十三项作物信息监测技术研究进展

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EfficientNetV2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、91 m)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EfficientNetV2-C改进模型对其进行分类识别。经试验证实改进的EfficientNetV2-C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：

①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;

②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;

③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ImCascade R-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，研究建立ImCascade R-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120 m、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(40 m)预训练语义分割模型，在较高飞行高度(80 m)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80 m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

为解决玉米茎秆宽度测量存在人工采集过程繁琐、设备自动采集识别精度误差较大等问题，该团队研究一种玉米茎秆宽度原位检测与高精度识别方法具有重要应用价值。

基于改进YOLOv8模型的玉米茎秆宽度原位识别方法，可以实现对玉米茎秆的原位准确识别，很好地解决了目前人工测量耗时费力和机器视觉识别精度较差的问题，为实际生产应用提供了理论依据。

八、融合改进UNet和迁移学习的棉花根系图像分割方法

科研机构：河北农业大学机电工程学院、河北省教育考试院、河北农业大学农学院

根系图像分割是根系表型分析的重要方法，受限于图像质量、复杂土壤环境、低效传统方法，根系图像分割存在一定挑战。该团队为提高根系图像分割的准确性和鲁棒性，以UNet模型为基础，提出了一种多尺度特征提取根系分割算法，并结合数据增强和迁移学习进一步提高改进UNet模型的泛化性和通用性。

采用的多尺度特征提取策略能准确、高效地分割根系，为作物根系表型研究提供重要的研究基础。

九、基于不同叶位日光诱导叶绿素荧光信息的水稻叶瘟病早期监测

科研机构：南京农业大学国家信息农业工程技术中心/江苏省信息农业重点实验室/农业农村部农作物系统分析与决策重点实验室/智慧农业教育部工程研究中心/现代作物生产省部共建协同创新中心

对稻瘟病的研究多使用反射光谱在其显症阶段进行监测，该团队针对稻叶瘟早期侵染阶段的日光诱导叶绿素荧光光谱监测研究尚未见报道。基于不同叶位的日光诱导叶绿素荧光信息，实现水稻叶瘟病早期阶段感病叶片的准确识别。

基于一年的温室接种试验和大田采样实验，配合使用主动光源、ASD地物光谱仪和FluoWat叶片夹，获取了拔节期和抽穗期水稻植株顶1至顶4叶位的叶片SIF光谱，并人工标注了被测样本的发病等级。研究基于连续小波分析提取对稻叶瘟敏感的小波特征，比较了不同叶位敏感特征及其感病叶片识别精度，最后基于线性判别分析算法构建了稻叶瘟识别模型。

该研究揭示了稻瘟病胁迫下水稻叶片SIF光谱响应规律，提取了对稻叶瘟敏感的SIF小波特征，结果证明了连续小波分析和SIF技术用于诊断稻叶瘟的潜力，为实现稻瘟病的田间早期、快速、原位诊断提供了重要参考与技术支撑。

十、基于PADC-PCNN与平稳小波变换多焦距绿色植株图像融合算法

科研机构：江南大学物联网工程学院“轻工过程先进控制”教育部重点实验室、江南大学物后勤管理处环境中心等

为构建绿色植株三维点云模型需大量清晰图像，受镜头景深限制，在采集大纵深植株图像时图像会部分失焦，导致出现边缘模糊、纹理细节丢失等问题，现有的处理算法难以兼顾处理质量和处理速度。盖团队研究提出了一种新型算法，提高融合图像质量问题的同时兼顾处理速度。

基于非下采样剪切波变换的参数自适应双通道脉冲耦合神经网络与平稳小波变换的植株图像融合方法。该算法实现在保障融合质量的同时，提高融合图像的效率，为搭建绿色植株三维点云模型提供高质量数据的同时节省了时间。

十一、基于深度卷积生成式对抗网络的菌草丙二醛含量可见/近红外光谱反演

科研机构：福建农林大学机电工程学院、福建省农业信息感知技术重点实验室、福建农林大学园艺学院

菌草是多年生可用作饲料与生物质能源的草本植物，在温带种植需克服越冬问题。低温胁迫会对菌草的生长发育造成不利影响。丙二醛作为诊断菌草低温胁迫状态的有力诊断指标，利用光谱技术反演MDA含量，可快速无损地评估菌草生长动态，为菌草育种及低温胁迫诊断提供参考。

该团队研究基于6个品种的菌草植株，设置低温胁迫组与常温对照组，获取菌草苗期的可见/近红外光谱数据与叶片MDA含量信息，分析低温胁迫条件下菌草MDA含量及其光谱反射率均相应增加的变化趋势;为提升模型的检测效果，提出了改进的一维深度卷积生成式对抗网络用于样本数量增广，并建立基于随机森林、偏最小二乘回归以及卷积神经网络算法的MDA光谱定量检测模型。

利用DCGAN进行样本数量增广，能显著提升基于光谱数据的模型对菌草MDA含量的反演精度与预测性能。

十二、基于无人机遥感和深度学习的葡萄卷叶病感染程度诊断方法

科研机构：西北农林科技大学机械与电子工程学院、 农业农村部农业物联网重点实验室、陕西省农业信息感知与智能服务重点实验室、西北农林科技大学葡萄酒学院、宁夏贺兰山东麓葡萄产业园区管理委员会

葡萄卷叶病是一种严重影响葡萄产量和品质的病害。然而，葡萄卷叶病感染程度类别之间存在严重的数据不平衡，导致无人机遥感技术难以进行精确的诊断。针对此问题，该团队研究提出一种结合细粒度分类和生成对抗网络的方法，用户提高无人机遥感图像中葡萄卷叶病感染程度分类的性能。

以蛇龙珠品种卷叶病识别诊断为例，使用GANformer分别对每一类的葡萄园正射影像的分块图像进行学习，生成多样化和逼真的图像以增强数据，并以Swin Transformer tiny作为基础模型，提出改进模型CA-Swin Transformer，引入通道注意力机制来增强特征表达能力，并使用ArcFace损失函数和实例归一化来改进模型的性能。

基于CA-Swin Transformer使用滑动窗口法制作了葡萄园蛇龙珠卷叶病严重程度分布图，为葡萄园卷叶病的防治提供了参考。同时，该方法为无人机遥感监测作物病害提供了一种新的思路和技术手段。

十三、应用于植物生理状态检测的低成本叶绿素荧光成像系统

科研机构：江南大学轻工过程先进控制教育部重点实验室、江南大学物联网工程学院等

植物光合作用过程中释放的叶绿素荧光与光化学反应紧密耦合，其荧光信号采集是光合作用效率、植物生理及环境胁迫等无损的测试手段。作为获取该信号的叶绿素荧光成像系统通常价格昂贵，针对此问题，该团队提出一种低成本叶绿素荧光成像系统设计方案。

基于该方案，制造了一款仪器样机，其激发光强最大为6250μmol/(m2·s)，光场整体变化幅度偏差为2%，光谱范围为400～1000 nm，稳定的采集频率最高可达42 f/s，具备连续光激发和调制脉冲激发功能。通过叶绿素荧光图像采集实验验证了本仪器的有效性。该仪器结构简单、造价成本低，在植物生理状态检测领域有着很好的应用价值。