基于深度学习的玉米拔节期冠层识别

为了满足田间玉米植株快速识别与检测的需求,针对玉米拔节期提出了基于深度学习的冠层识别方法,比较并选取了适于玉米植株精准识别和定位的网络模型,并研制了玉米植株快速识别和定位检测装置。首先拍摄玉米苗期和拔节期图像共计3 000张用于训练深度学习模型,针对拔节期玉米叶片交叉严重的问题,提出了以玉米株心取代玉米整株对象的标记策略。其次在Google Colab云平台训练SSDLite-MobileDet网络模型。为了实现田间快速检测,开发了基于树莓派4B+Coral USB的玉米冠层快速检测装置。结果表明,田间玉米冠层识别模型精度达到91%,检测视频的帧率达到89帧/s以上。研究成果可为田间玉米高精度诊断和精细化作业管理奠定基础。     

基于多维关联规则的猪肉价格波动原因分析

我国是世界上最大的猪肉生产国和消费国,猪肉是我国人民肉食的主要来源,分析猪肉价格的波动原因具有重要意义。以2006—2015年猪肉价格月度数据为研究对象,采用数据挖掘中的多维关联规则算法,定量分析猪肉价格与供给、需求、成本3个方面9个影响因素之间的影响关系。结果表明,供给因素方面,猪肉价格与猪肉产量、年末存栏量、出栏猪肉呈负相关性;需求方面,猪肉价格与居民消费水平、牛肉价格和鸡肉价格呈正相关性,其中牛肉价格的变动对猪肉价格影响较大;成本方面,猪肉价格与生猪价格、仔猪价格和玉米价格呈正相关性,其中生猪价格的变动对猪肉价格敏感性较高。运用数据挖掘技术定量分析猪肉价格和影响因素的关联程度,以期为有关部门稳定猪肉价格提供科学依据。     

农业信息成像感知与深度学习应用研究进展

农业信息感知与准确的数据分析是智慧农业定量决策与管理服务的基础。现代农业中彩色、可见光-近红外光谱、3D与热红外等多源和多维度的成像感知手段提供了丰富的数据源,传统研究中围绕颜色、形态、纹理、反射光谱等特征展开分析,由于样本量和特征抽象层级的局限性,对复杂背景变化及未知样本检测时,还存在噪声抑制鲁棒性不足、识别与检测模型精度不高等问题。深度学习(Deep learning,DL)是机器学习的分支之一,结合神经网络通过组合底层特征形成抽象的高层表示属性类别或特征,以发现数据的分布式特征与属性,在图像目标识别与检测中其模型检测精度与泛化能力比传统方法均有所提升。因而,DL技术在农业信息检测中的应用日益增多。为了深入分析应用DL技术驱动智慧农业继续发展的潜力和方向,本文从农业信息成像感知的数据源与DL技术应用相结合的角度出发,分别以植物识别与检测、病虫害诊断与识别、遥感区域分类与监测、果实在体检测与产品分级、动物识别与姿态检测5个研究方向总结概括DL在农业信息检测中最新的应用研究成果,展望需要加强的方面,以提升对应用DL开展农业信息检测过程的理解,促进农业信息感知技术的发展。     

不同诱虫色板及悬挂方式对紫花苜蓿田牧草盲蝽的诱集效果

为探究诱虫板对紫花苜蓿田(Medicago sativa L.)中牧草盲蝽(Lygus pratensis Linnaeus)的诱集作用,本研究分别于2021和2022年,在生长期苜蓿田设置8种不同颜色诱虫板、20 cm和50 cm两个不同悬挂高度、田间边缘和中央两个不同挂板地段和每日早上(7:00—11:00)、中午(11:00—15:00)、下午(15:00—19:00)及晚上(19:00—次日7:00)4个不同挂板时段,调查不同诱虫板及悬挂方式对牧草盲蝽的诱集效果。结果表明两年中牧草盲蝽均对绿色诱虫板趋性最强,试验期间每5 d的平均诱集量分别为9.41头·板^-1和10.79头·板^-1,显著高于其他7种色板(P<0.05);绿色诱虫板悬挂高度在50 cm处诱集效果显著高于20 cm处(P<0.05);在田间边缘地段较中央地段诱虫板的诱集效果好(P<0.05);在每日监测的4个时段内,下午时段诱集到的虫量最多;5月下旬和6月下旬牧草盲蝽为害达到高峰,第二茬苜蓿及前两茬苜蓿现蕾期诱集到的牧草盲蝽数量最多。