首页期刊导航|农业机械学报
期刊信息/Journal information
农业机械学报
中国农业机械学会 中国农业机械化科学研究院
农业机械学报

中国农业机械学会 中国农业机械化科学研究院

任露泉

月刊

1000-1298

njxb@caams.org.cn

010-64882610，64882231

100083

北京德外北沙滩1号6信箱

农业机械学报/Journal Transactions of the Chinese Society for Agricultural MachineryCSCD北大核心CSTPCDEI
查看更多>>本刊是由中国科协主管、中国农业机械学会和中国农业机械化科学研究院主办的国家级学术期刊，农业工程类中文核心期刊，美国工程信息公司（EI）收录期刊。主要刊登农业机械、农业工程、农用动力和能源、农产品及食品加工机械、农机化以及有关边缘学科的基础理论、设计制造、材料工艺、测试仪器与手段的研究成果及发展动向,反映学科最新研究成果和学术水平。同时还将及时提供中国农业机械学会举办的国内外学术活动信息，可供农机乃至机械行业中、高级技术人员、大专院校师生及科研单位的有关人员阅读参考。
正式出版
收录年代

    融合无人机光谱信息与纹理特征的冬小麦综合长势监测

    承达瑜何伟德付春晓赵伟...
    249-261页
    查看更多>>摘要：高效、及时获取作物长势信息对作物生产管理具有重要作用.目前针对小区域农作物长势监测多以无人机光谱信息反演来实现,但综合考虑农作物不同生育期阶段的表面特征信息进行小区域农作物长势监测的方法需进一步研究.本文以冬小麦为研究对象,基于冬小麦株高和叶面积指数(Leaf area index,LAI)按照变异系数法构建综合长势监测指标(Comprehensive growth monitoring indicators,CGMI),提出一种融合无人机光谱信息与纹理特征的冬小麦综合长势监测方法.以搭载多光谱镜头的无人机获取冬小麦4个生育期影像,得到12种植被指数和各波段的8类纹理特征.采用Person相关性分析方法,筛选出与CGMI相关性较好的植被指数与纹理特征,进而采用随机森林回归(Random forest,RF)、偏最小二乘回归(Partial least squares regression,PLSR)、支持向量机回归(Support vector regression,SVR)3种机器学习方法分别构建基于植被指数和基于植被指数与纹理特征的2个长势监测模型,通过比较得到较优长势监测模型,最终获得研究区冬小麦长势空间分布信息.结果表明:3种机器学习方法中,基于植被指数与纹理特征的SVR长势监测模型精度最高(训练集R2为0.789,MAE为0.03,NRMSE为4.8％,RMSE为0.04),与基于植被指数的SVR长势监测模型相比,该模型决定系数提高5.1％,平均绝对误差降低3.3％,标准均方根误差降低8.3％,均方根误差降低10％.研究结果证明该方法精确、可靠,可为冬小麦长势监测提供参考.

    冬小麦综合长势监测指标无人机多光谱纹理特征

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于不同时间尺度与特征优选的黄淮海平原冬小麦识别

    周俊伟冯浩董勤各
    262-274页
    查看更多>>摘要：准确及时地监测区域作物种植面积对保障我国粮食安全和农业可持续发展具有重要意义.本研究利用Google Earth Engine(GEE)云平台和融合的Sentinel-1 SAR雷达影像与Sentinel-2 SR地表反射率影像,对黄淮海平原2021年冬小麦进行了监督分类.通过对Sentinel时间序列数据进行不同时间尺度合成与平滑处理,并对极化特征、光谱特征、植被指数、谐波系数和纹理特征进行优选,以探究不同时间尺度的影像序列及特征优选对黄淮海平原冬小麦识别精度和泛化能力的影响.结果表明:特征优选过程可以提高模型分类精度,在各类特征因子中,光谱特征重要性最高,其次为谐波系数、极化特征和纹理特征.随着影像序列时间尺度的缩减,可以得到更高的分类精度,尺度30、20、10d平均总体精度分别为95.4％、95.6％和96.4％;但泛化能力也随之降低,对应的泛化能力分别为0.935、0.919和0.918.短时间尺度影像序列能够更准确地捕获地物的特征细节,展现出更高的分类精度,但其对数据变化的适应能力更差.此外,模型泛化能力在空间上呈现"越近越相关"的规律.利用GEE平台及Sentinel系列卫星遥感数据,实现了对黄淮海平原冬小麦面积的准确识别.整体上,混淆矩阵总体精度(OA)和F1值均在90％以上,分类结果在空间细节上与高分辨率图像高度一致,同时提取的冬小麦种植面积与市级官方统计数据高度相关(决定系数R2＞0.9).

