［目的/意义］ 近年来，人工智能在农业领域的应用取得了显著进展，但仍面临诸如模型数据收集标记困难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术，已在多个行业的垂直领域中展现出了良好性能，尤其在复杂关联表示、模型泛化、多模态信息处理等方面较传统机器学习方法有着较大优势。［进展］ 本文首先阐述了大模型的基本概念和核心技术方法，展示了在参数规模扩大与自监督训练下，模型通用能力与下游适应能力的显著提升。随后，分析了大模型在农业领域应用的主要场景；按照语言大模型、视觉大模型和多模态大模型三大类，在阐述模型发展的同时重点介绍在农业领域的应用现状，展示了大模型在农业上取得的研究进展。［结论/展望］ 对农业大模型数据集少而分散、模型部署难度大、农业应用场景复杂等困难提出见解，展望了农业大模型未来的发展重点方向。预计大模型将在未来提供全面综合的农业决策系统，并为公众提供专业优质的农业服务。

[目的/意义] 实现复杂的自然环境下农作物害虫的识别检测，改变当前农业生产过程中依赖于专家人工感官识别判定的现状，提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作物拟态、检测准确率低、算法推理速度慢等问题，本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目标检测算法。 [方法] 首先通过引入GSConv提高模型的感受野，部分Conv更换为轻量化的幻影卷积（Ghost Convolution），采用HorBlock捕捉更长期的特征依赖关系，Concat更换为BiFPN（Bi-directional Feature Pyramid Network）更加丰富的特征融合，使用VoVGSCSP模块提升微小目标检测，同时引入CBAM（Convolutional Block Attention Module）注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本，提高网络模型的泛化能力和整体性能。之后，对改进后的YOLOv8-Extend模型与YOLOv8原模型、YOLOv5、YOLOv8-GSCONV、YOLOv8-BiFPN、YOLOv8-CBAM进行对比，验证模型检测准确度和精度。最后将模型移植到边缘设备进行推理验证，在实际应用场景中验证模型的有效性。 [结果和讨论] YOLOv8-Extend在对比实验中均取得良好的表现，其中与原模型对比实验中，精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升2.6%、3.6%、2.4%和7.2%，表现突出，具有更好的检测效果。改进前后的模型分别运行在边缘计算设备JETSON ORIN NX 16 GB上并通过TensorRT加速相比，mAP@0.5提升4.6%，达到57.6 FPS，满足实时性检测要求。在复杂农业场景中YOLOv8-Extend模型具有更好的适应性，在实际采集数据中微小害虫与生长环境相似的害虫检测方面有明显优势，在困难数据检测方面准确率提高了11.9%。 [结论] 本研究提出的YOLOv8改进模型有效提高了检测精度和识别率同时保持了较高的运行效率，能够部署在边缘终端计算设备上实现农作物害虫的实时检测，也为其他小目标智能检测和模型结构优化提供参考和帮助。

[目的/意义] 针对现有规模化猪场生猪计数需求场景多，人工计数效率低、成本高等问题，提出一种基于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法。 [方法] 首先，利用智能手机拍摄养殖场猪只视频，对视频抽帧进一步生成图像数据集。其次，通过改进卷积块注意力模块（Convolutional Block Attention Module, CBAM）中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题，提出高效全局注意力模块，并将该模块引入基于回归分析的单阶段实例分割网络YOLO（You Only Look Once）v8中对获取的生猪图像进行分割，构建新的识别模型YOLOv8x-Ours，以实现高精度的生猪计数。最后，基于微信公众平台开发微信小程序，并嵌入综合表现最优的生猪计数模型，实现使用智能手机拍摄图像进行生猪快速计数。 [结果和讨论] 在测试集上的试验结果表明，与现有实例分割模型相比，引入高效全局注意力的YOLOv8x-Ous模型获得66%的平均精度（AP_{（50∶95）}），平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）和R²分别为1.727、2.168和0.949，表现出较高的准确性和稳定性。模型计算猪只数量误差小于3头猪的图像数量占测试图像总数量的93.8%，相比两阶段实例分割算法Mask R-CNN（Region Convolutional Neural Network）提升7.6%；单幅图像平均处理时间仅为64 ms，是Mask R-CNN的1/8。 [结论] 该方法经济高效，为规模化猪场的生猪计数提供了一种技术方案。

