基于深度学习的害虫识别技术综述

在虫情监测和害虫防范治理过程中,准确识别害虫是有效解决农业领域虫害问题的重要前提。依靠专家知识和人工经验进行虫情诊断的方式效率较为低下,自动化和智能化水平较差,而采用深度学习、计算机视觉等智能化技术手段可以大幅度提升害虫识别过程的效率、准确度,并降低人工成本。概述了基于深度学习的害虫识别技术发展现状,分析深度学习技术在害虫图像识别领域的实现原理和优势,阐述国内外专家学者在基于深度学习的害虫识别技术领域的最新研究进展,提出该技术领域面临的挑战,并对发展方向进行预测。该文可为深入开展害虫识别和分类技术在智慧农业上的应用研究提供参考。      

农业无人机智能机器学习系统——基于人工智能和深度学习

为了提高农业无人机作业时的自主学习能力,基于人工智能技术将深度学习算法应用到了无人机机器学习系统的设计上,并提出了基于神经网络深度学习的农业无人机智能识别系统,有效提高了无人机的自动学习和识别能力。以采摘机器人的设计为例,对智能机器学习系统的可靠性进行了验证,并对不同学习算法果实识别的准确性进行了测试。测试结果表明：基于神经网络的深度学习算法在果实的成熟度识别方面具有明显的优势,从而验证了算法的可靠性。     

农业文本语义理解技术综述

随着互联网和人工智能技术的发展,农业知识智能化服务逐渐承担起为农业生产管理提供有效技术指导的作用。本文对农业文本语义理解中的关键技术及应用进行综述。首先按照自然语言处理中基于规则、机器学习和深度学习的语义处理方法介绍其在农业领域应用的进展;然后阐述了针对农业知识特性的语义分析方法,涵盖农业文本分析主要过程的储存、表达、计算,包括农业知识图谱的知识抽取、融合、表示、推理,TF-IDF、Word2Vec、BERT等农业文本表示模型与CNN、RNN、Attention等分类模型;阐述了可用于分词、向量化表达等的通用语料库和农业领域常用语料库;从农业智能问答、农业语义检索、农业智能管理决策方面阐述语义理解在农业领域中的应用;最后从农业语料库标准化构建、语义理解模型复杂度、多模态语义处理、多区域多语言语义理解等方面对农业文本的语义理解研究趋势进行了展望。     

设施农业施药技术装备机械化研究进展

首先,指出了设施农业对施药技术装备要求的特殊性;其次,分析了目前国内设施农业施药技术装备的应用现状;然后,从工作原理、结构特点、创新点等方面详细论述了现有应用于设施农业可控雾滴施药技术装备,指出设施农业可控雾滴施药技术装备已有的研究成果和未来有待进一步研究的模块。最后,针对设施农业可控雾滴施药技术装备引发的思考及未来该领域的研究重点及发展方向,提出了相关的建议与对策。本文旨在为我国设施农业施药技术装备的应用发展提供借鉴。     

深度学习在农作物病害图像识别中的研究进展

农作物病害识别关乎作物的产量与质量,是智慧农业发展过程中必不可少的重要环节。随着深度学习技术在图像处理领域的飞速发展,利用深度学习从图像中识别出农作物患病类型的方法已逐渐成为主流。主要对基于深度学习的农作物病害识别方法进行综述,简要地介绍深度学习和卷积神经网络,收集一些常用的病害图像公开数据集。根据训练样本采集环境的不同,从实验室和野外两个方面概述近年来基于深度学习病害识别方法的进展,指出每种方法的优势与不足,总结出该研究领域存在数据量不足、任务难度大、深度学习模型网络结构复杂3个主要问题,并在此基础上进行展望,提出建立大规模、多种类、多类型病害数据库和设计高性能的深度学习模型是未来的重要发展方向。     

农业人工智能的现状与应用综述

近年来,人工智能技术不断发展,已渗透到金融、教育、医疗、工业等众多领域当中。农业人工智能的出现,极大地推进了农业向智能化、信息化发展。本文主要介绍了人工智能中的关键技术,分析了人工智能技术在种植业、畜牧业、农产品营销等农业领域方面的重要应用意义,报告了目前人工智能技术在农业产前、产中、产后三大阶段的应用情况以及在国内外农业领域的发展现状,同时,列举了一些人工智能在农业中的经典应用和场景。指出目前我国农业领域面对新技术时存在的不足和挑战,并对此提出推动新技术应用的策略,以期我国能够真正意义上进入智慧农业。最后,对人工智能在农业领域的发展提出一些思路。     

