质信息覆盖度广、样本量大的苹果图像数据库;然后,在对比分析经典卷积网络模型的基础上,采用模型融合的方式对经典模型进行优化改进,抽取经典模型卷积部分进行融合,作为特征提取器,共享全连接层用作分类器,并采用批归一化和正则化技术防止模型过拟合。试验评估采用15000幅图像进行训练、4500幅图像进行测试,结果表明,DXNet模型的分级准确率高于经典模型,分级准确率达到97.84%,验证了本文方法用于苹果外部品质分级的有效性。     

基于迁移学习和双线性CNN的细粒度菌菇表型识别

为了对细粒度菌菇进行表型识别,在双线性卷积神经网络细粒度图像识别框架基础上,提出了一种基于迁移学习和双线性Inception-ResNet-v2网络的菌菇识别方法。利用Inception-ResNet-v2网络的特征提取能力,结合双线性汇合操作,提取菌菇图像数据的细粒度特征,采用迁移学习将ImageNet数据集上预训练的模型参数迁移到细粒度菌类表型数据集上。试验表明,在开源数据集和个人数据集上,识别精度分别达到87.15%和93.94%。开发了基于Flask框架的在线菌类表型识别系统,实现了细粒度菌菇表型的在线识别与分析。     

基于深度学习和图像处理的水果收获机器人抓取系统

首先,介绍了水果收获机器人抓取系统的总体架构;然后,利用深度学习对水果目标识别进行了研究,实现了一套基于卷积神经网络的目标检测算法;接着,利用图像处理技术实现了对目标物体定位的功能,可以引导水果收获机器人完成对目标水果的采摘。实验结果表明:水果收获机器人抓取系统对水果坐标的计算误差较小,且具备较强的水果识别和定位能力。