    冬小麦遥感识别GoogleEarthEngine随机森林时间尺度特征优选

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于多特征优化的PolSAR数据农作物精细分类方法

    郭交王鹤颖项诗雨连嘉茜...
    275-285页
    查看更多>>摘要：农作物精细分类在农业资源调查、农作物种植结构监管等诸多领域具有重要意义.极化合成孔径雷达(Polarimetric synthetic aperture radar,PolSAR)能够有效探测伪装和穿透掩盖物,提取多种散射特征信息,获取覆盖农作物生长关键物候阶段的连续时序信息,有效提升表达作物遥感特征的丰富度,在农作物分类中独具优势.但多时相和多特征的引入必然导致模型运算量剧增,不利于工程应用.针对上述问题,本文提出了一种基于多特征优化的PolSAR数据农作物精细分类方法,首先对PolSAR数据进行多种极化目标分解及参数提取以获得多个散射特征;然后使用基于栈式稀疏自编码网络和ReliefF优选的方法进行特征增强与优化,获取最优特征集;最后构建具有2个分支结构的卷积神经网络,融合不同卷积深度输出的特征,完成农作物的高精度分类.通过对单时相数据的特征分析、单时相数据初步分类实验和多时相数据不同特征集结合分类器的对比实验,证明本文所提方法能够在低维特征输入的前提下,最大程度提取不同作物之间的差异性特征,准确高效地实现对农作物的精细分类,最高分类精度和Kappa系数分别达到97.69％和97.24％.

    农作物分类PolSAR栈式稀疏自编码网络ReliefF卷积神经网络

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于1DCNN融合多源表型数据的杨树干旱胁迫评估方法

    张慧春周子阳边黎明周磊...
    286-296页
    查看更多>>摘要：目前关于不同杨树品种抗旱性的研究主要集中在利用传统测量方法获取形态结构和生理生化表型参数进而分析杨树的抗旱性,依据多源成像传感器提取的表型参数指标确定杨树干旱胁迫等级的方法较为少见.为了阐明杨树耐旱的表型机制、筛选抗旱性树种和明确杨树抗旱等级,本文以杨树不同性别的喜水和耐旱品种为研究对象,在杨树苗期进行梯度干旱胁迫处理,通过热红外以及RGB多源成像传感器获取杨树冠层温度参数与颜色植被指数表型数据,并建立基于1DCNN的多任务分类模型划分杨树苗期品种抗旱等级与干旱胁迫等级等2个分类任务,探究杨树性别与生长时间对杨树干旱胁迫响应机制的影响 结果表明,以27组数据变量降维后的4个特征作为模型变量,与传统机器学习算法SVM、RF、XGBoost相比,本文提出的1DCNN多任务分类模型在杨树品种抗旱等级分类与单株干旱胁迫等级分类2个任务中的模型分类精度皆达到最优,分类准确率分别为81.8％和62.3％;引入杨树的性别和生长时间后共6个特征作为模型的输入变量后,杨树苗期品种抗旱等级与干旱胁迫等级的分类精度显著提高,1DCNN多任务分类模型在2个分类任务中的准确率分别达到93.5％与76.6％,模型分类准确率分别提高11.7个百分点与14.3个百分点.研究结果表明,通过热红外与RGB成像传感器获取多源表型数据,并建立1DCNN多任务分类模型对实现杨树干旱胁迫等级评估的可行性,同时表明杨树的性别和生长时间作为模型输入变量能够有效提升模型的分类精度,可为筛选杨树抗旱性品种提供新的思路与方法.

    杨树干旱胁迫卷积神经网络植物表型多源表型数据多任务分类模型

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于无人机多光谱的猕猴桃园冠层叶绿素含量检测方法

    霍迎秋赵士超赵国淇孙江昊...
    297-307页
    查看更多>>摘要：为实现对猕猴桃园区果树整体生长健康状况的快速、大规模监测,以猕猴桃园冠层叶片为研究对象,基于无人机拍摄果园多光谱图像,然后利用Pix4Dmapper软件拼接多光谱图像,获取果园的正射影像图,并进行辐射校正.切分正射影像为420个区域图像作为样本,采用最大类间方差法(Otsu)分割样本图像的冠层叶片与土壤背景,并实测每个样本的冠层SPAD值,构建冠层叶片多光谱数据集.采用箱线图法对数据集进行异常值检测,剔除异常样本;然后利用多光谱图像多通道的数据特点,提取图像的相邻通道变化率和23种常用植被指数,以及二者组合作为样本特征值,接着利用CARS、LARS、IRIV等3种特征筛选算法优选特征,分别结合偏最小二乘回归(PLSR)、支持向量回归(SVR)、岭回归(RR)、多元线性回归(MLR)和极限梯度提升树(XGBoost)、最小绝对收缩和选择算子回归(Lasso)、随机森林回归(RFR)、高斯过程回归(GPR)等8种方法构建模型,识别猕猴桃园冠层SPAD值;最后对比分析以不同样本特征构建的24个模型的性能,实验结果表明:以相邻通道变化率为特征建立的模型中,GPR模型性能最好,R2、RMSE分别为0.770、3.044;以植被指数和相邻通道变化率组合特征建立的模型中,GPR模型性能也最好,R2、RMSE分别为0.783、2.957;以植被指数为数据特征建立的XGBoost模型性能最优,R2、RMSE分别为0.787、2.933;因此基于无人机遥感的智能检测模型能够对果园冠层叶绿素含量进行准确评估.