基于深度学习的杂草识别方法研究进展

伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。     

基于WOS的人工智能在农业领域研究的现状分析

本文通过利用文献计量学的方法,对人工智能在农业领域研究的文献从发文时间、国家、机构、期刊、文献被引频次及关键词等多角度,对该领域目前的研究现状进行全面概括和分析,结果发现:人工智能在农业领域的研究仍处于起步阶段,研究成果较少,从2016年才有所上升。美国、西班牙、中国、巴西等农业大国在该领域的研究相对较多,但有影响力的文献数量较少;期刊《COMPUTERS AND ELECTRONICS IN AGRICUL TURE》收录的有关文献最多,是当前该研究领域的重点核心期刊。     

基于WOS的人工智能在农业领域研究的现状分析

本文通过利用文献计量学的方法,对人工智能在农业领域研究的文献从发文时间、国家、机构、期刊、文献被引频次及关键词等多角度,对该领域目前的研究现状进行全面概括和分析,结果发现:人工智能在农业领域的研究仍处于起步阶段,研究成果较少,从2016年才有所上升。美国、西班牙、中国、巴西等农业大国在该领域的研究相对较多,但有影响力的文献数量较少;期刊《COMPUTERS AND ELECTRONICS IN AGRICUL TURE》收录的有关文献最多,是当前该研究领域的重点核心期刊。     

基于农业工程背景的《工程测试技术》教改与实践

针对当前农业工程专业硕士研究生课程《工程测试技术》讲授重点偏理论,应用导向不足的问题,对课程的教学方法进行研究。提出了提高教学质量的教改方案:优化教学方法,围绕具体应用案例,精炼理论讲授;提炼课程知识点在农业工程领域的具体应用,探索课程知识点对农业工程实际应用和学术论文写作的积极作用;积极引导学生在课堂上参与授课过程;创新课程考核方式。该教学改革方案的实施显著改善了研究生的学习效果,使教学与科研有机结合,提高了研究生的科研水平,有助于农业工程领域的人才培养。      

数据集对基于深度学习的作物病害识别有效性影响

基于深度学习的作物病害自动识别已成为农业信息化领域新的研究热点,为探究数据集的大小和质量对基于深度学习的作物病害识别有效性的影响,研究不同数据集训练得到的模型识别效果并进行了分析.以338张玉米病害数据集为例,对其进行数据增强、移除背景和细分割划分等处理,设计5个AlexNet框架的CNN网络模型并利用不同类型的数据集...     

基于深度学习的农作物病虫害检测算法综述

农作物病虫害对农业产量和品质影响巨大。数字图像处理技术在农作物病虫害识别中发挥重要作用。深度学习在该领域取得显著突破,效果优于传统方法。深度学习方法的特征提取能力更强,能准确捕捉细微特征,提高检测精度和可靠性。深度学习为农业提供了有力支持。本研究综述了基于深度学习的农作物病虫害检测研究,从分类网络、检测网络和分割网络3方面进行了概述,并对每种方法的优缺点进行了总结,同时比较了现有研究的性能。在此基础上,进一步探讨了基于深度学习的农作物病虫害检测算法在实际应用中面临的难题,并提出了相应的解决方案和研究思路。最后,对基于深度学习的农作物病虫害检测技术的未来趋势进行了分析和展望。     

基于Faster R-CNN的田间西兰花幼苗图像检测方法

为解决自然环境下作物识别率不高、鲁棒性不强等问题,以西兰花幼苗为研究对象,提出了一种基于Faster R-CNN模型的作物检测方法。根据田间环境特点,采集不同光照强度、不同地面含水率和不同杂草密度下的西兰花幼苗图像,以确保样本多样性,并通过数据增强手段扩大样本量,制作PASCAL VOC格式数据集。针对此数据集训练Faster R-CNN模型,通过设计ResNet101、ResNet50与VGG16网络的对比试验,确定ResNet101网络为最优特征提取网络,其平均精度为90. 89%,平均检测时间249 ms。在此基础上优化网络超参数,确定Dropout值为0. 6时,模型识别效果最佳,其平均精度达到91. 73%。结果表明,本文方法能够对自然环境下的西兰花幼苗进行有效检测,可为农业智能除草作业中的作物识别提供借鉴。     

