[论文总结] 智慧农业论文摘要阅读概览_oasis 文章摘要

1. Design of a winter-jujube grading robot based on machine vision （Computers and Electronics in Agriculture）

摘要：Winter-jujube(冬枣)在中国是一种新鲜的水果。 收获后,winter-jujubes需要年级分成不同的类别根据其成熟度级别。 成熟winter-jujube可以认可他们的红色。 在这项研究中,一个winter-jujube分级机器人设计。 此外,一个方法结合YOLOv3算法和hand-engineered特性开发计算winter-jujube的成熟度。 分级机器人由传输单元,一个图像采集单元和一个致动器单元。 基于YOLOv3算法,检测模型训练,并与SSD和更快的R-CNN算法。 当借据0.7、0.8和0.9,模型的F1分数是100%,100%,和93.66%,分别。 地图(借据= 0.50:0.05:0.95)模型的是94.78%,和单一图像的检测时间0.042秒。 检测模型展览在不同照明条件下稳定性高。 此外,图像中重叠winter-jujubes可以准确检测。 图像畸变校正和对象检测后,图像处理流的空间定位、尺寸测量和成熟为winter-jujubes设计计算。 最后,一个实时分级装置winter-jujube建立执行分级实验。 成熟度分级精度97.28%,每个winter-jujube的平均评分时间是1.39秒。

评分：目标检测+1分，分级机器人+3分，数据集不明确无法判断。

2. Adaptive filtering-based soft sensor method for estimating total nitrogen in aquaponic systems

摘要：aquaponic系统可以满足不同需求的水产品和植物利用营养流来提高经济效益。 氮是一个等关键营养元素的过程。 高氮浓度可以恶化水质,这可能会进一步导致大规模死亡的典型的鱼类或贝类。 因此,它是特别重要的监控管理水产品和植物的氮浓度增长aquaponic系统。 传感器测量氮浓度是商用,但他们往往是昂贵的和不可靠的服务。 同时,研究氮浓度的软测量是非常有限的。 因此,本文提出了一种新的自适应filtering-based软测量方法总氮浓度的实时估计。 这种方法提供了准确预测通过集成机械模型,在线测量(例如鱼类生物量、温度)和总氮的罕见的离线测量。 地平线动估计(加入)算法用于联合状态和参数估计,从而允许修正模型参数之间的不匹配和真正的过程。 此外,适当的离线氮测量频率决定软测量精度和成本之间的平衡。 通过计算机模拟研究aquaponic系统,该方法是有效的提供有前途的实时预测性能。 通过应用校正方法,RMSE(均方根误差)的氮浓度估计平均减少31.86%相比,模拟实际情况。 总之,该软测量方法可以提供有用的监测总氮在aquaponics”,和这些信息可以用于优化操作。

评分：软传感器+2分，其他看不出来。摘要写的一般，背景内容太多。

3. A method combining ELM and PLSR (ELM-P) for estimating chlorophyll content in rice with feature bands extracted by an improved ant colony optimization algorithm

摘要：利用光谱信息快速检测大米树冠叶子中的叶绿素含量、无损、准确地水稻生长有很大的现实意义评价、精确施肥和科学管理。 本文在中国东北粳米为研究对象,和大米树冠高光谱数据的关键增长阶段通过情节实验。 首先,标准正态变量(SNV)和SG平滑方法用于高光谱数据进行预处理,基于光谱数据处理和蚁群优化算法(ACO),一种改进的自适应更新蚁群优化算法(AU-ACO)提出了选择特性的叶绿素含量通过引入一种自适应调整挥发系数的策略和最优信息素更新策略在不同的阶段,并与标准的ACO算法和full-band建模方法。 然后,提取的特征频带和full-band作为输入,考虑线性模型和非线性模型的优点,一个混合预测模型(ELM-P)结合极端学习机(ELM)和偏最小二乘回归(PLSR)提出。 在这个模型中,PLSR用于获得初步预测水稻的叶绿素含量,并得到了线性趋势,然后非线性逼近能力强的榆树是用来预测的偏差PLSR模型,最终的预测价值是通过叠加的两个输出。 为了验证该模型的优越性,PLSR和榆树预测模型也建立了通过乐队的full-band和特性不同的萃取方法作为输入。 仿真实验结果表明,在相同的预测模型条件下,提出的特征提取的乐队AU-ACO算法作为输入可以降低模型的复杂度,提高模型的预测性能。 决定系数(R2-P)的测试集和决定系数(R2-C)每个模型的训练集都大于0.6785,其中,ELM-P模型提取的特征频带,AU-ACO算法作为输入的预测精度最高,R2-C和R2-P分别为0.7969和0.7918,RMSE -C和RMSE -P分别为1.2969和1.1293 mg / L,这可以提供宝贵的参考检测和评估在粳稻水稻叶绿素含量。

评分： 无人机+自己数据集=5分；图像分割？+模型设计+3分；目测7-8分。

4.Recognition of carrot appearance quality based on deep feature and support vector machine（2021年3月投稿，5 月5日见刊）

摘要：胡萝卜外观质量是胡萝卜分级的重要指标，因此准确识别胡萝卜加工中的胡萝卜外观质量至关重要。本文提出了一种创新的胡萝卜外观检测方法，利用卷积神经网络提取图像特征信息，并采用支持向量机进行分类。首先，基于12种模型的深度特征被用于训练支持向量机。提取了网络模型的三层全连接层（AlexNet，VGG16，VGG19）的深层特征，并将其导入支持向量机中。结果表明：（1）支持向量机的深度特征精度优于迁移学习模型，平均精度提高了1.42％。 （2）基于初始完整连接层的三个模型（AlexNet，VGG16，VGG19）的准确性分别为98.13％，98.06％和97.88％。最好的模型是ResNet101 + SVM，其识别精度为98.17％。因此，该方法对胡萝卜分级的发展具有积极的意义。

评分：特征提取+1分，不知道怎么评。

5. Assessment of calibration methods for nitrogen estimation in wet and dry soil samples with different wavelength ranges using near-infrared spectroscopy

摘要：选择一个合适的波长范围,提取最优波长变量,并选择合适的统计分析方法是非常重要的改善土壤氮(N)的预测精度与近红外(NIR)光谱。 在这项研究中,两种不同的波长范围的预测性能,较短的波长范围(SWR) 900 - 1700 nm和一个完整的波长范围(FWR) 900 - 2500海里,是评价土壤N含量的测量。 光谱扫描进行湿和dry-sieve土壤样本评估土壤水分预测性能的影响两种校准方法,常用的线性偏最小二乘回归(PLSR)和非线性反向传播神经网络(摘要)。 了解是否有可能减少波长变量的数量没有减少预测的准确性,我们引入一个波长连续投影算法(SPA)提取最小冗余的变量。 结果表明,模型在SWR发达在FWR比那些发达,无论湿或干燥的土壤条件,这可以归因于存在更多的光谱信息与FWR土壤N有关。 与PLSR相比,摘要是一个更好的选择对于预测土壤N,因为摘要模型提供更高的精度。 最好的预测性能是通过摘要方法FWR使用SPA和Rp2= 0.93,RMSEP = 0.0297%, RPD = 4.00湿土壤样本,和Rp2= 0.99,RMSEP = 0.0132%, RPD = 8.76干土壤样本。 此外,我们表明,使用SPA算法大大减少了波长变量的数量,同时保持较高的预测精度。 选择的特征波长SPA算法遵循材料光谱吸收的原则。 值得注意的是,干燥的土壤条件导致性能优越在潮湿的土壤条件的测量土壤N,这可以归因于含水率的波长区域的去除效果和利用重要的吸收特性。 然而,即使在潮湿的土壤条件,简化校准模型的基础上选定的温泉浴场变量获得优秀的定量预测SWR范围使用摘要方法,与Rp2= 0.91,RMSEP = 0.0305%, RPD = 3.47。 扩大大规模检测应用程序是很重要的测量土壤N。

评分： 自己数据集+实验=3-5分，特征提取+反向传播神经网络=2分，总分5-7分。

6. Field-road trajectory segmentation for agricultural machinery based on direction distribution

**Field-road分割自动轨迹(自动寻优)**分为一系列的字段/公路段是一个重要的组件在分割过程中农业机械的轨迹。 地理空间坐标记录下来的轨迹是一个序列GNSS接收器在机器的驱动。 本文的目的是开发一个field-road分割方法的领域边界信息的不可用。 发达的方法由两个阶段组成。 第一阶段使用DBSCAN,典型的聚类算法,field-road分割,第二阶段使用基于规则的推理正确的两种类型的错误分割情况下输出的DBSCAN-based集群。 基于平行方向分布在同一领域几乎是平行的,两个推理规则,Field2Road-Cluster和Road2Field-Segment按顺序执行。Field2Road-Cluster使用方向分布差异(并行领域比在路上不平行)分割病例和纠正错误的字段Road2Field-Segment使用并行关系条在同一字段分割情况下纠正错误的道路。 发达的方法验证了60所选轨迹。 结果表明,基于规则的推理实现增长7.95%在F1的分数,在哪里Field2Road-Cluster和Road2Field-Segment分别增加了6.40%和1.55%。
评分： 评分不高低于5分。

7. Large-scale winter catch crop monitoring with Sentinel-2 time series and machine learning–An alternative to on-site controls?

欧盟立法的指导方针在共同农业政策(CAP)导致的义务用以cross-compliant绿化措施,欧盟国家的信息。 但通过现场控制,农业部门可以监视所有注册的包裹的只有一小部分。 哥白尼计划,免费Sentinel-1和Sentinel-2图像越来越多地支持大规模远程sensing-based农业监控。 然而,大多数原型的主题缺乏冬季种植。 因此,我们开发了一种新的机器学习方法,抓住parcel-level作物监测和检测。 获得培训和监督机器学习的测试数据,我们收集冬天作物来自不同年的数据(2016 - 2019)和德国四个联邦州。 归一化植被指数(NDVI)时间序列计算为每个包裹从Sentinel-2数据内典型的冬季作物种植季节(July-April)。 我们发现独特的时间赶上种植模式和开发19个为自动化的描述性特性预测。 然后,我们训练15随机森林分类器组成的不同地区和年,进行了多层次的验证识别模型鲁棒性最高的新数据。 随机森林分类器训练输入数据来自所有联邦州和年表现优于其它模型。 达到84%的平均预测精度两类(抓住作物和non-catch作物)在11个不同的时空领域。 最佳年度天气条件下达到精度接近90%。 异常引起的热浪和初霜冻事件被发现有很高的影响引起作物的物候学,从而导致预测精度降低。 从预测因素的集合,这些特性重要性最高的测量观测时间序列之间的相关性和模拟NDVI物候资料。 我们得出的结论是,赶上裁剪包裹会自动分离与其他冬天从包裹查看(如冬季谷物,草地,休闲)Sentinel-2 NDVI时间序列数据。 不同作物子组(即。 、种子混合)不能分化我们的方法由于物候资料非常相似。 尽管如此,方法允许用于大规模冬天抓作物监测和支持当局的选择包裹高需求进行现场控制。 通过合并从不同的联邦州和年的训练数据集,我们可以克服典型的时空机器学习的过度拟合问题。 因此,该研究的最终分类器可以可靠地转移到新的数据集在德国和其他地区具有类似bio-geographical条件。

评分：大量的大田实验数据+5分，6分左右。

8. Implementing agricultural water pricing policy in irrigation districts without a market mechanism: Comparing the conventional and automatic water distribution systems

9. Development of pulsed electric fields treatment unit to treat wheat grains: Improvement of seed vigour and stress tolerance

脉冲电场(PEF)处理可能造成潜在的替代化学用于种子表面消毒和种子活力提高。 为了测试的有效性PEF治疗,一个新的PEF处理单元设计和用于治疗小麦谷物的能量范围1.07 - -17.28 J。 相比控制样本,所有PEF治疗显著增加萌发和幼苗率10 28%,分别。 电导率是影响延迟测量的时间而不是PEF处理。 PEF-treated种子样本有显著较高的耐冷和盐压力。 内生微生物群落的总需氧嗜中温细菌和霉菌和酵母菌总被应用能量显著降低。 盐胁迫8天纳希(100毫米)表现出最高的98.43%的预测力modellıng研究。 19岁的多目标优化反应指着161.8赫兹,6.1,和19.5年代的最优设置(D = 0.52)。 得出结论,PEF处理小麦种子活力,改善促进寒冷和盐胁迫耐受性,灭活表面微生物区系。

评分：这是一篇偏向农业实验的论文。

10. Knowledge transfer for adapting pre-trained deep neural models to predict different greenhouse environments based on a low quantity of data

深入学习是机器学习的先进的应用在许多领域,这技术也被应用于农业。 大量的数据需要提供深度学习模型在培训过程; 然而,提供足够的数据可能不是在考虑农业的应用。 转移学习,这是一个学习策略的快速和容易的适应pre-trained模型,可以解决农业数据有限。 因此,本研究的目的是验证pre-trained模型的适应性预测温室的环境变量通过再培训模型与数据从一个新的培养条件下,使用学习转移技术。 因此,转移学习方法应用于五常见深学习模型。 27温室(14甜辣椒和番茄查看13日)在不同地区的韩国这个研究提供了实验数据。 分析了环境变量的内部温度、相对湿度、辐射、有限公司2浓度,和外部的温度。 学习过程进行转移之前,一些层pre-trained模型替换为新层。 模型,此后,培训新的测试数据集。 最好的模型训练过程是BiLSTM,导致平均R20.69。 模型可以预测环境变化的趋势,这表明他们训练有素。 最准确的深度学习模型考虑传输数据集是BiLSTM转移,平均R2甜辣椒和番茄的0.78和0.81数据集,分别。 大多数转移模型的精度高于相应的深度学习模型。 因此,转移学习可以适应之前训练的深度学习模型,使他们能够与稀缺数据预测温室的小气候。 此外,先进的学习策略会增加转移转移模型的性能分析研究。
评分： 大量实验数据+5分。

10. Real-time detection of uneaten feed pellets in underwater images for aquaculture using an improved YOLO-V4 network

在水产养殖的实时检测和监控,制定饲料颗粒消费是一个重要的基础科学喂养策略,可以有效地减少饲料浪费和水污染,这是一种双赢的情况的经济和生态效益。 然而,低质量的水下图像和非常小的目标目前饲料颗粒检测带来了极大的挑战。 为了克服这些挑战,本文提出了一种吃饲料颗粒检测模型使用一种改进的你只看一次(YOLO)意思v4网络水产养殖。 具体实现方法如下:(1)功能映射原YOLO-V4负责大规模信息网络所取代细粒度YOLO特性意思通过修改地图的连接模式特征金字塔网络(红外系统)+路径聚合网络(PANet)。 (2)剩余连接模式通过DenseNet CSPDarknets被修改,这也进一步提高了功能重用和网络性能。 (3)最后,de-redundancy操作进行减少YOLO-V4网络的复杂性同时确保检测的准确性。 在真正的养鱼场实验结果表明,检测精度优于原YOLO-V4网络,和平均精度从65.40%提高到92.61%(当十字路口在联盟是0.5),增长了27.21%。 此外,计算量减少了约30%。 因此,改善YOLO-V4网络可以有效地探测水下饲料颗粒和适用于实际的水产养殖环境。

评分：因为做水体较少+1分，实验+2分，目标检测+1分；改进方法应用+2分。

11. DeepPhenology: Estimation of apple flower phenology distributions based on deep learning

园艺作物物候学分布估计是非常重要的,因为它控制化学稀释的时机以生产优质水果。 介绍了一种新颖的物候学分布估计方法命名DeepPhenology为苹果鲜花基于cnn使用RGB图像,能够有效地映射花分布在一个映像级别,行级,块级。 图像分类模型VGG-16直接训练相对物候学分布从手工数计算的鲜花,获得图像。 该方法消除了需要标签图像,克服困难在区分重叠花集群或识别隐藏的串串在使用2 d图像。DeepPhenology测试在日间和夜间使用RGB图像捕捉相机安装在地面车辆在联欢晚会和粉红女士在澳大利亚果园品种。 平均Kullback-Leibler(吉隆坡)散度值为0.23时所有验证集和平均KL值为0.27在所有测试集。 进一步评估已经完成,通过比较该模型与YOLOv5证明比这先进的目标检测模型的任务。 结合相对物候学分布从一个图像行级或块级分布,我们可以给农民一个精确的和高度概括块性能的化学变薄形成决策的基础应用。

评价：自己数据集3分，目标检测+1分，方法改进+2分，yolov5对比+1分=7分。

12. Design, development, and performance evaluation of a robot for yield estimation of kiwifruit

机器人的应用之一farmer-assistant平台配备机器视觉系统是生产产量的评估之前收获而不会破坏产品。 在这种情况下,农民获得适当的信息收集和收获后管理决定所需的人力资源,收集设备、存储空间、交通、和产品营销。 在这项研究中,机器视觉系统对履带式汽车设计和开发产量估计旅行沿着猕猴桃猕猴桃的格子。 几个特性,即。 、强度直方图、面向梯度直方图的形状上下文,和局部二进制模式,从植物,从捕获的图像中提取图像和猕猴桃的数量是预计使用支持向量机(SVM)。 提高支持向量机的性能,其参数优化使用进化优化方法,即粒子群优化(PSO),蚁群优化(ACO),差分进化(DE)和遗传算法(GA)。 该方法的性能比较与几个深度学习技巧。 的R2预测猕猴桃的数量等于获得的图像是0.96,0.91,0.73,0.83,0.90,0.63,该方法,FCN-8S, ZFNet, AlexNet, GoogleNet和ResNet分别。 此外,结果表明,支持向量机提高PSO施加最高precision-recall曲线下的面积相比,深度学习的方法。 本研究的结果可以用于适当的实施精准农业和农业投入的管理。

