植物病害准确检测与识别是其早期诊断与智能监测的关键，是病虫害精准化防治与信息化管理的核心。深度学习应用于植物病害检测与识别中，可以克服传统诊断方法的弊端，大幅提升病害检测与识别的准确率，引起了广泛关注。本文首先收集和介绍了部分公开的植物病害图像数据集，然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展，阐述了从早期检测和识别算法到基于深度学习的检测和识别算法的研究进展，以及各算法的优点和存在的问题。调研了相关研究文献，提出了光照、遮挡、复杂背景、病害症状之间相似性、病害在不同时期症状会有不同的变化以及多种病害交叠共存是目前植物病害检测和识别面临的主要挑战。并进一步指出，将性能更好的神经网络、大规模数据集和农业理论基础相结合，是未来主要的发展趋势，同时还指出了多模态数据可以用于植物早期病害的识别，也是未来发展方向之一。本文可为植物病害识别的深入研究与发展提供参考。

大田作物智慧种植业是智慧农业的重要内容。本文通过分析智慧农业发展历程，明确了大田作物智慧种植业发展战略总体目标和重点任务，凝练出关键技术，有针对性地提出适宜中国区域特征的发展模式。大田作物智慧种植的关键技术面临的主要挑战有：缺乏原位精准测量技术与农业专用传感器，作物模拟模型与实际生产有较大差别，信息传输技术的实时性、可靠性、通用性和稳定性有待改进，智能农业装备还需要进一步解决好农机/农艺相结合问题。在以上分析基础上，提出了大田作物智慧种植关键技术的5个一级技术以及相应的18个二级技术。5个一级技术包括环境与生物信息感知技术、信息移动互联与农业物联网技术、云计算与云服务技术、大数据分析与决策技术、智能农机装备与农业机器人技术。根据中国种植业区域特色提出了相应的6种智慧农业发展区，即东北与内蒙古规模化智慧生产发展区，京津冀鲁智慧都市农业与节水农业发展区，西北旱区棉花规模化智慧种植和旱作智慧农业绿色发展综合试验区，东南沿海循环型水稻智慧种植业综合发展试验区，长江中下游平原智慧粮油优化发展区，以及西南山区智慧特色农业发展区。最后从基础设施建设、技术、人才和政策角度给出了发展建议。

无人农场是智慧农业的一种表现形式，也是建设农业强国和实现农业现代化的重要探索。无人农场以数据、知识和智能装备为核心要素，将现代信息技术与农业深度融合，实现农业全过程生产所需的信息感知、定量决策、智能控制、精准投入及个性化服务一体化。本文系统地阐述了大田无人农场的概念与总体技术架构，讨论了信息感知与智能决策、精准作业系统与装备、自动驾驶、无人化农机装备以及无人农场管控平台等五项大田无人农场的关键技术与装备，深入分析了发展中国大田无人农场亟待解决的关键科学与技术问题。以吉林省公主岭市玉米无人农场为例介绍了物联网、大数据、云计算以及人工智能等技术在玉米全程无人化生产中的具体应用及效果。最后，展望了无人农场在解决全球农业生产面临的“无人种田”等共性问题中发挥的重要作用，分析了中国发展无人农场存在的机遇和挑战，提出了中国发展无人农场的战略目标与思路。

元宇宙这一新兴概念受到了产、学、研各界的广泛关注。农业与元宇宙的结合将极大地推动农业信息化和智能化发展，为农业智能化转型升级提供新动能。为深入分析元宇宙在农业领域的应用研究可行性，本文首先分析了农业元宇宙的概念，以及区块链、非同质化代币、5G/6G、人工智能、物联网、三维重建、云计算、边缘计算和扩展现实等元宇宙农业应用的关键技术。接着讨论了元宇宙在虚拟农场、农业教学系统和农产品追溯系统三个农业应用领域的主要情景，最后总结了农业元宇宙面临的系统建立、通信基础、硬件设备和运营等方面的主要挑战，并展望了未来的发展方向。本文可为元宇宙在农业的应用研究提供指导。

大数据、物联网和人工智能等现代信息技术在农业中的广泛应用，推动了农业农村现代化和智慧农业的发展，带动了农业经营主体对科技与知识的旺盛需求，农业知识服务成为农业转型升级和高质量发展的重要引擎。为解决现有农业知识分散无序、更新不及时、面向经营主体的知识服务不平衡、供需脱节等问题，本文总结分析了国内外农业知识服务的研究与实践现状，提出了一套基于农业全产业链、按照农业数据的全生命周期、面向农业经营主体的农业智能知识服务体系框架，设计了基于智能物联网（Artificial Intelligence & Internet of Things，AIoT）的农情感知与大数据汇聚治理、基于知识图谱的农业知识组织与计算挖掘，以及基于多场景的农业智能知识服务三个层次。文中归纳了包括空天地AIoT全维度农情感知、多源异构农业大数据汇聚治理、知识建模、知识抽取、知识融合、知识推理、跨媒体检索、智能问答、个性化推荐技术、决策支持等农业智能知识服务涉及的关键技术，并举例了其研究应用。最后从农业数据获取、模型构建、知识组织、智能知识服务技术和应用推广等方面探讨了未来农业智能知识服务的发展趋势及对策建议。总结发现，农业智能知识服务是破解当前农业知识服务供需矛盾，实现跨媒体农业数据到知识的跨越，推动农业知识服务向个性化、精准化和智能化升级的关键，亦是农业科技自立自强、现代农业提质增效的重要支撑。

