首页期刊导航|农业工程学报
期刊信息/Journal information
农业工程学报
中国农业工程学会
农业工程学报

中国农业工程学会

朱明

半月刊

1002-6819

tcsae@tcsae.org

010-65929451，65910066转2503、3503

100125

北京朝阳区麦子店街41号

农业工程学报/Journal Transactions of the Chinese Society of Agricultural EngineeringCSCD北大核心CSTPCDEI
查看更多>>《农业工程学报》是由中国农业工程学会主办的全国性学术期刊,自2005年始为单月刊。编委会名誉主任:汪憨华院士,编委会主任兼主编:杨邦杰教授《农业工程学报》为全国中文核心期刊,在最新版的《中文核心期刊要目总揽》中位居"农业工程类"期刊榜首；2001年入选中国期刊方阵"双效"期刊；被中国科协主办的《中国学术期刊文摘》选为首批收录期刊；先后被美国工程索引(EI Page one)、英国国际农业与生物中心(CAB International)、检索系统、数据库收录。
正式出版
收录年代

    无人机遥感与地面观测的多模态数据融合反演水稻氮含量

    王宇唯马旭谭穗妍贾兴娜...
    100-109页
    查看更多>>摘要：准确监测水稻田间生长过程中的氮含量,保证按需高效施肥,对提高水稻产量和肥效利用率具有重要意义.该研究基于无人机遥感与地面观测的多模态数据融合构建了水稻拔节后期叶片(leaf nitrogen content,LNC)和植株氮含量(plant nitrogen content,PNC)反演模型,显著提高反演水稻氮含量的准确性.通过2021和2022年开展两次田间试验,利用无人机搭载多光谱和RGB相机在拔节后期获取稻田冠层遥感影像;从多光谱影像中提取植被指数(vegetation index,VI)和纹理特征值(texture feature value,TFV),TFV使用灰度共生矩阵方法提取,对TFVs进行组合构建纹理指数(texture index,TI);使用RGB影像结合地面参考法获取各小区估测冠层高度(estimating canopy height,ECH);人工收集各小区实测冠层高度及田间氮素管理数据(field nitrogen management data,FN)作为地面观测数据;使用凯氏定氮法获取水稻LNC和PNC;采用最大互信息系数评估和筛选特征;使用随机森林回归算法分别构建水稻LNC和PNC反演模型.结果表明:使用TFVs组合构建的TIs能显著提升纹理信息与LNC和PNC的相关性,当无人机飞行高度为100m时,灰度共生矩阵的滑动窗口尺寸为9×9(像素)时构建的比值纹理指数表现最优,相比最优TFV,MIC值均提升了 11.48％;从遥感影像提取的估测冠层高度具有较高的估测精度,决定系数(coefficient of determination,R2)、均方根误差(root mean squared error,RMSE)和平均绝对误差(mean absolute error,MAE)分别为 0.77、3.4 cm和2.8 cm;无人机遥感与地面观测的多模态数据融合可显著提升LNC和PNC的反演精度,综合考虑反演精度和实际操作的便捷性,推荐田间生产中使用特征组合为:VI+TI+ECH+FN.研究结果表明,无人机遥感与地面观测的多模态数据融合构建随机森林回归模型可准确反演水稻氮含量,可为水稻田间管理和施肥决策提供科学依据.

