农业传感器与智能检测技术发展任重道远

正如果智慧农业是一棵树,那么传感器和智能感知就是树的根,是智慧农业的源头。作为农业信息获取的"感觉器官",农业信息感知层的关键组成部分,农业传感器承担着数据采集和传输的重任。通过传感器,可以有效降低人力消耗,更能极大摆脱天气因素限制。同时,将农业生产中的个人经验转化成更科学、更精确的信息手段和以软件为中心的生产模式,从而让农业生产真正走上智能化、自动化和远程控制化的智慧农业发展之路。近年来我国农业传感器从论文、专利、产业、技术体系     

联合收割机谷物流量传感器研究进展

农业机械智能化是现代农机发展的重要方向之一。传感器是农业机械智能化的关键元器件。在介绍精准农业中使用广泛的联合收割机谷物流量传感器国内外最新研究进展的基础上，总结分析当前各类谷物流量传感器存在的问题，指出谷物流量传感器的发展趋势。      

基于本体的水稻栽培知识库构建及应用

在人工智能领域(AI)中,Ontology作为知识表示和知识组织的主要工具,能有效地对知识进行系统化的组织和表示,这种结构化知识表示有利于解决信息检索、资源组织等。以构建水稻栽培学知识库为依托,研究了本体在该领域的构建原则、方法等,通过对相关的分类体系确立、属性定义、实例确定,以及本体存储等各个部分进行研究,详细地阐述了本体信息的结构组织体系的确立与相关知识及其应用的全过程。     

土壤钾离子非接触电导检测装置设计与试验

为确保土壤钾离子检测的时效性和准确性，设计了非接触电导检测装置。首先，设计与毛细管配套的非接触式电导检测池，以金属圆筒结合导电银胶构建激励电极、屏蔽电极和接收电极。其次，构建非接触式电导检测器，包括激励信号发生电路、前置放大电路及检波放大电路，搭建了一个板级的激励信号发生电路，该电路采用考毕兹振荡器电路匹配高频变压器的方案。前置放大电路采用跨阻放大拓扑，检波放大电路将前置放大电路输出的毫伏级交流电压信号，通过整流、调零、程控放大，得到一个固定范围的直流电压，用于上位机采集。通过电导率的变化波形可以分析出土壤溶液中的钾离子含量。最后，采用设计的非接触式电导检测装置对6种标准土样的钾离子含量进行初步检测分析。结果表明，6种土壤样品的钾离子含量测试结果与标准值的趋势一致，说明此套非接触式电导检测装置能够完成土壤样品的初步检测，并与标准值存在相关关系。     

基于群聚个性化搜索引擎

在这十多年的发展过程中，搜索引擎技术日渐成熟。我们根据对搜索引擎历史和个性化搜索引擎的历史和现状研究，对当前的方法进行评价并提出一种基于群聚的个性化搜索引擎实现的方法。     

安徽省皖南地区优质烟叶栽培管理专家系统的研究

以中科院合肥智能所最新研制的智能化农业信息处理开发平台AIP 1.0为系统开发工具 ,科技人员的科研成果、烟农的实际经验和资料知识为基础 ,运用人工智能技术、神经网络技术、多媒体技术、GIS技术、AGENT技术等与专家群经验相结合的方式 ,开发出了适合安徽省皖南地区优质烟叶栽培管理专家系统MESTCM。该系统由知识库、数据库、模型库、信息库、推理机、人机交互等综合而成 ,具有可视化、网络化、知识化、构件化、智能化的特点。该系统的开发可以为科技人员和烟农生产优质烟叶提供一个平台 ,通过该系统还可以帮助烟农做出合理的生产布局和科学决策 ,及时指导烟叶生产 ,进一步提高安徽省烟叶质量     

猪病本体的构建及SWRL推理研究

针对猪病知识特点,采用OWL DL语言构建猪病本体,利用SWRL规则语言的表达能力,定义猪病推理规则,并给出了几种可实现的推理功能,借助Jess推理引擎实现了猪病知识诊断推理。结果表明,将SWRL规则引入猪病本体中,为建立高智能、可共享与复用的猪病知识库和诊断规则库提供了有效途径。     

土壤有机质检测自动化前处理平台设计与试验

针对传统人工土壤检测方法存在检测过程复杂、处理周期长、工作效率低等问题，提出了土壤有机质检测自动化前处理平台整体设计框架，基于此构建了土壤有机质检测自动化前处理平台，该平台以均一、稳定的机器操作完成土壤有机质含量的精确检测。平台主要由搬运机械手、温控消解装置、无损转移装置、电气控制系统等构成，同时通过构建组态软件调度系统实现各装置的协同工作，以流水线式作业方式完成土壤有机质自动化前处理。选取标准土壤样品对平台的稳定性和系统适用性进行试验，结果显示，该平台重复测试标准差不大于0.56g/kg，相对标准偏差不大于2.30%，相对误差不大于2.21%，检测结果符合农业农村部土壤检测指标要求。     

基于近红外光谱和机器学习的大豆种皮裂纹识别研究

针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法。采用FT-NIR光谱仪采集150粒大豆样品（裂纹大豆75粒,正常大豆75粒）的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate, SNV)、多元散射校正（Multiple scatter correction, MSC）、一阶导数结合SG平滑、二阶导数结合SG平滑等5种方法对获得的光谱进行预处理,分别采用偏最小二乘判别分析法（Partial least squares discriminant analysis, PLS-DA）、k-近邻法（k-nearest neighbor, KNN）、支持向量机法（Support vector machine, SVM）、随机森林法（Random forest,RF）、随机梯度提升法（Stochastic gradient boosting, SGB）、极端梯度提升法（Extreme gradient boosting,XGBoost）等6种机器学习方法建立了大豆种皮裂纹识别模型,研究了不同光谱预处理方法对6种机器学习方法分类效果的影响,对比分析了不同建模方法的分类效果。结果表明,光谱预处理方法对不同机器学习方法的分类效果差别较大。在合适的光谱预处理条件下,6种不同的机器学习算法的验证集准确率均不低于80.00%。PLS-DA的分类效果最好,验证集最优准确率达到90.00%;XGBoost的分类效果次之,验证集最优准确率达到86.67%,接下来依次是SVM、KNN、SGB和RF。利用近红外光谱技术和机器学习方法识别大豆种皮裂纹是可行的,在原始光谱条件下,PLS-DA是大豆种皮裂纹识别的最佳方法。     

安徽省单季中稻生产智能决策支持系统的研制

本系统的研制是基于面向对象的构件技术和雄风专家系统开发工具的集成环境来完成的.以安徽省单季中稻生产为对象,以实现水稻生产的高产、优质、高效为目标,综合了水稻栽培、植保、土肥、农业生态等各个领域专家的知识经验,采用从定性到定量综合集成的方法建立.系统具有逻辑推理判断与决策能力,并有较高的精确性和可靠性.