边缘计算在智慧农业中的应用现状与展望

互联网技术快速发展使得数据量剧增,云计算的数据集中处理模式存在实时性不足、能耗过高以及数据安全等一系列问题。边缘计算是在靠近数据源端执行计算的分散处理模式,与云计算相比具有低延迟、低成本、安全性高、个性化设计等优势。随着智慧农业迅速发展,结合深度学习的农业应用屡见不鲜,如作物病害检测、生长环境监测、作物自动采摘、无人农场管理等,边缘计算可以为农业多场景、复杂任务提供高效、可靠的新型数据处理方案。该研究概述了边缘计算的发展,计算架构及主要优势;介绍了边缘计算在农业中的应用背景,结合文献量分析,归纳了边缘计算在农业上的主要应用场景及相关智能农业装备,调研了现有常用边缘计算设备及性能参数,总结了适合边缘计算的主流深度学习算法及模型压缩方法。研究表明边缘计算在智慧农业中的应用有效促进了农业的数字化、智能化,未来在多场景、多功能边缘计算智能农业装备开发等领域将面临重大挑战和机遇。     

基于Micro-CT和改进DeepSORT的再生稻再生芽追踪计数与再生力评价

再生稻具有一种两收的优势,其再生力直接决定了水稻再生季产量,而水稻再生力与再生季再生芽的数量密切相关。传统人工水稻再生芽检测方法存在接触损伤、主观低效和重复性差等缺点,因此该研究提出了一种基于Micro-CT（computed tomography）和改进的DeepSORT（simple online and realtime tracking）的再生芽多目标追踪计数和再生力评价方法。首先采用Micro-CT成像获取再生季水稻断层图视频流,然后利用YOLOv5s网络作为再生芽追踪检测器,最后通过改进的DeepSORT追踪算法实现水稻再生芽的精准追踪计数。其中DeepSORT改进包括优化再生芽追踪过程中的ID错误;增加再生芽目标追踪的匹配次数,改善ID跳变的问题;计算再生芽的高度信息,实现对再生芽中有效芽的判别。试验结果表明,在目标检测上,YOLOv5s对再生芽和茎秆的平均检测准确率分别为97.3%和99.1%,在再生芽多目标追踪上,改进的DeepSORT算法的多目标跟踪准确度为77.61%,高阶跟踪精度为61.73%,ID跳变为6,与改进之前相比,多目标跟踪准确度和高阶跟踪精度分别提升了1.51和8.5个百分点,ID跳变降低了94%。对8种不同处理共104盆水稻再生芽进行追踪计数,将系统测量值与人工测量值进行统计对比,结果证明本文方法测量的再生芽数量和人工观测值的决定系数为0.983,均方根误差为3.460,平均绝对百分比误差为5.647%,两者具有较高的回归性。研究基于有效再生芽和茎秆数量的比值得到水稻早期再生力,对2个水稻品种共38盆水稻的再生力和再生季实际产量进行相关分析得到决定系数分别为0.795和0.764。该研究为水稻再生芽无损检测和再生力早期评价提供了一种新的技术途径。     

基于改进Faster R-CNN和Deep Sort的棉铃跟踪计数

棉铃作为棉花重要的产量与品质器官,单株铃数、铃长、铃宽等相关表型性状一直是棉花育种的重要研究内容。为解决由于叶片遮挡导致传统静态图像检测方法无法获取全部棉铃数量的问题,提出了一种以改进Faster R-CNN、Deep Sort和撞线匹配机制为主要算法框架的棉铃跟踪计数方法,以实现在动态视频输入情况下对盆栽棉花棉铃的数量统计。采用基于特征金字塔的Faster R-CNN目标检测网络,融合导向锚框、Soft NMS等网络优化方法,实现对视频中棉铃目标更精确的定位;使用Deep Sort跟踪器通过卡尔曼滤波和深度特征匹配实现前后帧同一目标的相互关联,并为目标进行ID匹配;针对跟踪过程ID跳变问题设计了掩模撞线机制以实现动态旋转视频棉铃数量统计。试验结果表明：改进Faster R-CNN目标检测结果最优,平均测量精度mAP₇₅和F1值分别为0.97和0.96,较改进前分别提高0.02和0.01;改进Faster R-CNN和Deep Sort跟踪结果最优,多目标跟踪精度为0.91,较Tracktor和Sort算法分别提高0.02和0.15;单株铃数计数结果决定系数、均方...