[目的/意义] 针对当前玫瑰鲜切花分级仍依赖人工进行简单分级，造成效率低、准确率低等问题，提出一种新的模型Flower-YOLOv8s来实现玫瑰鲜切花的分级检测。 [方法] 以单一背景下单支玫瑰花的花头作为检测目标，将鲜切花分为A、B、C、D四个等级，对YOLOv8s（You Only Look Once version 8 small）模型进行了优化改进。首先，构建了一个全新的玫瑰鲜切花分级检测数据集。其次，在YOLOv8s的骨干网络分别添加CBAM（Convolutional Block Attention Module）和SAM（Spatial Attion Module）两个注意力机制模块进行对比实验；选择SAM模块并对其进一步优化，针对模型轻量化需求，再结合深度可分离卷积模块一起添加到C2f结构中，形成Flower-YOLOv8s模型。 [结果和讨论] 从实验结果来看YOLOv8s添加SAM的模型具有更高的检测精度，mAP@0.5达到86.4%。Flower-YOLOv8s相较于基线模型精确率提高了2.1%，达到97.4%，平均精度均值（mAP）提高了0.7%，同时降低了模型参数和计算量，分别降低2.26 M和4.45 MB；最后使用相同的数据集和预处理方法与Fast-RCNN、Faster-RCNN、SSD、YOLOv3、YOLOv5s和YOLOv8s进行对比实验，证明所提出的实验方法综合强于其他经典YOLO模型。 [结论] 提出的基于改进YOLOv8s的玫瑰鲜切花分级方法研究能有效提升玫瑰鲜切花分级检测的精准度，为玫瑰鲜切花分级检测技术提供一定的参考价值。

[目的与意义] 梯田作为农业生产的关键要素之一，其面积估算对于农业政策制定、土地规划和资源管理至关重要。为解决复杂的地形条件、种植环境导致传统遥感数据和监测方法难以开展梯田自动化提取问题，探索一种利用深度学习技术在高分辨率遥感影像中精准提取梯田面积的方法。 [方法] 以休耕期梯田高分六号影像构建语义分割数据集，同时提出一种改进的DeepLab v3+模型。该模型使用轻量级网络MobileNet v2作为骨干网络，为了同时兼顾局部细节和全局语境，使用多尺度特征融合（Multi-scale Feature Fusion module, MSFF）模块代替空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块，利用扩张率依次增大的空洞卷积级联模式改善信息丢失的问题。此外，对浅层特征和深层特征使用坐标注意力机制以加强网络对于目标的学习。［结果与讨论］ 利用红、绿和近红外波段组合方式在梯田提取的精度和效果上表现最佳。相比于原始DeepLab v3+网络，精确率、召回率、F₁评分和交并比指标分别提升4.62%、2.61%、3.81%和2.81%。此外，与UNet和原始DeepLab v3+相比，改进的DeepLab v3+在参数量上和浮点运算数有着更为优越的性能，其参数量仅为UNet的28.6%和原始DeepLab v3+的19.5%，同时浮点运算数仅为UNet和DeepLab v3+的1/5。这不仅提高了计算效率，也使得改进后的模型更适用于资源有限或计算能力较低的环境中。 [结论] 深度学习在高分辨率遥感影像梯田识别中具有较高的精度，有利于为梯田精细化监测和管理提供参考依据。

[目的/意义] 借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析，将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计，提高甘蓝移栽后的成活率以及制定后续工作方案，减少人力和物力的浪费，研究一种自然环境下高效识别甘蓝移栽状态的算法。 [方法] 采集移栽后的甘蓝图像，利用数据增强方式对数据进行处理，输入YOLOv8s（You Only Look Once Version 8s）算法中进行识别，通过结合可变形卷积，提高算法特征提取和目标定位能力，捕获更多有用的目标信息，提高对目标的识别效果；通过嵌入多尺度注意力机制，降低背景因素干扰，增加算法对目标区域的关注，提高模型对不同尺寸的甘蓝的检测能力，降低漏检率；通过引入Focal-EIoU Loss（Focal Extended Intersection over Union Loss），优化算法定位精度，提高算法的收敛速度和定位精度。 [结果和讨论] 提出的算法经过测试，对甘蓝移栽状态的召回率R值和平均精度均值（Mean Average Precision，mAP）分别达到92.2%和96.2%，传输速率为146帧/s，可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。 [结论] 提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别，可以提升移栽质量测量效率，减少时间和人力投入，提高大田移栽质量调查的自动化程度。

