大数据在智慧农业中的应用研究

大数据技术的飞速发展,给智慧农业带来了新的发展契机,将农业和大数据有效结合,有助于传统农业向现代化农业转变,对智慧农业发展意义重大。通过对智慧农业国内外现状的分析,并介绍了智慧农业大数据平台构建的相关内容,梳理了大数据在智慧农业中的主要应用、面临的问题与应对措施,对未来大数据在智慧农业中进一步的研究应用进行展望。

多源卫星遥感数据监测巢湖蓝藻水华爆发研究

湖泊蓝藻水华的精准动态监测,可为水利及环保部门评价污染水体的防治效果、优化和调整防治政策提供依据。论文以巢湖为研究对象,利用Landsat TM/OLI、HJ-1B CCD/IRS和NPP-VIIRS三种不同空间分辨率的影像数据,通过归一化水体指数(Normalized Difference Water Index,NDWI)实现巢湖水域范围提取,利用归一化植被指数(Normalized Difference Vegetation Index,NDVI)和浮游藻类指数(Floating Algae Index,FAI)提取2010~2014年共22景巢湖蓝藻的爆发区域。进一步的,对NDVI和FAI两种方法计算的蓝藻爆发区域进行对比分析,评价Landsat、HJ-1B以及VIIRS三种影像数据对巢湖蓝藻水华空间和时间的监测效果及适用性,进而结合气象因素分析不同气象因子对蓝藻水华爆发的影响。研究结果表明:(1)相比NDVI指数,FAI指数(Landsat和HJ-1B数据为主,VIIRS数据辅助)能降低薄云对蓝藻水华提取效果的影响,可提高蓝藻水华爆发区域、程度的识别能力;(2)气象因子中气温和日照时长加重了蓝藻水华爆发的严重程度,降水则对蓝藻水华的爆发起到一定的抑制作用。综上所述,论文引入VIIRS卫星影像研究巢湖蓝藻水华爆发,利用FAI指数降低薄云对蓝藻水华爆发面积提取精度的影响,取得的研究结果可为基于多源卫星遥感数据的巢湖蓝藻水华动态监测系统开发提供重要的方法支持,有利于推进卫星遥感技术在安徽省“河长制”和“湖长制”中发挥重要作用。

基于无人机RGB影像的大豆种植区提取方法研究

针对皖北大豆主产区——阜阳市太和县境内的典型破碎农田环境,基于无人机RGB影像与多种机器学习算法构建大豆遥感识别模型,据此实现种植区的精细制图。除了R、G、B波段的相对反射率外,还选取了3个HLS色彩空间分量、9个可见光植被指数、6个纹理特征和1个几何特征共22个候选特征变量扩大RGB影像的信息量。采用与分类器相耦合的特征选择方法筛选出针对4种算法——随机森林(RF)、支持向量机(SVM)、极端梯度提升(XGBoost)和BP神经网络(BPNN)的特征子集,并基于最优特征子集和相应的算法构建监督分类模型进行大豆分布区的提取制图,并对比效果差异。结果表明,在4种算法下,基于优选特征子集构建的监督分类模型的提取效果全部优于基于原始RGB波段的提取效果,其中,RF算法结合优选特征的表现最佳,总体精度为93.96%,Kappa系数达到0.87。总的来看,RF算法结合特征优选方法在无人机大豆遥感识别中具有较大的应用潜力,通过特征筛选可在较高的分类精度与较少的数据量之间取得平衡。

农业土壤生态环境状况及修复对策初探

随着经济的发展和科学技术的进步,发展农业的同时,伴随着农药化肥污染、耕种农作物单一、重金属污染和三废(废水、废气、废渣)排放影响农业土壤的生态环境状况的问题,农业土壤生态环境修复的重要性日益凸显。本文在农药化肥、农作物、重金属和人为五个方面分析了农业土壤生态环境的现状和污染的特征,在综合性污染防治、科学耕种、耕种基础设施和农业循环经济发展等方面展开了简要探讨,充分体现"创新、协调、绿色、开放、共享"的发展理念。

