基于区块链的农机跨区域调度模型构建与应用

由于各区域之间的调度策略与农产品种类存在差异使得相互之间难以管理,因此农机跨区域调度呈现无中心的管理模式。且由于区域之间距离较远导致个体农户与调度方之间难以建立信任关系,从而无法充分利用已有的农机资源,难以有效降低各区域农机的购买成本。针对上述问题,该研究构建了基于区块链的农机跨区域调度系统。首先,对农机的调度成本进行分析,建立以农机数量、农机需求量与机手数量为约束条件的农机跨区域调度模型;然后以调度成本最小化为目标,采用基于最短距离的农机跨区域调度匹配方法求解农机调度方案,并通过区块链智能合约自动执行调度匹配算法;最后根据江苏省宜兴市与安徽省广德市的农田与农机数据以及随机生成的调度任务进行仿真试验,并与区域内的调度成本与农机利用率进行对比。结果表明：区块链的去中心化特点可以满足无中心的跨区域调度需求,其身份认证机制与高透明度、不可篡改的技术特性可为用户提供技术上的信任保障。在各区域农机总量充足的情况下,跨区域调度可以减少农机购买成本,并将农机利用率提升至90%,相较于域内调度,跨区域调度的投入成本随着任务数的增加而下降,当任务数为10时,成本下降大约21.3%。研究结果可为农机跨区域调度模式的建立提供科学依据。     

基于DBSE-Net的大田稻穗图像分割

稻穗精准分割是准确估测水稻产量的关键。为实现大田环境下不同品种与生育期稻穗的准确分割,该研究提出了基于注意力机制的稻穗分割网络（Double Branch Squeeze-and-Excitation Network,DBSE-Net）。首先,提出一个双分支压缩与激励（Double Branch Squeeze-and-Excitation,DBSE）注意力模块,通过同时使用全局平均池化（Global Average Pooling,GAP）和全局最大池化（Global Max Pooling,GMP）编码输入特征的通道信息,以实现更精准的通道注意力推断。然后,为了强化稻穗特征并抑制背景区域特征,将DBSE模块添加到编码-解码分割框架中构建DBSE-Net分割网络。最后,在自采集的稻穗图像数据集上进行分割性能测试,DBSE-Net对稻穗分割的像素准确率、平均交并比和F1分数分别达到了94.32%、87.59%和91.86%,比次优模型DeeplabV3+的结果分别高出1.61、2.56和1.20个百分点,在单张256×256（像素）图像上耗时0.03 s,是DeeplabV3+分割速度的5.3倍。在公开的稻穗图像数据集上进行泛化性能测试,DBSE-Net能够有效分割出稻穗区域。该研究结果表明,DBSE-Net能够对不同品种与生育期稻穗实现高效精准分割,具有良好的泛化性,可以为水稻产量评估提供参考。     

空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草

针对传统Alex Net模型参数大、特征尺度单一的问题,该文提出一种空洞卷积与全局池化相结合的多尺度特征融合卷积神经网络识别模型。通过对初始卷积层的卷积核进行膨胀,以增大其感受野而不改变参数计算量,并采用全局池化代替传统的全连接层来减少模型的参数。通过设置不同膨胀系数的初始卷积层卷积核与全局池化层类型,以及设置不同Batch Size,得到8种改进模型,用于训练识别共12种农作物幼苗与杂草,并从建立的模型中选出最优模型。改进后的最优模型与传统Alex Net模型相比,仅经过4次训练迭代,就能达到90%以上的识别准确率,平均测试识别准确率达到98.80%,分类成功指数达到96.84%,模型内存需求减少为4.20 MB。实际田间预测野芥与雀麦幼苗的准确率都能达到75%左右,说明该文最优模型对正常情况下的幼苗识别性能较好,但对复杂黑暗背景下的甜菜幼苗准确率为60%,对恶劣背景下的识别性能还有待提升。由于模型使用了更宽的网络结构,增加了特征图的多尺度融合,保持对输入空间变换的不变性,故对正常情况下不同作物幼苗与杂草的识别能力较强。该文改进模型能达到较高的平均识别准确率及分类成功率,可为后续深入探索复杂田间背景下的杂草识别以及杂草与幼苗识别装置的研制打下基础。