機器視覺與農業智能感知相關的研究，目前已經取得了一定進展，在果園果樹、大田作物、荒漠植物、中藥材、畜禽等領域，已經獲得了一定科研進展。本文整理了近期發表的機器視覺與農業智能感知相關專題的論文。

一、基于改進ResNet50模型的自然環境下蘋果物候期識別

參與機構：四川省農業科學院農業信息與農村經濟研究所

針對傳統方法對自然環境下蘋果物候期圖像識別精度低、覆蓋面不全等問題,該團隊提出了一種基于改進ResNet50模型的蘋果物候期識別方法，實現自然環境下高原紅富士蘋果物候期圖像的智能識別。

結果表明改進ResNet50可實現對蘋果物候期有效識別,該研究成果可為果園物候期識別提供參考,通過集成至果樹生育期智能監測生產管理平臺,實現蘋果園區的智能化管控。

二、自然環境中鮮食葡萄快速識別與采摘點自動定位方法

參與機構：山東農業大學機械與電子工程學院/智能化農業機械與裝備實驗室/山東省園藝機械與裝備重點實驗室、山東交通學院工程機械學院、山東農業大學生命科學學院小麥育種全國重點實驗室

自然環境中鮮食葡萄的快速識別，與精準定位是實現鮮食葡萄機器人自動采摘的先決條件。該團隊研究了基于改進的K-means聚類算法和輪廓分析法提出一種鮮食葡萄采摘點自動定位的方法,利用幾何方法實現鮮食葡萄采摘點快速準確定位。

結果表明該算法在籬壁式、棚架式下紫葡萄、綠葡萄的采摘點定位成功率高,整體試驗效果較好。為鮮食葡萄采摘機器人實現精準采摘葡萄提供技術支撐。

三、用于邊緣計算設備的果樹掛果量輕量化估測模型

參與機構：中國農業科學院農業信息研究所/農業農村部農業大數據重點實驗室、中國農業科學院

掛果量是果樹栽培管理的重要指標。傳統人力抽樣估測果樹掛果量的方法不僅耗時費力,而且容易產生較大誤差。該團隊研究提出了一種用于邊緣計算設備的輕量化模型,實現視頻中樹上柑橘掛果量的自動估測，以提升掛果量估測準確性。

試驗結果證明：該模型在邊緣計算設備上對柑橘掛果量估測的有效性,基于算法模型研發的果園掛果量遠程監測系統，可滿足用于果園移動平臺行進狀態下的果樹掛果量估測需求，為果園生產力自動監測分析提供技術支持。

四、融合ECA機制與DenseNet201的水稻病蟲害識別方法

參與機構：揚州大學信息工程學院(人工智能學院)

針對傳統人工識別病蟲害存在的效率過低、成本過高等問題,該團隊提出了一種融合ECA注意力機制與DenseNet201的水稻圖像識別模型GE-DenseNet。

該方法在包含水稻胡麻斑病、水稻鐵甲蟲、稻瘟病與健康水稻的3355張圖像數據集上進行了實驗測試,識別準確率達到83.52%，實現對不同水稻病蟲害圖像更為準確地識別,為及時防治病蟲害,減少各類損失提供技術支持。

五、基于不同空間分辨率無人機多光譜遙感影像的小麥倒伏區域識別方法

參與機構：河南農業大學農學院/教育部作物生長發育調控重點實驗室/省部共建小麥玉米作物學國家重點實驗室

快速準確評估作物倒伏災情狀況,需及時獲取倒伏發生位置及面積等信息。結合目前無人機遙感識別作物倒伏缺乏相應的技術標準,不利于規范無人機數據獲取流程和提出問題解決方案。該團隊研究旨在探討不同空間分辨率無人機遙感影像，及特征優化方法對小麥倒伏區域識別精度的影響。

結果表明在不同飛行高度下的分類精度相對差異較小,90 m總體分類精度可達到95.6%,Kappa系數達到0.914,滿足了對分類精度的需求。通過選擇適宜的特征選擇方法,不僅可以兼顧分類精度,還能有效縮小影像空間分辨率變化引起的倒伏分類差異,有助于提升飛行高度,擴大小麥倒伏監測面積,降低作業成本,為確立作物倒伏信息獲取策略及小麥災情評估提供參考及支持。

六、基于無人機高光譜遙感的烤煙葉片葉綠素含量估測

參與機構：河南農業大學煙草學院、國家煙草栽培生理生化研究基地、煙草行業煙草栽培重點實驗室

研究目的：烤煙葉片葉綠素含量是表征烤煙光合作用、營養狀況和長勢的重要指標。該團隊以高效精確地估測不同生長期烤煙LCC為目的，以中煙100煙葉為研究對象。采用一元線性回歸、多元線性回歸、偏最小二乘回歸、支持向量回歸和隨機森林回歸5種建模方法進行LCC估測。