评分：自己的大田实验3-4分。优化方法较多+1分，论文4-5分。

13. Multi-stream hybrid architecture based on cross-level fusion strategy for fine-grained crop species recognition in precision agriculture

精确农业的目标是优化作物生产过程和管理可持续供应链实践尽可能更有效和合理的。 最近,各种先进的技术,如深度学习和物联网(物联网),取得了非凡的智力发展现实的农业条件。 然而,作物物种识别可以被认为是细粒度的视觉分类(FGVC)问题,痛苦的低类的差异和高内部类方差所属类别,比普通的基层分类更具挑战性的分类取决于传统深层神经网络(款)。 摘要提出了一种细粒度的视觉识别模型命名为MCF-Net分类不同作物物种在实际农田的场景。 提出MCF-Net由交叉阶段部分(CSPNet)作为骨干网络模块,三个并行子网,横向校正融合模块。 进行多流混合架构”与利用大规模fine-granulometric信息,MCF-Net获得更好的表示能力区分阶级之间的差异和容忍内部类差异。 此外**,实现端到端优化MCF-Net的横向校正融合策略准确识别不同的作物类别**。 几个实验CropDeepv2数据表明,我们的方法与最先进的方法。 识别的准确性和F1-score MCF-Net达到竞争非常激烈的结果分别高达90.6%和0.962,均优于对比模型显示更好的识别精度和模型稳定性的方法。 此外,MCF-Net只有807兆字节的总体参数与实现一个好的平衡模型的性能和复杂性。 这是可以接受和适用于物联网的实现平台在精确农业实践。

评分： 细粒度视觉分类任务+3分。

14. Combining texture, color, and vegetation indices from fixed-wing UAS imagery to estimate wheat growth parameters using multivariate regression methods

精确作物管理在现代农业需要及时有效的获取作物生长信息。 最近,无人机系统(uas)迅速发展,目前广泛应用于农作物遥感(RS)。 植被指数(VI)和颜色指数(CI)是常用的遥感方法监测作物。 纹理是图像的内在信息,它可以反映作物树冠结构和用于植被分类。 本研究的目的是探索相结合的潜在VI、CI、结构改善小麦生长参数的估计精度,基于固定翼无人机图像。 小麦田间试验在兴华试验站进行了2017 - 2019年连续两年在三个小麦品种5岁以下氮肥率。 两个常用的小麦生长参数、叶面积指数(LAI)和叶片干物质(LDM),同步麦田无人机图像,得到关键的增长阶段。 简单的回归(SR)是用来确定定量遥感变量之间的关系(VI、CI和纹理)和赖,LDM。 数据显示,个人的纹理与小麦生长参数并不相关,而纹理指数(TI),包含两个纹理测量,显示更强的相关性与LAI和LDM。 利用简单的回归(SR)、第六(R2> 0.65,推定< 21.87%)表现出最好的精度估计赖和LDM,其次是TI (R2> 0.51,推定< 26.28%)和CI (R2> 0.34,推定< 27.74%)。 看不到多元线性回归(MLR)和随机森林(RF)进一步用来开发赖和LDM评估模型使用不同的输入变量集(VIs、VIs +独联体和活力+ CIs + TIs)。 与SR和高钙相比,RF模型力相结合,独联体,赖,这大大提高了估计的准确性和LDM, R和验证2最好的射频模式赖和LDM估计达到了0.78和0.78(推定= 17.32%和13.83%)在pre-heading阶段,0.81和0.77(推定= 17.86%和16.08%)在post-heading阶段,和0.76和0.75(推定= 18.13%和16.79%)在所有阶段,分别。 本研究表明,图像纹理可以帮助小麦赖监控来实现更高的估计精度和LDM,和固定翼无人机是一个有前途的平台,可以为大型作物管理提供可靠的数据。
评分：大量大田实验+5分，

15. Projection of the climate change effects on soil water dynamics of summer maize grown in water repellent soils using APSIM and HYDRUS-1D models

土壤斥水性极大地影响作物生长和土壤水分运动。 本研究的目的是为了估算土壤水分动态存储(慢波睡眠),实际蒸散(等一个),根水吸收(RWU)和实际蒸发(E一个)年度作物生长在防水处理(WR)土壤在未来气候情景。 土壤水力参数校准和验证基于实验数据的HYDRUS-1D在2016年和2017年。 夏玉米生长周期和灌溉计划生成与农业生产系统模拟器(APSIM)。 每日慢波睡眠,等一个、RWU和E一个值从五个防水处理治疗模拟对夏玉米生长周期在1981 - 2000,2030 - 2059和2060 - 2089使用八选定的全球气候模型两个代表通路(RCP 4.5和8.5 RCP)浓度。 由于温度的增加,生长期减少12日到27日的天,总慢波睡眠,等一个、RWU和E一个下降了8.1% -21.1%,2.2% -11.1% 0.5% -9.6% -9.7%和0.8%基线期,分别。 慢波睡眠总量的变化,等一个、RWU和E一个在整个夏天,玉米生长周期在RCP 4.5大于8.5 RCP同期。 值总额的慢波睡眠,等一个、RWU和E一个在2030 - 2059年高于2060 - 2089年为同一RCP的场景。 随着初始水滴渗透时间、总慢波睡眠E一个增加,而等一个和RWU下降。 全球环流模型(GCM)和周期不确定性做出了巨大贡献。 研究结果暗示,有必要调整夏玉米的种植日期。

评价：这是纯农学论文。

16. Small-sample learning with salient-region detection and center neighbor loss for insect recognition in real-world complex scena

rios
最真实的场景面临小样本和细粒度识别的问题。 对于许多罕见的昆虫类,收集大量的训练样本不可行,甚至是不可能的。 相比之下,人类是能够识别一个新的对象类监督。 这激励我们解决小样本问题的识别和细粒度识别昆虫通过识别和定位; 这可以提供一个有效的治疗数据匮乏和两种技术可以从彼此引导。 在本文中,我们提出一个saliency-detection模型本地化关键地区最大的细粒度的昆虫分类区别的特征。 学习者学会预测前景和背景面具等本地化,被训练在训练集带注释的边界框。 此外,进一步产生区别的特性,一个中心的邻居损失函数是用来构建一个健壮的特征空间分布。 该模型对我们的威胁是训练有素的端到端数据集,包括220年昆虫类从一个真实的复杂环境。 与使用典型的网络方法相比,该方法实现了一个性能优越,平均识别率(前5的准确性)的57.65%,并能有效地识别昆虫在小样本和复杂的景象条件下。

评价：细粒度识别3分。

17. Greenhouse-based vegetable high-throughput phenotyping platform and trait evaluation for large-scale lettuces

（北京农科院做的）

对生菜资源进行大规模筛选和评估，对于帮助发现显著特征和帮助遗传育种具有重要价值。在这项研究中，建立了温室蔬菜高通量表型平台（VHPP），以评估各种生菜品种的多维特性。该平台包含一个具有四度自由度的成像单元（DOF），用于在作物头顶上巡航以获取图像。该平台还具有自动全球语义表型管线 （GSPP），用于在顺序图像中定位盆，并在不同的生长点匹配每个工厂。基于多维图像的特征被自动提取并分为六类，包括**几何、结构、纹理、颜色、颜色瞬间和色指数。**我们通过主要组件 （PC）、相关性和遗传性分析计算和评估了 63 个静态特征 （ST） 和 189 个动态特征 （DT），新的 PC 在描述生菜树冠时提供了有价值的视角。结果表明，表型系统和管道能够快速调查和评估数千种蔬菜的生长状况。此外，我们确定了许多有价值的特征，这些特性对于揭示复杂特征的遗传基础和探索用于大规模生菜筛选和评估的优秀特性具有积极意义。

评分：大量实验+5分。全球语义表型管道（GSPP）是什么？ 这个做的是目标检测。 6-7分。

18. In-field tea shoot detection and 3D localization using an RGB-D camera

茶芽检测和本地化是极具挑战性的任务，因为照明不同，不可避免的遮挡，微小的目标，和密集的增长。为了实现茶园茶笋的自动采摘，开发了基于红色、绿色、蓝色深度 （RGB-D） 相机图像的可靠算法，用于检测和定位采茶机器人的田间茶芽。在这项研究中，首次为茶园中收集的多个时期和品种的图像建立了标签标准。然后，一个"你只看一次"（YOLO）网络被用来检测茶芽（一个芽与一叶）区域的RGB图像收集的RGB相机。此外，茶笋的检测精度为93.1%，召回率为89.3%。为了实现采摘位置的三维（3D）定位，通过融合 RGB-D 摄像机捕获的深度图像和 RGB 图像，获取了检测目标区域的 3D 点云。然后，使用点云预处理消除噪声，利用欧几里德聚类处理和目标点云提取算法获取茶芽点云。最后，结合茶芽生长特性、点云特征、套管采摘方案，确定了茶笋的3D采摘位置，解决了采摘点在田间看不见的问题。为了验证建议算法的有效性，茶园进行了茶笋本地化和采摘实验。茶笋采摘成功率为83.18%，每个目标的平均定位时间约为24毫秒。所有结果表明，建议的方法可用于机器人采茶。

评分：

19.Defective egg detection based on deep features and Bidirectional Long-Short-Term-Memory

鸡蛋是全世界最重要的营养来源之一。此外，蛋壳中可能出现的缺陷危及食品安全，对生产企业造成不利影响。由于经济和健康原因，将有缺陷的鸡蛋与优质鸡蛋自动分离是一个重要问题。基于这种动机，开发了基于深度学习的实时机器视觉系统，用于检测破裂、血腥和肮脏的鸡蛋。在这项研究中，设计了一个连续旋转系统来可视化鸡蛋的所有表面。因此，在鸡蛋的任何表面可能发生的污垢、血液和裂缝等不良条件都得到了成功的监测。在建议的强子卵子检测系统中，使用预先训练的剩余网络模型提取深层特征，然后将获得的特征输入双向长期长期记忆 （BILSTM）。建议模型的效率是使用脏、血腥、破裂和坚固的鸡蛋图像与开发的机器视觉系统计算的。实验结果表明，该模型的准确率达到99.17%。所获得的结果还与最先进的方法进行了比较，并观察到建议的模型在比较方法中表现出最高的准确性。

评分：这个论文不咋地。大量实验+3分。

20. Design, development, and performance evaluation of a robot for yield estimation of kiwifruit

机器人的应用之一farmer-assistant平台配备机器视觉系统是生产产量的评估之前收获而不会破坏产品。 在这种情况下,农民获得适当的信息收集和收获后管理决定所需的人力资源,收集设备、存储空间、交通、和产品营销。 在这项研究中,机器视觉系统对履带式汽车设计和开发产量估计旅行沿着猕猴桃猕猴桃的格子。 几个特性,即强度直方图、面向梯度直方图的形状上下文,和局部二进制模式,从植物,从捕获的图像中提取图像和猕猴桃的数量是预计使用支持向量机(SVM)。 提高支持向量机的性能,其参数优化使用进化优化方法,即粒子群优化(PSO),蚁群优化(ACO),差分进化(DE)和遗传算法(GA)。 该方法的性能比较与几个深度学习技巧。 的R2预测猕猴桃的数量等于获得的图像是0.96,0.91,0.73,0.83,0.90,0.63,该方法,FCN-8S, ZFNet, AlexNet, GoogleNet和ResNet分别。 此外,结果表明,支持向量机提高PSO施加最高precision-recall曲线下的面积相比,深度学习的方法。 本研究的结果可以用于适当的实施精准农业和农业投入的管理。

评价：机器人应用+机械设计=5分； 多种优化方法+2分=7分

21. Combining texture, color, and vegetation indices from fixed-wing UAS imagery to estimate wheat growth parameters using multivariate regression methods 南京农业大学曹卫星老师课题组

精确作物管理在现代农业需要及时有效的获取作物生长信息。 最近,无人机系统(uas)迅速发展,目前广泛应用于农作物遥感(RS)。 植被指数(VI)和颜色指数(CI)是常用的遥感方法监测作物。 纹理是图像的内在信息,它可以反映作物树冠结构和用于植被分类。 本研究的目的是探索相结合的潜在VI、CI、结构改善小麦生长参数的估计精度,基于固定翼无人机图像。 小麦田间试验在兴华试验站进行了2017 - 2019年连续两年在三个小麦品种5岁以下氮肥率。 两个常用的小麦生长参数、**叶面积指数(LAI)和叶片干物质(LDM),**同步麦田无人机图像,得到关键的增长阶段。 简单的回归(SR)是用来确定定量遥感变量之间的关系(VI、CI和纹理)和赖,LDM。 数据显示,个人的纹理与小麦生长参数并不相关,而纹理指数(TI),包含两个纹理测量,显示更强的相关性与LAI和LDM。 利用简单的回归(SR)、第六(R2> 0.65,推定< 21.87%)表现出最好的精度估计赖和LDM,其次是TI (R2> 0.51,推定< 26.28%)和CI (R2> 0.34,推定< 27.74%)。 看不到多元线性回归(MLR)和随机森林(RF)进一步用来开发赖和LDM评估模型使用不同的输入变量集(VIs、VIs +独联体和活力+ CIs + TIs)。 与SR和高钙相比,RF模型力相结合,独联体,赖,这大大提高了估计的准确性和LDM, R和验证2最好的射频模式赖和LDM估计达到了0.78和0.78(推定= 17.32%和13.83%)在pre-heading阶段,0.81和0.77(推定= 17.86%和16.08%)在post-heading阶段,和0.76和0.75(推定= 18.13%和16.79%)在所有阶段,分别。 本研究表明,图像纹理可以帮助小麦赖监控来实现更高的估计精度和LDM,和固定翼无人机是一个有前途的平台,可以为大型作物管理提供可靠的数据。

评分：大量大田数据和无人机图片=5分。

22. Research of simulation analysis and experimental optimization of banana de-handing device with self-adaptive profiling function

针对问题的高劳动强度、低效率和潜在的健康危害手动de-handing操作在当前香蕉收获和de-handing过程中,我们学习了机械香蕉de-handing的关键技术和测试操作的稳定性和普遍性的香蕉de-handing设备。 香蕉的自适应分析性能de-handing设备群香蕉茎和不规则的几何形状是关键和难点香蕉de-handing实现机械化。 因此,运动学的分析径向de-handing设备进行自适应机制,基于de-handing刀具的运动特点,de-handing刀具安装在旋转的自适应机制。 仿真分析结果表明,该自适应包络de-handing设备群香蕉茎的性能是好的,de-handing设备稳定、可靠地工作。 此外,de-handing刀具的静态分析结果表明,刀具的最大应力远小于实际的香蕉de-handing操作期间它的极限应力,和刀不会永久变形或损坏。 最后,更新后的香蕉de-handing装置作为实验平台验证的协调功能和操作的实用性的de-handing设备,单因素实验和响应面优化实验进行了香蕉de-handing。 香蕉的切口质量的手后de-handing de-handing装置的工作性能和测量和评估。 我们的研究提供了一个参考为提高香蕉de-handing设备群的自适应分析性能跟踪和优化香蕉de-handing装置的设计,从而为发展奠定了基础,制造业,促进机械化、自动化和智能香蕉de-handing设备。

评分：这是一篇关于农业机械设备设计的论文。

23. Crop height estimation based on UAV images: Methods, errors, and strategies

无人驾驶飞行器(无人机)已成为一个有前途的确定动态的平台表型性状在田间作物的快速和有效的方式。 作物高度是一种常见的和重要的表型特征,及其与高精度的采集通常需要空间辅助(SA)的信息,比如数字地形模型在生长季节早期,数字表面模型在本赛季,地面控制点和地面实况作物高度。 SA信息的合理的选择涉及到平衡成本和作物高度采集的准确性,但这个问题还没有被系统地研究和农业行业迫切需要解决。 在这项研究中,我们比较四种油菜籽高度估计方法使用无人机图像收集在三个生长阶段基于运动算法的结构,其中一个方法完整的数据,其他三个不完整的公司信息。 减少作物高度估计错误和不完整的数据,改进的方法是构造失踪的SA的信息。 最优结果使用完整的公司信息,R2是0.932和均方根误差(RMSE)是0.026米。 对于作物高度使用不完整的数据采集,R2值高于0.445控制和RMSE低于0.146米。 在这项研究中,系统的开发策略,以选择适当的方法获取作物高度合理的准确性同时平衡成本要求用于科学研究和农业生产。

评价：立意不错，采用无人机对4个品种的油菜的不同生长时期进行了拍摄。探究了哪个方法、策略对作物高度预测的准确性。6分。

24. Method for optimizing controlled conditions of plant growth using U-chord curvature

温度、光线和二氧化碳三个环境因素直接影响植物的光合速率。 探索这三个因素之间的关系和光合速率,优化环境,实现温室作物高效生产的关键。 一个嵌套的实验进行了测量不同环境条件下黄瓜幼苗的光合速率。 在这些数据的基础上,建立了光合速率预测模型,利用机器学习的方法。 这种方法避免了过度消费的光和二氧化碳资源和促进光合速率提出了基于曲率U-chord光合速率的更有效的监管。 在不同温度条件下,可以用来构造光合速率预测模型表面的相互作用下光和二氧化碳。 表面离散后,U-chord曲率最大点的离散光响应和二氧化碳响应曲线计算。 这些点通过多项式拟合的监管边界获得目标空间,可以实现有效监管。 预测模型,温度,光和二氧化碳作为输入,精度高,调节方法是有效的。 决定系数和预测模型的均方根误差分别为0.99和0.85 µmol·m−2·年代−1,分别。 与传统最大光合速率调节方法相比,这种新方法减少了光合速率在16%以下,但保存41%的和49%的二氧化碳输入,这说明该方法提高生产效率而基本上保持最大光合速率。