准确高效地监测动物信息，及时分析动物的生理与身体健康状况，并结合智能化技术进行自动饲喂和养殖管理，对于家畜规模化养殖意义重大。深度学习技术由于具有自动特征提取和强大图像表示能力，更适用于复杂的畜牧养殖环境中动物信息监测。为进一步分析人工智能技术在当下智慧畜牧业中研究应用，本文针对牛、羊和猪三种家畜，介绍了深度学习技术在目标检测识别、体况评价与体重估计以及行为识别与量化分析的研究现状。其中，目标检测识别有利于构建动物个体电子档案，在此基础上可以关联动物的体况体重信息、行为信息以及健康情况等，这也是智慧畜牧业发展的趋势。智慧畜牧养殖技术当前面临着应用场景存在多视角、多尺度、多场景和少样本等挑战以及智能技术泛化应用的问题，本文结合畜牧业实际饲养和管理需求，对智慧畜牧业发展进行展望并提出了：结合半监督或者少样本学习来提高深度学习模型的泛化能力；人、装备和养殖动物这三者的统一协作及和谐发展；大数据、深度学习技术与畜牧养殖的深度融合等发展建议，以期进一步推动畜牧养殖智能化发展。

农业模型、农业人工智能及数据分析等技术贯穿于智慧农业的信息感知、信息传输、信息处理与控制全过程，是智慧农业的核心技术。为进一步明晰农业模型的内涵和作用，促进农业模型进一步研究及应用，推动智慧农业健康、稳定和可持续发展，本研究采用系统分析、比较及关系框图等方法，分析了农业模型的内涵，阐述了农业模型和智慧农业要素与过程的关系，明确了农业模型的作用并附以应用案例，比较了农业模型的国内外重要发展动态与趋势。国内外农业模型研究与应用重要进展比较表明，农业模型研究应用需要考虑农业生物要素的4个水平、农业环境要素的6个尺度、农业技术与农业经济要素的6个层次并采用相应方法进行，农业模型环境要素空间多尺度研究应用有较大发展潜力；农业模型与分子遗传学、感知技术及人工智能技术结合，农业模型研究应用的公私有组织协作，粮食安全挑战将成为农业模型进一步发展的重要推动力，且需更注重将各种农业系统模拟、数据库、和谐性与开放数据及决策支持系统相连接。中国农业模型研究与应用已形成具有中国特色的作物模型系列，也融入农业模型的互比较与改进、智慧农业等世界潮流，需要抢抓机遇，加快发展。农业模型是农业系统要素内及要素间关系的定量化表达，是农业科学定量与综合的重要方法，具有认识论价值，它与感知技术的结合可以在智慧农业数据获取与处理中发挥不可或缺的作用，成为信息农业技术落地应用的重要桥梁和纽带。

设施农业智能装备是设施农业稳定、高品质、高效生产的必要保障。日本智能采收装备已有近四十年的研发经验，其发展具有一定启发和借鉴意义。本文综述了日本设施农业采收机器人的研究应用进展，分析了基于农机农艺结合的茄科（番茄、茄子、青椒）、葫芦科（黄瓜、瓜类水果）、芦笋和草莓等10种设施农业采收机器人的采收技术，其中详细对比了番茄、草莓等几种蔬菜历代采收机器人的设计理念及其优点与不足。分析了设施农业采收机器人面临的科学问题及解决方案，总结了未来发展趋势及对中国的启发。本文可为加速推进中国设施农业采收机器人的智慧化、智能化和产业化发展提供借鉴参考。

农田作物信息的快速获取与解析是开展精准农业实践的前提和基础。根据农作物病虫草害的实际程度进行变量喷施和作业管理,可减少农业生产成本、优化作物栽培、提高农作物产量和品质,从而实现农业精准管理。近年来,随着无人机产业的快速发展,无人机农业遥感技术因其空间分辨率高、时效性强和成本低等特点,在农作物病虫草害监测应用中发挥了重要作用。本文首先介绍了精准农业航空的基本思想与系统组成和无人机遥感在精准农业航空的地位。接着探讨了无人机农业遥感系统常见的成像方式和遥感影像解析方法,并阐述了国内外无人机农业遥感技术在农作物病虫草害检测研究的最新进展。最后总结了无人机农业遥感技术发展至今面临的挑战并展望了未来的发展方向。本文将为开展无人机农业遥感技术在精准农业航空领域的研究提供理论参考和技术支撑。

针对柚子果形和尺寸分级依赖人工经验判断的现状，本研究提出一种采用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法检测柚子纵、横径尺寸并基于果形指数对柚子形状缺陷进行判断的方法。以CMOS相机、点阵式LED光源、平面镜、计算机、箱体和支架搭建图像采集装置，获取168个不同尺寸与形状等级的沙田柚样本全表面图像数据。选择G-B分量灰度图像进行去噪与分割，利用Laplacian算子边缘检测算法提取果实的边缘像素，采用多项式拟合方式完成直角坐标向极坐标的转换从而简化果形描述，利用特征点极角值补偿样本纵横径的随机方向，继而区别类球形和类梨形两种类型计算柚子的纵径和横径。以广东梅州沙田柚为对象进行试验，结果表明，利用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法的方法检测柚子纵径的平均绝对误差、最大绝对误差和平均相对误差分别为2.23 mm、7.39 mm和1.6%，横径的平均绝对误差、最大绝对误差和平均相对误差分别为2.21 mm、7.66 mm和1.4%。从柚子轮廓极坐标的拟合函数中提取3个峰值高度、3个波峰宽度和1个波谷值差值7个特征值，利用BP神经网络算法建立柚子果形判别模型并用独立验证集进行验证，形状判别的总识别率为83.7%。本方法能为柚子尺寸和形状的自动化检测与分级提供快速无损方法。