基于CBAM-U-HRNet模型和Sentinel-2数据的棉花种植地块提取

棉花是我国重要的经济作物和战略储备物资,及时、准确地获取棉花空间分布信息对于棉花产量预测、农业政策的制定与调整具有重要意义。针对高分辨率遥感影像获取难度大以及传统机器学习对特征信息利用不足的问题,本文以新疆南部地区图木舒克市为目标区域,提出一种以U-HRNet为基本框架,融合CBAM注意力机制的CBAM-U-HRNet棉花种植地块提取模型。选择U-Net、HRNet和U-HRNet作为对比模型,评估CBAM-U-HRNet模型在Sentinel-2(10 m)和GF-2(1 m)2种空间分辨率数据集上的表现以及在棉花地块提取的优势。结果表明,基于Sentinel-2遥感影像的CBAM-U-HRNet组合模型对棉花地块的提取精度最优,mIoU和mPA分别达到92.78%和95.32%。与Sentinel-2数据集相比,空间分辨率更高的GF-2数据在HRNet、U-Net和U-HRNet网络上取得了更高的精度。对于两种不同空间分辨率的数据集,基于CBAM-U-HRNet模型的棉花地块提取精度较为接近,表明CBAM-U-HRNet模型能够减少由于数据集空间分辨率不同导致的错分。与随机森林算法相比,CBAM-U-HRNet模型对棉花地块提取的准确率更高。研究结果可以为干旱地区棉花识别与种植地块快速提取提供技术支撑。

基于FE-P2Pnet的无人机小麦图像麦穗计数方法

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的差异度,减少叶、秆等复杂背景因素的影响。引入了基于点标注的网络P2Pnet作为基线网络,以解决麦穗密集的问题。同时,针对麦穗目标小引起的特征信息较少的问题,在P2Pnet的主干网络VGG16中添加了Triplet模块,将C(通道)、H(高度)和W(宽度)3个维度的信息交互,使得主干网络可以提取更多与目标相关的特征信息;针对麦穗尺寸不一的问题,在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块,使得该模块能够更好地处理特征信息和融合多尺度信息;为了更好地对目标进行分类,使用Focal Loss损失函数代替交叉熵损失函数,该损失函数可以对背景和目标的特征信息进行不同的权重加权,进一步突出特征。实验结果表明,在本文所构建的无人机小麦图像数据集(Wheat-ZWF)上,麦穗计数的平均绝对误差(MAE)、均方误差(MSE)和平均精确度(ACC)分别达到3.77、5.13和90.87%,相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet(Congested scene recognition network)和WHCNETs (Wheat head counting networks)等,表现最佳。与基线网络P2Pnet相比,MAE和MSE分别降低23.2%和16.6%,ACC提高2.67个百分点。为了进一步验证本文算法的有效性,对采集的其它4种不同品种的小麦(AK1009、AK1401、AK1706和YKM222)进行了实验,实验结果显示,麦穗计数MAE和MSE平均为5.10和6.17,ACC也达到89.69%,表明本文提出的模型具有较好的泛化性能。

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0 MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。

LSVSH描述符:高鉴别强鲁棒的点云局部特征统计直方图

三维局部特征描述是三维计算机视觉中的重要任务.现实场景中包含噪声、遮挡和杂波等干扰,使得准确和鲁棒的三维局部特征描述具有很大的挑战性.为提高特征描述的性能,提出一种局部曲面变化统计直方图(local sur-face variation based statistics histogram,LSVSH)描述符.首先设计一种不依赖于局部参考轴(local reference axis,LRA)的新属性(称为曲率属性),增强描述符对LRA误差的稳健性;然后沿径向剖分局部空间,在每个子空间中统计3个角度属性和1个曲率属性生成LSVSH描述符,实现对局部曲面信息的全面稳健描述.在B3R,U3M,U3OR和QuLD这4个数据集上进行大量的实验,结果表明,LSVSH在4个数据集上的RPC下面积(the area under the recall-precision curve,AUCpr)值分别为0.95,0.70,0.54和0.10,优于现有的局部特征描述符的性能;在U3M数据集上的正确配准率和在U3OR数据集上的正确识别率分别达到70%和100%,验证了LSVSH应用于物体配准和识别任务上的有效性.

