首页期刊导航|江苏农业科学
期刊信息/Journal information
江苏农业科学
江苏农业科学

常有宏

月刊

1002-1302

nykx@jaas.ac.cn

025-84390282

210014

南京市孝陵卫钟灵街50号

江苏农业科学/Journal Jiangsu Agricultural SciencesCSCD北大核心CSTPCD
查看更多>>本刊是江苏省农业科学院主办的综合性农业技术类期刊，主要刊登国内农业领域（江苏省及周边内外高校、科研单位、国内其他省份）最新农业科研成果、具创新点的实用技术与基础成果应用技术，为解决农业生产全程提供技术支撑和瞻前指导。
正式出版
收录年代

    基于改进YOLO v5算法的草莓缺素诊断方法

    王克林王成义郭冰李志勇...
    83-91页
    查看更多>>摘要：为解决实际生产中草莓因缺素而导致经济损失的问题,提出一种基于YOLO v5算法的草莓叶片无损缺素检测方法,可针对4种常见的缺素(缺氮、缺磷、缺钾、缺钙)草莓叶片及正常草莓叶片进行识别.由于草莓的种植环境较为复杂,因此对YOLO v5算法进行改进,包括在骨干网络中添加CBAM注意力机制、使用Focal-EIoU损失函数替换默认的CIoU损失函数,以及引入Soft-NMS非极大值抑制算法并加入P2检测头,这些改进着重增加了算法在复杂背景下针对重叠目标及小目标的检测能力.经过改进所建立的YOLO v5-CFPS模型的准确率(P)、召回率(R)、平均精度均值(mAP值)分别为97.05％、95.71％、97.03％,相较于原始YOLO v5模型分别提升了 6.47、6.01、7.73百分点,并通过NCNN框架将模型移植至安卓平台,验证了其实际应用的可行性.说明YOLO v5-CFPS模型对于草莓叶片缺素检测具有检测精度高、速度快、可靠性强等优点,为草莓缺素检测提供了一种更优的解决方案,有助于实现及时施肥追肥,并减少因不科学用肥所导致的经济损失和资源浪费.

    缺素诊断草莓叶片机器视觉改进YOLOv5算法注意力机制

      原文链接:
    • 万方数据
    • 维普

    基于机器学习和哨兵2号遥感影像的棉花种植空间分布信息提取

    白淑英傅志强谢涛张雪红...
    92-104页
    查看更多>>摘要：为快速、准确、高效地获取棉花种植空间分布信息,提高棉花信息提取精度,基于机器学习的遥感图像识别方法,是有效解决问题的途径.以新疆维吾尔自治区乌苏市为研究区,利用哨兵2号遥感数据,选取6种常用植被指数、3种红边植被指数,基于遥感植被指数变化曲线进行棉花特征时段选择,并分别采用梯度提升决策树、随机森林、支持向量机算法,通过RF特征优选,进行棉花种植区空间分布信息提取,并对提取结果精度验证.结果表明,机器学习方法(GBDT、RF、SVM)的总体分类精度分别为0.92、0.91、0.88,Kappa系数分别为0.91、0.89、0.85;经RF特征优选后的机器学习算法(RF-GBDT、RF-RF、RF-SVM)的总体分类精度分别为0.94、0.94、0.91,Kappa系数分别为0.93、0.92、0.88;经RF特征优选后的3种机器学习算法(RF-GBDT、RF-RF、RF-SVM)的总体精度分别比RF特征优选前(GBDT、RF、SVM)的总体精度分别提高了 0.02、0.03、0.03,Kappa系数分别提高了 0.02、0.03、0.03.GBDT作为一种集成的机器学习算法,在地物分类与棉花提取方面有着较好的应用效果,且经过特征优选的RF-GBDT算法精度更高.这表明在进行机器学习分类前,通过算法对输入特征进行重要性筛选,可有效避免因特征冗余造成的分类精度下降,可实现更高精度的棉花种植区域提取.