传统果园生产中面临着人口老龄化带来的劳动力短缺、农机作业装备与生产资料管理困难、生产效率低下等问题，通过建设融合物联网、大数据、装备智能化等技术的智慧果园，可有望解决上述问题。为应对北京市农业现代化建设需求、引领中国农业发展方向，基于桃、梨果园全程机械化、智能化管理等目标，本研究在北京市重要的桃、梨等优势果品产区——平谷区峪口镇西营村构建了约30 hm²梨与桃的智慧果园。果园中应用了10多种病、虫、水、肥、药的各类信息获取传感器，装备了28种机械化、智能化技术支持的农机装备，采用的关键技术包括智能信息获取系统、水肥一体管理系统以及病虫害智能管理系统，智能作业装备系统包括无人驾驶割草机、智能防冻机、开沟施肥机、自动驾驶履带智能仿形变量喷雾机、六旋翼枝向对靶无人机、多功能采摘平台以及整理修剪机等。同时，在果园中还构建了智能管理平台。经比较发现，智慧果园生产模式可减少人工成本50%以上，节省农药用量30%～40%、肥料用量25%～35%、灌溉用水量60%～70%，综合经济效益提升32.5%。智慧果园的推广实施将进一步推动中国果业生产水平的提高，促进中国智慧农业的发展。

针对当前中国肉牛繁育管理水平和信息化智能化水平不高等问题，本研究借鉴国际先进肉牛养殖国家的经验，建立了适合中国的商业化肉牛繁育大数据平台。该平台主要完成肉牛种质信息资源的整合，在线自动测定肉牛关键繁育性状，全程服务支撑肉牛繁育过程，形成肉牛种质资源大数据分析决策，并实现肉牛联合育种创新模式。本文详细介绍了商业化肉牛繁育大数据软件平台开发思路，包括数据中心的实现、软件平台前端开发技术和后端开发技术等，并总结了该平台的关键技术创新和模式创新内容，包括肉牛种质资源与良种管理系谱深度挖掘技术，非接触式繁育性状自动获取评价技术，以及多源异构信息融合提供智能决策支持等，为中国肉牛种业发展提供可持续发展的信息化解决方案，以促进肉牛育种整体水平的提高。

针对作物产量形成、品种适应性分析的数字化解析和可视化表达需求,以提高作物模拟模型的时效性、协同性和真实感为目标,结合物联网技术与作物模拟模型,进行了田间数据实时采集;应用多智能体技术进行了作物协同模拟方法研究与框架设计;开展了作物生长过程模拟模型及基于作物模型的形态三维可视化关键技术研究,以小麦作物为例,进行了田间试验,阐述了小麦三维形态模拟可视化系统的设计实现并进行了试验验证;构建了Logistic方程模拟小麦叶长、最大叶宽、叶片高度、株高等的生长变化,采用基于曲线、曲面的参数化建模方法和3D图形库OpenGL构造了小麦器官几何模型。结果表明小麦叶长、最大叶宽、叶片高度和株高模拟模型R²值在0.772~0.999之间,回归方程的F值在10.153~4359.236之间,且Sig.小于显著水平0.05,模型显著性较好,模型的拟合度较高。本研究将作物模拟模型结果和形态结构模型有效结合,实现了以小麦为代表的作物在不同管理措施条件下的生长过程形态三维可视化表达,为作物生产数字化系统应用提供了更有效的途径,该技术体系与方法同样适用于玉米、水稻等作物。

家畜养殖的生产模式已由粗放型向集约型转变，生产水平不断提高，但较低的劳动生产率和劳动力短缺等问题严重制约中国家畜养殖业的快速发展。利用现代信息和人工智能技术，研发家畜饲喂机器人，包括喂料、推料等机器人，实现数字化、智能化的家畜养殖，提高畜牧养殖生产力是解决上述问题的主要途径。为深入分析机器人技术在家畜养殖中的研究现状，本文收集了国内外家畜机器人研究实例和文献资料，从轨道式喂料机器人、自走式喂料机器人和推料机器人3个方面重点介绍家畜饲喂机器人的研究进展，分析了饲喂机器人的技术特点和实际应用情况，从技术和应用两个方面对国内外饲喂机器人进行了比较，并从战略规划制定、核心技术发展和产业发展趋势三个方面进行展望并提出发展建议，为家畜饲喂机器人在中国的进一步发展和应用提供参考。

番茄病害的及时检测可有效提升番茄的质量和产量。为实现番茄病害的实时无损伤检测，本研究提出了一种基于改进MobileNetV3的番茄叶片病害分类识别方法。首先选择轻量级卷积神经网络MobileNetV3，在Image Net数据集上进行预训练，将预训练得到的共享参数迁移到对番茄叶片病害识别的模型上并做微调处理。采用相同的训练方法对VGG16、ResNet50和 Inception-V3 三种深度卷积网络模型也进行迁移学习并进行对比，结果显示MobileNetV3的总体学习效果最好，在Mixup混合增强和focal loss损失函数下对10类番茄病害的平均测试识别准确率达到94.68%。在迁移学习的基础上继续改进 MobileNetV3模型，在卷积层引入空洞卷积和感知机结构，采用GLU（Gated Liner Unit）闸门机制激活函数，训练得到最佳的番茄病害识别模型，平均测试的识别准确率98.25%，模型的数据规模43.57 MB，单张番茄病害图像的检测耗时仅0.27 s。经十折交叉验证（10-Fold Cross-Validation），模型的鲁棒性良好。本研究可为番茄叶片病害的实时检测提供理论基础和技术支持。