联合局部二值模式与K-最近邻算法的高光谱图像分类方法

如何利用较少训练样本达到高分类精度已成为高光谱遥感领域的重要研究方向和极具挑战性任务。针对高光谱图像包含的丰富光谱与空间信息,提出了一种联合局部二值模式LBP(Local Binary Patterns)与K-最近邻KNN(K-Nearest Neighbors)算法的高光谱图像分类方法。首先,通过主成分分析PCA(Principle Component Analysis)对高光谱数据进行降维;然后,使用LBP提取降维后的高光谱图像空间纹理信息,将光谱与空间特征变量堆叠成空—谱特征向量;最后,输入最近邻分类器得到分类结果。选取Pavia University、Indian Pines和Salinas三种公开高光谱数据集的训练集和测试集作为建模和验证数据源,选取KNN、基于径向基核函数的支持向量机(RBF-SVM)、核联合正交匹配追踪(Kernel Simultaneous Orthogonal Matching Pursuit,KSOMP)三种经典分类算法作为比较。在Pavia University与Indian Pines数据集中随机选取10%作为训练样本,总体精度和Kappa系数分别达到99.15%、98.87%和97.88%、97.58%;在Salinas数据集中随机选取2%作为训练样本,总体精度与Kappa系数为98.46%和98.29%。实验结果表明,在训练样本仅为数据集10%甚至2%的条件下,本文提出的方法仍可达到98%以上的分类精度,可满足训练样本难以获取的应用场景对高分类精度要求。

基于导数光谱与主成分分析的小麦籽粒赤霉病识别

赤霉病是威胁我国食品安全的主要病害之一,为了给粮食加工和作物育种提供技术支持,迫切需要探索小麦籽粒赤霉病的识别方法.利用高光谱成像仪扫描健康和感染赤霉病的小麦籽粒获取高光谱图像.使用图像处理技术分离籽粒和背景后,用多元散射校正、1阶导数和2阶导数对光谱数据进行预处理.利用主成分分析提取小麦籽粒的光谱特征.使用不同模型对籽粒进行识别,比较多种处理组合的评估指标.结果表明:1阶导数—主成分分析—BP神经网络组合的总体分类精度最高,其值为91.67%.

物联网在智慧地铁中的应用

5G时代背景下,智慧城市的建设加速进行。物联网技术的高速发展给城市轨道交通来了新的机遇和挑战。本文从智慧地铁出发,探讨物联网技术在智慧地铁中应用。

用于小麦多生长阶段倒伏边界精准检测的分层交互特征金字塔网络

[目的/意义]传统的小麦倒伏检测方法需要人工进行田间观测和记录,这种方法存在主观、效率低、劳动强度大等问题,难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上得到应用,但普遍局限于对小麦单一发育阶段的倒伏识别,而倒伏可能发生在小麦生长的各个时期,不同时期倒伏特征变化复杂,这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。[方法]用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像,通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former,该模型在Mask2Former的基础上加以改进,引入分层交互式特征金字塔网络(Hierarchical Interactive Feature Pyramid Network,HI-FPN),用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。[结果和讨论]所提出的Lodg⁃ing2Former模型相较于现存的多种主流算法,如Mask R-CNN(Mask Region-Based Convolutional Neural Network)、SOLOv2(Segmenting Objects by Locations,Version 2)以及Mask2Former,在平均精度均值(mean Average Precision,mAP)上展现出显著优势。在阈值分别为0.5、0.75以及0.5~0.95的条件下,模型的mAP值分别达到了79.5%、40.2%和43.4%,相比Mask2Former模型,mAP性能提升了1.3%~4.3%。[结论]提出的HI-FPN网络可以有效利用图像中的上下文语义和细节信息,通过提取丰富的多尺度特征,增强了模型对小麦在不同生长阶段倒伏区域的检测能力,证实了HI-FPN在多生育期小麦倒伏检测中的应用潜力和价值。

基于YOLOv5s的铝型材表观缺陷检测方法

目前,在铝制品的加工生产过程中,缺陷检测环节仍以人眼观测为主,这种传统方式存在检测精度差和检测效率低等缺陷,为此,提出基于YOLOv5s的铝型材表观缺陷检测方法。针对具有9种缺陷的铝型材图像,使用labelimg进行标注,构建了铝型材数据集。基于该数据集,以YOLOv5s、YOLOv5m、YOLOv5l在COCO数据集上训练好的权值作为初始权值,对该3种模型进一步迭代训练,并将最优权重进行测试。对比3种模型的实验结果,决定采用YOLOv5s作为铝型材表观缺陷检测的模型,其测试精确度P、召回率R、均值平均精度mAP分别达到了0.684、0.742、0.692。并基于该模型,采用PyQt5开发了铝型材表观缺陷检测系统,其检测速率可达98Fps左右,可以很好地满足实时性要求,从而为铝型材表观缺陷检测提供了有效的参考方案。