    棉花提取哨兵2号机器学习特征优选遥感GBDT

      原文链接:
    • 万方数据
    • 维普

    基于随机森林的水稻信息提取与空间格局分析

    刘珊珊刀剑张连刚付伟...
    104-112页
    查看更多>>摘要：为准确了解岭南丘陵平原区水稻种植空间格局,以Sentinel-2A影像数据及耕地类型矢量数据为基础,采用随机森林(random forest,RF)对研究区水田范围内覆被地物进行分类,进而提取研究区水稻种植信息,以乡镇为空间单元尺度,分别从区域分布特征、空间破碎度、地形分布指数(P)3个方面统计分析其种植空间格局.结果表明:(1)基于RF结合Sentinel-2A数据获得的组合植被指数(NDVI和NDRE705)能够较好地对研究区水田掩膜后的影像进行覆被地物分类识别,分类的总体精度、Kappa系数分别为95.238％、0.926,其中水稻的用户精度最高,为98.703％;根据提取结果得到水稻种植面积为12 529.797 hm2,占比为64.281％.(2)水稻种植区主要分布在石滩镇和中新镇,占比分别为21.149％、16.982％;增江街道水稻种植面积最少,仅占5.451％.(3)研究区水稻田块的破碎度在空间上的差异较为明显,破碎度高的水稻种植区域主要集中在研究区西部,而东部地区整体较低,在北部派潭镇、中部朱村街道、正果镇、荔城街道和增江街道以及南部的石滩镇,水稻种植地块破碎度相对较低,而中新镇、小楼镇和新塘镇反之.(4)水稻种植区分别在坡度0°～8°、高程0～32 m、半阳坡和阳坡(112.6°-247.5°)范围内处于优势水平,P值远大于1.研究成果可为制定区域国土管理制度和农业科学决策提供参考,对调整和优化水稻结构布局具有积极作用.

    水稻种植信息哨兵2号影像随机森林空间格局地形分布指数

      原文链接:
    • 万方数据
    • 维普

    基于无人机影像和FABM-UNet网络的油菜花簇分割方法研究

    李婕高澄涂静敏方岳...
    113-121页
    查看更多>>摘要：开花是油菜生长过程中的重要阶段,花朵覆盖度可以精确反映油菜花的生长状态,为产量预测提供有用信息.为了解决传统覆盖度获取方法需要大量人工的问题,本研究将覆盖度问题转变为油菜花的分割问题,提出了一种快速、无损的油菜花簇覆盖度获取方法.首先,基于无人机(UAV)的RGB影像,针对UNet网络特征融合不充分的问题,设计了一种特征聚合桥分割网络FABM-UNet;其次,为了验证模型的有效性,构建了油菜花分割数据集RSD,该数据集由DJI Phantom 4 Pro v2.0捕获而得,包括720张油菜花的影像以及对应的分割标签;最后,与传统的4种分割方法以及 7 种深度学习的网络(Deeplabv3+、PSPNet、UNet、UNet++、UNet3 plus、Attention-UNet 和 TransUNet)进行对比,结果表明,FABM-UNet网络的分割指标IoU和Dice系数分别为0.87和0.93,在本研究的油菜花数据集上实现了最优分割性能,分割结果可以直观揭示油菜花朵覆盖度的变化情况,为油菜品种的选育提供了有力的支撑.

    油菜花油菜花覆盖度图像分割特征融合模块油菜产量

      原文链接:
    • 万方数据
    • 维普

    基于改进轻量化YOLO v7的成熟期香梨目标检测方法

    郑文轩杨瑛
    121-128页
    查看更多>>摘要：为在自然环境下准确地识别和检测香梨果实,以YOLO v7为基础网络模型,针对果园中香梨果实、果叶、枝干之间相互遮挡问题,提出一种改进的轻量化YOLO v7梨果目标检测方法.该方法将MobileNet v3引入YOLO v7模型中作为其骨干特征提取网络,从而减少网络的参数量,使其更容易部署在移动端和生产实际,在特征融合层引入协同注意力机制CA(coordinate attention)模块,以提高网络的特征表达能力,将原YOLO v7中的损失函数CIoU替换为SIoU,从而提高模型的检测速度和性能.最后利用Grad-CAM方法产生目标检测热力图,进行特征可视化.结果表明,改进的轻量化YOLO v7模型的平均精度均值(mAP)、精确率、召回率指标分别为96.33％、94.36％、89.28％,检测速度为87.71(帧/s),模型内存占用量与原YOLO v7相比减少21.45 MB;其检测平均精度均值(mAP)与Faster R-CNN、YOLO v3、MobileNet v3-YOLO v4、YOLO v5s、YOLO v7 模型相比分别提高 28.37、9.66、13.14、4.58、3.20 百分点.研究表明,改进的轻量化YOLO v7模型对成熟期香梨具有很好的目标检测效果和鲁棒性,可为香梨自动化采摘提供有效的技术支持.