    猕猴桃园叶绿素含量多光谱机器学习无人机

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于移动多线激光雷达扫描的树冠叶面积估计方法

    李秋洁丁莉
    308-315,480页
    查看更多>>摘要：移动单线激光雷达(Laser detection and ranging,LiDAR)扫描(Mobile single-layer LiDAR scanning,MSLS)树冠叶面积估计方法使用单一视角的单线激光雷达采集树冠点云数据,获取的冠层信息不够全面,限制了树冠叶面积估计精度.本文提出一种基于移动多线LiDAR扫描(Mobile multi-layer LiDAR scanning,MMLS)的树冠叶面积估计方法,使用多线LiDAR从多个视角采集树冠点云数据,提升树冠叶面积估计精度.首先,将多线LiDAR采集的点云数据变换到世界坐标系下,通过感兴趣区域(Region of interest,ROI)提取出树冠点云.然后,提出一种MMLS树冠点云融合方法,逐个融合单个激光器采集的树冠点云,设置距离阈值删除重复点,添加新点.最后,构建MMLS空间分辨率网格,建立基于树冠网格面积的树冠叶面积估计模型.实验使用VLP-16型多线LiDAR传感器搭建MMLS系统,设置1、1.5 m 2个测量距离和间隔45°的8个测量角度对6个具有不同冠层密度的树冠进行数据采集,共得到96个树冠样本.采用本文方法,树冠叶面积线性估计模型的均方根误差(Root mean squared error,RMSE)为0.104 1 m2,比MSLS模型降低0.057 8 m2,决定系数R2为0.952 6,比MSLS模型提高0.067 5.实验结果表明,本文方法通过多线LiDAR多视角树冠点云数据采集、MMLS树冠点云融合和空间分辨率网格构建,有效提升了树冠叶面积估计精度.

    树冠叶面积多线激光雷达移动激光扫描点云融合空间分辨率网格

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于神经辐射场的RGB图像点云重建多肉植物及尺寸测量研究

    尹令陈招达蓝善贵杨杰...
    316-326页
    查看更多>>摘要：以多肉植物盆栽为研究对象,使用手持式RGB相机采集11个多肉植物盆栽的视频数据,通过将视频转换为图像帧、选取优质清晰图像帧、计算相机位姿得到含丰富信息的RGB图像数据.提出一种改进神经辐射场的多肉植物三维重建方法,根据实际场景提出新的射线采样策略,同时引入改进的图像修复模块与隐式模型重建点云方法,并根据点云重建结果提取多肉植株的叶片数、株高、冠围、凸包体积、叶长、叶宽和叶色共7个表型参数.最后选取具有代表性、易测量的叶片数、株高、冠围、叶长和叶宽5个表型参数进行精度评估与误差原因分析,平均绝对百分比误差(MAPE)分别为2.32％、3.95％、4.95％、5.59％和9.55％,均方根误差(RMSE)分别为0.86片和1.95、17.54、1.87、1.27 mm,决定系数(R2)分别为0.99、0.99、0.86、0.91和0.89.精度评估结果表明,所提取的表型参数能够准确、高效地反映多肉植株生长状态,充分发挥RGB图像新视角合成技术、图像处理技术与三维点云重建技术的优势,实现多肉植株盆栽的表型参数高精度、非破坏性提取,能够为多肉植物的种植和养育以及为非固定、多视角的RGB数据获取研究提供重要的技术支持.