为进一步提高农产品供需过程模拟与估算精度，本研究以自1980年以来国家级和省级的大量农业数据作为样本，充分考虑农产品品种、时间、收入、经济发展等因素影响，构建基于深度学习长短时记忆神经网络（Long Short-Term Memory Neural Network，LSTM）的多种农产品供需预测模型。模型在充分考虑机理性约束条件的前提下，利用深度学习算法在非线性模型分析预测中的优势，对稻谷、小麦、玉米、大豆、猪肉、禽肉、牛肉、羊肉、水产品等9种主要农产品供需进行分析预测。将基于本模型的2019—2021年产量预测结果与国家统计局公布数据进行对比验证，三年平均预测准确率96.98%，表明本研究构建的预测模型能够高效地反映隐性指标变化对预测结果的影响。该模型可以通过及时地监测农业运行数据，为多区域、跨期的农业展望工作提供智能化技术支持。

为同时实现果园智能植保机自主导航及自动对靶喷雾，研制了一种果园自主导航兼自动对靶喷雾机器人。首先采用单个3D LiDAR（Light Detection and Ranging）采集果树信息确定兴趣区（Region of Interest，ROI），对ROI内点云进行2D化处理得到果树质心坐标，通过随机一致性（Random Sample Consensus，RANSAC）算法得到果树行线，并确定果树行中间线（导航线），进而控制机器人沿导航线行驶。通过编码器及惯性测量单元（Inertial Measurement Unit，IMU）确定机体速度及位置，IMU矫正采集到的果树分区冠层信息，最后通过程序判断分区冠层的有无控制喷头是否喷雾。结果表明，机器人自主导航时最大横向定位偏差为21.8 cm，最大航向偏角为4.02°，相比于传统连续喷雾机施药液量、空中漂移量及地面流失量分别减少20.06%、38.68%及51.40%。本研究通过单个3D LiDAR、编码器及IMU在保证喷雾效果的前提下，实现了喷雾机器人自主导航及自动对靶喷雾，降低了农药使用量及飘失量。

中国水产养殖的生产模式已由粗放型向集约型转变，生产结构不断调整升级，生产水平不断提高。但较低的劳动生产率、生产效率和资源利用率，低质量的水产品以及缺乏安全保障等问题都严重制约中国水产养殖业的快速发展。利用现代信息技术，研究智能设备来实现精确、自动化和智能化的水产养殖，提高渔业生产力和资源利用率是解决上述矛盾的主要途径。水产养殖中的人工智能是研究利用计算机实现水产养殖的过程，也就是利用机器和计算机监视水下生物的生长，进行问题判断、讨论和分析，提出养殖相关决策，完成自动化养殖。为深入了解人工智能技术在水产养殖中的研究发展现状，本文从水产养殖的生命信息获取、水产生物生长调控与决策、鱼类疾病预测与诊断、水产养殖环境感知与调控，以及水产养殖水下机器人5个具体方面入手，结合生产中面临的实际问题，分析了人工智能在水产养殖中的研究应用现状和技术特点；阐述了人工智能应用的主要技术手段和原理，总结了近年来人工智能技术在水产养殖中的最新应用研究进展，分析了当前人工智能技术在水产养殖发展中面临的主要问题和挑战，并提出了推动水产养殖转型的主要建议，以期为加速推进中国渔业数字化、精准化和智慧化提供参考。

为快速准确获取玉米收获过程中遗失籽粒数信息，进行收割损失调节等管理，对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先，利用RGB相机获取包含不同背景和不同光照的图像数据，并进一步生成数据集；其次，构建籽粒识别的不同目标检测网络，包括Mask R-CNN、EfficientDet-D5、YOLOv5-L、YOLOX-L，并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试，图像数分别为200、40和180幅；最后，依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明，YOLOv5-L网络对测试集图像检测的平均精度为78.3%，模型尺寸仅为89.3 MB；籽粒计数的检测正确率、漏检率和F₁值分别为90.7%、9.3%和91.1%，处理速度为55.55 f/s，识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络，并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测，精度高、适用性强。

种植收入保险已成为中国农业保险的一种重要形式，2022年将在13个粮食主产省的所有主产县开展。本文首先回顾了遥感技术在农业保险中的总体应用历程，其次，通过阐述现有种植收入保险的业务模式，展现了目前遥感技术在该模式下的应用场景，并对各种应用场景下的关键技术的应用研究进展进行了评述，包括耕地地块提取、作物分类提取、作物灾情评估和作物产量估算。最后，列举了目前种植收入保险常用的遥感数据源。通过综述，发现种植收入保险应用场景下最重要的两个技术层面的问题，一是地块提取和作物分类不够自动化，二是产量估算机理性不强、准确度不高。由此又延伸出两个行业层面的问题，一是遥感行业自身局限性问题，二是保险行业的现行业务与遥感技术结合的兼容性问题。对此，本文提出建立数据分发平台解决数据获取和与处理难和初始数据标准化的问题、完善耕地地块和作物类型样本库以促进地块提取和作物分类自动化、多学科交叉研究实现更快更准更科学地产量估算、农业保险遥感技术应用标准化，以及遥感技术应用合同化等五个具体建议。展望未来，种植收入保险乃至所有农业保险中遥感技术的应用模式应该是一个有数据可用、技术上更自动化智能化、有标准可依、有合同背书的新型模式。