    目标检测香梨YOLOv7轻量化注意力机制

      原文链接:
    • 万方数据
    • 维普

    基于改进RT-DETR的草莓成熟度检测

    杨国亮吴永淦丁睿盛杨杨...
    129-137页
    查看更多>>摘要：在自然果园环境下,草莓果实生长分布密集易受枝叶遮挡,不同生长周期的草莓形态大小不一,面对遮挡、小尺寸草莓现有的检测模型容易出现误检、漏检问题.针对上述问题,提出了一种基于改进RT-DETR的实时草莓成熟度检测算法Strawberry Ripeness-DERT(SR-DETR).首先,根据PConv卷积设计FasterBlock模块替换原模型主干网络中的BasicBlock模块,提高模型特征提取能力的同时还有效降低模型参数量;然后,基于GSConv卷积和VOVGSCSP模块设计了颈部特征融合模块(Light_CCFM),削弱复杂背景和冗余信息的干扰,提高小目标的识别率;最后,引入SSFF模块改进特征融合层,增加SR-DETR网络的多尺度融合能力,使模型具有更强的鲁棒性.改进后的模型在自建草莓数据集上进行试验,结果显示,SR-DETR模型的精确度、召回率和平均精度均值分别为93.0％、90.2％、91.7％,相比于原模型分别提升1.6、1.8、1.5百分点,同时模型参数量、模型大小和计算复杂度分别降低31.2％、31.1％和23.6％.SR-DETR模型不仅提高了不同成熟度草莓的识别精度,还降低了遮挡目标的漏检率,检测速度达到60.9帧/s,可以便捷地部署到终端完成实时检测.

    草莓成熟度RT-DETR目标检测GSConvVOVGSCSP

      原文链接:
    • 万方数据
    • 维普

    基于改进YOLO的轻量级草莓成熟度检测方法研究

    陈仁凡孔彦琪钟雅露林晨...
    138-147页
    查看更多>>摘要：为解决温室环境草莓果实的快速准确识别问题,提出了一种基于改进YOLO v5s的草莓成熟度检测方法.使用基于Channel Shuffle的多路聚合网络替换YOLO v5s中的C3模块,在丰富模型特征提取能力的同时,使得网络模型轻量化.同时采用SE注意力机制和最大池化层重构下采样模块,提高模型对有效通道的关注度.利用自制的草莓数据集对改进模型进行评估,结果表明,改进模型(YOLO-SR,YOLO-Strawberry Ripeness)的mAP达98.0％,模型大小仅为5.6 MB,在GPU(RTX 3060)上的单张平均检测速度仅8.2 ms.与原始YOLO v5s相比,YOLO-SR的mAP提升0.8百分点,参数量和浮点计算量分别减少60.0％和54.9％.本研究使用TensorRT加速引擎将模型部署到Jetson Nano平台,结果表明,固定输入分辨率为480 ×480且使用半精度推理时模型的检测效率最高,mAP和检测时延分别为97.7％和69.4 ms,相比于YOLO v5s原始网络,mAP仍提高了 0.5百分点,推理速度提升64％.该轻量化方法能够快速准确地对温室环境下的草莓果实成熟度进行检测,为智慧农业技术在草莓种植中的应用提供可选择方案.

