科技文摘

20220501 基于優(yōu)化D2D的綠色目標(biāo)果實(shí)檢測(cè)算法//DOI：10.25165/j.ijabe.20221501.6943

在復(fù)雜的果園環(huán)境中，目標(biāo)果實(shí)的高效、準(zhǔn)確檢測(cè)是實(shí)現(xiàn)果園產(chǎn)量測(cè)量和自動(dòng)化采摘的基本保障。有時(shí)，綠色果實(shí)與背景顏色相近導(dǎo)致難以區(qū)分，以及照片拍攝受光照環(huán)境和相機(jī)角度的影響，給綠色目標(biāo)果實(shí)檢測(cè)帶來(lái)巨大挑戰(zhàn)。這些問(wèn)題導(dǎo)致在果園環(huán)境中難以檢測(cè)到綠色水果。該研究提出一種兩階段密集網(wǎng)絡(luò)優(yōu)化檢測(cè)模型D2D（A two-stage dense to detection framework，D2D）來(lái)檢測(cè)綠色水果。新模型采用MobileNetV2+FPN結(jié)構(gòu)提取目標(biāo)果實(shí)的多尺度特征，并通過(guò)區(qū)域生成網(wǎng)絡(luò)（RPN）結(jié)構(gòu)生成目標(biāo)果實(shí)的候選區(qū)域。在回歸分支中，計(jì)算每個(gè)局部特征的偏移量，并通過(guò)二元掩模預(yù)測(cè)候選區(qū)域的正負(fù)樣本，以減少背景對(duì)預(yù)測(cè)框的干擾。在分類(lèi)分支中，從候選區(qū)域的各子區(qū)域中提取特征，并通過(guò)自適應(yīng)加權(quán)池化獲取具有區(qū)分信息的特征，以實(shí)現(xiàn)準(zhǔn)確分類(lèi)。新模型采用無(wú)錨框設(shè)計(jì)，提高模型泛化能力和魯棒性，并降低存儲(chǔ)要求。在制作柿子和蘋(píng)果數(shù)據(jù)集上，對(duì)柿子和綠色蘋(píng)果的實(shí)驗(yàn)結(jié)果表明，新模型檢測(cè)性能最優(yōu)，可為其他綠色目標(biāo)果實(shí)檢測(cè)提供理論借鑒。

[編譯自：Wei J M，Ding Y H，Liu J，Ullah M Z，Yin X，Jia W K. Novel green-fruit detection algorithm based on D2D framework. Int J Agric & Biol Eng，2022;15（1）：251–259.]

20220502 基于深度學(xué)習(xí)的肉兔剩余飼料重量估測(cè)模型//DOI：10.25165/j.ijabe.20221501.6797

隨著精準(zhǔn)畜牧業(yè)的發(fā)展，無(wú)接觸的健康感知技術(shù)在養(yǎng)殖環(huán)節(jié)中尤為重要。為了提高肉兔養(yǎng)殖業(yè)管理水平，該研究開(kāi)發(fā)了一種基于圖像分割技術(shù)的肉兔剩余飼料重量估測(cè)模型。該模型由飼料實(shí)例分割網(wǎng)絡(luò)和飼料重量估測(cè)網(wǎng)絡(luò)組成。基于改進(jìn)的Mask RCNN網(wǎng)絡(luò)構(gòu)建了飼料實(shí)例分割網(wǎng)絡(luò)，該網(wǎng)絡(luò)以PointRend網(wǎng)絡(luò)頭替換網(wǎng)絡(luò)的原本網(wǎng)絡(luò)頭，通過(guò)自適應(yīng)點(diǎn)細(xì)分方法，對(duì)圖像邊緣處的點(diǎn)進(jìn)行精細(xì)分類(lèi)。隨后從圖像分割結(jié)果中提取圖像特征，作為飼料重量估測(cè)網(wǎng)絡(luò)的輸入，構(gòu)建了基于反向傳播神經(jīng)網(wǎng)絡(luò)的飼料重量估測(cè)網(wǎng)絡(luò)。將該模型應(yīng)用于肉兔實(shí)際養(yǎng)殖過(guò)程以評(píng)估模型性能，并探討了剩余飼料重量和肉兔死亡率之間的關(guān)系。模型評(píng)估結(jié)果表明飼料實(shí)例分割網(wǎng)絡(luò)的平均精確度為0.987，平均像素精度為0.985。飼料重量估測(cè)網(wǎng)絡(luò)的相關(guān)系數(shù)為0.97，均方誤差為208.3，平均絕對(duì)誤差為10.51g。實(shí)際應(yīng)用結(jié)果表明，不健康的肉兔采食量將顯著降低，當(dāng)剩余飼料重量高于喂料量的50%時(shí)，肉兔的死亡率高于85%;當(dāng)剩余飼料重量高于喂料量的65%時(shí)，肉兔在短時(shí)間內(nèi)會(huì)全部死亡。因此，剩余飼料重量和肉兔的死亡概率之間有顯著的相關(guān)性，通過(guò)估測(cè)剩余飼料重量，該模型能幫助養(yǎng)殖舍進(jìn)行肉兔健康監(jiān)測(cè)。