    神经辐射场三维重建多肉植物尺寸测量植物表型RGB图像

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于法向量夹角的果树点云配准与枝叶分割方法研究

    韩宏琪江自真周俊顾宝兴...
    327-336页
    查看更多>>摘要：在实现果园作业全自动化的过程中,亟需直接构建自然环境下果树枝干三维模型的方法.本文通过对自然环境下以不同角度采集的果树点云进行配准,并针对采样一致性(SAC-IA)+迭代最近点(ICP)配准算法在点云配准中耗时较长以及精度不高的问题,结合点云法向量夹角提取源点云和目标点云的特征点,并通过点云法向量夹角的余弦值在源点云和目标点云的特征点中查找待匹配点对的方法,提出了一种基于果树点云待匹配点对的改进SAC-IA+ICP点云配准算法;借助最小包围盒划分的分块技术对配准后的果树点云进行分块,然后利用点云的几何特征,对划分的子块进行枝叶粗分割,最后使用欧氏聚类完成枝叶的精细分割.对比实验结果显示,改进后的SAC-IA+ICP算法在平均旋转误差上相较于原始SAC-IA+ICP算法减少85.44％,配准均方根误差相较于原始SAC-IA+ICP算法减少71.74％,配准时间相较于原始SAC-IA+ICP算法减少97.99％;同时,改进后的SAC-IA+ICP算法在平均旋转误差上相较于SAC-IA+NDT算法减少90.38％,配准均方根误差相较于SAC-IA+NDT算法减少85.39％,配准时间相较于SAC-IA+NDT算法减少98.04％.另外,本文采用的枝叶分割算法能够完成枝叶分割,且相较于人工分割其分割准确度可达94.77％.

    果树点云法向量夹角点云配准枝叶分割

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于时域卷积网络与Transformer的茶园蒸散量预测模型

    赵秀艳王彬都晓娜王武闯...
    337-346页
    查看更多>>摘要：在茶园水资源管理中,蒸散量(Evapotranspiration,ET)是评估作物水分需求的关键指标,由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点,目前的茶园蒸散量预测模型存在预测精度较低的问题,针对此问题本文提出了一种新型的茶园蒸散量预测模型.首先使用互信息算法(Mutual information,MI)与主成分分析算法(Principal component analysis,PCA)相融合的数据处理算法(MIPCA),筛选强相关的特征并提取主成分;其次将时域卷积网络(Temporal convolutional network,TCN)与 Transformer 融合,利用灰狼算法(Grey wolf optimization,GWO)优化超参数,捕捉茶园数据的全局依赖关系;最后整合2个网络构建了 MIPCA-TCN-GWO-Transformer模型,通过消融试验和对比试验验证了模型性能,并对模型在不同时间步长下的性能进行测试.结果表明,该模型平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)和决定系数(Coefficient of determination,R2)3 个评价指标分别为 0.015 mm/d、0.312 mm/d 和 0.962,优于长短期记忆模型(Long short term memory,LSTM)等传统预测模型.在小时尺度、日尺度和月尺度下的R2分别为0.986、0.978和0.946,在不同时间步长下展现了良好的适应性和准确性.本文构建的MIPCA-TCN-GWO-Transformer模型具有较高的预测精度和稳定性,可为茶园水资源优化管理和灌溉制度制定提供科学参考.

    茶园蒸散量预测模型主成分分析互信息时域卷积网络

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    融合无人机光谱信息与纹理特征的大豆土壤含水率估测模型研究

    李志军陈国夫支佳伟向友珍...
    347-357页
    查看更多>>摘要：及时获取大田作物根区土壤含水率(Soil moisture content,SMC)对于实现精准灌溉至关重要.本研究采用无人机多光谱技术,通过连续2年(2021-2022年)田间试验,采集了大豆开花期不同土壤深度的SMC数据以及相应的无人机多光谱图像,建立了与作物参数具有较强相关性的植被指数及冠层纹理特征.通过分析植被指数和纹理特征与各深度土层SMC的相关性,分别筛选出与各深度土层SMC相关系数达显著相关(P＜0.05)的参数作为模型的输入变量(组合1:植被指数;组合2:纹理特征;组合3:植被指数结合纹理特征),分别利用支持向量机(Support vector machine,SVM)、梯度提升模型(Extreme gradient boosting,XGBoost)和梯度提升决策树(Gradient boosting decision tree,GDBT)对各深度土层SMC进行建模.结果表明,与20～40 cm和40～60 cm 土层深度相比,植被指数和纹理特征在0～20cm 土层深度中与SMC表现出更高的相关性.XGBoost模型为SMC估算的最佳建模方法,特别是对于0～20 cm 土层深度.该深度估计模型验证集决定系数为0.881,均方根误差为0.7％,平均相对误差为3.758％.本研究结果为大豆根区SMC无人机多光谱监测提供了基础,为水分胁迫条件下作物生长的快速评估提供了参考.

    大豆土壤含水率无人机多光谱植被指数纹理特征

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据