自然环境下果实的精准检测是火龙果采摘机器人执行采摘作业的先决条件。为提高自然环境下果实识别的精确性、鲁棒性和检测效率，本研究对YOLOX（You Only Look Once X）网络进行改进，提出了一种含有注意力模块的目标检测方法。为便于在嵌入式设备上部署，本方法以YOLOX-Nano网络为基准，将卷积注意力模块（Convolutional Block Attention Module，CBAM）添加到YOLOX-Nano的主干特征提取网络中，通过为主干网络提取到不同尺度的特征层分配权重系数来学习不同通道间特征的相关性，加强网络深层信息的传递，降低自然环境背景下对火龙果识别的干扰。对该方法进行性能评估和对比试验，经过训练后，该火龙果目标检测网络在测试集的AP_0.5值为98.9%，AP_0.5:0.95的值为72.4%。在相同试验条件下对比其它YOLO网络模型，该方法平均检测精度分别超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2%、9.8%和7.9%。最后对不同分辨率的火龙果果园自然环境下采集的视频进行实时测试。试验结果表明，本研究提出的改进YOLOX-Nano目标检测方法，每帧平均检测时间为21.72 ms，F₁值为0.99，模型大小仅3.76 MB，检测速度、检测精度和模型大小满足自然环境下火龙果采摘的技术要求。

玉米和大豆为同季旱粮作物，“争地”矛盾十分突出，同时掌握玉米和大豆两者的价格是必要的。相较于现货，农产品期货价格具有价格发现功能。因此，玉米和大豆期货价格分析和预测对种植结构调整和农户作物品种选择均具有重要意义。本研究首先分析了玉米和大豆期货价格的相关性，通过相关性计算和格兰杰因果检验，发现玉米和大豆期货具有较强的正向相关性，且大豆期货价格是玉米期货价格的格兰杰原因；其次，基于长短时记忆（Long Short-Term Memory，LSTM）模型对玉米和大豆期货价格进行预测，并引入注意力机制（Attention）对期货价格预测模型行优化。对比结果表明，与差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model，ARIMA）和支持向量回归模型（Support Vector Regression，SVR）相比，LSTM模型在各项指标中均为更优，而与单一的LSTM模型相比，加入Attention机制的Attention-LSTM模型在各项指标中均更优。其中，玉米和大豆期货预测结果的平均绝对误差（Mean Absolute Error，MAE）分别提升3.8%和3.3%，均方根误差（Root Mean Square Error，RMSE）分别提升0.6%和1.8%，平均绝对百分误差（Mean Absolute Percentage Error，MAPE）分别提升4.8%和2.9%，证明了Attention机制的加入可以帮助模型提取有效信息，提升性能。最后，使用LSTM模型结合大豆期货历史价格共同预测玉米期货价格，MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。试验结果表明，本研究使用Attention-LSTM模型对玉米和大豆期货价格进行预测，相较于通用预测模型，Attention-LSTM模型能够提高大豆和玉米期货价格预测精度，且结合相关农产品期货价格数据，可以提升单个农产品期货模型的预测性能。

畜禽设施精细养殖是现代畜牧业发展的前沿领域,其核心在于物联网与传统设施养殖的深度融合。近年来,随着传统家庭式养殖模式逐渐退出,中国畜禽养殖场的管理方式已逐步迈向集约化、规模化和设施化,基于养殖动物个体管理和质量保障且满足动物福利要求的畜禽设施精细化养殖已成为畜禽养殖业的最新发展趋势。本文在阐述畜禽设施精细养殖信息感知与环境调控的重要性的基础上,介绍了信息感知与环境调控相关前沿技术,分析了面临的问题与挑战,指出智能传感器技术将成为推动畜禽设施精细养殖进步的底层驱动技术,兼顾畜禽福利和生产性能的动物拟人化智能调控技术和策略等是面临的重要挑战。最后,就中国畜禽设施精细养殖关键技术如何落地提出了相关建议,旨在为中国畜禽设施养殖业的转型升级和可持续发展提供理论参考和技术支撑。

奶牛跛行是奶牛发生肢蹄病的外在表现。人工识别跛行奶牛存在效率低、成本高、主观性强等问题。奶业对奶牛跛行自动识别技术需求日益强烈。本文从机器视觉技术、压力分布测量技术、可穿戴技术、行为分析技术和跛行分类技术5个方面，分析了奶牛跛行自动识别技术的原理、功能、特点及研究现状。总结发现，当前奶牛跛行自动识别技术研究大多集中在传感器研发和算法开发，而性能验证和决策支持的研究较少，面临的主要挑战包括高质量跛行识别数据获取难度大，缺乏早期跛行识别技术手段，奶牛个体差异干扰模型识别精度，牧场非结构化环境对识别系统性能要求高，以及技术应用效果难评估等。因此，为促进奶牛跛行自动识别技术的发展，建议推动牧场跛行监测数据共享，研究奶牛个体跛行判别模型的构建方法，开发融合跛行检测、体况评分等多功能的一体化智能通道，并分析评价跛行自动识别技术应用在保障动物福利、环境生态、粮食安全等方面的重要意义。

