机器视觉与农业智能感知相关的研究，目前已经取得了一定进展，在果园果树、大田作物、荒漠植物、中药材、畜禽等领域，已经获得了一定科研进展。本文整理了近期发表的机器视觉与农业智能感知相关专题的论文。

一、基于改进ResNet50模型的自然环境下苹果物候期识别

(资料图片)

参与机构：四川省农业科学院农业信息与农村经济研究所

针对传统方法对自然环境下苹果物候期图像识别精度低、覆盖面不全等问题,该团队提出了一种基于改进ResNet50模型的苹果物候期识别方法，实现自然环境下高原红富士苹果物候期图像的智能识别。

结果表明改进ResNet50可实现对苹果物候期有效识别,该研究成果可为果园物候期识别提供参考,通过集成至果树生育期智能监测生产管理平台,实现苹果园区的智能化管控。

二、自然环境中鲜食葡萄快速识别与采摘点自动定位方法

参与机构：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/山东省园艺机械与装备重点实验室、山东交通学院工程机械学院、山东农业大学生命科学学院小麦育种全国重点实验室

自然环境中鲜食葡萄的快速识别，与精准定位是实现鲜食葡萄机器人自动采摘的先决条件。该团队研究了基于改进的K-means聚类算法和轮廓分析法提出一种鲜食葡萄采摘点自动定位的方法,利用几何方法实现鲜食葡萄采摘点快速准确定位。

结果表明该算法在篱壁式、棚架式下紫葡萄、绿葡萄的采摘点定位成功率高,整体试验效果较好。为鲜食葡萄采摘机器人实现精准采摘葡萄提供技术支撑。

三、用于边缘计算设备的果树挂果量轻量化估测模型

参与机构：中国农业科学院农业信息研究所/农业农村部农业大数据重点实验室、中国农业科学院

挂果量是果树栽培管理的重要指标。传统人力抽样估测果树挂果量的方法不仅耗时费力,而且容易产生较大误差。该团队研究提出了一种用于边缘计算设备的轻量化模型,实现视频中树上柑橘挂果量的自动估测，以提升挂果量估测准确性。

试验结果证明：该模型在边缘计算设备上对柑橘挂果量估测的有效性,基于算法模型研发的果园挂果量远程监测系统，可满足用于果园移动平台行进状态下的果树挂果量估测需求，为果园生产力自动监测分析提供技术支持。

四、融合ECA机制与DenseNet201的水稻病虫害识别方法

参与机构：扬州大学信息工程学院(人工智能学院)

针对传统人工识别病虫害存在的效率过低、成本过高等问题,该团队提出了一种融合ECA注意力机制与DenseNet201的水稻图像识别模型GE-DenseNet。

该方法在包含水稻胡麻斑病、水稻铁甲虫、稻瘟病与健康水稻的3355张图像数据集上进行了实验测试,识别准确率达到83.52%，实现对不同水稻病虫害图像更为准确地识别,为及时防治病虫害,减少各类损失提供技术支持。

五、基于不同空间分辨率无人机多光谱遥感影像的小麦倒伏区域识别方法

参与机构：河南农业大学农学院/教育部作物生长发育调控重点实验室/省部共建小麦玉米作物学国家重点实验室

快速准确评估作物倒伏灾情状况,需及时获取倒伏发生位置及面积等信息。结合目前无人机遥感识别作物倒伏缺乏相应的技术标准,不利于规范无人机数据获取流程和提出问题解决方案。该团队研究旨在探讨不同空间分辨率无人机遥感影像，及特征优化方法对小麦倒伏区域识别精度的影响。

结果表明在不同飞行高度下的分类精度相对差异较小,90 m总体分类精度可达到95.6%,Kappa系数达到0.914,满足了对分类精度的需求。通过选择适宜的特征选择方法,不仅可以兼顾分类精度,还能有效缩小影像空间分辨率变化引起的倒伏分类差异,有助于提升飞行高度,扩大小麦倒伏监测面积,降低作业成本,为确立作物倒伏信息获取策略及小麦灾情评估提供参考及支持。

六、基于无人机高光谱遥感的烤烟叶片叶绿素含量估测

参与机构：河南农业大学烟草学院、国家烟草栽培生理生化研究基地、烟草行业烟草栽培重点实验室

研究目的：烤烟叶片叶绿素含量是表征烤烟光合作用、营养状况和长势的重要指标。该团队以高效精确地估测不同生长期烤烟LCC为目的，以中烟100烟叶为研究对象。采用一元线性回归、多元线性回归、偏最小二乘回归、支持向量回归和随机森林回归5种建模方法进行LCC估测。