评分：5分。自己数据集，主题立意可以。

25. Motion-based visual inspection of optically indiscernible defects on the example of hazelnuts

自动质量控制一直是不可或缺的一部分的加工食品和农产品。 目视检查提供了许多问题的解决方案在这种情况下,可以采用基于传感器的形式分类自动清除外来和低质量的实体从产品流。 然而,这些方法是有限的缺陷,可以通过使用传感器是可见的,通常限制系统表面缺陷出现。 另一个非视觉解决方案在于impact-acoustic方法,不受约束。 然而,这些都是强烈的有限材料吞吐量,因此不适合大规模工业应用。 在本文中,我们提出一个新颖的方法来执行基于光学检验获得运动数据。 高速摄像机捕获图像序列的测试对象在运输过程中与一个特定的槽结构表面。 轨迹数据用于测试对象进行分类根据其运动行为。 实验方法是评估的例子区分没有缺陷榛子和那些遭受虫害。 结果表明,仅仅利用运动数据,的识别率80%可以实现的榛子。 我们的方法的主要优势是,它可以集成传感器的分类系统和适用于高吞吐量的应用。

评价：机械类质量检测。

26. The e-funnel trap: Automatic monitoring of lepidoptera; a case study of tomato leaf miner

我们引入电子漏斗陷阱(e-funnel)自动监测所有鳞翅目物种与已知的信息素。 e-funnels携带一个光学计数器计数捕获的鳞翅类基于罗拉和形成自己的网络广播协议。 网络的网关收集昆虫数量的结果报告,GPS位置,记下和温度到云服务器。 我们评估了典型的漏斗陷阱诱捕效果和特异性与网络电子版本的利用性信息素吸引的种群动态Tuta absoluta(麦蛾科)。 结果表明,昆虫数量之间没有统计上的显著差异报告给服务器和手动验证数量。 然而,e-funnel网络记录84%的捕捉一个相同的网络典型的塑料陷阱。

27. Modeling soil temperature using air temperature features in diverse climatic conditions with complementary machine learning models

土壤温度（ST）是受气温（Ta）强烈影响的重要集水区性质。ST也是农业可持续发展的关键因素，因此研究者们仍然有动机开发健壮的机器学习（ML）模型来更可靠地预测ST。四种不同的ML模型，利用独立算法（即人工神经网络：“ANN”和协同神经模糊推理系统：“CANFIS”）和互补算法（即。，小波变换结合人工神经网络（ANN）和小波变换结合CANFIS（WCANFIS）对6个气象站的ST进行了预测，结合了多种气候特征，提高了预测的整体性能。这项研究利用了2000年至2010年期间在伊朗12个地点收集的数据。在本研究的第一阶段，以气温为探索变量，ST为响应变量，探讨了气候变异对不同深度（5、10、20、30、50和100cm）ST变化的影响。结果表明，WCANFIS模型具有良好的预测能力，在ST预测问题中具有潜在的应用价值，特别是在不同气候区。本研究还确定，最小和最大预测误差分别出现在约20cm和100cm的深度。基于气温数据集对模型性能的气候特征评估表明，ANN模型对A–C–W气候类型（即潮湿气候模式：干旱，冬季温度模式：凉爽，夏季温度模式：温暖）的效果最高，与其他最佳ML模型（即WANN、WCANFIS和CANFIS）的PH–C–W气候类型（潮湿状态：每潮湿）进行比较。基于均方根误差（RMSE）的模型精度等级可以用误差值as:WCANFIS=0.43进行排序°C、 安=0.69°C、 CANFIS=2.16°C和WANN=2.31°C、 证明了基于小波变换的CANFIS模型的性能优于对应的比较模型。本研究提供了成功开发新的ML模型的证据，通过小波变换进行有效的特征提取，以及这种混合模型在研究不同气候条件下基于气温特征输入的土壤温度方面的重要性。这项研究的结果有望支持可持续农业和其他相关领域的关键决策，这些领域需要根据气温变化监测或预测土壤健康。

28. Apple, peach, and pear flower detection using semantic segmentation network and shape constraint level set

在水果生产,鲜花在作物管理中扮演一个关键因素决定在一个果园。 提出了一个自动化的苹果、桃子和梨花朵不同环境下检测方法。 语义分割网络DeepLab-ResNet调整使用苹果花数据集和用于检测为苹果、桃子和梨花朵数据集。 假设网络可以大致定位花对象和花之间有明显的色差和周围背景,活动轮廓模型是用来优化网络的粗分割结果。 具体地说,结果从网络提出了一种形状约束的活动轮廓模型。 方法是测试四个公共可用的图像数据集的苹果、桃子和梨花在不同的环境中。 实验结果表明,水平集模型可以改善分割结果的语义分割网络,尤其是网络推广到以外的其他数据集用于网络培训。 我们的方法实现F1分数在进行像素级89.6%的苹果数据集和平均F1得分80.9%的桃子,梨和苹果另一个数据集,这比以前的高6%和5%最先进的地区日益细化方法在相同的数据集,

29. Evaluating the sensitivity of water stressed maize chlorophyll and structure based on UAV derived vegetation indices

为进一步评估基于无人机植被指数(VIs)的作物叶绿素和结构对玉米水分胁迫的敏感性，在2018年和2019年的整个生长季，以内蒙古某玉米田为研究对象，研究了不同亏缺灌溉水平下作物的叶绿素和结构。以地面测量的气孔导度(Gs)、叶面积指数和叶片叶绿素含量分别作为玉米水分状况、冠层结构和叶绿素含量的参考。采用4种结构VIs和2种叶绿素VIs，采用3种回归算法(多元线性回归、随机森林回归和人工神经网络回归)。结果表明:基于VIs的冠层结构与Gs呈显著相关(p < 0.001)， r值在2018年和2019年最高，分别为0.64 (n = 270);在2019年干旱胁迫下，转化的叶绿素吸收(叶绿素VI)只能估算出玉米严重水分胁迫的r值为−0.47 (p < 0.001, n = 270)。冠层结构和叶绿素浓度对水分胁迫的不同响应以及无人机多光谱相机光谱分辨率的不同可能显著影响了叶绿素和结构VIs对水分胁迫的敏感性。与非线性机器学习回归算法相比，多元线性回归足够稳健，2018年和2019年无人机多光谱VIs与Gs的决定系数分别为0.48和0.45 (n = 270)。虽然无人机多光谱VIs与Gs之间存在稳定的显著相关性，但这些特异性表达也存在逐年变化。总体而言，我们的研究结果表明，利用无人机多光谱图像提取的结构VIs和多元线性回归方法在田间尺度下估算玉米水分状况具有很大的潜力。

30. An automatic approach for detecting seedlings per hill of machine-transplanted hybrid rice utilizing machine vision

杂交水稻的栽培需要更低的投资成本和更少的每株移栽苗，通过增加有效分蘖来提高籽粒产量。因此，对机插秧苗的准确识别和每岗秧苗的检测是实现杂交水稻精准定植的关键。提出了一种基于机器视觉技术的单株苗自动检测方法。针对机插苗提取中稻田背景干扰的问题，从稻田图像中提取水稻幼苗和稻田像素，生成两个斑块。采用探索性因子分析方法，分析了不同颜色模型(RGB、YCrCb、HSV、Lab、HLS和LUV)下这两个斑块的颜色分量值的分布特征。这些分析结果表明，Lab (L-factor of亮度，a-含量的红色或绿色，b-含量的黄色或蓝色)颜色模型在将幼苗从背景中分离方面优于其他模型。采用优选Lab颜色模型结合Otsu方法提取水稻苗木信息，采用细化算法提取苗木丘骨架，有效表征单个苗木丘的形态结构。提出了一种以幼苗叶尖为端点的骨架化幼苗丘端点检测算法，其地面真值计数与自动端点计数之间的关系为正，R2为0.9105，均方根误差(RMSE)为0.7437。将终点数与骨架数相结合，建立了杂交机插水稻单株育苗检测的数学模型。机插杂交水稻单山秧苗总体检测精度达到93.5%。单个苗丘图像检测的处理时间小于50 ms。结果表明，该方法能够有效、可靠、快速地检测出每岗秧苗，为进一步精确调整杂交水稻机插性能提供了技术支持。

32. Multi-temporal estimation of vegetable crop biophysical parameters with varied nitrogen fertilization using terrestrial laser scanning

作物不同生长阶段生物物理参数的估算对于精确农业作物生产至关重要。作物对不同营养水平的响应的空间划分有助于优化资源和减少营养淋漓。本文探讨了三维地面激光扫描技术(TLS)在不同氮水平下蔬菜作物株高、树冠面积和生物量估算中的应用潜力。2017年，在印度班加罗尔农业科学大学设置了3种蔬菜作物:番茄(Solanumlycopersicum L.)、茄子(Solanummelongena L.)和卷心菜(Brassica oleracea L.)的3个水平的氮施肥试验装置。利用地面激光扫描仪采集不同生长阶段的激光雷达点云。一种包括自适应空间滤波、冠层高度建模、分水岭分割和支持向量回归等处理步骤的方法已被用于估算株高、冠层面积和生物量。地面测量验证表明，株高预测精度高(最低决定系数(R2)， 0.96;对称平均绝对百分比误差(SMAPE)最高为3.18，冠面积最低为0.82;sape最高，为8.82)。植物高度和冠层面积的联合利用使得对生物量的估计更加准确和一致(最低R2为0.92;最高的SMAPE, 7.53)整个生长季节。然而，由于降雨和风的干扰，作物生长的更大变化，将特定范围的生物量映射到特定的氮水平是不明确的。

32. Performance of deep learning models for classifying and detecting common weeds in corn and soybean production systems

精确位置和准确的信息了解杂草物种是开发一个有效的特定场地杂草管理的先决条件(SSWM)系统。 由于深度学习技术的有效性建立图像分类和目标检测等任务,其用于区分杂草和作物在农业研究社区获得接受。 然而,有限的研究深度学习用于识别多个杂草在一个单一的形象和大部分的研究没有深度学习的有效性基于图像分类和目标检测通过使用一个通用的、带注释的图像数据集字段条件下赛季初的杂草。 本研究地址通过评估的研究差距比较三种不同pre-trained图像分类模型的性能分类杂草物种以及评估对象的性能检测模型定位和识别杂草物种。 图像分类模型训练的两个常用的深度学习框架即。 Keras PyTorch,评估任何性能差,由于选择的框架。 一个带注释的数据集组成的RGB图像四,赛季初杂草,发现在美国中西部玉米和大豆生产系统,也就是说,苍耳子(苍耳子strumarium)、狐尾(Setaria冬青)、世界性(反枝苋),巨大的豚草(特别美味的食物trifida)被用于这项研究。 VGG16、ResNet50 InceptionV3 pre-trained模型用于图像分类。 对象检测模型,基于你只看一次(YOLOv3)库,是训练有素的定位和识别不同的杂草物种在一个图像。 图像分类模型的性能评估使用测试准确性和F1-score指标。 精密(美联社)和平均值平均精度(mAP)被用来评估对象检测模型的性能。 VGG16表现最好的图像分类模型的精度98.90%,F1-score 99%。 更快的训练速度和更高的精度与PyTorch观察。 检测模型帮助定位和识别多个内杂草图像美联社分数为43.28%,26.30%,89.89%,57.80%,苍耳子,狐尾,世界性,巨人豚草分别和整个地图分数的54.3%。 的结果表明,在野外条件下,使用图像分类和YOLOv3 pre-trained模型对象检测所承诺的可识别单个和多个杂草,分别考虑到足够的数据可用。 此外,与图像分类、目标检测的定位功能是SSWM可取的开发一个系统。

33. A methodology for semantic action recognition based on pose and human-object interaction in avocado harvesting processes

一个能够支持田间工作人员提高产量的智能系统将大大有利于农业工业。这样一个系统将需要监视人类工作者，他们当前的行动，他们的意图，以及可能的未来行动，这是本工作的重点。在此，我们提出并验证了一种基于组合对象-姿态语义信息的方法来识别智利农场牛油果收获过程中的人的行为，使用RGB静态图像。我们使用Faster R-CNN - region Convolutional Neural Network - with Inception V2卷积对象检测来识别17个类别，其中包括田野工作者、工具、作物和车辆。然后，我们使用基于卷积的二维姿态估计方法OpenPose检测18个人体骨骼关节。对象和姿态特征都被处理，归一化，并合并成一个特征向量。我们测试了四种分类器-支持向量机，决策树，k -最近邻和袋装树-在组合的目标-姿态特征向量上评估动作分类性能。我们还利用主成分分析对四个分类器进行降维测试。利用与鳄梨收获过程相关的10个动作类别，分析了所有分类器的准确性和推理时间。结果表明，在收获过程中可以检测人类行为，根据所使用的分类器的不同，获得的平均准确率(在所有的行为类别中)从57%到99%。后者可用于支持智能系统，如机器人，与现场工作人员互动，以提高生产力。

34. Assessment of potato late blight from UAV-based multispectral imagery

本文评估方法评估和检测马铃薯晚疫病使用无人机多光谱图像。 传统的检测方法和映射晚疫病的耗时,需要人类努力和大,在许多情况下,是主观的。 评估的方法集成了形态学操作和评估性能的5个机器学习(ML)算法:随机森林,梯度提高分类器,线性支持向量分类器和支持向量分类器,再近邻分类器来检测区晚疫病的发生。 建议的方法的主要部件是:(i)放射和原始图像的几何校正; (2)土壤和杂草清除阈值技术的应用; (3)监督分类过程使用ML算法; 及(iv)使用训练有素的模型对新的数据集进行分类。评估方法的性能在一个实验性的土豆两个日期字段。 结果表明,线性支持向量分类器和随机森林算法有最好的性能方面的精度指标和运行时。 研究表明,该方法允许晚疫病的检测与人工干预。

35. Integrated planning for planting and harvesting sugarcane and energy-cane for the production of sucrose and energy

主要产品从全球市场是糖,甘蔗乙醇和能量。 虽然对这些产品的需求很高,在巴西不再有空间扩大甘蔗栽培由于其他重要的粮食作物和环境保护领域。 因此,当前研究寻求方法来提高甘蔗生产力没有扩大种植面积。 因此,一种甘蔗纤维浓度较高的开发和培育称为energy-cane。 这种甘蔗纤维比蔗糖的成分,这使得它更适合生产能源和糖生产乙醇和不恰当的。 满足这三个要求产品,energy-cane和甘蔗都需要,使energy-sugar部门规划和决策更加困难。 在这种背景下,一个混合整数线性规划模型的整体计划种植和收割的甘蔗和energy-cane sugar-energy植物提出了确定优化的种植和收割进度,旨在最大化甘蔗蔗糖和纤维生产领域。 模型考虑灵活的收获时期满足消费市场的需求和尊重公司的运行约束条件,这可能会导致生产力的变化。 解决现实生活中的实例,具体方法失败,一个基于relax-and-fix启发式和fix-and-optimize概念。 数值的经历随机生成实例测试模型和启发式。 可行的解决方案与一个错误得到了接近1%,平均消耗CPU时间的十分之一。 因此,数学模型和启发式方法开发有很大的潜力来支持决策在甘蔗和energy-cane生产计划。

36. Nondestructive detection of decayed blueberry based on information fusion of hyperspectral imaging (HSI) and low-Field nuclear magnetic resonance (LF-NMR)

衰减影响蓝莓的质量。 摘要信息融合的高光谱成像(HSI)和低场核磁共振(LF-NMR)进行了实现无损检测的蓝莓。 水果被收购的高光谱图像HSI系统、光谱信息分割(MT-SIS)算法部分腐烂感兴趣的区域(ROI)。 竞争适应再加权抽样(汽车)算法和连续投影算法(SPA)被用来提取特征波长的输入偏最小二乘判别分析(PLS-DA),概率神经网络(并)和反向传播神经网络(摘要)模型来检测烂果。 然后carr-purcell-meiboom-gill (CPMG)序列的水果收购LF-NMR系统。 T2放松信息获得、皮尔森相关和斯皮尔曼相关分析用于选择参数,输入的模型检测烂果。 最后,恒生指数和LF-NMR信息融合和输入到模型检测烂果。 结果表明,SPA算法被用来提取特征波长和斯皮尔曼相关被用来提取LF-NMR参数,影响最优的摘要模型检测的蓝莓,训练集的识别精度为98.33%,与测试集是97.79%。 结果表明,它是可行的信息融合HSI和LF-NMR探测的蓝莓水果。

37. Evaluation of stacking and blending ensemble learning methods for estimating daily reference evapotranspiration

精确的参考蒸散(ETo)估计和预测的第一步是实现高效的农业水资源管理。 作为机器学习方法广泛应用于埃托奥估计,我们评估是否可以达到高精度叠加或集成更多的模型。 精度可以无限增加,代价是什么呢? 为此,本研究报告的第一评价叠加和混合合奏日常埃托奥估计模型。 叠加和混合模型采用了双层结构:包括0基本模型随机森林(RF),支持向量回归(SVR),多层感知器(MLP)和再回归神经网络; 一级输出最终结果通过线性回归(LR)。 叠加和混合模型的准确性和计算成本比较与5完成以下四个基本模型和3实证模型和有限的输入条件。 station-cross验证模型与太阳辐射输入进一步进行研究测试模型的可移植性。 结果表明,叠加和混合模型表现好于基本和实证模型无论输入组合,和前(R2范围从0.6602到0.9977,平均AIC−7785.68)实现精度略高于后者模型(R2:0.6562 - -0.9974; 平均AIC:−7689.68)。 与此同时,叠加和混合模型更便携(RMSE范围从0.5445到0.8799和0.5511 -0.8767毫米的一天−1分别比跨站在不同的气候区基本模型。 计算成本,叠加和混合模型能够在合理的时间实现精度明显优于基本模型训练数据较小的尺寸,而混合模型可以获得类似的高精度叠加模型在更少的时间增加训练数据的大小。 因此,叠加和混合整体模型可以强烈推荐埃托奥估计,尤其是当可用训练数据集或气象变量是有限的。