利用先进的信息技术推动智能养殖业发展已经成为奶牛养殖研究领域的重要目标和任务。计算机视觉技术具有非接触、免应激、低成本及高通量等优点，在畜牧生产中应用前景广阔。本文在阐述了计算机视觉技术在智能化养殖业发展中重要性的基础上，首先介绍了基于计算机视觉的奶牛生理参数监测进展，包括体尺、体温、体重的前沿监测设备、技术和模型参数。然后阐述了奶牛跛行及乳腺炎等疾病诊断的前沿技术发展过程和研究现状。目前，相关技术研究和应用推广存在检测准确性不高，受环境因素影响较大，非标准化养殖场结构制约检测系统普及，以及检测系统成本较高等问题和挑战。最后，本文结合中国养殖业发展现状，针对保证检测准确性、减少环境干扰等问题，就如何提高计算机视觉技术在智能化养殖业中的准确性和普适性提出了相关建议，旨在为中国奶牛养殖业的科学管理和现代化生产提供新方法和新思路。

鲜食果蔬收获是难以实现机械化作业的生产环节，高效低损采摘也是农业机器人研发领域中的难题，导致目前市场化的自动化果蔬采摘装备生产应用几乎空白。针对鲜食果蔬采摘需求，为改善人工采摘费时费力、效率低下、自动化程度低的问题，近30年来，国内外学者设计了一系列自动化采摘设备，推动了农业机器人技术的发展。在研发鲜食果蔬采摘设备时，首先要确定采收对象和采收场景，针对作物的生长位置、形状和重量、场景的复杂程度、所需自动化程度，通过复杂度预估、力学特性分析、姿态建模等方式，明确农业机器人的设计需求。其次，作为整个采摘动作的核心执行者，采摘机器人的末端执行器设计尤为重要。本文对采摘机器人末端执行器的结构进行了分类，总结了末端执行器的设计流程与方法，阐述了常见的末端执行器驱动方式、切割方案，并对果实收集机构进行了概括。再次，本文概述了采摘机器人的总体控制方案、识别定位方法、避障方法及自适应控制方案、品质分类方法以及人机交互、多机协作方案。为了总体评价采摘机器人的性能，本文还提出了平均采摘效率、长期采摘效率、采收质量、损伤率和漏采率指标。最后，本文对自动化采摘机械的总体发展趋势进行了展望，指明了采摘机器手系统将向着采摘目标场景通用化、结构形式多样化、全自动化、智能化、集群化方向发展的趋势。

为理清国内外农业机械与信息技术融合发展现状，找到重点发展方向，借此大力推进中国农业机械智能化发展，本文首先分析了国外农业机械与信息技术融合发展的现状，总结了其发展的五大特点。之后指出中国农业机械化发展虽然成效显著，但仍存在农机信息化融合的区域及结构发展不平衡、企业和农民对农业机械信息化的认可度还不高、基础研究与关键技术研究薄弱、农机作业信息系统管理水平不高且缺乏统一标准等问题。最后提出了中国农业机械与信息技术融合发展的方向，包括促进智能感知技术发展与导航技术研究、推进农业机械装备智能化、构建农机智慧作业系统、推进农机自主作业技术研究与无人农场建设、加强农机信息化技术标准制定与复合型人才培养等。农业机械与信息技术融合是中国现代农业机械发展的必然趋势，利用信息技术促进农业机械的发展，能够最大化发挥信息技术的引导效应，提高农业生产效率，对于推进中国农业机械高质高效发展具有重要意义。

目前对玉米出苗动态检测监测主要是依靠人工观测，耗时耗力且只能选择小的样方估算整体出苗情况。为解决人工出苗动态管理不精准的问题，实现田间精细化管理，本研究以田间作物表型高通量采集平台获取的高时序可见光图像和无人机平台获取的可见光图像两种数据源构建了不同光照条件下的玉米出苗过程图像数据集。考虑到田间存在环境背景复杂、光照不均等因素，在传统Faster R-CNN的基础上构建残差单元，使用ResNet50作为新的特征提取网络来对Faster R-CNN进行优化，首先实现对复杂田间环境下玉米出苗识别和计数；进而基于表型平台所获取的高时序图像数据，对不同品种、不同密度的玉米植株进行出苗动态连续监测，对各玉米品种的出苗持续时间和出苗整齐度进行评价分析。试验结果表明，本研究提出的方法应用于田间作物高通量表型平台出苗检测时，晴天和阴天的识别精度分别为95.67%和91.36%；应用于无人机平台出苗检测时晴天和阴天的识别精度分别91.43%和89.77%，可以满足实际应用场景下玉米出苗自动检测的需求。利用表型平台可获取时序数据的优势，进一步进行了玉米动态出苗检测分析，结果表明利用本模型得到的动态出苗结果与人工实际观测具有一致性，说明本研究提出的模型的具有鲁棒性和泛化性。

饲料粮缺口的逐渐加大，导致中国饲料粮安全问题逐步转化为粮食安全问题。因此，全面整合饲料营养基础数据资源，提高一切可利用饲料资源的营养价值，成为中国今后长期保障国家粮食安全的技术措施之一。本研究依据16类中国饲料原料描述规范和属性数据标准，全面用数字化模式收集整理了自“六五”至“十三五”期间累积的50万条以上已有饲料资源的种类、空间分布、饲料成分含量及营养价值特性数据，利用MySQL网络数据库及PHP程序语言，开发了新一代饲料营养大数据分析平台（http：//www.chinafeeddata.org.cn/）并提供Web数据共享功能。首先，平台提供所有入库数据的可视化分析，可实现单个或多个饲料多种养分和多种图形模式的直观比对。通过二维码技术提供所有饲料营养属性数据及饲料实体样本溯源数据的移动端实时分享与下载服务。其次，平台构建了通过已知饲料概略养分在线预测其他有效养分的回归模型，为饲料原料养分变异提供动态分析。最后，平台基于地理信息系统技术，将饲料概略养分和主要矿物元素含量数据与其所处的地理位置分布相结合，实现了饲料营养数据地理信息图谱的分布查询及对比分析，同时提供各种数据的下载方式，为已有饲料数据的全面应用带来便利。研究表明，拓展饲料资源数据并提供饲料养分的预测分析模型，可最大化利用已有饲料养分数据的价值，进一步嵌入各类饲料配方的网络计算模块，可以达到饲料营养数据的一站式服务及数据的最大化升值服务。