    无人机遥感地面观测多模态数据融合水稻氮含量

      原文链接:
    • 万方数据
    • 维普

    基于微根管图像的作物根系分割和表型信息提取

    郑一力张振翔邢达刘卫平...
    110-119页
    查看更多>>摘要：微根管法采集的作物根系图像具有复杂的土壤背景和较小的根系占比,当深度学习的感受野较小或多尺度特征融合不充分时,会导致根系边缘处的像素被错分为土壤.同时,微根管法的图像采集周期长且在初期很难采集到大量有效样本,限制了根系提取模型的快速部署.为提升根系表型测算精度和优化提取模型部署策略,该研究设计了一种原位自动根系成像系统以实时获取作物的微根管图像,构建全尺度跳跃特征融合机制,使用感受野丰富的U2-Net模型对微根管图像中的根系像素进行有效分类.结合数据增强以及迁移学习微调训练,实现对目标种类根系提取模型的快速部署.试验结果表明,使用加入全尺度跳跃特征融合机制的改进U2-Net模型对蒜苗根系分割的Fl得分和交并比IoU分别为86.54％和 76.28％,相比改进前、U-Net、SegNet 和 DeeplabV3+_Resnet50 模型,F1 得分分别提高 0.66、5.51、8.67 和2.84个百分点;交并比分别提高1.02、8.18、12.52和4.31个百分点.迁移学习微调训练相比混合训练,模型的F1得分和交并比分别提高了 2.89和4.45个百分点.改进U2-Net模型分割图像的根系长度、面积和平均直径与手动标注结果的决定系数R2分别为0.965、0.966、0.830.研究结果可为提升基于微根管图像的根系表型测算精度和根系提取模型的快速部署提供参考.

    图像分割迁移学习微根管U2-Net蒜苗根系表型

      原文链接:
    • 万方数据
    • 维普

    VanillaFaceNet:一种高精度快速推理的牛脸识别方法

    栾浩天齐咏生刘利强王朝霞...
    120-131页
    查看更多>>摘要：快速精准确定牛只身份对于牛只活体贷款,改善牛只骗保等问题具有重要意义.针对不同牛只面部差异小,FaceNet网络层数深,推理速度较慢,模型分类精度不足等问题,该研究提出了基于FaceNet的牛脸识别方法-VanillaFaceNet.该方法首先将FaceNet的主干特征提取网络替换为极简网络VanillaNet-13并提出动态激活和增强型线性变换的激活函数两种方法提高网络的非线性;然后,提出一种新的DBCA(dual-branch coordinate attention)注意力模块,能够更好地反映不同牛只面部特征之间的差异,从而提高网络的识别精度;最后,针对triplet loss仅能减小牛只类间差异的问题,采用center-triplet loss联合监督来减少牛只类内差异,从而提高了相同牛只身份比对的准确性.基于自建的牛脸数据集对该模型进行训练和测试,试验结果表明,VanillaFaceNet对牛只识别的准确率达到88.21％,每秒传输帧数为26.23帧.与FaceNet、MobileFaceNet、CenterFace、CosFace和ArcFace算法相比,本文算法的识别准确率分别提高了 2.99、9.58、6.26、3.85和4.49个百分点,推理速度分别提升了 2.67、0.77、0.10、1.28和0.94帧/s.该模型对牛只有较为优秀的识别效果,适于在嵌入式设备上部署,实现了牛只面部识别精度和推理速度之间的平衡.