該研究通過分析多種光譜指數與烤煙LCC的響應規律,構建可靠的烤煙葉片LCC估測模型,可為烤煙葉LCC估測以及烤煙的生長發育監測提供理論依據和技術支撐。

七、基于輕量級MobileNet V3-YOLOv4的生長期菠蘿成熟度分析

參與機構：廣東省電信規劃設計院有限公司第四分公司、華中科技大學電子信息與通信學院、廣東海洋大學電子與信息工程學院、廣東省智慧海洋傳感網及其裝備工程技術研究中心

菠蘿的貯藏性與成熟度相關,菠蘿采摘前對其成熟度進行識別尤為重要。該團隊研究提出了一種新型網絡模型,提高菠蘿成熟度自動識別的準確率和速度。

試驗結果表明,對于黃熟期菠蘿和青熟期菠蘿兩種類別的檢測精確率分別為100%和98.85%,平均精度值分別為87.62%、94.21%,召回率分別為77.55%、86.00%,F1分數分別為0.87和0.92,推理速度80.85 img/s。實現了在降低訓練速度、減小參數量的同時,提高了菠蘿成熟度識別的精度和推理速度,滿足實際檢測需求。

八、基于多種機器學習算法預測廣西蔗區甘蔗產量

參與機構：廣西大學電氣工程學院、廣西大學甘蔗生物學重點實驗室、廣西糖業集團有限公司、廣西農業科學院甘蔗研究所

該團隊分析了廣西甘蔗主產區甘蔗產量與氣象因素的關系,利用氣象數據預測甘蔗產量,為糖廠及相關管理部門提供科學的數據支撐。

通過敏感時段分析法篩選的關鍵氣象因子與產量均呈顯著相關,根據敏感時段能準確地分析各氣象因子對產量的影響。使用LSTM模型預測單蔗區產量,使用BPNN模型預測多蔗區甘蔗氣象產量的方法是可行的,且預測誤差在可接受范圍內。

九、基于改進殘差網絡模型的不同部位牦牛肉分類識別方法

參與機構：青海大學計算機技術與應用系、青海大學畜牧獸醫科學院、青海省玉樹州動物疫病預防控制中心

為實現不同部位牦牛肉快速、準確識別,該團隊研究提出了一種改進的殘差網絡模型,并開發了一種基于智能手機的牦牛肉部位識別軟件。

研究采集牦牛的里脊、上腦、腱子、胸肉的圖像數據，通過消融實驗。結果表明,改進后的ResNet18CBAM模型可在實際應用中識別不同部位牦牛肉且具有良好的結果。該成果有助于保障牦牛肉產業的食品質量安全,也為青藏高原地區的牦牛肉產業智能化發展提供技術支撐。

十、融合遷移學習和集成學習的自然背景下荒漠植物識別方法

參與機構：新疆農業大學計算機與信息工程學院、中國農業科學院農業信息研究所、國家農業科學數據中心

荒漠植物的準確識別是其認識和保護過程中不可或缺的任務,是荒漠生態研究與保護的基礎。自然條件下野外荒漠植物圖像的機器視覺自動分類識別可有效提升植物資源調查效率、降低人為主觀因素影響,對荒漠植物的精準分類、多樣性保護和資源化利用具有重要意義。該團隊以自然環境下的整株荒漠植物圖像為研究對象,構建新疆干旱區荒漠植物圖像數據集,以EfficientNet B0—B4網絡為基礎網絡,提出一種融合遷移學習和集成學習的荒漠植物圖像識別算法,并在公開數據集Oxford Flowers102上進行對比驗證。

實驗結果表明，該方法可提高荒漠植物的識別準確率,通過云端傳輸至服務器后,實現荒漠植物的準確識別,為真實野外環境下植物圖像識別精度低、模型魯棒性及泛化性弱等問題提供解決思路。服務于野外調查、教學科普以及科學實驗等場景。

十一、基于改進ShuffleNet V2的輕量級防風藥材道地性智能識別

參與機構：吉林農業大學信息技術學院、吉林農業大學生命科學學院、無錫學院物聯網工程學院

對于防風藥材產地和品質的鑒別方法主要是根據其物理或化學特征,其方法需對中藥材進行分離提取,存在耗時長,費用高,專業性強,技術難度大等問題,不利于推廣應用。隨著深度學習的不斷發展,其無需人工提取特征、分類精度高等優點被廣泛應用在中藥材的識別之中。

針對大多數卷積神經網絡模型在識別防風藥材時計算量大、精度低的問題,該團隊研究提出了一種改進的ShuffieNet V2的輕量級防風道地性識別模型。結果表明該研究所提出的模型在保持較高識別精度的同時占用較少的儲存空間,有助于在未來的低性能終端上實現防風道地性的實時診斷。

審核編輯 黃宇