[目的/意义] 近年来，玉米叶部病害发生日趋加重且呈现混发现象，严重威胁玉米产量和品质。但目前鲜有研究对叶部病害种类识别及其烈度分类进行结合，无法满足实际场景中玉米不同病害及不同烈度混发下的病害防控需求。 [方法] 提出一种基于高光谱技术实现玉米典型叶部病害种类识别及其烈度分类的方法，通过挖掘玉米大斑病、小斑病和南方锈病3种叶部病害的光谱特性，优选敏感特征构建基于病害发展全阶段（包含病害所有烈度）和病害单一烈度下的病害种类识别模型；进一步地，针对玉米叶部单一病害构建烈度分类模型，以期实现对不同叶部病害的全过程识别与病害烈度分类。 [结果和讨论] 3种玉米叶部病害在550~680 nm的可见光、740~760 nm的红边、760~1 000 nm的近红外和1 300~1 800 nm的短波红外处其光谱变化显著。基于此提取的光谱特征能够有效捕捉病害特异性信息。基于病害发展全阶段构建的病害种类识别模型最优总体精度（Overall accuracy, OA）达77.51%，Macro F₁达0.77；而基于病害单一烈度下的病害种类识别模型精度随着病害烈度的增加而升高。在病害发展阶段处于重度烈度时，病害种类识别模型最优精度达95.06%，Macro F₁达0.94。此外，研究构建的3种玉米叶部病害烈度分类模型最优精度均超过70%，其中大斑病烈度分类效果最好（OA=86.25%，Macro F₁=0.85）。 [结论] 基于高光谱数据能够有效实现玉米典型叶部病害种类识别及其烈度分类，为大范围作物病害监测提供研究基础及理论依据，助力精准防控与绿色农业。

[目的/意义] 土壤是农业基本的生产资料，其质量与农业高效生产和可持续发展密切相关。由于以往对农田的高强度利用以及土壤侵蚀等原因，导致部分农田出现土壤有机质明显下降、地力减弱和生态功能退化等现象。土壤理化参数作为揭示土壤空间特征、评估土壤肥力的关键指标，对农田可持续利用起着至关重要的作用。因此，土壤理化参数信息的快速获取极为必要。［进展］探讨了农田土壤理化参数获取技术的研究意义，总结了当前用于农田土壤理化参数信息获取的主要技术，包括以电化学分析和光谱分析为主的实验室快速检验技术，以电磁感应、探地雷达、多光谱、高光谱和热红外为主的近地快速感知技术，以直接反演法、间接反演法和结合分析法为主的卫星遥感技术，以及近年的新型快速获取技术，如生物传感、环境磁学、太赫兹光谱和伽马能谱等，梳理了各方法的优缺点及适用情况。［结论/展望］结合农田环境的作业需求，依据未来研究的侧重方向提出发展建议，包括开发便携化、智能化和经济型的近地土壤信息获取系统及设备，实现土壤信息的原位快速检测。优化低空土壤信息获取平台的性能，完善数据的解译方法；联合多因素构建卫星遥感反演模型，利用多种共享开放的云计算平台实现数据的深度挖掘。深入探索多源数据融合在土壤理化参数信息获取中的研究与应用，构建泛化能力强、可靠性高的土壤信息感知算法和模型等，从而实现土壤理化参数信息快速、精准和智能化获取。

[目的/意义] 农机装备尺寸大、行驶慢等特点，在路面归库作业过程中容易造成严重道路拥堵。因此，在多机协同过程中，编队行驶被认为是未来道路上行驶的主要方式。然而，目前农机自动驾驶技术停留在单机阶段，多农机之间的协同仍是制约中国农业规模化自主生产的主要瓶颈。为解决多车编队协同控制中通信延时的问题及其补偿策略，本研究基于一种模型预测控制器（Model Predictive Control, MPC）延时补偿器的农机多机编队行驶的轨迹跟踪方法。 [方法] 以车联网技术为基础，聚焦多农机编队协同控制领域，针对控制器局域网总线（Controller Area Network, CAN）通信存在的延时问题而产生的横向控制精度差，基于线性二次调节器（Linear Quadratic Regulator, LQR）与MPC算法，设计了一种带有延时补偿的模型预测控制器，用于对通信延时进行补偿控制。最后对所提算法利用Carsim和Simulink软件进行联合仿真。 [结果和讨论] Carsim与MATLAB/Simulink可以有效兼容，实现软件与外部求解器的联合仿真。当延时步长d=5时，应用延时补偿，MPC反应速度更快，表现更为平滑；速度误差曲线响应更快，且能够逐渐稳定至零误差，没有出现振荡现象；1号车在较短时间内有效地变更车道，与头车保持在同一车道上。在更长的延时步长d=10情况下，未应用延时补偿的控制器表现出更显著的性能下降。即使在较高的延时条件下，应用延时补偿的MPC速度误差和纵向加速度仍然能够快速响应并逐渐稳定至零误差，避免了振荡现象。1号车的轨迹表明，延时补偿机制效果在极端延时条件下有所下降。 [结论] 本研究所设计的编队算法能够使得多车完成多车变道形成队列并保持一定距离和一定速度。通信延时补偿控制算法使得带有加入延时的车辆能较好完成编队任务，实现稳定的横纵向控制，验证了本研究带有延时补偿的模型预测控制器的可行性。