联合多源多时相卫星影像和支持向量机的小麦白粉病监测方法(英文)

白粉病主要侵染小麦叶部,可利用卫星遥感技术进行大范围监测和评估。本研究利用多源多时相卫星遥感影像监测小麦白粉病并提升分类精度。使用四景Landat-8的热红外传感器数据(Thermal Infrared Sensor,TIRS)和20景MODIS影像的MOD11A1温度产品反演地表温度(Land Surface Temperature,LST),使用4景国产高分一号(GF-1)宽幅相机数据(Wide Field of View,WFV)提取小麦种植区和计算植被指数。首先,利用ReliefF算法优选对小麦白粉病敏感的植被指数,然后利用时空自适应反射率融合模型(Spatial and Temporal Adaptive Reflectance Fusion Model,STARFM)对Landsat-8 LST和MOD11A1数据进行时空融合。利用Z-score标准化方法对植被指数和温度数据统一量度。最后,将处理和融合后的单一时项Landsat-8LST、多时相Landsat-8 LST、累加MODIS LST和多时相Landsat-8 LST与累加MODIS LST结合的数据分别输入支持向量机(Support Vector Machine,SVM)构建了四个分类模型,即LST-SVM、SLST-SVM、MLSTSVM和SMLST-SVM,利用用户精度、生产者精度、总体精度和Kappa系数对比四个模型的分类精度。结果显示,本研究构建的SMLST-SVM取得了最高分类精度,总体精度和Kappa系数分别为81.2%和0.67,而SLST-SVM则为76.8%和0.59。表明多源多时相的LST联合SVM能够提升小麦白粉病的识别精度。

基于分数阶忆阻器的4D-Hopfield神经网络动力学分析

忆阻Hopfield神经网络是研究人脑行为的一种重要模型。研究人员运用Caputo分数阶微分定义,将整数阶双曲型忆阻器推导至分数阶双曲型忆阻器,同时验证了它的忆阻特性,并且提出了分数阶忆阻Hopfield神经网络。对该模型的平衡点与稳定性的理论分析,表明了系统具有多个平衡点的特点。此外,运用Adams–Bashforth–Moulton算法对所提出的分数阶忆阻Hopfield神经网络系统进行的相图及时域图的数值仿真,揭示了在不同耦合强度、不同分数阶阶次下系统展现出复杂的动力学行为。

并行注意力机制在图像语义分割中的应用

在卷积神经网络中融入注意力机制越来越成为语义分割强化特征学习的重要方法。提出了一种融合了局部注意力和全局注意力的卷积神经网络。输入图像经主干网络的特征提取,并行输入给局部注意力和全局注意力模块。局部注意力模块以编码-解码结构实现多尺寸的局部特征融合,全局注意力模块根据每个像素与其所在特征图上所有像素的相关性捕获全局信息。融合两个注意力模块不仅减少了局部信息的丢失,而且捕获了具有长距离依赖的全局信息,有效提升了特征提取的能力。采用一种数据相关的上采样方法代替双线性插值法恢复特征图至输入尺寸,同时改善了分割效果。采用Dice Loss损失函数并针对样本不平衡问题在类别损失前加入权重系数进一步改善了分割效果。该方法在药丸污点数据集、药丸缺损数据集以及走廊数据集上分别得到了96.39%、93.44%、96.28%的平均交并比结果。

SMS和双向特征融合的自然背景柑橘黄龙病检测技术

柑橘黄龙病严重影响柑橘的产量和品质。在自然背景下,柑橘叶片之间存在相互遮挡以及尺寸变化大的问题,使得遮挡及小尺寸的黄龙病叶片容易漏检,而且由于黄龙病叶片的颜色、纹理特征与柑橘其他病害十分相似,容易存在误检的问题,导致现有的算法对自然背景柑橘黄龙病检测的精度不高。本研究提出了一种结合剪切混合拼接(Shearing mixed splicing, SMS)增广算法和双向特征融合的自然背景柑橘黄龙病检测方法,该方法通过SMS、镜像翻转和旋转方法对训练集和验证集进行了增广,增加了训练集和验证集图像中背景目标的数量和多样性;为了自适应地改变柑橘黄龙病检测中的局部采样点,增大有效感受野,使用可变形卷积替换骨干网络后3个卷积层中所有的标准卷积;为了减小自然背景的影响,使用全局上下文模块对骨干网络后3个卷积层输出的特征图进行特征增强,来建立有效的长距离依赖,以便更好的学习到全局上下文信息;使用双向融合特征金字塔,改善浅层特征和深层特征的信息交流路径,用以降低因柑橘黄龙病叶片尺寸变化大导致的漏检,提高小尺寸的柑橘黄龙病叶片的检测精度。实验结果表明,本研究提出的方法用于自然背景柑橘黄龙病的检测,平均精度可达84.8%,性能优于SSD、RetinaNet、YOLO v3、YOLO v5s、Faster RCNN、Cascade RCNN等目标检测方法。