该研究通过分析多种光谱指数与烤烟LCC的响应规律,构建可靠的烤烟叶片LCC估测模型,可为烤烟叶LCC估测以及烤烟的生长发育监测提供理论依据和技术支撑。

七、基于轻量级MobileNet V3-YOLOv4的生长期菠萝成熟度分析

参与机构：广东省电信规划设计院有限公司第四分公司、华中科技大学电子信息与通信学院、广东海洋大学电子与信息工程学院、广东省智慧海洋传感网及其装备工程技术研究中心

菠萝的贮藏性与成熟度相关,菠萝采摘前对其成熟度进行识别尤为重要。该团队研究提出了一种新型网络模型,提高菠萝成熟度自动识别的准确率和速度。

试验结果表明,对于黄熟期菠萝和青熟期菠萝两种类别的检测精确率分别为100%和98.85%,平均精度值分别为87.62%、94.21%,召回率分别为77.55%、86.00%,F1分数分别为0.87和0.92,推理速度80.85 img/s。实现了在降低训练速度、减小参数量的同时,提高了菠萝成熟度识别的精度和推理速度,满足实际检测需求。

八、基于多种机器学习算法预测广西蔗区甘蔗产量

参与机构：广西大学电气工程学院、广西大学甘蔗生物学重点实验室、广西糖业集团有限公司、广西农业科学院甘蔗研究所

该团队分析了广西甘蔗主产区甘蔗产量与气象因素的关系,利用气象数据预测甘蔗产量,为糖厂及相关管理部门提供科学的数据支撑。

通过敏感时段分析法筛选的关键气象因子与产量均呈显著相关,根据敏感时段能准确地分析各气象因子对产量的影响。使用LSTM模型预测单蔗区产量,使用BPNN模型预测多蔗区甘蔗气象产量的方法是可行的,且预测误差在可接受范围内。

九、基于改进残差网络模型的不同部位牦牛肉分类识别方法

参与机构：青海大学计算机技术与应用系、青海大学畜牧兽医科学院、青海省玉树州动物疫病预防控制中心

为实现不同部位牦牛肉快速、准确识别,该团队研究提出了一种改进的残差网络模型,并开发了一种基于智能手机的牦牛肉部位识别软件。

研究采集牦牛的里脊、上脑、腱子、胸肉的图像数据，通过消融实验。结果表明,改进后的ResNet18CBAM模型可在实际应用中识别不同部位牦牛肉且具有良好的结果。该成果有助于保障牦牛肉产业的食品质量安全,也为青藏高原地区的牦牛肉产业智能化发展提供技术支撑。

十、融合迁移学习和集成学习的自然背景下荒漠植物识别方法

参与机构：新疆农业大学计算机与信息工程学院、中国农业科学院农业信息研究所、国家农业科学数据中心

荒漠植物的准确识别是其认识和保护过程中不可或缺的任务,是荒漠生态研究与保护的基础。自然条件下野外荒漠植物图像的机器视觉自动分类识别可有效提升植物资源调查效率、降低人为主观因素影响,对荒漠植物的精准分类、多样性保护和资源化利用具有重要意义。该团队以自然环境下的整株荒漠植物图像为研究对象,构建新疆干旱区荒漠植物图像数据集,以EfficientNet B0—B4网络为基础网络,提出一种融合迁移学习和集成学习的荒漠植物图像识别算法,并在公开数据集Oxford Flowers102上进行对比验证。

实验结果表明，该方法可提高荒漠植物的识别准确率,通过云端传输至服务器后,实现荒漠植物的准确识别,为真实野外环境下植物图像识别精度低、模型鲁棒性及泛化性弱等问题提供解决思路。服务于野外调查、教学科普以及科学实验等场景。

十一、基于改进ShuffleNet V2的轻量级防风药材道地性智能识别

参与机构：吉林农业大学信息技术学院、吉林农业大学生命科学学院、无锡学院物联网工程学院

对于防风药材产地和品质的鉴别方法主要是根据其物理或化学特征,其方法需对中药材进行分离提取,存在耗时长,费用高,专业性强,技术难度大等问题,不利于推广应用。随着深度学习的不断发展,其无需人工提取特征、分类精度高等优点被广泛应用在中药材的识别之中。

针对大多数卷积神经网络模型在识别防风药材时计算量大、精度低的问题,该团队研究提出了一种改进的ShuffieNet V2的轻量级防风道地性识别模型。结果表明该研究所提出的模型在保持较高识别精度的同时占用较少的储存空间,有助于在未来的低性能终端上实现防风道地性的实时诊断。