    识别特征提取牛脸FaceNet注意力机制

      原文链接:
    • 万方数据
    • 维普

    基于改进AlignedReID++的肉牛个体重识别方法

    应潇溢赵继政杨玲玲周馨怡...
    132-146页
    查看更多>>摘要：准确和持续的牛只个体识别对于精准养殖具有重要意义.中远距离和跨摄像头场景下的牛只个体识别是监测个体采食量和进食时间的基础.肉牛具有在采食过程中频繁移动和改变采食位置的特点,牛只方向变化频繁,加之牛只个体的生物相似性以及复杂的环境变化(光线、遮挡和背景),导致跨摄像头牛只个体识别困难.该研究基于AlignedReID++模型可充分利用全局信息和局部信息进行高效图像匹配的优点,并在此基础上进行了改进,以实现更优的牛只个体重识别效果.在改进模型中,ResNet50主干网络的BottleNeck结构应用了三重注意力机制模块,以实现在引入少量参数量的情况下,通过跨维交互,加强模型对于个体图像的特征提取能力;基线模型的全局分支中的交叉熵损失函数被替换成CosFace损失函数,并与困难三元组损失函数共同训练改进后的模型,以提升模型分辨相似个体的能力.改进模型的rank-1准确率为94.42％,平均精度均值为63.90％.与基线模型相比,rank-1准确率提高了 1.84个百分点,平均精度均值提高了 6.42个百分点.与PCB(part-based convolutional baseline)相比,在rank-1准确率和平均精度指标上分别超出了 4.72和5.86个百分点.与MGN(multiple granularity network)相比,在rank-1准确率和平均精度均值指标上分别超出了 0.76和4.30个百分点.与TransReID相比,在rank-1准确率指标上低了 0.98个百分点,在平均精度均值指标上超出了 3.90个百分点.与RGA(relation-aware global attention)相比,在rank-1准确率和平均精度均值指标上分别超出了 5.36和7.38个百分点.此外,改进模型的浮点运算次数为5.45 G,仅比基线模型大0.05 G,分别比PCB、MGN、RGA和TransReID小0.68、6.51、25.4和16.55 G.同时,改进模型的模型大小为23.78 M,在对比模型中,其模型大小是最小的.改进模型在CPU上的推理速度为5.64帧/s,低于PCB、MGN及其基线模型,高于TransReID和RGA.t-SNE特征嵌入可视化结果显示,改进模型提取的个体样本的全局特征和局部特征可以实现良好的类内紧凑性和类间差异性.本研究结果表明,所提出的方法能够有效地重识别自然养殖场景下的肉牛个体,对个体采食量和进食时间的监测具有较好的指导意义.

    方法识别肉牛精准畜牧重识别AlignedReID++深度学习

      原文链接:
    • 万方数据

    基于改进YOLOv5s模型的自然场景中绿色柑橘果实检测

    吕强林刚蒋杰王明之...
    147-154页
    查看更多>>摘要：针对未成熟柑橘果实智能检测存在精度低、模型大的问题,该研究提出了一种基于YOLOv5s改进的绿色柑橘检测算法模型YOLO-GC,实现对复杂自然环境中果实的实时准确检测.首先,针对YOLOv5s网络模型较大且难以部署的问题,以轻量级GhostNet网络替换原始的骨干网络,同时为减小模型轻量化后精度下降的影响和提高对绿色柑橘特征的关注度,嵌入全局注意力机制(global attention mechanism,GAM)增强网络在复杂环境下对果实特征的提取能力;其次,为了改善密集与小目标果实的检测效果,引入BiFPN(bi-directional feature pyramid network)架构进行多尺度的加权特征融合;最后,为减少果实与枝叶遮挡、重叠造成的漏检,采用GIoU(generalized intersection over union)损失函数结合Soft-NMS(soft-non-maximum suppression)算法优化边界框回归机制.试验结果表明:相较于YOLOv5s,YOLO-GC的权重模型内存减小了 53.9％,参数量减少了 55.2％,平均精度AP0.5提升了 1.2个百分点,平均推理时长减少46.2％.YOLO-GC模型的综合检测性能优于YOLOv8等7种常用网络模型,在安卓手机APP中检测准确率达到97.2％,推理时长减少了 85.8％.研究表明,该研究模型为复杂环境中绿色果实检测及模型部署应用提供了技术支撑.