太阳能杀虫灯在农业趋光性害虫受灯光引诱并接触金属网时释放高压脉冲电流杀灭害虫,可有效减少施用农药造成的环境污染和食品安全问题。本文介绍了利用无线传感器网络技术提升太阳能杀虫灯在农业迁飞性趋光害虫防治领域的应用效果,明确提出了一种新型农业物联网——太阳能杀虫灯物联网。首先,从杀虫灯在国内农业生产中的应用研究现状出发,总结了杀虫灯在林果、水稻和蔬菜等作物生产种植中的部署特点和杀虫工作时段分布情况;其次,分析了现有联网型太阳能杀虫灯节点的产品特点和杀虫灯物联网研究现状;然后,结合太阳能杀虫灯的能量采集方式、田间部署特点,综合分析了基于太阳能能量采集方式的传感器网络研究现状和基于启发式的传感器网络节点部署研究现状;最后,探讨了太阳能杀虫灯物联网的节点部署、能量预留管理、虫害爆发区域边界定位、虫情数据抗干扰传输等关键研究问题,并对太阳能杀虫灯物联网在农业生产中的应用进行了总结和展望。

针对畜禽养殖防疫消毒劳动强度大、安全性差的问题，设计了防疫消毒机器人系统，以实现畜禽舍防疫消毒喷雾的智能化作业。机器人系统由移动承载平台、防疫喷雾部件、环境监测传感器以及控制器等4部分构成，支持全自动运行和遥控操作2种工作模式。针对畜禽舍内弱光、低应激的工况条件，提出了“磁标-射频识别”组合的导航路径探测方法，实现在畜禽舍内养殖笼架间的自主移动。设计了风助式药液喷嘴，可同步实现消毒药液的雾化和扩散。通过对喷嘴内腔风场进行流体动力学仿真，对喷嘴气体导流和药液雾化部件结构参数进行了优化设计，确定了锥形导流垫块和雾化栅板的倾角分别为75°和90°。最后，在禽舍内对机器人导航和喷雾性能进行了现场测试。试验结果表明，机器人移动平台可满足0.1~0.5 m/s速度范围的自动巡线导航，其实际轨迹相对磁钉标记的最大偏移量为50.8 mm；风助式喷嘴可适用于200~400 mL/min流量的药液喷洒，形成的雾滴直径（DV.9）为51.82~137.23 μm，雾滴沉积密度为116~149 个/cm²。本畜禽舍防疫消毒机器人可实现养殖舍内消毒和免疫药液的智能化喷雾作业。

植物化学保护即使用植保机械喷施化学农药是当前最主要的病虫害防控方法，一直以来对保障农业生产安全与粮食有效供给起至关重要作用。能够实现按需精准施药、变量施药、人机分离与人药分离的高效、精准、智能的施药技术和装备是提高农药药效与利用率的保证，也是保障食品安全、降低农民劳动强度的重要措施，是目前国内外研究的热点。本研究对精准施药关键技术及研究现状进行了分析，对适用于不同作业场景的精准施药装备的研究现状、典型代表、应用进展等进行了分类总结，分析了目前精准施药发展中面临的挑战，并提出了对策和建议。本研究可为精准施药技术研究的推进、智能施药装备的研发和现代化农业的发展提供参考和思路。

水肥一体化自动装备的使用能够有效提高水肥资源利用率，但需要在作业前获知作物的营养状况及水肥需求量，而通过人工手持测量仪器来获取这些信息，存在着时效性差和劳动强度大等缺点。针对以上问题，本研究以常见的作物玉米为研究对象，使用大疆精灵Ⅲ无人机携带RedEdge-M多光谱相机在田间上空采集玉米多光谱图像，同时使用YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息，根据这些信息将采集的图像分为3个等级（每个等级共包含530幅五通道图像，其中480幅作为训练集，50幅作为验证集），提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型，通过向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像，能够输出玉米的营养状况等级和GPS 信息，识别彩色图像模型在验证集的正确率为84.7%，识别多光谱图像模型在验证集的正确率为90.5%，模型训练平均时间为4.5h，五通道图像识别平均用时为3.56s。该识别方法可快速无损地获取玉米作物的营养状况，为有效提高水肥资源利用率提供了方法和依据。