化肥机械深施与传统施肥和人工施肥对比

分析了传统施肥、人畜力施肥和机械深施肥的不同特点,肯定了化肥机械深施的优势。采用化肥机械深施措施,对于加速改变农业落后的生产方式,推广使用先进农业机械化技术有一定的促进作用。      

基于GoogLeNet深度迁移学习的苹果缺陷检测方法

针对目前国内苹果分选大部分以人工操作的现状,提出利用GoogLeNet深度迁移模型对苹果缺陷进行检测。检测结果表明,本文方法对扩充后的1 932个训练样本的识别准确率为100%,对235个测试样本的识别准确率为91.91%。为评估目前苹果缺陷检测常用算法的性能,将GoogLeNet与浅层卷积神经网络(AlexNet和改进型LeNet-5)及传统机器学习方法(K-NN、RF、SVM)进行了对比,结果表明,与苹果缺陷检测的常用算法相比,本文方法具有更好的泛化能力与鲁棒性。     

水稻病虫害目标检测技术的研究进展

水稻病虫害对水稻的生长和产量有着严重的影响,因此在病虫害初期做到有效识别,及时干预保障水稻生长至关重要,水稻病虫害目标检测技术便能够做到较为准确的自动化识别,随着近些年深度学习的快速发展,目标检测技术也取得了重要的进展,例如YOLO算法、Faster R-CNN算法等,文章介绍了水稻病虫害目标检测技术的发展历程和研究进展,分析了学者近些年提出的改进算法和亮点,讨论不同类型算法在水稻病虫害目标检测领域中的应用场景和不足,分析未来的发展和研究方向,以促进目标检测技术协助水稻种植的研究。     

基于卷积神经网络的无人机遥感农作物分类

针对采用长时间序列卫星影像、结合物候特征进行农作物精细分类识别精度较低的问题,将深度学习用于无人机遥感农作物识别,提出一种基于卷积神经网络的农作物精细分类方法,利用卷积神经网络提取高分辨率遥感影像中的农作物特征,通过调整网络参数及样本光谱组合,进一步优化网络结构,得到农作物识别模型。研究结果表明：卷积神经网络能够有效地提取影像中的农作物信息,实现农作物精细分类。除地块边缘因农作物种植稀疏、混杂而产生少许错分现象外,其他区域均得到较好的分类效果。经训练优化后的模型对3种农作物总体分类精度可达97.75%,优于SVM、BP神经网络等分类算法。     

基于Faster R-CNN网络的茶叶嫩芽检测

为有效识别茶叶嫩芽提高机械采摘精度、规划采摘路线以避免伤害茶树,针对传统目标检测算法在复杂背景下检测精度低、鲁棒性差、速度慢等问题,探索了基于Faster R-CNN目标检测算法在复杂背景下茶叶嫩芽检测方面的应用。首先对采集图像分别进行等分裁切、标签制作、数据增强等处理,制作VOC2007数据集;其次在计算机上搭建深度学习环境,调整参数进行网络模型训练;最后对已训练模型进行测试,评价已训练模型的性能,并同时考虑了Faster R-CNN模型对于嫩芽类型(单芽和一芽一叶/二叶)的检测精度。结果表明,当不区分茶叶嫩芽类型时,平均准确度(AP)为54%,均方根误差(RMSE)为3.32;当区分茶叶嫩芽类型时,单芽和一芽一叶/二叶的AP为22%和75%,RMSE为2.84;另外剔除单芽后,一芽一叶/二叶的AP为76%,RMSE为2.19。通过对比基于颜色特征和阈值分割的茶叶嫩芽识别算法(传统目标检测算法),表明深度学习目标检测算法在检测精度和速度上明显优于传统目标检测算法(RMSE为5.47),可以较好地识别复杂背景下的茶叶嫩芽。     

深度学习在植物叶部病害检测与识别的研究进展

植物病害准确检测与识别是其早期诊断与智能监测的关键,是病虫害精准化防治与信息化管理的核心.深度学习应用于植物病害检测与识别中,可以克服传统诊断方法的弊端,大幅提升病害检测与识别的准确率,引起了广泛关注.本文首先收集和介绍了部分公开的植物病害图像数据集,然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展,...