    草莓目标检测轻量化YOLOSE注意力

      原文链接:
    • 万方数据
    • 维普

    基于改进YOLO v7-tiny的小麦麦穗检测方法

    鲁子翱张婧婧韩博李永福...
    147-156页
    查看更多>>摘要：针对农田环境下小麦麦穗目标检测精确率低的问题,在YOLO v7-tiny模型基础上进行深入改进,旨在提高麦穗检测的准确率,以满足农业生产管理系统和农业机器人边缘检测设备的需求.采用EfficientViT的主干网络替代YOLO v7-tiny的特征提取网络层,强化图像特征的提取能力;在特征融合网络层,引入CARAFE上采样模块替代原模型中的上采样模块,进一步优化特征融合过程;在特征融合网络层和输出层引入基于跨空间学习的高效多尺度注意力机制,有效提升模型的目标检测性能.结果表明,改进后的模型在小麦麦穗检测精确率上比YOLO v7-tiny模型提高了 2.9百分比;与YOLO v7模型相比,本模型虽然精确率低0.2百分点,但在参数量、计算量上分别降低了82.6％、84.5％,同时模型体积减小了 81.2％.综合考虑精确率、参数量、计算量、模型体积等多个指标,本研究的改进模型在部署于智能农机类边缘检测设备方面具有优越性.

    目标检测YOLOv7EfficientViTCARAFE高效多尺度注意力机制

      原文链接:
    • 万方数据
    • 维普

    基于YOLOX的小麦穗旋转目标检测

    张世豪董峦赵昀杰
    157-164页
    查看更多>>摘要：小麦穗检测对于农业估产和育种研究具有重要意义,但由于小麦穗角度和姿态多变且存在遮挡和尺度变化等因素,给目标检测带来较大困难,提出一种针对小麦穗旋转目标检测的改进方法YOLOX-RoC,该方法在YOLOX基础上使用旋转矩形框代替水平矩形框,更好地拟合小麦穗的轮廓和方向,减少背景干扰和重叠区域,使模型更具灵活性,更准确地捕捉小麦穗的特征;添加坐标注意力模块并采用KL散度损失函数代替交叉熵损失函数,提高对旋转目标的感知能力并解决旋转敏感度的误差度量问题,优化旋转目标的定位精度.利用基于图像合成的Copy-Paste数据增强方法,生成更多的训练样本以提高模型对不同尺度、姿态和遮挡情况的泛化能力,提高模型的鲁棒性.试验结果表明,YOLOX-RoC的AP比基准模型提升2.4百分点,针对小尺寸和被严重遮挡的小麦穗目标可以更准确地预测目标边界和角度,减少漏检和误检.本研究为小麦穗目标检测提供了一种准确和鲁棒的解决方案,为小麦估产和育种的智能化奠定了技术基础.

    目标检测小麦穗旋转矩形框YOLOX坐标注意力模块KL额度损失函数

      原文链接:
    • 万方数据
    • 维普

    基于改进YOLO v8n的玉米田间杂草检测网络

    亢洁代鑫刘文波徐婷...
    165-172页
    查看更多>>摘要：针对3～5叶期玉米田间伴生杂草目标尺度小、玉米叶片遮挡严重、田间自然环境复杂等导致检测精度不高的问题,提出了一种基于改进YOLO v8n的玉米田间杂草检测算法.首先下载涵盖了黑麦草、芥菜、甘菊、藜麦等常见伴生杂草和玉米幼苗的图像,对图像进行翻转等数据增强方式增加样本多样性,提升模型识别和泛化能力.其次在YOLO v8n网络基础上,重新构建了轻量级跨尺度特征融合网络,增强模型多尺度特征融合能力,并输出一个针对小目标杂草的预测层,提升网络的检测精度.最后,在4个目标检测头前嵌入高效多尺度注意力机制EMA,使得检测头更加专注于目标区域.试验结果表明,本模型的平均精度均值提升了 2.4百分点、杂草的平均精度提升了 5.1百分点,模型内存用量和参数量分别减小了 22.6％和26.0％;本模型与SSD-MobileNet v2、Efficientdet-D0及YOLO系列目标检测模型相比,平均精度均值至少提升了 1.8百分点、识别杂草的平均精度至少提升了 4.6百分点,并且模型内存用量和参数量都处在较低水平.本研究提出的玉米田间杂草检测模型在降低了模型内存用量和参数量的同时提高了检测精度,可为精准除草设备提供技术支持.

    玉米田杂草目标检测YOLOv8nEMA注意力机制

      原文链接:
    • 万方数据
    • 维普