[目的/意义] 耕地识别是农业遥感的重要应用领域之一，但现阶段深度学习等人工智能方法在中国西南丘陵区遥感识别的研究应用深度仍然不够，识别精度有待提升。 [方法] 为了快速、精确地获取耕地面积、分布等信息，基于高分辨率的高分六号（GF-6）遥感影像，运用UNet++、DeeplabV3+、UNet与PSPNet等新型深度学习模型对四川省绵阳市三台县耕地信息进行识别，并对各深度学习模型、传统机器学习方法——随机森林法及新型土地覆盖产品SinoLC-1的识别精度进行对比分析，以期深入探索深度学习方法在地物遥感识别领域的应用前景。 [结果和讨论] 深度学习模型在F₁分数、整体精度（Overall Accuracy, OA）、Kappa系数等精度评价指标的表现上，相比于传统机器学习方法和新型土地覆盖产品均有显著提升，精度提升幅度分别可达20%和50%；其中添加了密集跳跃连接技术的UNet++模型的识别效果最好，其F₁分数、交并比（Intersection over Union, IoU）、平均交并比（Mean Intersection over Union, MIoU）、OA 值和 Kappa系数值分别为0.92、85.93%、81.93%、90.60%和0.80。应用UNet++模型对2种由仅光谱特征以及光谱+地形特征两种不同特征构建的影像进行耕地提取，光谱+地形特征模型的IoU、OA和Kappa 3个指标比仅光谱特征模型分别提高了0.98%、1.10%和0.01。 [结论] 深度学习技术在应用于高分辨率遥感影像中的耕地识别方面展现出显著的实用价值，融合光谱和地形特征可以实现信息互补，能进一步改善耕地的识别效果。本研究可为相关部门更好地管理和利用耕地资源、推动农业可持续发展提供技术支撑。

[目的/意义] 准确高效地获取马匹体尺信息是马产业现代化进程中的关键环节。传统的人工测量方法耗时长、工作量大，且会对马匹造成一定应激反应。因此，实现准确且高效的体尺参数自动测量对于制定蒙古马早期育种计划至关重要。 [方法] 选择Azure Kinect深度相机获取蒙古马双侧RGB-D数据，以YOLOv8n-pose为基础，通过在C2f模块中引入可变形卷积（Deformable Convolution v2, DCNv2），同时添加洗牌注意力机制（Shuffle Attention, SA）模块和优化损失函数（SCYLLA-IoU Loss, SIoU）的方法，利用余弦退火法动态调整学习率，提出一种名为DSS-YOLO（DCNv2-SA-SIoU-YOLO）的模型用于蒙古马体尺关键点的检测。其次，将RGB图中的二维关键点坐标与深度图中对应深度值相结合，得到关键点三维坐标，并实现蒙古马点云信息的转换。利用直通滤波、随机抽样一致性（Random Sample Consensus, RANSAC）、统计离群值滤波、主成分分析法（Principal Component Analysis, PCA）完成点云处理与分析。最终根据关键点坐标自动计算体高、体斜长、臀高、胸围和臀围5项体尺参数。 [结果和讨论] DSS-YOLO的平均关键点检测精度为92.5%；d_DSS为7.2个像素；参数量和运算量分别仅为3.48 M和9.1 G。体尺参数自动测量结果与人工测量值相比，各项体尺参数的整体平均绝对误差为3.77 cm；平均相对误差为2.29%。 [结论] 研究结果可为蒙古马运动性能相关遗传参数的确定提供技术支撑。