[編譯自：Duan E Z，Wang L J，Wang H Y，Hao H Y，Li R L. Remaining feed weight estimation model for health monitoring of meat rabbits based on deep convolutional neural network. Int J Agric & Biol Eng，2022;15（1）：233–240.]

20220503 雙粒花生精量穴播排種器設(shè)計(jì)與試驗(yàn)//DOI：10.25165/j.ijabe.20221503.6608

為提高花生精量播種裝備的性能，解決傳統(tǒng)排種器因落種高度大而導(dǎo)致的成穴性和均勻性差的問(wèn)題，設(shè)計(jì)了一種二次投種精量雙?；ㄉúヅ欧N器。通過(guò)理論分析，確定了該排種器的主要結(jié)構(gòu)和溝槽長(zhǎng)度、投種高度、種床帶速度和排種器轉(zhuǎn)速等參數(shù)。以冀農(nóng)花3號(hào)為試驗(yàn)對(duì)象，單穴雙粒率、穴距合格率、穴距變異系數(shù)及空穴率為評(píng)價(jià)指標(biāo)，通過(guò)JPS-12排種器試驗(yàn)臺(tái)進(jìn)行了單因素試驗(yàn)和正交試驗(yàn)。單因素試驗(yàn)表明，排種器排種性能主要受溝槽長(zhǎng)度、種床帶速度和排種輪轉(zhuǎn)速的影響，對(duì)空穴率的影響極小，確定最佳投種高度為40mm。通過(guò)正交試驗(yàn)確定各參數(shù)最優(yōu)組合：溝槽長(zhǎng)度為27.3mm、種床帶速度為1.51km/h、排種器轉(zhuǎn)速為14.11r/min。此外，基于正交試驗(yàn)結(jié)果建立回歸模型，優(yōu)化后排種器排種性能：穴粒數(shù)合格率為98.84%，穴距變異系數(shù)為9.74%，空穴率為1.40%。該排種器提高了花生精播質(zhì)量，滿足花生精量穴播農(nóng)藝要求。

[編譯自：Zhao X S，Ran W J，Hao J J，Bai W J，Yang X L. Design and experiment of the double-seed hole seeding precision seed metering device for peanuts. Int J Agric & Biol Eng，2022;15（3）：107–114.]

20220504 不同土壤改良劑對(duì)中國(guó)東北地區(qū)蘇打鹽堿土理化性質(zhì)及作物產(chǎn)量的影響//DOI：10.25165/j.ijabe.20221501.6252

