基于YOLOv5s改进模型的小白菜虫害识别方法

小白菜是中国种植面积较广、深受大众喜爱的蔬菜,但真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC小白菜虫害识别模型。首先,引入CBAM（Convolutional Block Attention Module）注意力机制,将其放在CBS（卷积层Convolution+归一化层Batch normalization+激活函数层SILU）的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度（mean Average Precision, mAP）达到91.40%,提高了12.9个百分点;每秒传输帧数（Frame Per Second, FPS）为58.82帧/s,增加了11.2帧/s,增加幅度达23.53个百分点;参数量仅为14.4 MB,降低了25.78个百分点。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度分别高出20.1、24.6、14、13.4和13.3个百分点,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。     

便携式柑橘虫害实时检测系统的研制与试验

为实现柑橘虫害的快速、准确识别,帮助果农及时掌握果园内虫害的危害程度和分布情况,该研究结合嵌入式图像处理技术设计了一套基于深度卷积神经网络的柑橘虫害实时检测系统。优选MoblieNet作为虫害图像特征提取网络,区域候选网络生成害虫的初步位置候选框,快速区域卷积神经网络（Faster Region Convolutional Neural Networks,Faster R-CNN）实现候选框的分类和定位。检测系统根据目标图像中虫害数量计算危害程度,按照正常、轻度、中度、重度4个等级判定柑橘虫害的严重程度,形成虫害识别与级别定量化测评软件。最后引入北斗模块获取采样点位置信息,进一步处理成可视化的虫害热力图。结果表明,该方法可实现对柑橘红蜘蛛和蚜虫的快速准确检测,识别准确率分别达到91.0%和89.0%,单帧图像平均处理速度低至286 ms。该系统实现了柑橘虫害的精准识别与定位,可为农药喷洒作业提供精准信息服务。     

航空施药中雾滴沉积传感器系统设计与实验

基于变介电常数电容器原理设计雾滴沉积传感器及检测系统,由此实现对航空施药中雾滴地面沉积量的快速获取。通过实验,分析建立了传感器对电导率487μS/cm、25 mS/cm雾滴的沉积量测量线性回归方程,决定系数R2分别为0.9923和0.9544。利用M-18B型飞机和AU-5000型喷雾机,对系统进行了应用测试,结果表明:与水敏纸图像分析方法对比,2种方法获得的雾滴地面沉积量分布曲线拟合度可达0.914 6,样点单位面积沉积量的相对测量误差分布在10%~50%之间。     

乙酰羟酸合酶抑制剂类除草剂的植物抗性机制

乙酰羟酸合酶(AHAS)抑制剂类除草剂已被广泛用于农业生产,然而使用过程中可能对部分敏感农作物产生药害,因此创制对不同类别除草剂具有抗性的一系列作物新品种至关重要。本文将从AHAS抑制剂类除草剂的类别与特点、AHAS靶酶的特性及其在支链氨基酸合成中的作用、除草剂的靶标抗性与非靶标抗性机制等方面分析国内外研究现状与未来发展动态,以期为农作物除草剂抗性性状的遗传改良和开发应用提供参考。     

不同电动植保无人机稻田雾滴沉积分布试验研究

为了研究旋翼类型和喷头类型对雾滴沉积影响,针对5种电动植保无人机进行水稻田雾滴沉积分布试验研究,试验机型包括单旋翼和多旋翼,喷头类型涉及离心式和液力式,并设置15L/hm2相同施药量,研究测定各机型的有效喷幅、雾滴沉积分布和冠层间的药液沉积量。试验结果表明:单旋翼机型具有较大的有效喷幅;离心式喷头雾滴沉积粒径较小,但雾滴沉积密度更大;各机型在作物上层的雾滴分布均匀性和药液沉积量最优,中层最差;相比液力式喷头,离心喷头可以获得更好的雾滴穿透效果。     

