基于Jetson Nano处理器的大蒜鳞芽朝向调整装置设计与试验

为满足大蒜定向播种的农艺要求,针对现有大蒜鳞芽调整方法对杂交蒜适应性差的问题,该研究设计了一种基于Jetson Nano处理器的大蒜鳞芽朝向自动调整装置.采用双卷积神经网络模型结构,其中一个神经网络模型对大蒜是否被喂入进行实时监测,检测到大蒜喂入调整装置后,一个ResNet-18网络模型对蒜种鳞芽朝向进行判断,当鳞芽朝...     

科技支撑林果发展助力西藏脱贫攻坚

西藏是我国唯一的省级集中连片特困地区和整体性深度贫困地区,脱贫攻坚任务艰巨.中国农业科学院郑州果树研究所坚持"脱贫攻坚主战场在哪里,中国农业科学院专家团队就在哪里",深入贯彻落实《中国农业科学院党组关于深入推进科技扶贫工作的意见》精神,按照院党组的工作部署,结合现有基础,"十三五"以来先后选派3名援藏干部、多批次专家团...     

有关种子萌发的教学实践与思考

作物学是海南大学“双一流”建设学科,农学专业是作物学一流学科对应的本科专业。《种子学》是农学专业的核心课程与骨干课程。为契合海南大学一流学科建设,总结出《种子学》课程教学中剖析基本概念与理论的方法。以种子的萌发为例,分别从种子萌发的概念、吸胀伤害与吸胀冷害、光照与种子萌发等方面探讨培养大学生的探究能力和逻辑思维能力的具体措施。     

玉米青贮堆放时间和截料深度的优化

旨在指导生产上玉米青贮切割后的科学堆放及使用,以青贮料温为考察指标,进行了夏季牧场玉米青贮堆放时间和截料深度优化实验.堆放时间优化实验结果显示,玉米青贮在青贮窖中堆放24 h后开始再次发酵,在仓库中堆放24 h后有再次发酵趋势;截料深度筛选实验结果显示,在距离料面30 cm处的料温基本不受外界温度影响.建议:牧场将切割...     

深度学习在林业中的应用

林业数据信息的智能处理与深度挖掘分析是智慧林业精准决策与统筹管理的基础。文中主要从树木识别与分类、森林火灾识别与预测、树木病虫害监测和木材检测等4个方面总结深度学习在林业中的应用;从林业数据集、数据标记、特征学习涵盖范围、图像遮挡等方面分析了深度学习在林业领域应用上的缺点与局限性,以充分认识深度学习在林业应用方面亟待解决的问题与突破的方向;从林业领域应用场景、算法改进、数据集共享与研究成果应用的角度,展望深度学习在林业领域应用上亟待加强研究的方面,以提升深度学习解决林业应用问题的广度与深度,促进智能林业的发展。     

融合坐标注意力机制的轻量级玉米花丝检测

玉米花丝性状是玉米生长状态的重要表征,也是决定玉米果穗生长进而影响玉米产量的重要因素。为了提升无人巡检机器人视觉系统对玉米花丝的检测精度和速度,该研究提出一种融合坐标注意力机制的轻量级目标检测网络YOLOX-CA。将坐标注意力机制（coordinate attention, CA）模块嵌入到YOLOX-s主干特征网络（Backbone）部分,以加强对关键特征的提取,提升检测精度;在颈部特征加强网络（Neck）部分,将特征金字塔结构中的普通卷积,更改为深度可分离卷积,在降低网络参数量的同时保证精度不丢失;在预测头（Head）部分引入GIoU（generalized intersection over union）改进定位损失函数计算,得到更为精准的预测结果。基于自建玉米花丝数据集训练和测试网络,试验结果表明,YOLOX-CA网络平均检测精确度达到97.69%,参数量低至8.35 M。在同一试验平台下,相较于YOLOX-s、YOLOv3、YOLOv4等目前主流的目标检测网络,平均检测精确度分别提升了2.21、3.22和0.64个百分点;相较于YOLOv3、YOLOv4,每帧推理时间分别缩短4和8 ms。该网络针对玉米花丝的检测效果较好,其轻量结构适于部署在无人巡检机器人的视觉系统上,可为玉米生长状态监测提供参考。     