    柑橘图像识别YOLO绿色果实轻量化模型移动部署

      原文链接:
    • 万方数据
    • 维普

    无规则扰动状态下柑橘果实在线目标检测与快速定位

    娄欢欢李光林付兴兰李丽...
    155-166页
    查看更多>>摘要：柑橘采摘机器人连续采摘过程中因各种因素会引起其他待采柑橘无规则扰动,扰动状态下的柑橘无法在线快速准确检测与定位,影响机器人采摘效率.针对此问题,该研究提出一种基于改进YOLOv5s+DeepSORT算法的扰动柑橘在线目标检测与快速定位方法.首先在YOLOv5骨干网络中融入卷积注意力机制(convolutional block attention module,CBAM),提升模型对复杂目标的检测能力:用SIoU(scalable intersection over union)损失函数增强预测框与标定框之间的方向匹配,提升回归收敛速度.其次在DeepSORT算法中改进目标重识别网络(re-identification,ReID),增强网络特征提取能力,提升目标跟踪准确度与精度;在算法中融入Count计数机制,实时反馈每个扰动柑橘跟踪帧数,并改进算法实现对预测坐标值进行实时更新,提升预测准确率.最后结合深度相机排除背景柑橘影响并限制每次跟踪目标数目为3个,提升扰动柑橘预测定位速度.试验结果表明,与原算法相比,改进YOLOv5s算法的准确度、平均检测精度分别提升3.9、1.1个百分点,检测速率69.3帧/s.改进DeepSORT算法的跟踪准确度、跟踪精度分别提升9.2、5.4个百分点,ID(identity)切换次数减少32次.当预测定位时间为3 s时,定位平均准确度为81.9％,在试验室进行模拟试验,将盆栽柑橘果实沿不同方位随机摆动,摆幅约10 cm,单个柑橘平均抓取时间为12.8 s,比未使用改进算法缩短5.6 s,效率提升30.4％.该研究可为扰动状态下的柑橘快速采摘提供技术支持.

    扰动柑橘预测定位在线目标检测目标跟踪YOLOv5DeepSORT

      原文链接:
    • 万方数据
    • 维普

    基于改进YOLOv8的草莓识别与果梗采摘关键点检测

    杨震宇汪小旵祁子涵王得志...
    167-175页
    查看更多>>摘要：为解决草莓采摘机器人工作过程中果梗采摘点定位精度低和遮挡草莓识别困难等问题,该研究提出一种改进后YOLOv8算法与pose关键点检测算法相结合的草莓识别定位方法.通过对YOLOv8进行优化,引入BiFPN(bidirectional feature pyramid network)和 GAM(generalized attention module)模块以强化模型的双向信息流,动态分配特征权重,并专注于小目标特征的提取和强化被遮挡区域特征,旨在提升模型复杂环境中采摘点定位准确率和遮挡识别的预测准确性.试验结果显示,相比于原始模型,经过改进的YOLOv8-pose模型在草莓识别准确率(precision,P)、召回率(recall,R)、平均精度(mean average precision,mAP)及关键点平均精度(mean average precision-key point,mAPkp)上分别提高6.01、1.98、6.67和7.85个百分点,基于关键点检测的果梗采摘点在X、Y、Z方向定位误差分别为1.4、1.4和2.2 mm.此外,根据草莓遮挡重叠区域面积对草莓遮挡程度分类,利用不同遮挡程度对模型性能验证,在遮挡情况下改进后YOLOv8-pose,mAPkp比原模型提高9.78个百分点.基于该研究所提出的视觉模型,机器人在田间试验下的采摘成功率为95％,单个草莓的采摘耗时10 s,可为实现机器人精准采摘提供重要的技术支持.

    图像识别草莓YOLOv8采摘遮挡

      原文链接:
    • 万方数据
    • 维普

    基于THz成像和集成学习的番茄根长表型提取及预测

    罗慧刘星语韦骁吴嘉仪...
    176-183页
    查看更多>>摘要：为检测番茄根系表型,该研究基于THz(Terahertz)成像和集成学习提出一种根系检测技术.首先,对20天生长过程中番茄根系进行多次THz成像.其次,对最优重构后的根系THz伪彩色图去除根系重叠和主根区域的噪声数据.再次,采用Rosenfeld细化算法和滑动窗口遍历法计算根系长度.最后,提取根系有效区域中THz时域光谱和折射率光谱,由Stacking集成模型对番茄根长进行预测.由THz成像计算的番茄根长结果误差小,平均相对误差仅为4.16％;由THz时域数据预测的根长与计算得到的根长之间最大决定系数为0.999,最小均方根误差为0.743 cm;由折射率光谱数据预测根长的最大决定系数为0.998,最小均方根误差为0.976 cm.该方法不仅能根据THz图像准确地计算出番茄根系的长度,还能由番茄根系的THz光谱有效地预测番茄根长表型,该研究为根系表型检测方法提供了理论依据.

