基于深度残差网络的麦穗回归计数方法

单位面积的穗数是估算小麦产量的重要指标,针对传统麦穗计数方法效率低、主观性高等问题,将基于深度残差网络的密度回归模型引入麦穗的计数领域,建立原始图片与密度图的对应关系,以密度图像素值总和确定图像中麦穗数量。对ResNet34网络进行改进,提出了ResNet-16模型,实现端对端的麦穗计数。针对ResNet34网络复杂度高的特点,ResNet-16增加了残差块的宽度,减少了ResNet34网络的深度;为了避免真值密度图的精度误差以及梯度下降过快,引入了矫正因子δ和膨胀因子K。结果表明:改进后的ResNet-16模型能够取得更好的预测精度,平均绝对误差为2.50,均方根误差为3.27,相关系数R~2为0.973,计数准确率达到94%,较MCNN计数模型精度提高了6%,可以实现高效、快速的麦穗计数。利用基于深度残差网络的回归计数模型为麦穗计数提供了一种新的计数方式。     

智能蜂场研究进展

中国是世界养蜂大国,蜂群数量、蜂产品产量和出口量均居世界前列,目前中国蜂蜜产量40多万吨,占世界蜂蜜总产量的四分之一以上[1]。而我国的蜂业发展存在严重的不足之处,如大多数蜂产品生产是以传统的、分散的家庭生产模式,从业人员大多是为老年人且文化程度不高,出现了追求产量,不等蜂蜜成熟就摇蜜、药物残留、掺假等现象,对蜂产品产量造成了直接影响[2]。     

农业复杂环境下尺度自适应小目标识别算法——以蜜蜂为研究对象

农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点,加之农田环境光照多变、背景复杂,导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标,以蜜蜂识别为例,提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环境的影响及目标体积较小导致的特征提取困难,实现目标尺度无关的小目标识别。首先将原图拆分为一些较小尺寸的子图以提高目标尺度,将已标注的目标分配到拆分后的子图中,形成新的数据集,然后采用迁移学习的方法重新训练并生成新的目标识别模型。在模型的使用中,为使子图识别结果能正常还原,拆分的子图之间需具有一定的重叠率。收集所有子图的目标识别结果,采用非极大抑制（Non-Maximum Suppression,NMS）去除由于模型本身产生的冗余框,提出一种交小比非极大抑制（Intersection over Small NMS,IOS-NMS）进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300×300、500×500和700×700,子图重叠率分别为0.2和0.05的情况下进行验证试验,结果表明：采用SSD（Single Shot MultiBox Detector）作为框架中的目标检测模型,新提出的尺度自适应算法的召回率和精度普遍高于SSD模型,最高分别提高了3.8%和2.6%,较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优越性,从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像,并采用本算法和SSD模型进行了对比测试,结果表明：本算法能提高目标识别性能,具有较强的尺度适应性和泛化性。由于本算法对于单张图像需要多次向前推理,时效性不高,不适用于边缘计算。     

蜂群行为监测方法及应用研究综述

为研究国内外蜂群行为监测进展及应用现状,以“蜜蜂监测”、“自动化”、“行为”为关键词,对2005—2019年的文献进行检索,并从巢内监测和巢外监测2 个角度对文献进行梳理总结。结果表明:1)国内外对巢内图像、声音、温湿度和重量信息的监测与应用大大提高了蜂农养殖效率,减轻蜂农负担;2)巢外的巢门区蜜蜂数量、蜂箱蜜蜂进出量监测研究提高了在实际应用中便捷程度,于发展中不断弱化对传感器的依赖性;3)基于计算机视觉的巢外监测成为新的监测研究热点。已有研究存在信息分析单一、环境数据利用不充分、养殖辅助信息欠缺等不足之处。未来研究方向应着重于多类监测信息进行协同分析、不同监测信息与环境信息结合进行关联分析以及养殖辅助策略多途径化,进一步促进养蜂业发展。     

作物环境胁迫高光谱遥感监测研究进展

作物环境胁迫频发不仅严重影响区域粮食生产和生态安全,还威胁社会经济稳定和可持续发展,高光谱遥感可实时、准确监测作物环境胁迫,与传统监测方法相比具有较大优势。首先阐述了高光谱遥感监测作物环境胁迫的理论基础,重点从基于光谱响应特征的直接监测、基于农学参数和生理信息反演的间接监测两方面,概述了高光谱遥感在监测作物病虫害、水分胁迫方面的研究进展。在此基础上,提出了目前该技术在作物环境胁迫监测应用领域的不足,如光谱响应特征的专属性认识不足、反演模型的精度及普适性较低、数据使用受到限制等,并讨论了高光谱遥感在作物环境胁迫监测方面的发展方向,旨在为农作物环境胁迫监测及预警提供参考。     

改进区域增长算法的植株多视图几何重建

【目的】通过研究3种不同复杂程度植株冠层的三维重建,为更加精准获取植株冠层表型参数提供新方法。【方法】本文首先用单反相机获取3种不同复杂程度植株冠层图片序列,通过三维重建得到各植株稠密点云;随后还原植株点云原始尺度,过滤稠密点云中的噪声,再使用改进区域增长算法分割植株点云冠层;之后借助激光扫描仪,利用手动测量和激光扫描方法分别从二维和三维两个方面对多视图几何重建的叶片进行精度评价,二维精度评价为叶片长宽的实际测量值分别与激光扫描仪获取的叶片的长宽值和多视图几何重建叶片的长宽值进行统计分析,三维精度评价使用传统的网格对比方法豪斯多夫距离与更加精准的工业级网格3D精度对比检测软件Geomagic Qualify。【结果】多视图几何重建的植株叶片表型信息与手动测量值间的判定系数（R ²）均高于0.96,激光扫描方法获取的植株叶片表型信息与手动测量值间的判定系数（R ²）均高0.99;多视图几何重建的叶片与激光扫描得到的叶片在0—±1mm偏差范围内的比例大部分达到97%以上;以激光扫描的叶片网格为参考,多视图几何重建的叶片网格的豪斯多夫距离90%以上分布在0—2 mm。本研究的多视图几何重建方法与改进区域增长算法相结合能对不同复杂程度的植株取得比较理想的重建结果。 【结论】本文提出的多视图几何方法与改进区域增长算法相结合的重建方法可以弥补区域增长算法的不足,对表面不平滑的植株冠层具有更好的分割效果,适合不同复杂程度植株三维重建,为育种研究获取植株表型提供一定的参考。     

基于SSD模型的巢门蜜蜂检测

传统蜜蜂监测多依靠人力和经验,信息化水平低,蜂群自动化监测得到广泛关注.近年来,基于深度学习的目标检测发展迅速,并在多领域取得很好的应用效果.SSD模型是一种基于卷积神经网络的目标检测模型,具有快速和准确率高的优势.蜂巢口光照多变、环境复杂,蜂群本身也具有互相遮挡和阴影等复杂情况.采用SSD模型对巢门区蜜蜂检测和数据统...