基于YOLOX改进模型的茶叶嫩芽识别方法

【目的】改善茶叶嫩芽识别困难的问题,提高模型的识别准确率。茶叶嫩芽的识别是实现茶叶自动化采摘的核心技术之一,而茶叶嫩芽生长的姿态以及采集图像时的拍摄角度等条件都会对茶叶嫩芽的识别带来困难,造成识别准确率低的问题。【方法】提出一种改进的YOLOX茶叶嫩芽检测算法SS-YOLOX,该方法能准确地对一芽一叶、一芽二叶等茶叶嫩芽进行识别、分类。该方法通过添加注意力模块（Squeeze and excitation,SE）提高模型的特征提取能力,改善小目标漏检问题、引入Soft NMS算法改善检测框重叠度较高时的打分机制,提高模型对不同场景下嫩芽的识别能力。【结果】消融试验表明,引入Soft-NMS算法、SE模块均能提高YOLOX模型模型的检测精度,以引入SE模块提升较为明显。通过不同嫩芽图像对比验证算法的可行性和准确性,SS-YOLOX模型的均值平均精度mAP比原YOLOX模型提高2.2%,达到86.3%,表明经过改进后,模型的识别能力得到提升。在目标嫩芽数量较多的情况下,SS-YOLOX模型能有效地降低漏检率和错检率。【结论】SS-YOLOX模型能准确识别茶叶嫩芽,且识别效果更好,可为茶叶智...     

无人机撒播技术在农业中的应用综述

我国农业现代化高速发展对农业机械化、信息化及自动化的要求越来越高,为了响应农业可持续发展,提高农业作业效率和作业效果,精准农业航空概念随之而出。无人机撒播技术是精准农业航空的应用之一,探讨无人机撒播技术在农业中的应用,概述撒播技术特点,研究无人机撒播技术的发展和应用方向,分析现有无人机撒播技术的不足之处,探讨无人机实现精准撒播的关键技术,展望无人机精准撒播的未来。无人机撒播技术在农业生产管理中具有可行性和优越性,是加速实现我国农业生产管理现代化进程的一个重要环节。     

M45型多旋翼植保无人机减量施药对稻飞虱防治效果的影响

目的 研究多旋翼植保无人机减量施药对雾滴沉积效果以及稻飞虱防治效果的影响,促进水稻减量施药技术发展。方法 采用M45多旋翼植保无人机开展水稻施药田间试验,选取15.0和22.5 L/hm² 的施药液量,以及人工施药推荐剂量100%、90%、80%的3种减量农药剂量,研究不同施药液量和减量农药剂量对雾滴沉积效果以及稻飞虱防治效果的影响。结果 水稻冠层上部的雾滴沉积量明显优于冠层下部,2种施药液量以及3种减量农药剂量对雾滴沉积量的影响不显著;施药1周后稻飞虱数量显著减少。在相同施药液量条件下,减量农药剂量的变化对稻飞虱防治效果影响不明显。80%的农药剂量能满足稻飞虱防治要求。结论 无人机水稻施药作业中可选择80%的农药剂量进行减量施药。本研究可为水稻减量施药、减少水稻植保作业成本提供有益参考。     

农药自动混药装置的研究现状与展望

目前,我国农作物病虫害防治主要依靠施用农药,现有的大多数农药剂型需要加水稀释,配制成一定浓度后再施用。近年,我国农业航空迅速发展,对农业航空的智能化农业机械装备的需求变得非常迫切。系统总结了农药自动混药装置类型以及农药自动混药装置特点,通过对农药自动混药装置研究发展概况分析,阐明了国内农药自动混药装置所存在的问题,展望未来农药混药装置的发展趋势,为后续的研究方向奠定基础。     

便携式柑橘虫害实时检测系统的研制与试验

为实现柑橘虫害的快速、准确识别,帮助果农及时掌握果园内虫害的危害程度和分布情况,该研究结合嵌入式图像处理技术设计了一套基于深度卷积神经网络的柑橘虫害实时检测系统。优选MoblieNet作为虫害图像特征提取网络,区域候选网络生成害虫的初步位置候选框,快速区域卷积神经网络（Faster Region Convolutional Neural Networks,Faster R-CNN）实现候选框的分类和定位。检测系统根据目标图像中虫害数量计算危害程度,按照正常、轻度、中度、重度4个等级判定柑橘虫害的严重程度,形成虫害识别与级别定量化测评软件。最后引入北斗模块获取采样点位置信息,进一步处理成可视化的虫害热力图。结果表明,该方法可实现对柑橘红蜘蛛和蚜虫的快速准确检测,识别准确率分别达到91.0%和89.0%,单帧图像平均处理速度低至286 ms。该系统实现了柑橘虫害的精准识别与定位,可为农药喷洒作业提供精准信息服务。     

大数据在精准农业上的应用

精准农业是农业现代化的必由之路,现代急剧膨胀的农业数据和大数据技术的发展为精准农业的发展提供了一种新的方法,成为引领精准农业发展的一支重要力量。首先介绍了大数据的定义及获取方式,同时针对当前农业领域存在的一些问题,引入了精准农业的概念,并介绍了其来源与发展条件,将农业产业链与大数据应用结合起来,解析大数据实现精准农业的过程,并剖析了中国农业大数据应用方面所存在的问题。     