施用土壤改良劑是改良鹽堿地最有效的方法之一。該研究在室內(nèi)驗(yàn)證了13種改良劑及其組合（檸檬酸（NM）、磷石膏（LS）、硫酸鋁+檸檬酸（AL+NM）、硫酸鋁+磷石膏（AL+LS）、硫酸鋁+檸檬酸+磷石膏（HH）、沸石（Z）、酸化沸石（ZH）、硫酸鋁（AL）、硫酸鋁+沸石（AL+Z）、硫酸鋁+酸化沸石（AL+ZH）、聚合氯化鋁（ALCL）、聚合氯化鋁+沸石（ALCL+Z）、聚合氯化鋁+酸化沸石（ALCL+ZH））對(duì)蘇打鹽堿土pH值、金屬陽(yáng)離子含量、交換性鈉、堿化度（ESP）的影響，并選擇了五種最有效的改良劑（Z、ZH、AL、AL+Z和AL+ZH），分別在旱田（玉米田）和水田中應(yīng)用，以評(píng)估它們對(duì)中國(guó)東北松嫩平原蘇打鹽堿土的改良效果和對(duì)作物產(chǎn)量的影響。室內(nèi)試驗(yàn)結(jié)果表明，AL、AL+Z和AL+ZH處理能顯著降低土壤溶液的pH值，增加金屬陽(yáng)離子的含量。Z和ZH處理能吸附土壤中的金屬陽(yáng)離子。在旱地和水田中，五種處理均能提高土壤飽和導(dǎo)水率（Ks），分別從9.63mm/d提高到60.02mm/d和0.18mm/d提高到33.25mm/d，其中AL處理效果最好;五種處理均能降低土壤交換性鈉含量，分別降低38.62%-61.33%和25.24%-71.53%，其中AL+ZH處理效果最好;各處理均能降低土壤交換性鈉含量，分別降低0.14-0.22和0.14-0.41，其中AL+ZH處理效果最好;AL、AL+Z和AL+ZH處理能提高土壤有機(jī)質(zhì)含量;所有處理均能有效提高作物產(chǎn)量，分別提高23.98%-60.75%和52.51%-260.21%，其中AL處理在旱田效果最好，AL+ZH處理在水田效果最好。該研究可為世界蘇打鹽堿土的化學(xué)改良和農(nóng)業(yè)利用提供理論依據(jù)和技術(shù)支撐。

[編譯自：Xiao F，Zhou B B，Wang H B，Duan M L，F(xiàn)eng L. Effects of different soil amendments on physicochemical property of soda saline-alkali soil and crop yield in Northeast China. Int J Agric & Biol Eng，2022;15（1）：192–198.]

20220505 基于云計(jì)算平臺(tái)利用高分辨率衛(wèi)星影像實(shí)現(xiàn)黃淮海平原冬小麥種植面積快速提取//DOI：10.25165/j.ijabe.20221501.6917

傳統(tǒng)的遙感分類(lèi)數(shù)據(jù)存儲(chǔ)空間大、處理時(shí)間長(zhǎng)，使利用較高分辨率衛(wèi)星遙感數(shù)據(jù)實(shí)現(xiàn)區(qū)域冬小麥種植面積的提取仍然面臨諸多挑戰(zhàn)。作為基于全球地理空間分析的云計(jì)算平臺(tái)，Google Earth Engine（GEE）為快速分析遙感信息提供了新的機(jī)會(huì)。該研究以中國(guó)最大冬小麥種植區(qū)黃淮海平原為研究區(qū)域，基于GEE云計(jì)算平臺(tái)獲得高質(zhì)量Lnadsat-8圖像數(shù)據(jù)集，利用隨機(jī)森林算法對(duì)2019-2020生長(zhǎng)季冬小麥進(jìn)行識(shí)別和制圖，并利用Sentinel-2影像對(duì)結(jié)果進(jìn)行空間分布驗(yàn)證。計(jì)算影像光譜指數(shù)、紋理特征和地形特征，通過(guò)對(duì)所有特征變量進(jìn)行重要性打分和評(píng)價(jià)，評(píng)估它們對(duì)冬小麥分類(lèi)精度的貢獻(xiàn)，同時(shí)優(yōu)選排名前9名的特征構(gòu)建最佳特征子集，分別將全部34個(gè)特征構(gòu)成的集合和優(yōu)選特征子集作為隨機(jī)森林分類(lèi)器的輸入變量并對(duì)比不同輸入變量對(duì)分類(lèi)精度的影響。結(jié)果表明，兩種特征分類(lèi)方案的精度差異很小，但全特征集合的分類(lèi)效果略好于優(yōu)選特征子集，樣方驗(yàn)證的總體分類(lèi)精度為86%-95%，Kappa系數(shù)分布在0.70-0.85之間，總面積的百分比誤差為5.42%。該研究結(jié)果展示了一種可靠的大范圍冬小麥種植區(qū)快速制圖方法，為探索其他作物的精確制圖提供了參考，對(duì)作物監(jiān)測(cè)和農(nóng)業(yè)發(fā)展具有重要意義。

[編譯自：Zhang D Y，Zhang M R，Lin F F，Pan Z G，Jiang F，He L，et al. Fast extraction of winter wheat planting area in Huang-Huai-Hai Plain using high-resolution satellite imagery on a cloud computing platform. Int J Agric & Biol Eng，2022;15（1）：241–250.]