基于DH-YoloX的群养马岗鹅关键行为监测

马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法（Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX）,该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1 400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2 520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。     

采用组合增强的YOLOX-ViT协同识别温室内番茄花果

番茄花果的协同识别是温室生产管理调控的重要决策依据,针对温室番茄栽培密度大,植株遮挡、重叠等因素导致的现有识别算法精度不足问题,该研究提出一种基于级联深度学习的番茄花果协同识别方法,引入图像组合增强与前端ViT分类网络,以提高模型对于小目标与密集图像检测性能。同时,通过先分类识别、再进行目标检测的级联网络,解决了传统检测模型因为图像压缩而导致的小目标模糊、有效信息丢失问题。最后,引入了包括大果和串果在内的不同类型番茄品种数据集,验证了该方法的可行性与有效性。经测试,研究提出的目标检测模型的平均识别率均值（mean average precision,mAP）为92.30%,检测速度为28.46帧/ s,其中分别对小花、成熟番茄和未成熟番茄识别平均准确率分别为87.92%、92.35%和96.62%。通过消融试验表明,与YOLOX、组合增强YOLOX相比,改进后的模型mAP提高了2.38～6.11个百分点,相比于现有YOLOV3、YOLOV4、YOLOV5主流检测模型,mAP提高了16.56～23.30个百分点。可视化结果表明,改进模型实现了对小目标的零漏检和对密集对象的无误检,从而达到了高精度的协同检测的目标。研究成果为温室种植环境下的番茄生长识别提供参考。     

基于MWatNet模型的河套灌区解放闸灌域灌溉水体提取

为提高灌溉农田中灌溉水体的识别精度,以河套灌区解放闸灌域作为研究区,基于Sentinel-2遥感影像,结合灌区实际情况对地表水体提取模型(WatNet)进行改进,得到MWatNet模型并提取灌溉水体。采用总体精度（Overall accuracy,OA）、平均交并比（Mean intersection over union,MIoU）、F1值等水体提取精度指标进行综合评价。结果表明：改进后的地表水体提取模型(MWatNet)在解放闸灌域农田灌溉水体的提取上具有较好的识别精度,模型总体精度达到96%,平均交并比达到83%,F1值为80%,实地调研验证准确度为85.7%;对比原WatNet、水体语义分割模型(Deeplabv3_plus)和水体提取模型(Deepwatermapv2),MWatNet在灌溉水体提取的连结性、剔除道路和城镇干扰等方面,均表现出更好的效果和模型运行效率。利用该模型可以实现灌溉水体定量化表征,为灌溉用水调度提供了数据支撑。     

融合YOLOv7和BYTE多目标跟踪的多类别海珍品计数方法

针对目前养殖过程中海珍品计数方法成本高、效率低、计数精度难以保障等问题,该研究以真实底播养殖环境下的海珍品为研究对象,以水下拍摄的海珍品视频为数据源,提出一种基于视频多目标跟踪的多类别海珍品计数方法。首先,采用性能优异的YOLOv7算法实现海珍品目标检测器,为多目标跟踪提供输入;然后,结合真实养殖环境下同类别海珍品外观相似性高、不清晰等特点,借鉴BYTE算法的多目标跟踪思想,设计多类别轨迹生成策略和基于轨迹ID号的计数策略,提出一种多类别海珍品跟踪与计数方法。并提出一套更适用于基于轨迹ID号计数方法的评估指标。试验结果表明,改进平均计数精度、改进平均绝对误差、改进均方根误差及帧率分别为91.62%、5.75、6.38和32帧/s,各项指标多优于YOLOv5+DeepSORT、YOLOv7+DeepSORT、YOLOv5+BYTE、YOLOv7+BYTE等算法,尤其改进平均计数精度、帧率指标比YOLOv5+DeepSORT高了29.51个百分点和8帧/s,且在改进平均绝对误差、改进均方根误差指标上分别降低19.50和12.08。该研究方法可有效帮助水产养殖企业掌握水下海珍品数量,为现代化渔业的测产研究提供技术参考,为水产养殖的智慧管理提供科学决策依据。