[目的/意义] 对虾病害严重危害对虾养殖业。针对对虾病害发病快、死亡率高等特点，高密度的工厂化养殖等模式需要一种高效率对虾发病检测方法替代传统人工检查方法，实现对虾发病的及时预警。 [方法] 提出一种基于改进YOLOv8（You Only Look Once）和多元特征的对虾发病检测方法。首先利用改进YOLOv8网络从对虾夜间水面红外图像中进行前景提取，再利用Farneback光流法和灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）提取对虾视频片段的运动特征与图像纹理特征，利用提取到的特征参数构建训练数据集，训练支持向量机（Support Vector Machine，SVM）作为分类器用于检测对虾视频片段，实现对正常与发病的对虾视频片段的检测分类。 [结果和讨论] 训练好的SVM分类器在300个测试样本上的表现为检测准确率平均值为83%，检测效果达到设计要求。检测误差主要是将发病片段错误地检测为正常片段。该误差主要受水面对虾数量和视频影响。 [结论] 本研究实现了对对虾发病的检测，提供了一种基于计算机视觉的检测方法。但受条件限制，仅在工厂化养殖环境下进行了实验，尚不能适用于多种养殖环境，仍有改进空间。

[目的/意义] 牛的体尺参数是反映牛身体发育状况的关键指标，也是牛选育过程的关键因素。为解决规模化肉牛牧场复杂环境对肉牛体尺的测量需求，设计了一种图像采集装置以及体尺自动测量算法。 [方法] 首先搭建肉牛行走通道，当肉牛通过通道后进入限制装置，用英特尔双目深度相机D455对牛只右侧图像进行RGB与深度图的采集。其次，为避免复杂环境背景的影响，提出一种改进后的实例分割网络Mask2former来对牛只二维图进行前景轮廓提取，对轮廓进行区间划分，利用计算曲率分析方法找到所需体尺测点。然后，将原始深度图转换为点云数据，对点云进行点云滤波、分割和深度图牛只区域的空值填充，以保留牛体区域的点云完整，从而找到所需测点并返回到二维数据中。最后，将二维像素点投影到三维点云中，利用相机参数计算出投影点的世界坐标，从而进行体尺的自动化计算，最终提取肉牛体高、十字部高、体斜长和管围4种体尺参数。［结果与讨论］改进的实例分割网络与Mask R-CNN、PointRend、Queryinst等模型相比具有更好的分割结果。采用本研究测得的这4种体尺平均相对误差分别为4.32%、3.71%、5.58%和6.25%。 [结论] 本研究开发的肉牛图像采集装置及相应的图像处理方法可以满足该牧场对肉牛体尺无接触自动测量误差小于8%的精度要求，为非接触式肉牛体尺自动化测量提供了理论与实践指导。

[目的/意义] 丘陵山区的机械化、智能化是未来农机行业研究和发展的热点。中国丘陵山区耕地面积占比超过50%，且面临坡陡路窄、地块碎小、地形地貌复杂等多种环境因素制约，各生产环节存在“无机可用，无好机用”的现实问题，并且缺乏适合丘陵山区大坡度农机装备研发的理论支撑。［进展］ 综述了国内外丘陵山地拖拉机调平及防翻系统的研究现状。其中拖拉机车身调平技术平行四杆与液压差高式结构简单，折腰扭腰式更适合连续起伏的崎岖路面，重心可调与全向调平式坡地牵引性与适应性均较好；驾驶室及座椅调平技术基于角度传感器自适应控制，关键在于缓解驾驶疲劳提高舒适度；车身与农具姿态协同控制技术大都采用PID控制技术实现协同控制，但缺乏作业效果反馈机制；拖拉机防翻保护装置与预警技术在防翻保护架的基础上，通过环境模拟感知提前预判翻车危险信号并及时反馈。［结论/展望］未来丘陵山地拖拉机调平、防翻预警及无人化、自动化技术的发展方向：1）结构优化、灵敏度高、稳定性好的山地拖拉机调平系统研究；2）坡地适应性好的农机具仿形系统研究；3）环境感知、自动干涉的防翻预警技术研究；4）农机精准导航技术、智能化监测技术和农机作业远程调度与管理技术研究；5）坡地纵向稳定性理论研究。以期为研发符合中国丘陵山地复杂作业环境的高可靠性、高安全性山地拖拉机提供借鉴参考。