38. Empirical model for forecasting sugarcane yield on a local scale in Brazil using Landsat imagery and random forest algorithm

甘蔗中扮演一个重要的角色在巴西和全球食品和能源生产。 大型卫星传感器和先进的技术来处理数据的可用性提高了预测甘蔗产量在当地和全球范围内,但仍需进行更多的研究工作在利用遥感之间的协同作用,气象和农业数据。 在这项研究中,我们结合这些数据源使用随机森林预测甘蔗产量(RF)算法在一个广泛的面积50000公顷,超过四年。 从陆地卫星图像处理表面反射率和光谱指数的时间序列。 预测模型的方法集中在开发只使用数据获取和访问前几个月的收获。 首先,三个射频与不同的预测预报模型校准在收割甘蔗产量:利用陆地卫星图像和气象数据(射频1); 农业和气象数据(射频2); 陆地卫星图像、农艺和气象数据(射频3.)。 作为比较,我们还测试了包括知识的影响在未来收获日期模型射频2和射频3.(射频4和射频5)。 R的平均值2对射频1,射频2,和射频3.分别是0.66、0.50和0.74。 模型值最高的R2(射频3.)有均方根误差(RMSE) 9.9吨公顷−1对产量预测,大约15%的平均收益率。 包括改进的RF收获日期2和射频3.模型达到R2= 0.69和RMSE = 10.8吨公顷−1对射频4R2= 0.76和9.4吨的RMSE公顷−1对射频5。 盲人预测2016年收益率测试显示出类似的预测比预测由原位领域专业知识。 这个结果有可能协助甘蔗生产的管理。

5-6分，大量数据。

39. A study on the use of UAV images to improve the separation accuracy of agricultural land areas

对Landsat等中等空间分辨率的卫星图像进行分类，通常很难区分植物种类，也无法确定杂草覆盖的区域。在这项研究中，利用Landsat 8卫星图像和无人机图像来分离开心果品种和杂草。利用无人机图像的高空间分辨率，通过高通滤波、小波、主成分变换、BROVEY、IHS、Gram Schmidt等方法进行图像融合。应用ERGAS、RMSE和相关标准来评估其准确性。结果表明，R2、RMSE和ERGAS分别为0.91、12.22 cm和2.05 cm的小波方法组合这些图像的精度最高。然后选择该方法获得的空间分辨率为20cm的图像进行分类。评价了不同的分类方法，包括无监督方法、最大似然法、最小距离法、模糊艺术图法、感知器法和树法。此外，采用Ahmad Aghaei、Akbari、Kalleh Ghoochi、Fandoghi 6个土类，Kalleh Ghoochi和Fandoghi混合土类，从树中提取3个土类、开心果树和杂草。结果表明，模糊artmap方法在杂草与树木分离、Landsat影像对不同开心果品种的区分以及组合影像对开心果品种的分类中准确率最高，kappa系数分别为0.87、0.79和0.87。通过Landsat影像与组合影像对开心果品种进行对比，结果表明，组合影像对开心果的验证精度提高了17%。本研究结果表明，无人机与Landsat 8图像的结合对开心果品种的分离和杂草覆盖面积的确定有较好的影响。

40. Non-structural modification of agricultural water distribution systems in large scale irrigation districts

本研究的主要目的是研究非结构性替代方案的有效性提供一个可靠的大规模灌溉地区农业水资源分布。 因此,进行了以下活动来完成目的:我)开发非结构性的替代品在MATLAB的运作模式; ii)开发一个简化的液压流在MATLAB仿真模型,能够集成操作模型。 iii)操作开发模型的绩效考核在正常和水资源短缺情况下,(四)与GIS的空间分析结果,以确定每个备选方案的有效性。 开发模型是一个真正的测试用例,测试广泛灌溉地区位于伊朗中部。 分析结果显示,使用第一个第三非结构性替代改善日常供水充足性指数的平均值由6 - 8%,10 - 11%,而5 - 7%在正常情况下,4 - 5%,8 - 7%,和3 - 4%在缺水的情况下,相比配水过程的现状。 此外,替代导致改善水分配股权甚至在缺水情况下,股权提高了10,12日和8%相比第一通过第三选择维持现状。 除了技术评估,综合评价有关非结构性替代方案的有效性,基于环境、农业、社会影响这些替代品,提供实际的结果。 后者评估显示,第二种方法的实现将导致显著的减少12%的年度水萃取的含水层,退役约1694 14440授权的管井内区,并减少14.3%的能源消耗。 结果显示接受改善灌溉配水采用非结构性替代在正常操作条件下,改善缺水情况。 表明,鉴于灌溉基础设施可用有限地区在发展中国家,提高运营管理并不一定需要大量投资在更新和现代化这些地区。

41. Estimation of corn yield based on hyperspectral imagery and convolutional neural network

卷积神经网络(CNN)分析可用于无损产量预测和非常适合分类和特征提取。 这个实验的总体目标是利用高光谱图像训练CNN分类模型来估计玉米籽粒产量。 高分辨率高光谱影像拍摄于五个玉米生长阶段- V5(五叶可见叶项圈),V8(八叶可见叶子项圈),V10(十叶可见叶子项圈)V12(12叶可见叶项圈)和R2(泡阶段)。 高光谱图像**去噪使用小波分析方法,**然后被用来训练和验证CNN模型。 光谱信息反映了内部特征和彩色图像所提供的空间信息(红色、绿色和蓝色乐队从高光谱图像)中提取反映玉米生长的外部特征提取的建模和验证。 结果表明,光谱和彩色图像综合CNN模型的分类精度为75.50%。 相比之下,CNN的一维模型的准确性仅基于光谱信息或二维CNN模型仅基于彩色图像信息分别为60.39%和32.17%,分别。 集成的CNN模型(光谱信息+彩色图像信息)比个人CNN一维或二维的结果CNN模型。 此外。 Kappa系数集成CNN模型是0.69,这表明高一致性的分类。 综合利用光谱信息和彩色图像信息,代表内在和外在玉米树冠信息可以提供更准确的玉米产量预测比一维或二维的CNN模型。

42. Deep learning for white cabbage seedling prediction

在这项研究中,包心菜苗图像的分类与卷积神经网络建模。 我们专注于一个数据集,追踪14天的幼苗生长在一段时间内,照片拍摄在四个具体的时刻。 与相应的标签和数据集包含13200个人幼苗从Bejo检索,一个公司在农业操作。 不同pre-trained卷积神经网络和多层感知器架构的发展,除了传统的统计方法,逻辑回归。 模型训练预测(联合国)成功的幼苗生长。 我们发现卷积神经网络优于其他模型,在AlexNet是表现最好的模型研究。 测试集,AlexNet能够分类94%的幼苗准确曲线下面积为0.95。 因此,AlexNet证明是有用的和健壮的在这个特定的分类任务。 AlexNet可以进一步部署为一个预警工具,帮助专业人士做出重要的决定。 此外,该模型可以进一步开发自动化这个过程。

43. Few-shot vegetable disease recognition model based on image text collaborative representation learning

蔬菜疾病在复杂背景的自动识别领域的迫切需要农业信息化。 基于深度学习的识别方法取得了出色的表现,疾病诊断,因此逐渐成为一个研究热点。 然而,疾病识别模型建立了基于深卷积神经网络通常在巨大的疾病需要训练图像数据集,以达到理想的结果。 建立这样一种数据集需要大量的疾病图片和标签的信息,这通常是技术上或经济上不可行。 摘要植物疾病的小样本识别模型在复杂背景基于图像文本提出了协作学习(ITC-Net)表示。 该模型结合了疾病与疾病文本图像模态信息模态信息,从而达到协同识别疾病的特性,利用两种疾病之间的相关性和互补性信息。 最终,ITC-Net取得更好的结果比图像模型或文本模型独自一个小数据集。 更具体地说,其准确性、精密,敏感性和特异性为99.48%、98.90%,分别为98.78%和99.66%。 本文证明了多模式协同表示学习使用这两种疾病图片和疾病文本是一种有效的方法来解决这个问题的蔬菜与few-shot疾病识别在复杂的背景。

44. A vegetable disease recognition model for complex background based on region proposal and progressive learning

植物疾病的方法识别基于深度学习在有限的条件下取得了相对的成功,但识别模型针对简单背景可能会受到大大降低精度在实际生产环境中。 这是由于一个事实,即疾病图像获得的实际生产环境中通常是复杂的背景,可能包含元素类似于疾病或症状特征。 这种现象显著增加疾病识别的难度。 为了应对这个问题,我们提出了一个蔬菜疾病识别模型对复杂背景的基于区域的建议和学习进步(PRP-Net)。 这个模型可以在图像的感兴趣的区域病变的叶子基于该地区建议网络。 位于区域将出现和扩大作为输入来进行渐进学习finer-scale网络。 该地区提案的一部分,这个模型可以指导模型专注于感兴趣的区域疾病具有复杂背景的图像中弱监督的方式,以避免昂贵的手工成本标签图像的关键地区。 网络允许模型学习进步的全局特征和局部的特性采用循序渐进的方式。 在镇定的图像数据集包含6类型的复杂背景植物疾病,这个模型达到平均识别精度为98.26%,高于4.46的原始地区建议网络框架(RA-CNN)。 与此同时,它也优于任何特征提取的网络这是单独使用。 这项研究提供了有用的思想和方法论的概念进行认识蔬菜疾病复杂背景下。

45. Method of famous tea sprout identification and segmentation based on improved watershed algorithm

自动智能选择的名茶豆芽,机器人视觉系统获得的图像有以下问题:高亮显示的茶发芽导致识别遗漏,表面颜色区别率之间的发芽和落叶很低,导致一个不完整的茶发芽分割,分割错误率高老茶叶。 茶发芽识别基于一种改进的分水岭算法分割方法在这项研究中。 首先,自然生长的茶叶的图片收集茶园。 实验分析和比较后,收集到的茶叶样品由高斯平滑滤波去除噪声,将渠道,获得R, G, B组件,并分析其特点。 第二,最优适应阈值T′是使用最小误差方法决定的。 B组件的所有像素的像素值大于设定的阈值为零。 第三,图像在G和操作执行未知的节点类型:字体”组件来获得G-B′组件和最小误差方法用于获得最好的适应阈值T1和T2通过分段线性变换来改进和加强他们之间的区别的嫩叶,背景图像。 最后,进行二值化,精明的边缘检测算子是利用。 前景和背景区域的确定,计算未知区域和标志,分水岭函数是用来完成分割。 比较实验是通过对比100年进行样品收集使用阈值分割算法,分水岭分割算法,提出了分割算法。 一组是茶中随机选择样本编号1 - 10,和另外九个茶组样本选择与一些间隔10共10组。 他们的实验数据进行了分析。 结果表明,该改进算法平均分割准确率为95.79%,它提高了茶叶的分割的准确性和完整性。

46. Identification of maize leaves infected by fall armyworms using UAV-based imagery and convolutional neural networks

精确农业技术是重要的稳定的健康的食物供应。 每年农民收获一些大量的农作物的害虫和疾病。 从图像自动检测作物健康有助于增加对农民的收益和利润,同时减少投入成本和时间。 在这项研究中,其目的是精确检测玉米叶子已经感染了粘虫(一汽)通过使用自动下降识别算法模型基于卷积神经网络(CNN)即VGG16, VGG19, InceptionV3 MobileNetV2。 这些模型被用来研究感染玉米叶子都被使用了无人机(UAV)遥感技术。 模型模拟得到的图像与原始图像和修改应用Shi-Tomas检测角点技术。 在这两种情况下,CNN模型我们认为比以前提出的模型的准确性。 此外,模型训练修改图像的性能已经大大改善了VGG16的准确性,VGG19, InceptionV3和MobilenetV2增加96%,93.08%,96.75%,98.25%,99.92%,99.67%,分别为100%和100%。

47. Determination of application volume for coffee plantations using artificial neural networks and remote sensing

优化方法的应用为可持续农业植物检疫产品可以替代。 这样的方法可以实现人工智能和遥感技术的使用。 我们的实验进行了一个商业咖啡种植园,在形态变量(高度和直径)和植被指数(归一化植被指数NDVI和归一化红边,NDRE)是上收集的,媒介,降低三分之二的咖啡树。 从遥感数据,实验确定最佳开发神经网络拓扑结构,精度的准确性(RMSE)和(R2)和类型(多层感知器“延时”和径向基函数RBF),估计形态变量。 从这些结果,我们评估应用杀虫剂在可变利率的可能性,使用树行卷原则。 结果表明,利用遥感技术和人工神经网络(MLP),可以估计咖啡树数量合理的准确性。 这可以通过使用一个多层感知器模型来估计咖啡树高和直径使用植物的不同部分的植被指数作为输入。

48. UAV-based high-throughput phenotyping to increase prediction and selection accuracy in maize varieties under artificial MSV inoculation

无人机(UAV)遥感数据在作物评估中的应用正在给植物表型领域带来革命性的变化。本研究旨在:(1)建立利用无人机多光谱数据预测玉米条纹病毒(MSV)和粮食产量的方法;(2)确定适宜的预测变量和理想物候期对MSV和产量的预测。对25个玉米品种进行了MSV人工接种试验。人工评分和多光谱成像测量在营养中期，开花和中期灌浆阶段进行。无人机采集的数据来自Green (0.53 ~ 0.57 μm)、Red (0.64 ~ 0.68 μm)、Red-edge (0.73 ~ 0.74 μm)和近红外(0.77 ~ 0.81 μm)多光谱波段。确定了8个植被指数:归一化植被指数NDVI、NDVIred-edge、绿色归一化植被指数GNDVI、简单比植被指数SR、绿色叶绿素指数ciggreen、红边叶绿素指数CIred-edge、土壤调整植被指数SAVI和优化SAVI。最后，利用36个模型，分别采用多元回归、决策树和线性回归等方法对小麦单产和单产进行预测。MSV预测的常用变量为营养期绿带(61.5%)、营养期红带(68.4%)和开花期红带(80.4%)和营养期中期GNDVI(88.7%)。GNDVI是MSV的最佳预测因子(r = 0.84;RMSE = 0.85)， CIgreen (r = 0.83;RMSE = 0.86)和红波段(r = 0.77;RMSE = 0.99)。36个模型中有6个模型是预测玉米籽粒产量的理想模型:rf - rf - nirf (r = 0.69;RMSE = 0.65);ndvieg - gndvig (r = 0.74;RMSE = 0.56);r = 0.84;RMSE = 0.37);相关系数最大的树为RV-NIRV-RF (r = 0.86;RMSE = 0.32);gndvv - osaviv (r = 0.84;RMSE = 0.36);GV-RV-NIRV (r = 0.84;RMSE = 0.35);最后两个处于营养中期。结果表明，基于无人机的多光谱遥感技术是进行MSV病表型和产量预测的可靠工具，营养中期是MSV和产量预测的最理想物候阶段。

49. A deep learning approach for RGB image-based powdery mildew disease detection on strawberry leaves

在这项研究中，利用深度学习(DL)检测草莓中的白粉病(PM)，持久性真菌疾病，以减少不必要的杀菌剂使用量，并减少野外侦察的需要。本研究优化和评估了几个成熟的学习者，包括AlexNet, SqueezeNet, GoogLeNet, ResNet-50, SqueezeNet- mod1和SqueezeNet- mod2。对1450张健康和感染叶片图像进行数据增强，以防止过拟合，并考虑田间叶片的不同形状和方向。共顺时针旋转8次(0°;使用45°、90°、135°、180°、225°、270°、315°等原始数据，生成11,600个数据点。总的来说，本研究中使用的六种DL算法在分类准确率(CA)上平均显示>为92%。ResNet-50在健康叶和感染叶分类中CA值最高，为98.11%;但在计算时间方面，AlexNet处理2320张图像的时间最快，为40.73 s, CA值为95.59%。考虑到硬件部署的内存需求，推荐使用SqueezeNet-MOD2进行草莓叶片PM检测，CA为92.61%。

50. Sequential forward selection and support vector regression in comparison to LASSO regression for spring wheat yield prediction based on UAV imagery

基于粮食产量选择的传统植物育种是费时和昂贵的;因此，人们迫切需要新的创新方法来降低成本和加速基因收益。无人机(UAV)等遥感平台有望预测包括粮食产量在内的不同性状。为了从无人机图像产生的大量数据中提取最有意义的信息，目前人们正致力于研究机器学习方法。这些方法在处理非线性和探索人类能力之外的模式方面显示出了很有前途的能力。本研究研究了两种不同的基于机器学习的回归方法在预测小麦产量中的应用，利用从无人机图像中提取的植被指数。本研究的目的是研究支持向量回归(SVR)结合序列前向选择(SFS)在粮食产量预测中的强度，并将结果与内部特征选择器的LASSO回归器进行比较。对挪威东南部2018年种植的600块春小麦的籽粒产量数据进行了模型检验。5个光谱波段以及3种不同植被指数;从植物抽穗至成熟期3个时间点的多光谱图像中提取归一化植被指数(Normalized Difference Vegetation Index, NDVI)、增强植被指数(Enhanced Vegetation Index, EVI)和MERIS陆地叶绿素指数(MERIS Terrestrial叶绿素指数，MTCI)。每个试验区在每个日期的这些特征被用作SVR模型的输入数据。利用网格搜索法估计模型的最佳超参数。两种方法的特征选择结果表明，NDVI对各生育期籽粒产量的预测能力最强，且其解释能力随着生育期的成熟而增强，而灌浆前期添加MTCI和EVI则改善了模型的性能。基于所有指标和数据的组合模型解释了试验装置上高达90%的粮食产量变化。单个带的加入增加了共线性的模型，并没有改善预测。虽然两种回归方法都具有较好的产量预测能力，但LASSO回归方法在时间上更经济实惠。

