作物信息监测技术研究进展汇总.docx
《作物信息监测技术研究进展汇总.docx》由会员分享,可在线阅读,更多相关《作物信息监测技术研究进展汇总.docx(14页珍藏版)》请在优知文库上搜索。
1、智慧农业新研究进展,多所高校齐上阵,盘点作物信息监测技术在发展智慧农业上,无数高校都投入了巨量人力、物力,结合无人机、深度学习、遥感遥测等技术,实时、准确地获取农田信息和作物生长状况,并进行精细化生产管理(灌溉、施肥、病虫害防治)决策,对提高作物产量和品质有重要作用,为生产种植智能化、经营信息化及管理数字化提供技术基础。一、利用改进EfficientNetVZ和无人机图像检测小麦倒伏类型科研机构:中国农业大学信息与电气工程学院、中国农业大学农业农村部农业信息获取技术重点实验室、北达科他州州立大学农业与生物工程系、韩国江原大学生物系统工程系、韩国江原大学、塔里木大学机械电气化工程学院不同类型的小
2、麦倒伏(根部倒伏、茎部倒伏)对产量和质量会产生不同影响。该团队研究在通过无人机图像检测对小麦倒伏类型进行分类,并探究无人机飞行高度对分类性能的影响。研究设置3个无人机飞行高度(15、45、91m)来获取小麦试验田的图像,并利用自动分割算法生成不同高度的数据集,提出一种EfficientNetVZ-C改进模型对其进行分类识别。经试验证实改进的EffiCientNetV2C在小麦倒伏类型检测方面取得了较高的准确率,为小麦倒伏预警和农作物管理提供了新的解决方案。二、农业病虫害图像数据集构建关键问题及评价方法综述科研机构:安徽省农业科学院农业经济与信息研究所农业病虫害科学数据集是农业病虫害监测预警的基
3、础,也是发展智慧农业重要的组成部分,对农业病虫害防治具有重要意义。随着深度学习技术在农业病虫害智能监测预警中应用效果的凸显,构建高质量的农业病虫害数据集逐步受到专家学者的重视。为了进一步构建高质量、分布均衡的农业病虫害图像数据集,提高检测模型的准确性和鲁棒性。结合农业病虫害图像识别实际需求,对构建高质量农业病虫害图像数据集提出了相关建议:结合实际使用场景构建农业病虫害数据集。多视角、多环境下采集图像数据构建数据集,从算法提取特征的角度,科学、合理划分数据类别,构建样本数量分布和特征分布均衡的数据集;平衡数据集与算法间的关系。研究数据集特征与算法性能之间的关系,需充分考虑数据集中的类别和分布,以
4、及与模型匹配的数据集规模,以提高算法准确性、鲁棒性和实用性。深入研究农业病虫害图像数据规模与模型性能的关联关系、病虫害图像数据标注方法、模糊、密集、遮挡等目标的识别算法和高质量农业病虫害数据集评价指标,进一步提高农业病虫害智能化水平;增强数据集的使用价值。构建多模态农业病虫害数据集,创新数据采集组织形式,开发数据中台,挖掘多模态数据间的关联性,提高数据使用便捷性,为应用落地、业务创新提供高效服务。三、基于深度学习ImCascadeR-CNN的小麦籽粒表形鉴定方法科研机构:山东农业大学机械与电子工程学院/智能化农业机械与装备实验室为培育优质高产的小麦品种,该团队为解决小麦籽粒检测精度低的问题,研
5、究建立ImCaSCadeR-CNN模型,提出小麦籽粒表形鉴定方法,精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。经试验,该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%,测量长宽比的标准误差为0.15,与人工测量值具有较高的一致性。研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据,加速培育优质高产小麦品种。四、干旱胁迫下玉米叶片叶绿素含量与含水量高光谱成像反演方法科研机构:广西大学机械工程学院、广西大学农学院、广西大学广西甘蔗生物学重点实验室为实现玉米的干旱胁迫等作物生长状态的无损监测,该团队研究探索一种基于高光谱技术的干旱胁迫下玉米叶片叶绿素含量与含水量无损检测方
6、法。可实现玉米叶片叶绿素含量与含水量的精确、无损检测,可为玉米生长状态实时监测提供理论依据和技术支持。五、油料作物产量遥感监测研究进展与挑战科研机构:中北大学信息与通信工程学院、北方干旱半干旱耕地高效利用全国重点实验室(中国农业科学院农业资源与农业区划研究所)、湖南省农业科学院农业经济和农业区划研究所油料作物是粮食供应和非粮食供应的重要组成部分,也是食用植物油和植物蛋白的重要来源。实时、动态、大范围的油料作物生长监测对指导农业生产、维持粮油市场稳定、确保国民生命健康具有重大意义。遥感技术因其覆盖范围广、获取信息及时、快速等优势被广泛应用于区域作物产量监测研究和应用中。遥感技术在油料作物监测中的
7、机遇,提出了基于遥感技术的油料作物估产在作物特征选取、空间尺度确定以及遥感数据选择等方面存在的一些问题和挑战,为油料作物的区域估产及生长监测的深入研究提供借鉴和参考。六、基于深度学习语义分割和迁移学习策略的麦田倒伏面积识别方法科研机构:安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心、西北农林科技大学机械与电子工程学院、宿州学院信息工程学院该团队针对低空无人机技术并结合深度学习语义分割模型精准提取作物倒伏区域,受田间各种客观条件(不同无人机飞行高度低于120m、多个研究区、关键生育期不同天气状况等)限制,无人机获取的图像数量仍偏少,难以满足高精度深度学习模型训练要求等难题。旨在探索
8、一种在作物生育期和研究区有限的情况下精准提取倒伏面积的方法。以健康/倒伏小麦为研究对象,在其灌浆期和成熟期开展麦田图像采集工作。试验得知迁移学习模型倒伏面积提取精度最高,利用低飞行高度(40m)预训练语义分割模型,在较高飞行高度(8Om)空图像做迁移学习的方法提取倒伏小麦面积是可行的,这为解决空域飞行高度限制下,较少80m及以上图像数据集无法满足语义分割模型训练的要求的问题,提供了一种有效的方法。七、基于双目视觉和改进YOLOv8的玉米茎秆宽度原位识别方法科研机构:中国农业大学农业农村部农业信息获取技术重点实验室、中国农业大学智慧农业系统集成研究教育部重点实验室、中国农业大学水利与土木工程学院
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 作物 信息 监测 技术研究 进展 汇总