    番茄THz成像根系表型Stacking集成学习

      原文链接:
    • 万方数据
    • 维普

    间歇通风策略在西北地区夏季蛋鸡舍应用效果

    陈辰王阳彭海青李保明...
    184-193页
    查看更多>>摘要：在中国西北地区夏季蛋鸡养殖中,由于昼夜温差大,需对蛋鸡舍的通风换气量进行频繁调整以适应环境变化.在连续通风策略下,对风机运转数量的调整常导致舍内负压值的较大波动,并且难以实时准确地通过进风口来调控舍内负压水平,导致舍内温度波动大、热环境分布不均匀.为探究间歇通风策略在西北地区夏季蛋鸡舍的应用效果,该研究在两栋不同进风模式的商品代蛋鸡舍进行试验.通过对两栋鸡舍内温湿度、风速及内外压差的连续监测,对比间歇通风和连续通风策略下,侧墙小窗进风及纵向通风鸡舍内的热环境分布,并对风机的间歇调控策略进行分析.结果表明:间歇通风策略下,侧墙小窗进风和纵向通风鸡舍内的平均温度波动分别为0.6、0.7 ℃,水平方向最大温差分别为0.3、5.2 ℃;连续通风策略下,侧墙小窗进风和纵向通风鸡舍内的平均温度波动分别为1.2、1.0 ℃,水平方向最大温差分别为0.8、4.7 ℃.开启风机数量相同时,两栋鸡舍内外压差和风速均不随通风策略的改变而发生变化,侧墙小窗进风鸡舍风机相对山墙至风机排风端的内外压差由17 Pa增大至19 Pa,纵向通风鸡舍相对山墙处舍内外压差为11 Pa;侧墙小窗进风鸡舍平均进风风速和走道平均风速分别为3.30、0.49 m/s,与纵向通风鸡舍相比分别提高1.86、0.12 m/s.综合间歇和连续通风策略下两栋鸡舍内热环境情况,间歇通风策略应用于西北地区夏季蛋鸡舍可有效降低舍内温度波动并维持舍内外压差水平的稳定,间歇通风策略更适用于侧墙小窗进风式鸡舍,可提高舍内温度分布均匀性.

    环境控制风速通风策略温差热应激压差

      原文链接:
    • 万方数据
    • 维普

    基于LSTM-AT的温室空气温度预测模型构建

    张观山丁小明何芬尹义蕾...
    194-201页
    查看更多>>摘要：构建精确的温室空气温度预测模型是采用模型预测控制等控制算法实现温室空气温度精准控制的前提条件.长短记忆神经网络(long short-term memory,LSTM)以处理时间序列数据方面的优势而广泛应用于温室空气温度预测,然而其面对长时间序列数据存在由于数据遗忘而导致温室空气温度预测精度降低的问题.为解决以上问题,该研究将LSTM模型与注意力机制(attention mechanism,AT)结合构建LSTM-AT模型,根据LSTM模型隐藏层输出状态重要性程度为隐藏层输出分配权重,以提高温室空气温度长时间预测精度.该研究在不同预测时长(12、24和48 h)和不同天气状况两种情况下将LSTM-AT模型与递归神经网络、门控循环单元、双向长短记忆网络、LSTM模型进行对比.结果表明,LSTM-AT模型空气温度预测值与测量值变化趋势较为一致,模型计算值与空气温度测量值的决定系数最小为0.95,均方根误差最大为1.34 ℃,平均绝对误差最大为10.51％;LSTM-AT模型、LSTM模型、门控循环单元、递归神经网络、双向长短记忆网络5种模型温室空气温度预测均方根误差平均值分别为0.89、1.42、1.89、2.10、1.51 ℃,平均绝对百分比误差平均值分别为4.26％、8.96％、13.57％、17.70％、10.67％.由此可知,相较于其他4种模型,该研究提出的LSTM-AT模型具有更高的预测精度,能够精确预测温室空气温度.

    温室空气温度长短记忆神经网络注意力机制预测模型

      原文链接:
    • 万方数据
    • 维普