51. Application of non-destructive sensors and big data analysis to predict physiological storage disorders and fruit firmness in ‘Braeburn’ apples

生理贮藏障碍影响一系列具有重要商业价值的柚子，导致果实损失和资源浪费。贮藏期间和/或贮藏后可发生疾病，生长环境和果园管理对症状有很大影响。此外，采用相似果园管理和贮藏的水果，其紊乱发生率和严重程度也有很大差异。生物系统是复杂的，简单的因果关系方法到目前为止还没有产生预测疾病风险的可靠方法。全球水果行业需要可靠的预测，以更好地管理水果生产过程，确定最佳收获日期和长期储存制度。目前的工作提出了一种新的方法来模拟“Braeburn”苹果紊乱风险。通过模型识别技术，从不同的天气条件和果园管理处理中获得叶绿素、花青素、可溶性固形物和干物质含量的自回归时间序列(ARX)模型，并将其输入到内褐变分类器中。腔体和果实的硬度经过长期的气调贮藏。用两年的数据训练分类器，对果实内部褐变失调的分类结果一致性达到90%，对果实硬度的分类成功率达到80%。

52. Automated in-field leaf-level hyperspectral imaging of corn plants using a Cartesian robotic platform

高光谱成像技术已被广泛应用于植物表型研究中。目前的HSI解决方案，如机载遥感平台和手持式光谱仪，已被证明是有效的，并已成为各种表型应用的流行。然而，由于环境光照条件的变化、成像距离较长、分辨率相对较低等原因，目前航空传感系统的成像质量仍然存在各种噪声。手持式叶片光谱仪提供了更高质量的光谱数据，但它们只测量叶片上的一个小点，由于不同位置之间的差异很大，不能很好地代表整个叶片或冠层。2018年，普渡农业公司的工程师开发了一种新的手持高光谱叶片成像仪——LeafSpec。这是第一次，表型研究人员能够收集高分辨率的高光谱叶片图像，而不受环境光线和叶片坡度变化的影响。然而，在现场测量中，LeafSpec的应用仍然受到其低吞吐量和高人工成本的限制。该项目的目标是开发一个机器人系统，可以取代人类操作员执行现场和叶级HSI使用LeafSpec。该系统包括一个机器操作版本的LeafSpec设备，一个用于目标叶片检测的机器视觉系统，以及一个定制的五自由度笛卡尔机器人操作器。在2019年的大田试验中，设计的系统收集了2个基因型、3个氮水平的玉米植株数据，平均循环时间为86 s。设计系统预测的氮含量与地面真实值的R2值为0.7307。p值分别为0.0193和0.0102。其表现与人类操作员相似。因此，开发人员得出结论，该机器人系统有潜力取代人工操作，在野外进行LeafSpec玉米叶片高光谱成像。

53. Detection, classification, and mapping of coffee fruits during harvest with computer vision

在本研究中，利用计算机视觉模型实现了一种算法来检测和分类咖啡果实，并绘制果实在收获过程中的成熟阶段。本研究的主要贡献在于为每一帧分配地理坐标，从而实现了跨咖啡行检测摘要的映射。使用c语言编写的神经网络开源框架Darknet实现了用于咖啡果实检测和分类的模型。使用目标检测系统YOLOv3-tiny实现了咖啡果实检测和分类。在这项研究中，在巴西米纳斯吉拉斯州Patos de Minas地区的一个商业区域，在2020年阿拉比卡咖啡收获(Catuaí 144)期间，在咖啡收获机的卸货传送带末端录制了90段视频。当图像输入分辨率为800 × 800像素时，模型性能在~3300次迭代时达到峰值。模型的mAP值为84%，F1-Score为82%，正确率为83%，召回率为82%。未成熟、成熟和过熟咖啡果实的平均精度分别为86%、85%和80%。由于该算法可以在收获期间收集的视频中进行检测和分类，因此可以沿着作物品系绘制关于咖啡成熟阶段的定性属性。这些属性图为管理者提供了重要的空间信息，为精确农业技术在作物管理中的应用提供了信息。此外，本研究将激励未来的研究针对农业和精准农业的特定任务定制深度学习模型。

54. An automated zizania quality grading method based on deep classification model

齐扎尼亚是一种水生蔬菜，为了保证产品质量，在进入市场之前需要对其进行分级。然而，手工对齐扎尼亚进行定性和分级是费时、繁琐、劳动密集、不准确和昂贵的。本文提出了一种有效的解决方法，即利用从外观中提取的深度学习特征，自动将新鲜豇豆分为优质和劣质两类。提出并描述了一种新的卷积神经网络结构——LightNet。具体来说，它是由许多压缩块组成，主要是通过将串行降采样和卷积运算转化为并行结构来降低计算复杂度。我们在自己收集的齐扎尼亚图像数据集上评估了提出的体系结构，并将该算法集成到自动分级装置中。实验结果表明，该方法的正确率达到95.62%，推理质量速度约为47ms / zizania图像。所提出的用于自动分类的LightNet比一般的网络具有更少的参数和更低的计算复杂度，同时保持了相当的分类精度。该方法对苹果的分级准确率达到99.31%。结果表明，该方法可以推广到其他分类任务中。

55. Tea moisture content detection with multispectral and depth images

在这个研究中,多光谱图像和深度利用了茶含水率检测、叶表面取向的问题和检测高度进行了研究。叶表面的取向问题多光谱图像(25乐队)的前表面和后表面收集茶叶。 基于光谱与表面取向相同,回归模型建立了茶叶的含水率。 R2PLSSVR模型值达到0.77和0.68的前表面和后表面,分别。 区分茶叶的表面取向,LDA分类器建立了基于光谱带比信息。 总体分类精度达到87.8%。 茶叶含水量的分布地图成功导入所产生的光谱分类和回归模型。高度的检测问题茶叶的多光谱图像和深度图像同时收集。 首先,设计一个实验找出每个乐队的衰减系数和检测的校准模型高度。 然后,检测高度信息引入多光谱图像的每个像素图像配准。 根据检测高度和校准模型,每个像素的光谱校准。 最后,通过将修改后的光谱导入到分类器和回归模型,实现茶叶含水量的视觉检测与检测高度校准。 本研究促进了茶叶含水率检测的可行性,并提高了可视化检测技术基于多光谱图像和深度图像的融合。

56. Detecting soybean leaf disease from synthetic image using multi-feature fusion faster R-CNN

大豆田间病害的准确检测对大豆品质和农业经济都有着重要的意义。虽然目前国内外对大豆叶片病害的识别工作较多，但由于数据集不足和技术困难，复杂场景下大豆叶病的检测任务却很少。本文首先针对大豆叶病图像数据不足的问题，开发了一种综合大豆病害图像数据集。此外，在复杂场景中检测大豆叶病需要检测模型能够准确地识别健康叶片和病态叶的特征、不同病害叶片的特征等多种特征。为此，本文设计了一种多特征融合快速R-CNN（mf3r-CNN），解决了上述难题。在实际测试数据集中，得到了83.34%的最优平均精度。实验结果表明，仅用人工数据集训练的mf3r-CNN在复杂场景下检测大豆叶片病害效果较好，优于国内外先进水平。

57. Disease and pest infection detection in coconut tree through deep learning techniques

椰子树种植业严重依赖专家的建议来识别和治疗感染。计算机视觉在深度学习技术上开辟了一条途径，在农业领域找到了解决方案。本研究着眼于应用图像处理和深度学习技术，开发一个端到端的框架，用于检测椰子树中红棕榈象鼻虫的茎出血病、叶枯病和害虫感染。采用常用的分割算法对一组手工采集的健康椰子树和不健康椰子树图像进行分割，以方便定位异常边界。训练定制的深度2d卷积神经网络(CNN)来预测疾病和害虫感染。此外，Keras预先训练的CNN模型VGG16、VGG19、InceptionV3、DenseNet201、MobileNet、Xception、InceptionResNetV2和NASNetMobile通过归纳迁移学习方法进行了调整，以将图像分类为感染或健康。实证研究表明，k-means聚类分割比阈值分割和分水岭分割更有效。此外，InceptionResNetV2和MobileNet的分类准确率分别为81.48%和82.10%，Cohen 's Kappa值分别为0.77和0.74。手工设计的CNN模型验证精度为96.94%，Kappa值为0.91。通过微web框架Flask在web应用中部署MobileNet模型和定制的2D-CNN模型，自动检测椰树疾病或害虫感染。

58. Deep learning for the differentiation of downy mildew and spider mite in grapevine under field conditions

病虫害严重危害作物生产，影响产量和果实品质。他们的识别通常是耗时的，需要训练有素的人员。新的传感技术和人工智能技术可用于葡萄病虫害症状的自动识别。这项工作的目的是应用深度学习建模和计算机视觉在田间条件下，葡萄叶片霜霉病和蜘蛛螨症状的检测和鉴别。在一个商业葡萄园的田间条件下，采集了有霜霉病症状、有蜘蛛螨症状和无症状的葡萄冠层叶片的RGB图像。图像采用计算机视觉技术来增加疾病的视觉特征。最后，利用深度学习训练出一个能够区分三类叶子图像的模型。通过对霜霉病、蜘蛛螨和无症状叶片进行分类，采用保留验证，获得了高达0.94的准确性(F1-score为0.94)。病虫害二分类的准确率为0.89 ~ 0.91 (f1 -score为0.89 ~ 0.91)，在霜霉病和蜘蛛螨症状的区分上效果最好。这种高精确度证明了深度学习和计算机视觉技术对在野外条件下拍摄的葡萄叶片图像分类的有效性，自动找到能够区分有蜘蛛螨症状、有霜霉病症状和没有任何症状的叶片的复杂特征。这些结果证明了这些非侵入性技术在商业作物病虫害检测和鉴别方面的潜力。

59. Identification of stored grain pests by modified residual network

储粮害虫严重影响粮食生产和品质。关键是要采用技术尽快识别其种类。本工作的目的是利用深度学习识别六种常见储粮害虫。为了降低人工识别的成本，提出了一种基于计算机视觉技术的改进扩展残差网络(MDRN)方法。该方法在残差网络中引入扩张性卷积，进一步提高了模型的卷积视觉，无需附加参数。共采集RGB(红、绿、蓝)图像8111张，扩增为31481张。为保证实验结果的客观性和公平性，对模型进行了K-Fold交叉验证。经过5-Fold交叉验证，在原始数据集上ACC均值为96.72%，TPR为90.17%，TNR为98.03%，F1评分为90.17%，AUC为97%。实验结果也表明，与其他识别方法相比，该方法具有较高的识别精度。

60*. A non-destructive and highly efficient model for detecting the genuineness of maize variety 'JINGKE 968′ using machine vision combined with deep learning（IDEA：检测种子和道地药材）

种子真伪和品种纯度是种子质量的关键指标。检测单个种子的真伪可以同时确定种子的纯度。传统的检测种子真伪或鉴定品种的方法是费时、昂贵和破坏性的。本研究拟基于RGB图像结合深度学习，建立一种低成本、高效、无损的单一玉米种子真伪检测方法。选择不同年份不同地段的京科968玉米种子800粒，其他品种种子800粒。采集种子的胚芽和非胚芽表面的扫描图像。将图像按照7:3的比例分为训练集和验证集。数据增强后共获得17600张图像。利用VGG16网络进行微调后的迁移学习，对种子图像进行识别和分类，然后建立模型检测玉米品种京科968的真伪。结果表明，最优检测精度达到99%以上，模型损失保持在0.05左右。另外对100个可疑样本进行检测，识别准确率高达98%。本研究提供了一种无损、高效、可靠、简便、节约成本的鉴别京科968真假个体的方法。这些结果可作为鉴别其他作物种子真伪的参考。

61. Optimised ANN and SVR models for online prediction of moisture content and temperature of lentil seeds in a microwave fluidised bed dryer

为了保持最终产品的质量属性，特别是当使用微波系统促进干燥过程时，对干燥过程进行在线监控是必要的。机器学习技术可能是模拟干燥过程的合适且非常准确的方法。在微波流化床干燥机干燥过程中，采用了两种机器学习技术，包括支持矢量回归 （SVR） 和人工神经网络 （ANN），用于预测扁豆种子的温度和水分比，并输入微波功率 （0+500 W）、流化空气温度 （50 °C 和 60 °C） 和干燥时间。平均平方错误 （MSE） 和确定系数（）用于评估模型的性能。一个隐藏层和10个隐藏神经元，隐藏层的物流西格莫德转移功能，输出层的线性函数被确定为ANN的最佳结构。 通过训练与贝叶斯正规化（trainbr）和最佳MSE和测试集分别为0.999。优化的 SVR 也可以提供一个很好的模型来预测 MR 和温度（整体 MSE = 1.96）和=0.995），尽管 ANN 为温度数据提供了相对较高的准确性。因此，ANN 可以用作微波流化床干燥期间预测扁豆种子 MR 和温度的准确工具。

62. A deep learning approach for anthracnose infected trees classification in walnut orchards

本文运用深度学习，提出了一种检测树木上受疾病感染叶子的新方法。这项研究的重点是建立一个准确和快速的物体检测系统，可以识别核桃树上受无烟管感染的叶子，以便用于真正的农业环境。文献中的类似研究涉及疾病识别问题：然而，到目前为止，检测是在从树上移走的单叶上进行的，使用在背景清晰的受控环境中拍摄的图像。在实战条件下，在树层上发现受感染的叶子方面发现了一个缺口，这个问题在我们的研究中得到了解决。深度学习是机器学习的一个领域，在开发此类系统方面可以证明特别有用。深度学习和对象检测的最新发展为我们指出，要利用和调整最先进的单发探测器 （SSD） 算法。训练了物体探测器来识别受无烟煤感染的核桃叶，并应用训练有素的模型在4公顷的商业核桃果园中检测病害树木。果园最初由领域专家检查，确定受感染的树木用作地面真相信息。在果园的379棵树中，随机挑选了100棵树来训练物体探测器，其余279棵树用于检查探测器的有效性和坚固性，将专家的分类与系统的预测类别进行比较。训练有素的模型的最佳输入和超参数配置为对象探测器提供了平均精度 63%，从而正确分类了 87% 的验证树数据集。这些令人鼓舞的结果表明，该探测器在商业果园中具有巨大的直接应用潜力，可在实际田间条件下检测树层上受感染的叶子，并将树木实时分类为受感染或健康。因此，该系统可以包括一个适用于实时侦察、监控和决策的解决方案。

63. Modeling spatial and temporal optimal N fertilizer rates to reduce nitrate leaching while improving grain yield and quality in malting barley

大麦是苏格兰最重要的农作物之一，对苏格兰经济有着重大的经济影响，因为它用于威士忌和啤酒的生产。大麦氮肥的田间管理很困难，因为要同时实现盈利、麦芽品质和减少氮肥对地下水的损失是很复杂的。本研究的目的是建立时空最适氮肥施用量模型，以降低硝酸盐淋失，同时提高大麦产量和品质。利用经过校准和验证的作物生长模型(DSSAT)来确定田间适宜的施氮量。最适施氮量为120 ~ 140 kg N ha−1(34年的平均值)，以最大限度地提高经济回报、粮食氮%和减少环境影响。农民获得的麦芽溢价随着氮含量的变化而变化，从而影响边际净收益，变化范围为500 ~ 2000 GBP ha−1。模拟中使用的长期天气数据允许计算来自34个不同生长季节的结果。这一信息与向农民支付的不同溢价水平相结合，有助于确定籽粒品质溢价-氮肥-气候条件之间的可能组合。模拟长期数据表明，模拟N浸出(kg N ha−1)在年份之间变化很大，最大的权衡是N淋出量。总体施氮量对34个不同生长季节的权衡风险有很强的影响。

64. Development of an automated plant phenotyping system for evaluation of salt tolerance in soybean (IDEA)

随着传感技术和数据分析技术的发展，植物高通量表型技术在大豆育种和遗传研究中发挥着越来越重要的作用。然而，商用的通用高通量表型系统对许多研究群体来说是昂贵和复杂的，其数据分析方法是为特定的研究项目设计的。本研究的目的是开发并验证一个定制的基于图像的表型系统，该系统可用于自动收集、处理和分析大豆品种的图像数据，以评估它们在受控环境下对盐胁迫的响应。利用由消费级数码相机和自动化平台组成的成像系统，对5个大豆品种在盐胁迫下的连续图像进行了采集。开发了一种图像处理分析流水线，自动提取图像特征并评估其对盐胁迫的耐受性。结果表明，冠层面积和ExV(过量绿和过量红的差异)与大豆耐盐性状高度相关。图像饱和度和蓝色通道值能够提取盐应力特征，识别不同类型的盐应力特征。此外，提取受损叶片面积与冠层面积的比值作为新的图像特征来量化耐盐等级。结果表明，基于低成本图像传感器和自动化平台的植物表型自动化系统能够量化植物因盐胁迫引起的胁迫，在大豆育种中具有重要的应用价值。

65. Sugarcane nodes identification algorithm based on sum of local pixel of minimum points of vertical projection function