快速准确的鱼类识别系统需要良好的识别模型和部署系统作为支撑。近年来，卷积神经网络在图像识别领域取得了巨大成功，不同的卷积网络模型都有不同的优点和缺点，面对众多可供选择的模型结构，如何选择和评价卷积神经网络模型成为了必须考虑的问题。此外，在模型应用方面，移动终端直接部署深度学习模型需要对模型进行裁剪、压缩处理，影响精度的同时还会导致安装包体积增大，不利于模型升级维护。针对上述问题，本研究根据水下鱼类实时识别任务特点，选取了AlexNet、GoogLeNet、ResNet和DenseNet预训练模型进行对比试验研究，通过在Ground-Truth鱼类公开数据集基础上对图像进行随机翻转、旋转、颜色抖动来增强数据，使用Label smoothing作为损失函数缓解模型过拟合问题，通过研究Ranger优化器和Cosine学习率衰减策略进一步提高模型训练效果。统计各个识别模型在训练集和验证集上的精确度和召回率，最后综合精确度和召回率量化模型识别效果。试验结果表明，基于DenseNet训练的鱼类识别模型综合评分最高，在验证集的精确度和召回率分别达到了99.21%和96.77%，整体F₁值达到了0.9742，模型理论识别精度达到预期。基于Python开发并部署了一套远程水下鱼类实时识别系统，将模型部署到远程服务器，移动终端通过网络请求进行鱼类识别模型调用，验证集图像实际测试表明，在网络良好条件下，移动终端可以在1 s内准确识别并显示鱼类信息。

自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题，针对上述问题，本研究提出了基于图像处理多算法融合的田间杂草检测方法，设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式，综合权衡上述三种方法，实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究，结果表明，使用融合多图像处理算法的投票方法进行作物和杂草识别定位，杂草识别平均错误率为1.79%，识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法，基于投票权重识别杂草的精度平均提升5.71%。同时，针对复杂多变的农业场景，进行了存在雨滴和阴影干扰的鲁棒性测试，实现了90%以上的作物识别结果，表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。

针对中小农场对作物长势快速监测与精确诊断的需求，本研究设计了作物长势监测仪（CropSense）数据采集与分析系统，该系统实现了数据采集、处理、分析和管理的一体化集成。系统通过蓝牙技术连接智能手机和作物长势监测仪获取作物采样数据，经服务器中内置光谱模型计算得到地块的作物生长参数分布专题图。依据地块预期产量指标，可提供可视化的专家决策处方。用户只需点击一次按钮，即可实时获取田间作物的监测诊断信息和专业的田间管理指导方案。目前系统已在多个研究机构实验农场试用，其中在小汤山基地的应用示例结果显示：在玉米大喇叭口期使用该系统进行作物诊断和指导施肥，比传统的施肥方案减少约16.67%施肥量。该系统具有采集分析数据高效便利、推荐施肥方案优化合理等特点，在中国家庭农场快速增长的背景下，具有广阔的应用前景。

卷积神经网络（CNN）的发展带来了大量的网络参数和庞大的模型体积，极大地限制了其在小规模计算资源设备上的应用。为将CNN应用在各种小型设备上，研究了一种基于知识蒸馏的结构化模型压缩方法。该方法首先利用VGG16训练了一个识别率较高的教师模型，再将该模型中的知识通过蒸馏的方法迁移到MobileNet，从而大幅减少了模型的参数量。将知识蒸馏后的Distilled-MobileNet模型应用在14种作物的38种常见病害分类中。进行了知识蒸馏在VGG16、AlexNet、GoogleNet和ResNet 4种不同网络结构上的表现测试，结果表明，当VGG16作为教师模型时，模型准确率提升了97.54%；使用单个病害识别率、平均准确率、模型内存、平均识别时间4个指标对训练好的Distilled-MobileNet模型进行真实环境下准确性评估，经测试，模型的平均准确率达到了97.62%，平均识别时间缩短至0.218 s，仅占VGG16模型的13.20%，模型大小压缩仅为19.83 MB，相比于VGG16缩小了93.60%，使其具备了较高的准确性和实时性要求。本方法模型在压缩内存体积和缩短识别时间上较传统神经网络有了明显提高，为内存和计算资源受限设备上的病害识别提供了新的思路。

农机精确导航技术正在中国大田种植领域规模化应用，但农机精准作业技术和农业生产精细管理技术的应用仍进展缓慢，精准农业技术、装备与服务体系尚未完成构建，节本增效和节能环保等农业生产目标的实现仍缺乏技术手段。随着物质、能量和信息三要素的不断融合，智能农机系统呼之欲出，将为农业生产提供安全、高效和科学的解决方案。基于智能农机系统的特点、中国农机社会化服务的特征及农业财政补贴的现状，本研究以节本增效和节能环保为主要目标，围绕农业生产组织、农机服务组织和农业主管部门等农机生产作业的核心参与者，融合农机社会化服务和农机精准化服务，建立了中国农机社会化精准服务体系。该体系预期可精确监测农机作业面积和肥药施用量等基本作业参数，可作为社会化服务结算和作业补助发放的精准依据。本研究为实现肥药双减等目标、帮助国家有关农业补贴政策调整和促进中国精准农业技术的全面应用提供了解决思路和技术手段。

拉曼光谱是一种散射光谱，具有快速、不易受水分干扰、样品无需预处理和在体检测等特点，可作为分析、测试物质分子成分和结构强有力的表征手段。随着拉曼光谱技术的不断发展，其在农业检测领域中逐渐发挥出极其重要的作用。本文概述了拉曼光谱的检测原理，从共聚焦显微拉曼光谱、傅里叶变换拉曼光谱、表面增强拉曼光谱、针尖增强拉曼光谱、共振拉曼光谱、空间偏移拉曼光谱、移频激发拉曼差分光谱、基于非线性光学的拉曼光谱等8个方面介绍了拉曼光谱技术，重点总结了拉曼光谱技术在植物检测、土壤检测、水质检测、食品检测等方面的应用研究进展，并提出了其在农业检测领域中应用需要解决的难题和未来的发展方向，以期对未来农业生产和研究带来启发。