人类活动影响下安徽省植被指数时空变化分析

利用2006—2020年MODIS NDVI数据和2010年及2015年的国内生产总值(GDP)、人口(POP)、土地覆盖(Land Cover)空间分布数据,分析了安徽省NDVI的时空变化规律及人类活动对NDVI空间变异的影响。结果表明:2006—2020年安徽省NDVI在0.535~0.568之间波动,总体呈改善趋势,累积增长率为6.23%;季节上年增长率由大到小依次为秋季(0.0042a^(-1))、冬季(0.0036a^(-1))、夏季(0.0031a^(-1))和春季(0.0029a^(-1))。15年来,安徽省NDVI明显改善和轻微改善的区域面积占全省NDVI面积的69.17%,改善区域主要分布在长江以南地区;季节上,春季和冬季对NDVI改善的贡献最大。安徽省NDVI呈现持续性改善的区域占42.36%,呈现持续性退化的区域占17.23%,退化区域主要分布在省会城市及其周边经济发展较快城市。2010年GDP、POP、Land Cover对NDVI的空间变异分布解释力均在27%以上,2015年解释力均在15%以上,可见,GDP、POP、Land Cover对NDVI的空间分布均存在显著的影响。安徽省2006—2020年NDVI在时间和空间上均呈不断改善趋势,表明安徽省的绿色发展正在稳步推进。

让农机“聪明”起来,助力现代农业跑出“加速度”

党的十八大以来,我国农业生产方式经历了三个阶段,即以人力和畜力为主的传统农业(农业1.0),以广泛应用杂交种和化肥、农药的生物—化学农业(农业2.0),以农业机械为生产工具的机械化农业(农业3.0)三大阶段,现正迈向以“大(大数据)、物(物联网)、移(移动互联)、云(云计算)、链(区块链)”和智能装备等生产要素应用为特征的智慧农业(农业4.0)阶段。智慧农业的特征是要实现用电脑替代人脑、机器替代人力和自主安全可控的自动化应用,农机智能化是关键。农机智能化包括感知、连接、数据、分析、控制等5个要素。

基于TPH-YOLO的无人机图像麦穗计数方法

在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法,它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象,针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点,设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型,提高无人机图像麦穗计数的精度。首先,为了减小光照不均匀对无人机图像质量造成的影响,该研究采用Retinex算法进行图像增强处理。其次,在YOLOv5的骨干网络中添加坐标注意力机制(coordinate attention,CA),使模型细化特征,更加关注麦穗信息,抑制麦秆、麦叶等一些背景因素的干扰。再次,将YOLOv5中原始的预测头转换为Transformer预测头(transformer prediction heads,TPH),该预测头具有多头注意力机制的预测潜力,可以在高密度场景下准确定位到麦穗。最后,为了提高模型的泛化能力和检测精度,采用了迁移学习的训练策略,先使用田间采集的小麦图像数据集对模型进行预训练,接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练,并在无人机采集的小麦图像数据集上进行了试验。结果表明,该研究方法精确率、召回率及平均精确率分别为87.2%、84.1%和88.8%,相较于基础的YOLOv5平均精确率提高4.1个百分点,性能优于SSD、Faster-RCNN、CenterNet、YOLOv5等目标检测模型。此外,该研究利用公开数据集Global Wheat Head Detection(GWHD)在不同目标检测模型上进行对比试验,该数据集的小麦样本是多样的和典型的,与SSD、Faster-RCNN、CenterNet和YOLOv5等模型相比,平均精确率分别提升11.1、5.4、6.9和3.3个百分点,进一步验证了该研究所提方法的可靠性和有效性,研究结果可以为小麦的产量预测提供支撑。