针对甘蔗种子自动切割过程中甘蔗节点识别定位困难的问题，基于机器视觉系统，提出了一种基于垂直投影函数最小点局部像素和的甘蔗节点识别算法。首先，根据黄色甘蔗的颜色和纹理特征，将采集到的RGB甘蔗图像转换为HSV彩色图像;然后提取HSV图像中的s分量图像，用Otsu算法对s分量图像进行二值化，得到二值图像，然后对二值图像进行形态学封闭运算，消除二值图像中的噪声，填补二值图像中的空洞。然后通过二值图像的水平投影将甘蔗区域分割为感兴趣区域，在减少干扰的同时降低了计算量。最后，建立感兴趣区域二值图像的垂直投影函数，并不断推导该函数得到最小点，然后根据得到的最小点初步确定甘蔗节点的位置。然后，根据待识别节点个数和最小点两侧每5列像素之和确定甘蔗节点的最终位置。所述和的最小值所对应的像素列位置即为所提算法所确定的精确节点位置。实验结果表明，本文算法单节点识别率为100%，平均耗时0.15 s，位置偏差小于0.34 mm;双节点识别率98.5%，平均耗时0.21 s，位置偏差小于0.42 mm。与文中提到的其他节点识别算法相比，具有更高的识别率和准确率。

66. Nondestructive measurement of husk-covered corn kernel layer dynamic moisture content in the field

玉米籽粒水分含量是预测籽粒成熟度和确定适宜的机械化收获期最常用的指标。水分含量低、生理成熟后脱水速度快的玉米品种适宜于高种植密度和机械化收获。然而，目前田间对生理成熟前外皮玉米籽粒层动态水分含量的无损检测仍具有挑战性。因此，本研究提出并开发了一种基于矢量反射系数测量技术的无损检测方法，用于现场监测外皮覆盖玉米籽粒层水分。基于手持式水分检测装置的一端口校准程序，利用51个包皮玉米样品的阻抗参数，建立了玉米籽粒层水分的二次回归模型。结果表明，该方法能无损估计玉米壳覆盖层水分()，使用串联电容时的均方根误差()为3.53%，谷壳水分()的均方根误差为7.12%。另外，利用该装置在田间对完整的玉米穗从凹陷期到成熟期进行了测定，研究了籽粒和外皮的动态水分含量。结果表明:生理成熟前的籽粒水分含量随龄期的增加呈指数衰减函数变化，完整玉米穗籽粒水分含量与烘箱干燥籽粒水分含量的平均差为3.72%。综上所述，该手持式水分检测装置可以在田间对有外壳的玉米粒层在成熟前进行无损检测。本研究为原位获取玉米成熟前籽粒脱水曲线和估算玉米成熟期提供了新的途径。

67. Improved multi-classes kiwifruit detection in orchard to avoid collisions during robotic picking

深度学习以高精度、快捷的速度实现了奇异果检测。然而，在大多数机器人水果采摘研究中，所有的奇异果都被标记和检测为只有一类，其中被树枝或电线遮挡的水果被检测为可采摘的目标。当它们被迫采摘这些水果时，末端效应器或机器人可能会被树枝或电线损坏。因此，奇异果根据其遮挡性在多类中标记、训练和检测，以避免检测被树枝或电线遮挡的水果作为可采摘目标。根据机器人采摘策略和现场遮挡，水果分为四类和五类。著名的YOLOv3和最近发布的YOLOv4被雇用做转移学习的多类奇异果检测。结果表明，五类水果的mAP（平均精度）高于四类水果，而YOLO4的mAP高于YOLO3。五类和四类YOLO4和YOLO3的mAP分别为91.9%、91.5%、91.1%和89.5%。结果表明，在更多班级中标记和训练的水果可以达到更高的 mAP。YOLOv3 和 YOLOv4 的平均检测速度存在显著差异，但在四类和五类中没有。总体而言，YOLOv4 在五个类别中实现了 91.9% 的最高 mAP，处理 2352 × 1568 图像的平均成本为 25.5 毫秒。结果表明，多类奇异果检测有助于避免对最终效应器或机器人的损害。

68. Irrigation decision method for winter wheat growth period in a supplementary irrigation area based on a support vector machine algorithm

在补充灌区，根据前期降水制定灌溉计划是非常重要的。然而，由于难以准确预测天气，大多数灌溉决策研究都推荐了不同历史天气年份下的灌溉方案。基于DSSAT模型和遗传算法对不同历史年份(1970-2017年)的冬小麦节水灌溉系统进行了优化。在此基础上，利用支持向量机算法，基于冬小麦前期降水量和灌水量，建立了冬小麦生育期是否灌溉的决策方法。结果表明，越冬期、返青期和拔节期的决策准确率分别为89.4%、95.7%和93.6%。因此，该方法可有效确定冬小麦不同生育期对应的灌溉方案，为补充灌区冬小麦季节水灌溉的优化决策提供依据。

69. Multispectral image based germination detection of potato by using supervised multiple threshold segmentation model and Canny edge detector

无论从农业生产还是食品安全的角度来看，马铃薯萌发检测都具有重要的意义。由于发芽区域的特征(颜色、质地和环境)与非发芽区域相似，现有的视觉框架难以准确检测马铃薯表面的发芽情况。提出了一种基于多光谱图像，结合监督多阈值分割模型(SMTSM)和Canny边缘检测器的马铃薯萌发检测方法。利用基于遗传规划的SMTSM算法结合混合适应度函数(HF-GP)将原始多光谱图像转换为多幅二维图像，提高感兴趣区域(region of interest, ROI)与背景的对比度。利用最优分割阈值对每幅变换后的图像构造子掩模，并对子掩模进行像素乘法合并得到分割掩模。同时，为了过滤掉被误认为萌发的无界区域，在灰度图像上使用Canny边缘检测器获得边缘掩模。最后结合分割掩模和边缘掩模完成马铃薯萌发检测。实验结果表明，该方法对食用马铃薯的TPR为90.91%，精密度为89.28%，分别比竞争检测器提高了4.17 ~ 19.05%和12.39 ~ 24.62%。在马铃薯育种中，该方法TPR为89.67%，精密度为86.37%，分别优于竞争对手9.74 ~ 24.58%和15.70 ~ 20.39%。比较结果表明，该方法对马铃薯发芽具有较好的检测效果。

70. A high-precision detection method of hydroponic lettuce seedlings status based on improved Faster RCNN

为了提高水培生菜苗木的饲养效率，降低苗木分拣的高成本，我们提出了一种基于改进的快速RCNN框架的水培生菜苗的自动检测方法，将单孔生长的幼苗的死和双栽状况作为我们的研究对象。由于水培生菜苗在图像中密度大、体积小，我们的模型采用高分辨率网络（HRNet）作为图像特征提取的骨干网络，从而获得可靠、高分辨率的功能表达。此外，我们采用焦点损失作为区域提案网络（RPN）阶段的分类损失，以解决苗木分类中困难和容易样本之间的不平衡。我们还采用感兴趣区域 （ROI） 对齐，而不是 ROI 池层，以提高处于不同状态的幼苗的检测精度。结果表明，我国水培生菜苗方法的平均精度为86.2%，高于网琳网、SSD、级联RCNN、FCOS等探测器。与不同功能提取网络相比，采用HRNet的检测精度运行良好。因此，我们提出的水培生菜苗位检测方法可以实现高精度，在有问题状态下识别苗木，为水培生菜自动苗木检测提供技术支持。

71. A virtual sensor simulation system of a flower greenhouse coupled with a new temperature microclimate model using three-dimensional CFD

温室栽作作为一种高产高效的生产技术，已成为提高作物产量和质量的重要手段。温室环境监测是影响温室作物产量和质量的关键做法。在降低环境监测成本的同时满足作物生长需要，已成为一个紧迫而困难的科学问题。传感器技术与计算流体动力学（CFD）技术的结合是解决这一问题的新方法。然而，这种差价合约方法通常不能实时监测温室环境。本研究旨在建立一个基于气候模型外部环境的虚拟传感器系统，使用有限容量的差价合约代码（ANSYS Fluent 19.0）形成闭环网络。在花卉温室进行实验，在MATLAB接口程序中实施3D瞬态差价合约，包括网格和湍流模型。此外，还使用模型的回归法建立了基于外部温室环境的温度模型，并使用反馈法建立了温室温度虚拟传感器模型。结果表明，模拟符合温度分布规律，揭示了虚拟传感器和物理传感器可以协同工作来监测温室环境。

72. Leaf image-based classification of some common bean cultivars using discriminative convolutional neural networks

近年来，将图像处理技术应用于植物叶片识别中得到了广泛的应用。然而，由于叶片图像的类间变异性很低，因此在品种/品种水平上进行分类仍然是一项具有挑战性的工作。本研究提出了一种基于卷积神经网络(CNNs)的三种普通豆类12个品种的自动分类方法。我们证明，使用先进的损失函数，如加角裕度损失和大裕度余弦损失，而不是标准的softmax损失函数进行分类，可以产生更好的类别之间的区分，从而缓解类间低变异性的问题。基于叶片正面和背面的图像，对该方法进行分类(I级)、同种(II级)和不同种(III级)。结果表明，该分类算法在叶片背面图像数据集上具有较好的分类性能。I级、II级和III级的最大平均分类准确率分别为95.86、91.37和86.87%。该方法优于以往的相关工作，为植物品种鉴定提供了可靠的方法。

73. A decision support system for tobacco cultivation measures based on BPNN and GA

本文以烟草产量和综合质量为研究对象，实现了烟草栽培措施决策支持系统(DSS)。该系统在给出预期种植目标(产量或CQ)、气候和土壤数据时，旨在确定三种主要栽培措施(种植密度、氮肥和叶片数量)。该系统主要由两个评价模型和一个决策策略组成。建立了基于bp神经网络(Back - Propagation Neural Network, BPNN)的三种输入参数(气候、土壤和耕作措施)评价模型，反映了输入参数与烟草产量和CQ之间的关系。在决策策略中，基于所提出的评价模型分别建立以产量和CQ为优化目标的优化模型，并设计改进遗传算法(GA)求解优化模型，确定栽培措施。该系统采用浏览器/服务器架构开发，并已在贵州省应用。通过与实际结果的比较，表明该DSS可以通过气候、土壤和栽培措施来评价烟草产量和CQ。为烟草经营提供了切实可行的栽培措施，使烟草获得满意的产量和质量。

74. Calibration and validation of soil water balance (SWB) model in the Inner Argentinian Pampas

生物物理模拟模型可以帮助令人满意地估计粮食生产的作物性能、它们多年来的稳定性以及它们对不同地区水文平衡成分的影响，一旦这些模型经过现场数据的校准和验证。由于地貌平坦、半干旱气候、质地粗土和浅水表，阿根廷内潘帕斯地区极易遭受频繁的洪水和随机干旱。**土壤水平衡（SWB）**模型似乎适合IAP区域，因为它包括了对这种环境特定条件的大多数必要要求。本研究的目标是：一）确定SWB模型最敏感的作物参数，以便令人满意地估计IAP区域的空中生物量、粮食产量和作物蒸发量：ii） 对 SWB 模型进行参数化和校准，以模拟小麦（三叶草）、大豆 [甘氨酸最大L. （甲基）] 和玉米（Zea mays L.） 的空中生物质、谷物产量和作物蒸发：iii） 使用独立数据集验证 SWB 模型，该数据集位于 IAP 区域的广大区域。我们使用来自 9 个现场实验的数据进行校准，以及来自 116 个现场实验的数据进行验证。敏感性分析表明，最关键的参数是生物质蒸发系数（K乙）、辐射使用效率（e）和灭亡系数（k），建议在特定区域推广使用 SWB 模型之前，应在当地获得辐射使用效率 （e） 和灭亡系数 （k）。经过校准后，SWB 模型能够准确估计作物空中生物量（d = 0.97–0.99、GSD = 9.5–23.9% 和RMSE = 786–2，438 kg 公顷−1），粮食产量（d = 0.95–0.96，GSD = 4.5–10.7%;RMSE = 357–637 公斤公顷−1），作物蒸发（d = 0.97–0.99;GSD = 8.1–16.1%，RMSE = 17–51 mm）和土壤水含量（d = 0.87–0.96，GSD = 11.2–15.5% 和RMSE = 9.6–13.2 毫米）。 评估小麦、大豆和玉米不同土壤质地和降雨量变化的水平衡、空中生物质和粮食产量波动的稳健性反映了SWB模型作为应对我们地区农业系统主要挑战的宝贵工具的潜力。

75. Stereo-vision-based crop height estimation for agricultural robots

本研究旨在开发一种基于机器视觉的自主种植机器人高度测量系统。该系统采用了一个简单的立体摄像机配置，以方便实际的田间应用，并用于获取各种作物的精确高度测量。通过立体匹配将采集到的立体图像转换为视差图，计算每个像素的视差，确定相机到作物的距离深度。深度图用于确定感兴趣区域(ROI)的边缘，作物区域分割使用位于距离相机最近的预期作物区域的边缘，而不使用任何额外的标签。作物高度是利用ROI中的最高点来计算的。该方法在5种作物上进行了测试，结果表明，即使获得的图像中目标有重叠，该系统也能检测出目标作物区域。此外，该系统估计的作物高度与人工实际测量的作物高度具有很强的一致性，R2在0.78 ~ 0.84之间。这些结果表明，所开发的算法能够测量不同范围的作物高度，用于农业机器人的应用。

76. Detection of impurities in wheat using terahertz spectral imaging and convolutional neural networks

提出了一种基于太赫兹光谱成像和卷积神经网络相结合的快速有效检测小麦杂质的方法。首先，利用太赫兹光谱成像技术研究了0.2 ~ 1.6太赫兹范围内小麦、麦壳、麦秸、麦叶、麦粒、杂草和瓢虫的光谱特性，并利用傅里叶变换得到相应的频域光谱。然后计算吸收系数和折射率。然后根据最大频域成像原理对小麦及其杂质进行THz伪彩色成像，设计一种新型的wheat - v2卷积神经网络(CNN)提取光谱成像特征数据和信息。最后，将设计的Wheat-V2模型与相同条件下的ResNet-V2_50和ResNet-V2_101模型进行了比较。此外，采用损失函数和混淆矩阵指标对实验结果进行评价。结果表明，所设计的wheat - v2模型能够有效识别小麦图像中的杂质，对验证集Top_1和Top_5的识别准确率分别为97.56%和98.58%。此外，设计的Wheat-V2模型在各种杂质图像识别方面的平均f1得分为97.83%，高于传统的ResNet-V2_50和ResNet-V2_101模型。这表明，将太赫兹光谱成像与CNN相结合的方法可以用于小麦中杂质的检测。此外，结果也表明了CNN在小麦杂质太赫兹成像检测中的应用潜力，为其他谷物杂质的识别提供了一种无损检测方法。

77. Regional estimation of garlic yield using crop, satellite and climate data in Mexico

从有记载的历史开始，人类就开始食用大蒜。尽管大蒜的烹饪和经济重要性，很少努力报道在文献中预测大蒜产量。在本研究中，我们首次尝试利用作物、卫星(TERRA-MODIS)和气候数据(ERA-5)对大蒜产量进行大规模预测。研究区域位于墨西哥(2004 - 2018年)。我们比较了三种机器学习方法的预测能力:广义线性模型(glm)、支持向量机径向(svmR)和随机森林(rf);以及不同的预测组合。在特征选择情景(Feature Selection scenario, FS) = 0.90下，将YieldBaseLine、NDVI和气候数据相结合的svmR模型(R2 = 0.68， %RMSE = 20.08%)的性能最好。rf方法同样表现良好(R2 = 0.66)，而glm方法表现较差(R2 = 0.61)。为了在实践中检验模型的预测能力，我们另外在时间上使用了一年后的方法。随着越来越多的数据被纳入训练，这些模型逐年得到改进。svmR和rf方法的总体性能为R2 ~0.60 (%RMSE ~20.5%)，在2014年达到最高的精度(R2 = 0.78， %RMSE ~16.6%)。这两种方法都揭示了所提出的模型在解释墨西哥大蒜年际和空间产量变异方面的潜力。此程序可调整并用于其他作物类型或地点。

78. Development of a mobile computing framework to aid decision-making on organic fertilizer management using a crop growth model

人们对有机农业的兴趣有所增加，以尽量减少集约化作物生产带来的环境问题。然而，对有机肥料管理决策的支持有限，这将成为广泛采用有机农业的障碍。在此，我们提出了一个软件开发框架，以促进基于移动计算平台的决策支持系统的开发。本研究采用与Android操作系统兼容的有机肥料应用支持信息系统(OASIS)，对有机管理下的作物生长进行了预测模拟。使用16种不同的智能手机测试了OASIS的性能。研究发现，即使使用过时的智能手机，OASIS模拟作物生长所需的时间也相对较短，比如不到5秒，而下载天气数据只需要大约1分钟。将野外试验观测数据应用于绿洲研究。结果表明，在抽穗期和产量方面，后报差异较小，分别为1 d和10%。这些结果表明，OASIS将支持有机肥料管理实践的合理决策。我们的框架将指导移动应用程序的实施，以支持有关具体作物管理实践的决策。

79. Detection of typical obstacles in orchards based on deep convolutional neural network

农田障碍物的精确识别是农用车环境感知的重要任务。果园环境是一种复杂的非结构化环境，很难准确有效地检测障碍物。为此，提出了一种基于YOLOv3的改进轻量级目标检测方法，用于果园中典型障碍物的识别，如人、水泥柱、电线杆等。该模型采用轻量级的MobileNetV2网络，减少了图像特征提取时的运行时间，并引入高斯模型提高了检测效果。该模型通过重构原YOLOv3模型中的损失函数，可以预测定位盒的精度。基于果园中包含典型障碍物(人、水泥柱、电线杆)的图像数据集，将提出的模型与Faster-RCNN、SSD模型与原YOLOv3模型进行精度和速度对比实验。测试结果表明，该模型在精度和速度方面优于其他模型。总的测试集，f1 -得分和平均精度(mAP)分别为91.76%和88.64%。416像素 × 416像素的图像在GPU上的预测时间为13 ms。因此，本研究提出的方法具有记忆要求低、识别精度高、识别速度快的特点，能够有效检测出果园环境中的典型障碍物，为智能果园机器人规避障碍物提供了依据。