基于SLAM的无人机飞行参数设定方法研究#br#

为克服无人机林间飞行环境复杂、作业多样化、点云数据质量难以评价等导致的飞行参数不合理、点云数据质量差的问题,提出一种基于同时定位与建图(Simultaneous Localization and Mapping,SLAM)的无人机林间环境飞行参数设定方法。首先使用三维激光雷达所采集的林间点云数据进行建图,然后通过建图轨迹与GNSS-RTK数据轨迹进行对比分析,评价点云数据的质量,最后根据其均方根误差对无人机的最佳飞行高度与速度参数进行设定。分析结果表明：飞行速度固定时,机载激光雷达飞行轨迹的均方根误差与飞行高度成正相关。飞行高度固定时,机载激光雷达飞行轨迹的均方根误差与飞行速度成正相关。在平均高度为6~7 m,长度为100 m的林间,无人机的最佳飞行高度为12 m,最佳飞行速度为2 m/s,均方根误差为1.262 m。该方法满足评价点云数据质量的需求,同时为无人机林间环境飞行参数的设定提供理论支撑。     

环境风速对四旋翼植保无人机喷施雾滴飘移的影响研究

为了研究四旋翼植保无人机田间施药过程中风速对雾滴飘移的影响,分别在风速为0.1、2.4、2.5、3.1、3.4、4.0m/s6种不同风速下进行喷施试验.试验结果表明:随着风速的增大,沉积区雾滴起始点会产生位移,当风速增大到3.1m/s时,雾滴沉积的起始点移动1.75m,风速增大到4m/s时,雾滴沉积的起始点移动3.5m...     

神经网络在温室小气候预测中的应用

近年来,随着以日光温室为主要形式的设施栽培技术的兴起以及神经网络在语音识别、计算机视觉、序列分类领域取得重大突破,作为一种实现时间序列预测的有效工具,越来越多的神经网络技术开始应用在温室小气候预测技术中。按照神经网络的发展顺序对不同类型的神经网络模型在温室小气候预测中的应用进行总结叙述,分别针对前馈神经网络、循环神经网络、深度神经网络及混合神经网络的发展现状和研究者对网络模型的优化情况进行详细的介绍。在此基础上,分析当前针对温室小气候预测的神经网络模型存在模型输入参数单一而无法考虑温室整体环境变化、模型结构单一导致鲁棒性不足以及模型可靠性检验方法不合适、深度模型难以实地部署的问题,提出建立混合模型、改进模型检验方式、优化深度模型网络结构等建议。以期为面向温室智能控制的进一步研究提供参考。     

基于无人机可见光图像的夏季玉米植被覆盖度提取方法

为准确快速获取夏季玉米四叶期、拔节期、抽穗期和花粒期的植被覆盖度信息,利用无人机获取玉米田间可见光图像,对图像可见光波段提取的多种植被指数进行分析和比较,选择差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)和归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI),结合监督分类提取了玉米4个时期的植被覆盖度信息。通过对试验田4个阶段的单幅图像监督分类处理,将其目标物分为土壤和玉米植被两类;分别统计监督分类后图像中土壤和玉米的VDVI像元直方图,将两者的像元直方图交点作为植被覆盖度提取阈值,同理获得EXG和NGBDI对应的玉米植被覆盖度提取阈值;利用获取的玉米植被3种覆盖度提取阈值,对玉米4个时期的植被覆盖度进行提取,并对提取精度进行了验证。结果表明,VDVI对应4个生长时期的植被覆盖度提取误差分别为1. 21%、4. 88%、2. 31%和3. 61%; EXG对应的植被覆盖度提取误差分别为1. 38%、1. 25%、0. 89%和0. 33%; NGBDI提取误差为1. 61%、3. 31%、1. 99%和3. 25%,EXG在夏季玉米4个生长时期的植被覆盖度提取效果最好。将玉米4个生长时期单幅图像确定的阈值作为固定阈值,对剔除确定阈值的单幅图像的试验田全景图像进行植被覆盖度提取,并对提取效果进行验证。结果表明,采用监督分类与可见光植被指数统计直方图相结合确定阈值的方法提取玉米植被覆盖度效果较好。     

日本农业航空技术发展及对我国的启示

日本根据其地形、地貌特征、从事农业劳动的情况选择了从有人直升机到无人直升机航空施药为主的发展模式,研制了几款不同发展时期的植保无人机机型(R50、RMAX、RMAXⅡG、FAZER)应用于水稻植保作业,日本学者对农业航空遥感技术、精准导航控制技术、无人机控制技术进行了大量研究,在施药实践中形成了较为实用的无人机植保管理体制,确保了日本农业航空的健康、有序发展。本文旨在介绍日本农业航空现状、应用领域、精准施药技术及管理方法,以期为我国农业航空应用技术的发展提供借鉴。