多尺度特征融合的柑橘冠层施药沉积量分类模型

针对传统农作物冠层施药沉积量分类模型分类准确率低、网络模型参数量大且运算速度慢的问题,该研究提出一种改进的SPP-Net-Inception-v4模型。该模型通过构建稀疏网络结构平衡各个模型子网间的计算量,利用3个Inception模块生成施药沉积量在柑橘冠层热红外图像的稠密有效特征数据;在模型的卷积层与全连接层间创新性接入空间金字塔池化网络（Spatial Pyramid Pooling Network, SPP-Net）,进行一次历遍提取热红外图像特征信息,再通过空间池化操作融合3种池化方式提取的多尺度特征,实现柑橘冠层热红外图像施药沉积量表现特征的提取与融合。搭建多环境因素自主控制试验环境,模拟无人机低空采集柑橘冠层热红外图像,应用3个分类模型进行对比试验,试验结果表明,SPP-Net-Inception-v4模型与Inception-v4和ResNet-152两种模型相比,准确率分别提高1.58%和3.26%,模型训练完成冻结后占用计算机存储空间大小分别降低13%和24%,表明SPP-Net-Inception-v4模型在降低模型规模的基础上,提高了柑橘树冠层施药沉积量分类的准确率,可为精准农业航空中无人机植保技术的进一步发展提供参考。     

植保无人机旋翼风场模型与雾滴运动机理研究进展

近几年,植保无人机施药技术在中国获得广泛应用,并逐渐发展为国内主要植保技术之一。但由于对植保无人机施药技术基础理论研究不够深入,相关机理尚不明晰,且植保无人机作业平台的稳定性依然有待提高,导致国内植保无人机施药效果不够理想。深入研究植保无人机施药技术的基础理论,理论结合试验结果共同指导植保无人机田间施药是提高其施药效果的关键。该研究综述了植保无人机旋翼风场分布特性、雾滴与无人机旋翼风场交互机理、雾滴沉降与飘移机理、雾滴与叶片表面的交互作用机理及雾滴分散和蒸发特性等植保无人机施药技术基础理论及其模型构建的国内外研究现状,并结合其基础理论与模型构建的国内外研究现状,给出植保无人机施药技术的未来发展建议,以期为植保无人机施药技术的发展提供参考。     

颗粒肥撒施过程中的沉积分布模式研究进展

颗粒肥撒施过程本质上是颗粒从撒施装置释放,经空中扩散最终沉积在地面的过程,能够在地面形成多样化的颗粒沉积分布状态。颗粒的沉积分布模式能够反映颗粒在地面的沉积分布状态,广泛应用在撒施机具的校准、性能测试与优化、作业质量评估与颗粒沉积分布预测中,在促进精准施肥作业中发挥积极作用。颗粒沉积分布模式的影响因素复杂,撒施作业平台及其作业参数、颗粒物理特性、作业环境甚至测试与收集方法均会对颗粒的沉积分布数据产生影响。在颗粒肥沉积分布模式的测试方法、数据获取、模式应用和影响因素分析方面已取得的研究进展为撒施机具作业性能优化、田间肥料空间分布特性评估和精准施肥决策提供了重要基础。该研究通过综述现有颗粒沉积分布研究进展,分析了颗粒沉积分布模式的实测方法和预测方法的优劣,指出了现有研究中获得的颗粒沉积分布模式的局限性和关键问题,总结了影响颗粒扩散与沉积过程的各种因素及其对颗粒沉积分布效果的影响,通过梳理现有的颗粒沉积分布模式应用研究,指出了开展不同田间条件下颗粒撒施特性以及颗粒沉积分布模式形成机理的深入研究的重要意义,以期为精准施肥处方决策模型积累基础数据,为实现智能化施肥管理提供科学指导与参考依据,以进一步推动颗粒沉积分布模式在田间精准施肥应用的发展。     

电动多旋翼植保无人机升力特性综合测评方法

升力特性是电动多旋翼植保无人机性能测试的重要参数之一。为了实现对电动多旋翼植保无人机升力特性的性能检测,针对不同型号、不同规格的电动多旋翼植保无人机在评价过程中存在无统一的评价指标问题,该文提出了一种半系留式电动多旋翼植保无人机升力特性的测试与评价方法,包括性能检测平台、升力特性测试方法及指标、升力特性的评价方法。为了验证方法的可行性,对3种不同机型(分别为四旋翼机型Ⅰ、六旋翼机型Ⅱ、八旋翼机型Ⅲ)进行了升力特性指标的性能测试试验。试验结果表明:3种机型在功率载荷、重量效率、热效比等方面有较大差异,功率载荷最好的机型Ⅲ比最差的机型Ⅰ大7.6 m N/W,重量效率最好的机型Ⅰ比最差的机型Ⅱ大0.33,热效比最好的机型Ⅲ比最差的机型Ⅱ大10.5 N/℃,反映出3种机型在设计过程中整个动力系统效率、机型整体结构和材料选择上的差异,从而在整机作业性能上表现出差异。在上述指标测试的基础上,结合无人机动力系统数学模型,提出了运用功率载荷、重量效率和热效比进行电动多旋翼植保无人机升力特性综合评价的评分方法,对上述3种机型进行综合评分的结果为:机型Ⅲ机型Ⅰ机型Ⅱ,该结果表明所提出的评价方法能有效对不同类型电动多旋翼植保无人机的升力特性进行综合评判。该文所给出的测试与评价方法,不仅能用于电动多旋翼植保无人机性能的评测,还能为机型性能的进一步改进提供参考。