80. Predicting the sugarcane yield in real-time by harvester engine parameters and machine learning approaches

关于甘蔗产量的信息是在甘蔗田管理中应用精准农业(PA)策略的起点。多年来，许多甘蔗产量监测方法已经开发和测试，但其使用仍然有限。一种选择是使用控制器区域网络(CAN)中提供的甘蔗收割机生成的数据，这允许获取与收割机操作相关的信息。我们的目标是利用收割机车载计算机上的CAN数据训练和测试随机森林(RF)、多元线性回归(MLR)和人工神经网络(ANN)。所有预测模型都使用主要发动机参数进行训练和测试，这些参数包括油耗、发动机转速、发动机功率和燃油消耗率(SFC)。在收获机升降机上安装了一个规模产量监测器，以提供地理参考产量数据。比较了4个参数的预测模型的产量预测精度。所有模型都遵循观察到的甘蔗产量，并识别随着数据收集时间的变化。MLR模型和人工神经网络模型在产量极值处具有较高的预测误差。在测试时间内，人工神经网络低估了甘蔗产量，而收获机发动机参数的RF预测最接近观测产量。利用RF模型预测甘蔗产量的最佳结果是，平均绝对百分误差(MAPE)为5.6%，均方根误差(RMSE)为7.0 Mg ha−1。MLR和ANN模型的MAPE分别为7.8%和5.6%。所有的变量都是模型更好表现所必需的;而SFC是预测甘蔗产量最重要的变量。

81*. Machine learning techniques for classifying the sweetness of watermelon using acoustic signal and image processing (立意有趣)

甜度是评价新鲜西瓜内在品质的一个重要因素。本文提出了一种基于声音信号和图像处理技术的西瓜甜度融合无损分类方法。敲击声音信号、西瓜皮的图案和重量都被认为是特征。这三个特征的应用是受到农民用来估计西瓜成熟度的技术的启发。利用机器学习(ML)技术开发甜味分类模型。我们使用了8种基于分类的ML技术:Naïve Bayes, k近邻，决策树，随机森林，人工神经网络，Logistic回归，支持向量机和梯度增强树。应用的ML模型通过准确率、精度、查全率、F-measure和接收者工作特征下的区域(AUC)来评价分类性能。结果表明，该方法能较好地对西瓜甜度进行分类。采用梯度提升树的分类准确率最高可达92%。

82. Mapping cotton cultivated area combining remote sensing with a fused representation-based classification algorithm

棉花是世界上主要的经济作物之一，也是向全球纺织工业输送纤维的主要纤维作物。高效及时的棉花流通信息对于棉花生产、农业管理以及农业系统的可持续性至关重要。但是，在大面积准确提取棉花种植面积方面仍然存在着挑战。为了解决这个问题，我们探索结合时间序列的可行性增强型植被指数(以)计算的中分辨率成像光谱仪(MODIS)卫星数据与融合表示分类(FRC)算法来识别棉花像素和地图棉花种植面积在中国主要的棉花生产区域。利用傅里叶变换得到研究区域像素尺度上的年时间序列EVI的谐波特征。然后将FRC算法应用于以谐波特征为输入的棉花种植面积的识别。通过计算各像素的融合残差，并根据统计数据设置各省份的阈值，提取研究区2015-2017年的棉花种植面积。最后，对基于FRC的棉花制图算法的性能进行了评价，并与基于协同表示的分类算法(CRC)和基于稀疏表示的分类算法(SRC)进行了比较。结果表明:基于modis的棉花种植面积与市级统计数据之间存在较好的相关性，3年的决定系数(R2)为0.83;与CRC和SRC算法相比，FRC算法得到的棉花种植区映射结果具有更高的精度。结果表明，将时间序列MODIS EVI数据与统计数据相结合，采用FRC算法对棉花种植面积进行识别是有效的。此外，该方法在其他作物制图和高空间分辨率图像上的适用性值得研究。

83. Wood species automatic identification from wood core images with a residual convolutional neural network

本文研究了基于木芯扫描图像的树种自动识别问题。提出了一种带有残差连接的卷积神经网络来完成这一任务。该模型根据滑动窗口策略应用于连续图像小块，识别小块中心像素的隶属度。然后通过多数投票来决定最终的树种。利用包括针叶树和被子植物(环状多孔和扩散多孔)木材在内的14个欧洲树种的312个木芯图像，评估了该模型的性能。考虑了木斑分类和木芯分类两项任务。在这些任务中，所提出的模型正确识别了近93%的木材图像斑块和98.7%的木材核心图像的物种。它的表现也比最先进的基于卷积神经网络的竞争对手分别高出9%和3%。文中分析了模型参数和训练设置对模型性能的影响，以保证最高的木材种类识别率。该方法的源代码与相应的图像数据集一起发布，以方便结果复现。

84. Hardness recognition of fruits and vegetables based on tactile array information of manipulator

硬度是水果和蔬菜的重要物理特性，直接影响机器人采摘操纵器的有效性。因此，提出了一种基于触觉阵列信息识别水果和蔬菜硬度的方法。这使得采摘操纵者能够识别水果和蔬菜的硬度特性，从而帮助机器人在采摘过程中稳定地抓住这些产品，而不会损坏。首先，为操纵者实时掌握果蔬而生成的触觉序列原始数据集，构建了操纵器触觉信息采集系统的实验平台。然后，制定和测试了两种识别水果和蔬菜硬度的分类模型。在这两个拟议模型中，主要组件分析 （PCA） 在尺寸减少处理后获得的示例功能集用于基于 k-最近邻 （KNN） 和支持矢量机 （SVM） 算法对两个分类器进行训练和测试。PCA–KNN 和 PCA– SVM 的分类准确率分别为 90.03% 和 94.27%，表明后者的准确性明显优于前者。最后，使用操纵器实施了在线抓取识别实验，以验证 PCA+SVM 分类器的实用性。网上识别的准确率达到90%，这是一个值得注意的实验结果。

85. Regional estimation of garlic yield using crop, satellite and climate data in Mexico

从有记载的历史开始，人类就开始食用大蒜。尽管大蒜的烹饪和经济重要性，很少努力报道在文献中预测大蒜产量。在本研究中，我们首次尝试利用作物、卫星(TERRA-MODIS)和气候数据(ERA-5)对大蒜产量进行大规模预测。研究区域位于墨西哥(2004 - 2018年)。我们比较了三种机器学习方法的预测能力:广义线性模型(glm)、支持向量机径向(svmR)和随机森林(rf);以及不同的预测组合。在特征选择情景(Feature Selection scenario, FS) = 0.90下，将YieldBaseLine、NDVI和气候数据相结合的svmR模型(R2 = 0.68， %RMSE = 20.08%)的性能最好。rf方法同样表现良好(R2 = 0.66)，而glm方法表现较差(R2 = 0.61)。为了在实践中检验模型的预测能力，我们另外在时间上使用了一年后的方法。随着越来越多的数据被纳入训练，这些模型逐年得到改进。svmR和rf方法的总体性能为R2 ~0.60 (%RMSE ~20.5%)，在2014年达到最高的精度(R2 = 0.78， %RMSE ~16.6%)。这两种方法都揭示了所提出的模型在解释墨西哥大蒜年际和空间产量变异方面的潜力。此程序可调整并用于其他作物类型或地点。

86. Hyperspectral imaging techniques for rapid detection of nutrient content of hydroponically grown lettuce cultivars

利用高光谱图像处理技术对4个莴苣品种(Rex, Tacitus, Black seed Simpson, Flandria)的在线质量测定进行了研究。将幼苗种植在岩棉立方体中，使用含0、50、100、150、200、250和300 ppm氮的水培营养液喂养3周。采用高光谱相机在400 - 1000 nm波长范围内拍摄了新鲜切下的生菜叶片的高光谱图像。建立了莴苣叶片组织中硝酸盐(NO3 -)、钙(Ca2+)、钾(K+)、可溶性固形物(SSC)、pH和叶绿素总浓度(SPAD)的测定算法。为了找到最佳波段组合值，我们建立了两个光谱数据值(反射率及其一阶导数)和两个光谱指数(比值光谱指数(RSI)和归一化差分光谱指数(NDSI))的简单线性回归模型。最佳波段为506 ~ 601 nm和634 ~ 701 nm。利用偏最小二乘回归(PLSR)和主成分分析(PCA)对4个最优波段的叶片样品进行了NO3 -、Ca2+、K+、SSC、pH和SPAD的营养水平估算。与实验室测量的新鲜生菜叶片相比，PLSR和PCA模型在预测营养成分含量方面均产生了良好的相关性，R2 = 0.784-0.987。

87. Semantic segmentation for partially occluded apple trees based on deep learning (语义分割，苹果)

果树修剪和果树间伐需要一个强大的视觉系统，可以提供高分辨率的分割果树和他们的分支。最近的研究只考虑了树枝上遮挡最小的休眠期或拟合多项式曲线来重建树枝形状，而忽略了树枝厚度的信息。在这项工作中，我们应用了两个最先进的监督学习模型:U-Net和DeepLabv3，以及一个条件生成对抗网络Pix2Pix(带和不带鉴别器)来分割部分遮挡的2d -开v苹果树。采用二值准确率、平均欠条数、边界F1得分和闭塞分支召回率来评价模型的性能。DeepLabv3在二值准确率、均值IoU和Boundary F1得分方面优于其他模型，但在闭塞分支召回方面优于Pix2Pix(无鉴别器)和U-Net。我们定义了两个难度指数来量化任务的难度:(1)咬合难度指数和(2)深度难度指数。采用分支回忆法和闭塞分支回忆法对难度指标最差的10幅图像进行分析。以目前的指标衡量，U-Net的表现优于其他两种模型。另一方面，Pix2Pix(没有discriminator)提供了更多关于分支路径的信息，这些信息没有被指标反映出来。这强调了在恢复被屏蔽信息方面需要更具体的指标。未来的工作需要进一步增强模型，从遮挡中恢复更多信息，以便该技术可以应用于商业环境中的自动化农业任务。

88. Effects of application height and crosswind on the crop spraying performance of unmanned helicopters

无人直升机在亚洲越来越多地用于农作物保护。然而，直升机液滴的运动机制与下洗流的复杂性密切相关，目前尚不清楚。本研究采用格子玻尔兹曼方法模拟直升机释放液滴的流场和运动。施药高度分别为1.5、2.5和3.5 m，侧风速为−3 ~ 3m /s。旋涡结构和下洗流速度场是非对称的，下洗流面积最大的位置在直升机的左侧。气流结构角与施加高度成反比，对侧风速服从二阶定律。偏航角与侧风风速成反比，且在较高的应用高度时受侧风风速的影响更显著。为了研究液滴大小对其在下洗流中运动的影响，分别对直径为50、100、200和400µm的液滴进行了研究。粒径为50 μ m和100 μ m的小液滴背面呈双峰状。较大的水滴几乎不被漩涡上升，它们到达更近的距离，在较低的高度漂浮。当施药高度为2.5 m和3.5 m时，雾滴在相反方向的侧风处几乎呈对称分布;应用高度为1.5 m时，液滴特别是大液滴(200µm和400µm)在相反方向的侧风处呈不对称沉积。侧风从左侧吹来，这是由于直升机右侧靠近地面的气流漩涡，它将大水滴带回到空中。当右边的侧风吹,大液滴(200和400µm)沉积速度更快,集中在片,而小水滴(50和100µm)是打动了侧风吹从右侧强非均匀空间分布和漂浮在最左边。这一发现有助于大大减少喷雾漂移。雾滴沉积速率受雾滴直径二次项的影响较大，而沉积变化系数受雾滴直径二次项和横风速二次项的影响较大。研究结果将有助于分析和优化植保无人机下洗流的发展和水滴的运动/沉积。

89.Spatial domain bridge transfer : An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area

准确、及时地进行水稻作图对粮食安全和市场稳定具有重要意义。几十年来，遥感技术为从光学卫星图像中提取水稻提供了巨大的潜力。水稻作图方法主要有两大类。第一种是利用水稻独特的物候特征，以物候为导向的方法，基于机器学习的方法是水稻提取的另一种主流方法，被识别为分类任务。然而，上述两种方法都不适用于大面积云区的水稻自动测绘。由于云污染，物候学方法受制于时间序列无云RS输入的可用性，而基于机器学习的方法往往局限于高质量收集的训练样本的可用性。因此，本研究提出了一种新的灵活框架，将上述两种方法结合起来，试图实现大面积云区水稻自动制图的目标。首先，利用卫星无云时间序列图像进行水稻物候制图，获得水稻生长潜力。接下来，通过过滤操作纯化得到的水稻潜力。最后，利用纯化后的样本对机器学习分类器进行训练，并在空间上转移到其他区域进行水稻提取。我们进行了几个实验来评估我们提出的框架和后续的映射结果。实验结果很有前景，表明我们的框架有助于克服机器学习方法对训练数据的强烈依赖，并减少自动水稻制图的多时间输入数量，这可能为水稻提取提供了一个新的范式。

90. Disease detection in tomato leaves via CNN with lightweight architectures implemented in Raspberry Pi 4

深度学习对应用于精准农业的分类和检测任务做出了重要贡献;然而，重要的是通过低成本和低消耗的设备来采用这些技术和算法，用于农作物的日常使用。在本文中，我们提出了训练和评估四种最近的卷积神经网络模型的分类番茄叶片疾病。Plantvillage数据集的18160张RGB图像被分成10类进行迁移学习。所选模型具有深度可分离卷积结构，适用于低功耗器件。定量和定性的评估和分析是通过质量度量和显著性图来执行的。最后，在树莓派4微型计算机上实现了一个具有图形用户界面的系统。

91. A cloud computing-based approach using the visible near-infrared spectrum to classify greenhouse tomato plants under water stress

本研究的目的是评估云计算技术在不同灌溉处理下对受保护番茄植物进行分类的潜力。选用合作903和万氏如意两个番茄品种，进行了两季的设施栽培试验。结果表明:正常浇水、第一个胀果期不浇水、两个胀果期都不浇水。在果实期采集了番茄冠层的近红外可见反射光谱。利用3个光谱数据集，包括原始反射光谱、反射光谱的一阶导数和吸收光谱。采用连续投影算法(SPA)从483、557、674、783、869和964 nm 6个波段选取数据作为最佳波段。云计算平台是使用Hadoop和Spark框架构建的。利用Spark框架中的MLlib机器学习库构建多层感知器分类器(MLPC)和one-vs。其他分类器(兽人)。将该多分类器应用于两个番茄品种不同水分处理下的光谱数据集(原始、一阶导数和吸光度数据集)。对于每个分类器，随机选择70%的数据进行训练，剩下的30%用于预测。在云计算平台上进行训练和预测。MLPC比ORC具有更好的分类精度。在3个光谱数据集中，光谱一阶导数的分类性能最好，而反射光谱和吸收光谱的分类性能相近。采用全波段频谱比只采用最佳波段具有更高的分类精度。此外，万氏如意植株的冠层光谱分类性能优于合作903植株。此外，为了评估云计算平台处理“大数据”时的运行效率，增加了采集的光谱数据集的规模。“通过增加光谱数据集的规模或平台中节点的数量，操作效率显著提高。”最后，使用python和TensorFlow实现CNN算法，并对光谱数据集进行分类分析。结果表明，MLPC和ORC算法在光谱数据分类方面比CNN算法有更好的分类性能。

92. Classifying season long livestock grazing behavior with the use of a low-cost GPS and accelerometer

利用全球定位系统技术对牲畜进行远程跟踪，对研究景观上的牲畜使用模式具有巨大潜力。在GPS单元上增加高频加速度计有可能使研究人员和管理者能够准确地将GPS点划分为不同的行为，从而进一步深入了解牲畜放牧选择、牧场使用以及随着时间推长而改变饲料偏好。迄今为止，大多数研究都研究了在小牧场和相对较短的时间内使用带有加速度计的GPS衣领：在较长的牧场上需要对这项技术进行评估。这项研究的目的是通过使用低成本、非商业性的实验室构建的GPS衣领，配备高频3轴加速度计来测试预测季节长牲畜行为的有效性。在一岁转向上部署了3个月，连续放牧本地草原牧场。GPS 设备被设置为每隔 1 分钟录制修复程序。加速度计被编程为记录 X、Y 和 Z 位置，为 12 Hz（每秒 12 条记录）。加速度计数据最初被汇总到 1 s 间隔，在每个 GPS 修复的开始和停止时间之间计算 X、Y 和 Z 轴的平均、最小、最大和标准误差。从全球定位系统修复数据中计算了其他指标，包括旅行率和固定点识别，以帮助分类。每个放牧季节都记录着对佩戴全球定位系统衣领的牛的直接视觉观察，以提供将全球定位系统数据分类为放牧和非放牧行为的数据。测试了几个分类算法，以评估错误分类率并预测未观察到的数据的行为。随机森林模型的总体错误分类率最低（11.2%）。每天的放牧时间从8.67小时到10.49小时不等，早晚放牧的时间往往最长，预计这两种时间都是从一岁开始在夏季引导放牧本地牧场。这些结果表明，使用装有加速度计的GPS衣领准确识别牲畜放牧地点有很大的希望，这有利于研究人员和土地管理人员监测牧场的使用情况。

93. Measuring pecan nut growth utilizing machine vision and deep learning for the better understanding of the fruit growth curve

了解山核桃坚果的生长动态及其从开花到成熟之间的热需求对于预测坚果大小和收获日期至关重要。然而，监测山核桃生长（壳，壳和胚胎）是一个耗时的手工任务，需要对每个螺母进行多次测量。此过程还忽略了螺母的任何变形。计算机视觉系统可以通过对螺母的所有部分执行逐像素语义细分来促进此类任务。本研究使用 Mask-RCNN 算法进行对象检测和语义分割，用于在多生长阶段对山核桃上的 shuck、外壳和胚胎进行区域估计。数据集分为两个阶段：小（年轻）和大（老）山核桃。所选网络在对象检测任务模型上获得了 95.3% 到 100% 的 F1 分数。区域估计在这些任务中实现了 10.14% 到 28.06% 的平均绝对百分比误差。由此产生的生长图为螺母的所有部分呈现一个硅胶曲线，这显示了测量的精度。这种自动化的测量系统使我们能够对坚果发育的各个方面有多维的了解，并使我们能够建模坚果生长现象学和预测坚果生产。

94. Predicting pasture biomass using a statistical model and machine learning algorithm implemented with remotely sensed imager

通过优化饲料补充剂的投入和牧场利用，对牧场生物量的准确每日估计可以提高牧场乳制品系统的盈利能力。然而，获得准确的牧场质量估计是一项费力和耗时的任务。这项研究的目的是测试一种综合方法的性能，该方法将获得的遥感图像与安装在无人驾驶飞行器（UAV）、统计模型（通用添加剂模型、GAM）和机器学习算法（随机森林、射频）相结合，并利用公开的数据预测未来的牧场生物质负荷。这项研究表明，利用对牧场生长的观察以及环境和牧场管理变量，GAM和RF这两个模型能够预测牧场前生物质生产，平均误差低于20%。如果排除预测变量（即放牧后牧场生物质），模型性能降低，产生高达 40% 的错误。用无人机多光谱摄像系统获得的高空间分辨率（+lt：1 m）的放牧后生物质信息被用作未来牧场生物质的预测变量。两个模型都包含空间明确的放牧后生物质变量，准确预测了放牧前的牧场生物质，射频和GAM的误差分别为27.7%和22.9%。然而，GAM模型在复制放牧前牧场生物量的空间变异性方面的表现优于射频。这项研究展示了使用无人机或人工获得的牧场信息以及公开的数据来准确预测未来牧场生物质田和农场规模的统计和机器学习模型的能力。

Improving TLS-based stem volume estimates by field measurements

树干体积的预测通常基于简单的现场测量和适用的测光功能，但地面激光扫描 （TLS） 为提取单棵树的茎量创造了新的机会。基于 TLS 的树尺寸通常通过自动化的圆柱或圆基安装方法进行估计，鉴于茎横截面相对圆润且整个茎被 TLS 点充分覆盖，因此能够准确预测茎体积。然而，结果往往因共同注册错误和遮挡而恶化，即茎的不完全可见部分，这很容易导致定位实际树梢时安装不良的特征和问题。由于在绘图级别收集数据时难以控制或完全避免这些缺陷，因此建议利用额外的现场测量方法改进安装过程并减轻茎体积预测中的严重错误。本文仅使用 TLS 数据将茎先建模为气缸，从而证明这一点，之后在字段数据的帮助下对结果进行改进。应用的数据由各种现场测量的茎尺寸组成，用于定义可接受的直径估计极限并为分析的树设置正确的垂直范围。此方法使用两个数据集进行测试，在扫描设置、位置和测量字段变量上有所不同。添加现场数据可改善结果，充其量可实现几乎不偏不倚的体积预测，RMSE 低于 5%。根据这些结果，结合 TLS 点云和简单的现场测量，有可能以比 TLS 数据更高的精度生成茎体积信息。

95.Predicting pasture biomass using a statistical model and machine learning algorithm implemented with remotely sensed imagery

牧场生物量的每日准确估算可以通过优化饲料补充剂的投入和牧场利用来提高基于牧场的乳制品系统的盈利能力。但是，获得准确的牧场数量估计是一项艰巨且耗时的任务。这项研究的目的是测试将结合使用安装在无人飞行器（UAV）上的多光谱摄像机获取的遥感影像，统计模型（广义加性模型，GAM）和机器学习算法（随机森林， RF）采用公开数据来预测未来牧场的生物量负荷。这项研究表明，利用牧场生长的观察以及环境和牧场管理变量，GAM和RF两种模型都可以预测田间规模的放牧前牧场生物量，平均误差低于20％。如果排除了预测变量（即放牧后的牧场生物量）​​，则会降低模型性能，产生高达40％的误差。通过UAV-多光谱相机系统获取的高空间分辨率（<1 m）的放牧后生物量信息用作未来牧场生物量的预测变量。包括空间上明确的放牧后生物量变量，两个模型均能准确预测放牧前草场生物量，RF和GAM的误差分别为27.7％和22.9％。但是，GAM模型在再现放牧前牧场生物量的空间变异性方面比RF更好。这项研究证明了使用UAV或手动获得的牧场信息以及公开可用的数据实施的统计和机器学习模型的能力，可以准确地预测田地和农场规模的未来牧场生物量。

96. Integration of RGB-based vegetation index, crop surface model and object-based image analysis approach for sugarcane yield estimation using unmanned aerial vehicle

估计收益率是一个重大的挑战在许多农作物的生产,包括甘蔗。 映射的空间变异株高茎(PH)和密度对准确的甘蔗产量的评估很重要,这估计可以援助的计划即将到来的劳动cost-intensive收获等操作,铣,未来销售决策。 本研究的目的是评估潜在的消费级红绿蓝(RGB)相机安装在无人机(UAV)的甘蔗产量估计用最少的数据集。 研究PH值映射的空间变异性和茎密度在网格级别(4米×4米)的一个农场。 平均PH值在网格级别估计通过屏蔽甘蔗面积。 基于对象的图像分析(OBIA)方法被用来提取甘蔗面积通过整合株高模型(物理加工),通过减去数字高程模型(DEM)中提取作物表面模型(CSM)。 CSM和民主党都来自无人机图像,CSM在哪里生产前大约一个月后的收获和民主党甘蔗收获。 物理加工改进总体分类精度从61.98%降至87.45%。 无人机估计PH值显示高度相关(r与地面观测PH = 0.95),平均0.10米的高估。 普通最小二乘法(OLS)开发了线性回归模型来估计可轧的茎高度要看更多有关憩苑()从PH值,从要看更多有关憩苑估计重量,茎密度从植被指数(vi)网格级。 过剩的绿色(ExG)源自RGB显示R20.754与茎密度。 同样,R2要看更多有关憩苑的0.798和0.775之间得到和PH值,要看更多有关憩苑和重量。 最终,收益率估计通过整合PH值的变化和茎密度和重量信息。 估计收益率从ExG(200.66吨)接近实际的收获产量(192.1吨)。 无人机的RGB-based图像的高分辨率和OBIA映射方法展示重大潜力的空间变异性PH值和估算甘蔗茎密度和产量。 这可以帮助种植者和磨坊主决策。

97.Irrigation water infiltration modeling using machine learning

本研究提出了五个标准的人工智能模型包括人工神经网络(ANN),自适应神经模糊推理系统(简称ANFIS)组的数据处理方法(GMDH),多元线性回归(高)和支持向量回归(SVR)以及它们的综合模型结合自然萤火虫算法(FA)预测沟中的渗透水的灌溉系统。 英足总函数作为优化工具构建综合模型。 数据来评估这些模型从发表的文献收集和现场实验研究农场SBUK大学科曼地毯,伊朗。 建模中使用的输入参数是沟长度(l),流入率(问),提前时间结束的时候沟(Tl),流入的横截面积(一个o)和渗透的机会时间(To)。 均方根(RMSE),平均绝对误差(美),相关系数(R2),Nash-Sutcliffe效率指数(分析了无),该指数的协议(IA)被用来评估建议的模型的预测性能。 最佳值的统计标准和培训和测试阶段的仿真表明MLPNN-FA和SVR-FA提供了一个很好的适合观测数据。 的比较结果显示,英足总能够提高模型的准确性,以便改善RMSE值为5%,1%,4%,47%,简称ANFIS GMDH, MLPNN,分别和SVR。 有全面的综合指数的计算值(如果)表明,利用SVR的结合和FA明显提高97%的标准SVR模型的性能。 尽管足协GMDH算法有一个微不足道的影响模型; 然而,它可以作为一个强大的工具来增强引入复杂的建模过程。

98.Short term soil moisture forecasts for potato crop farming: A machine learning approach

为未来的收益率农业决策是至关重要的。 在智能农业的背景下,种植者结合信息从传感器靠近他们的作物农艺模型来帮助他们更好地理解他们的农作物。 灌溉管理是基于数据和/或农艺模型外推的反应。 这个问题可以被看作是一个学习任务的机器学习技术已经证明他们的相关性在许多不同的应用程序。 在本文中,我们把自己的马铃薯农业,农作物灌溉中发挥着至关重要的作用。 我们模型的问题,土壤水势预测作为一种监督学习问题解决学习算法。 问题似乎是困难的因为有几个潜在的输入,和几个输出预测。 实验是在几个场景数据进行3年期间获得。 我们展示的可能性将特征选择方法应用于自动设计模型与特征相关的问题而有好的表现。 我们还展示了机器学习的相关性这类问题,因为这些方法能够正确地预测未来水势值

99. Recognizing black point in wheat kernels and determining its extent using multidimensional feature extraction and a naive Bayes classifier

准确识别黑色点疾病麦粒从数字图像中随机抽样在疾病识别是一个基本且富有挑战性的任务。 均匀的环境中传统方法的性能是令人满意的,但是他们的性能下降时,应用于图像获得的动态的。 摘要multifeature-based提出了机器学习方法来识别和评估黑点病的发病率。 十个不同抗性小麦品种与疾病被选来验证方法的准确性。 首先,概略介绍了分水岭算法用于分离小麦内核完成粗分割的背景。 补丁后产生的粗分割结果,补丁手动标记,分为两类:黑色点区域和健康领域。 伽柏和精明的运营商分别用于纹理和形状特征建立特征矩阵。 然后,基于朴素贝叶斯分类器的分类模型被训练识别两种类型的斑块之间的差异特征。 该模型最终实现了正确的测试样本中每个像素分类和输出结果的形式一个二进制图像,从而完成图像的分割。 最后,疾病的严重程度是根据最小外接的比例来计算区域的疾病和小麦总面积的内核。 通过以上操作,黑点病的发病率在随机样本可以确定。 五个指标,问赛格,年代r、精密、召回和F-measure,被用来评价分割效果。 测试样本的平均分割结果的准确性分别为0.85,0.89,0.87,0.86和83%。 与其他分割方法相比,包括多余的绿色方法,多余的绿色减去多余的红色法、植被指数提取颜色,和两个传统的阈值分割方法称为大津和最大熵阈值,该算法分割精度较高。 此外,这种方法被证明是强大的足以用于不同照明条件下,拍摄角度和图像分辨率。

100. Neural network soil moisture model for irrigation scheduling

实时灌溉调度系统试图通过控制土壤水分来消除作物水分胁迫，并在收获时实现高产。人工智能算法可能是要学习土壤-植物-大气系统中的土壤水分动态，然后将其嵌入到低成本控制器中以生成适当的灌溉计划。在这项研究中，提出了一个神经网络（NN）模型，以从基于过程的农业系统模型（根区水质模型（RZWQM2））中学习，以预测作物生长期的根区土壤水分。将气候数据，生根深度和祖母土壤湿度设置为NN模型的输入，以预测不同层内的日间土壤湿度。有水和无水条件分别进行建模，以实现更高的精度。当预测的土壤水分降至由管理允许的消耗乘以可种植的水深的乘积所定义的水平时，基于NN的灌溉调度方法（NN方法）会触发灌溉。设置灌溉量以补充根区土壤水分至田间持水量。将NN方法与基于RZWQM2的报告的水分胁迫（WS）方法进行了比较。结果表明，虽然构建的神经网络模型可以很好地预测主季作物的土壤水分变化，但误差较小，但在土壤水分较低时误差较大，从而降低了调度效率。对神经网络集成模型进行了测试，结果表明，从节约用水和维持产量的角度出发，该模型可以提高土壤湿度预测的精度和鲁棒性以及调度性能。结合神经网络集成模型和调整的最低土壤湿度进行灌溉，基于神经网络集成的灌溉调度方法的性能不优于RZWQM2-WS方法，但比基于蒸散和水分平衡的方法高出20倍％。所构建的神经网络集成模型和基于神经网络集成的灌溉调度方法可作为预测土壤水分和获得有效灌溉调度的替代方法。

101. Rice nitrogen nutrition estimation with RGB images and machine learning methods

作物红绿蓝(RGB)图像是强大的工具在氮(N)营养评估。 各种使用作物氮营养参数回归模型和图像指标已经提出,但其精度和泛化性能N估计还没有彻底的评估。 在这项研究中,一个商业数码相机是用来捕捉水稻树冠RGB图像经过两年田间试验,和三个回归方法(简单非线性回归,信噪比; 摘要利用反向传播神经网络; 和随机森林回归,RF)被用于水稻射干物质(DM)、N积累(NA)和叶面积指数(LAI)的评估。 重复随机二次抽样验证方法进行了1000次在所有三个回归模型性能和稳定性的评价方法。 RF为验证数据集回归模型精度最高,平均预测精度测试(ATPA)为80.17%,79.44%,81.82%,DM, LAI和NA估计,分别,紧随其后的是摘要和信噪比模型。 根据ATPA的分布在1000 -时间计算,最高的标准偏差(SD)和区间范围(5% - -95%)摘要利用观察ATPA的模型,这表明摘要模型是最容易受到数据集分割。 ATPA的降低SD和区间范围后,射频和信噪比模型,表明射频和信噪比模型数据集分割的影响较小,并能产生持续稳健回归模型。 总之,RF模型的整体算法有效地防止过度拟合处理不同的数据集分割; 因此,射频模型具有较强的泛化性能。 结合数字图像和适当的机器学习方法有助于方便和可靠的估算作物N营养。

102. A diagnostic visible/near infrared tool for a fully automated olive ripeness evaluation in a view of a simplified optical system

分析了来自意大利南部四个地区的十三种油橄榄木。为了客观化成熟阶段评估，获取了RGB图像。使用台式FT-NIR和便携式vis / NIR仪器进行光谱分析。台式设备配备了一个光纤探头，并且在800-2500 nm范围内收集了光谱，标称分辨率为1.6 nm。便携式分光光度计的覆盖范围为400–1000 nm，标称分辨率为0.3 nm。使用偏最小二乘-判别分析（PLS-DA）对橄榄光谱数据进行建模。从这两种设备获得的数据中获得的全局模型（使用了13个变体）所达到的预测能力结果令人鼓舞。根据卡拉布里亚，撒丁岛和阿布鲁佐的橄榄计算出的PLS-DA模型显示出很高的预测能力，即灵敏度，特异性和准确性均高于83％。可以提高普利亚样品的预测能力，从而增加样品的可变性，因为对于该区域，仅考虑了3个采样时间。为了比较台式FT-NIR和便携式vis / NIR设备之间的建模性能，进行了McNemar的测试，结果表明PLS-DA全局模型之间没有显着差异。最后，考虑到vis / NIR模型的良好性能，应用了使用间隔PLS（iPLS）算法的变量选择。为了降低复杂性，保持使用整个vis / NIR光谱（1647个变量）构建的模型的性能，选择了12个波段（1.5 nm宽）。与使用整个vis / NIR和NIR范围构建的两个全局模型相比，新模型显示出模型稳定性和复杂性方面的改进（灵敏度86％；特异性87％；准确性87％）。分类性能为开发（i）用于在橄榄树上直接确定橄榄成熟的简化系统，以及（ii）可以在田间和工厂应用的自动化系统（根据成熟程度对橄榄进行分选）提供了基础。

103. Quality estimation of nuts using deep learning classification of hyperspectral imagery

快速评估螺母的质量对于延长保质期并最大程度地减少由于酸败引起的螺母损失很重要。 现有的螺母质量评估方法通常缓慢且具有破坏性。 在这项研究中，使用高光谱成像（HSI）结合深度学习分类的一种快速且无损的方法，被用于按过氧化物值（PV）分类的小枝大黄中未发白仁的质量评估。 一组2300个289个印度蜡梅样品的子图像用于训练卷积神经网络（CNN）以估计质量水平。 一系列的消融实验表明，测试集上PV估算的最高总体准确度达到93.48％，优质，中质和劣质螺母的PV估算分别达到95.59％，90.00％和95.83％。 结果表明，高光谱图像的深度学习分类为在实际应用中准确，实时且无损地评估坚果的质量提供了巨大的潜力。

104. fruclimadapt：用于温带水果物种气候适应性评估的R包

气候强烈地决定了一个地区可以成功种植的果树种类的生长范围，以及表现最佳的品种。因此，气候适宜性的评估对于果园和葡萄园设计的决策至关重要，对于评估未来气候对水果生产的潜在影响也至关重要。生物气候指数和植物物候模型通常用于评估气候对优质果实生长的适宜性，并提供有关正在进行和未来变化的时空信息。在本文中，我们介绍了fruclimadapt，这是一种使用R语言编写的灵活且通用的软件包，可简化对气候适应的评估以及对葡萄树和果树的潜在风险的识别。一组核心功能允许通过计算特定的生物气候指数值来评估果树物种的气候适应性，并评估对产量和果实品质的潜在威胁。还包括三套附加功能：i）将每日气象值缩减为每小时数据，ii）估计冬季寒冷和强迫积热，iii）估计物候期的发生。目前可从CRAN网站（https://cran.r-project.org/package=fruclimadapt）获得fruclimadapt。