[目的/意义] 针对实体嵌套、实体类型混淆等问题导致的农业病害命名实体识别（Named Entities Recognition, NER）准确率不高的情况，以PointerNet为基准模型，提出一种基于RoFormer预训练模型的指针网络农业病害NER方法RoFormer-PointerNet。 [方法] 采用RoFormer预训练模型对输入的文本进行向量化，利用其独特的旋转位置嵌入方法来捕捉位置信息，丰富字词特征信息，从而解决一词多义导致的类型易混淆的问题。使用指针网络进行解码，利用指针网络的首尾指针标注方式抽取句子中的所有实体，首尾指针标注方式可以解决实体抽取中存在的嵌套问题。 [结果和讨论] 自建农业病害数据集，数据集中包含2 867条标注语料，共10 282个实体。为验证RoFormer预训练模型在实体抽取上的优越性，采用Word2Vec、BERT、RoBERTa等多种向量化模型进行对比试验，RoFormer-PointerNet与其他模型相比，模型精确率、召回率、F₁值均为最优，分别为87.49%，85.76%和86.62%。为验证RoFormer-PointerNet在缓解实体嵌套的优势，与使用最为广泛的双向长短期记忆神经网络（Bi-directional Long Short-Term Memory, BiLSTM）和条件随机场（Conditional Random Field, CRF）模型进行对比试验，RoFormer-PointerNet比RoFormer-BiLSTM模型、RoFormer-CRF模型和RoFormer-BiLSTM-CRF模型分别高出4.8%、5.67%和3.87%，证明用指针网络模型可以很好解决实体嵌套问题。最后验证RoFormer-PointerNet方法在农业病害数据集中的识别性能，针对病害症状、病害名称、防治方法等8类实体进行了识别实验，本方法识别的精确率、召回率和F₁值分别为87.49%、85.76%和86.62%，为同类最优。 [结论] 本研究提出的方法能有效识别中文农业病害文本中的实体，识别效果优于其他模型。在解决实体抽取过程中的实体嵌套和类型混淆等问题方面具有一定优势。

[目的/意义] 油菜菌核病是一种全球性的植物病害，可严重影响油菜的产量和品质，造成巨大的经济损失。为解决传统化学检测方法存在的操作复杂、污染环境、破坏样品及检测效率低等问题，构建了一种基于空-谱信息融合的双向门控循环网络（Bi-directional Gate Recurrent Unit, Bi-GRU）模型，实现油菜菌核病侵染区域的高光谱图像分割。 [方法] 首先提取7×7像素邻域作为目标像素的空间特征，同时考虑全波段光谱特征，实现空间信息和光谱信息的有效融合。在此基础上结合Bi-GRU架构，实现序列数据中任意位置上特征的同时提取，避免了空-谱数据融合顺序对模型结果的影响。 [结果和讨论] 与卷积神经网络模型和长短时记忆网络模型相比，基于空-谱信息融合的Bi-GRU模型在平均精度、平均交并比、Kappa系数和Dice系数等评价指标上均获得显著提升。该模型的油菜菌核病检测平均精度达到93.7%，同时可以有效提取早期感染阶段的病斑区域。 [结论] 本研究可为油菜菌核病的高通量无损检测奠定基础，也为油菜菌核病的早期感染检测提供参考依据。

[目的/意义] 传统路径跟踪模型预测控制（Model Predictive Control, MPC）大多采用固定时域，较少考虑道路弯曲和曲率变化的影响，使得机器人在曲线路径作业过程中的跟踪效果和适应性都较差。因此，设计了一种自适应时域MPC控制器并使其满足自主割草等复杂作业要求。 [方法] 首先，根据割草机器人的速度确定前方参考路径的预瞄区域，并计算预瞄区域内的参考路径曲度因子和曲度变化因子，分别用于描述曲率和曲率变化大小。然后，将二者作为模糊控制器的输入信息，用于自适应调节MPC的预测时域，同时，根据预测时域及曲度变化因子调整控制时域，以增强控制器对路径弯曲变化的适应性并降低计算资源。此外，设计一种MPC事件触发执行机制，进一步提升MPC的实时性。 [结果和讨论] 与固定时域的MPC进行对比试验，自适应时域MPC控制器的最大横向误差绝对值和最大航向误差绝对值分别控制在11 cm和0.13 rad以内，其平均求解时间比最大时域MPC减少10.9 ms。 [结论] 自适应时域MPC不仅能够保证割草机器人对曲线路径的跟踪精度，同时降低了MPC求解计算量并提高了控制实时性，解决了固定时域MPC的控制精度与计算量之间的矛盾。

[目的/意义] 区块链本质上是一个共享数据库，存储的数据是不可篡改、公开和透明的，应用在农产品供应链上可以提高产品透明度，吸引更多的消费者，但也会存在消费者隐私担忧问题。消费者的隐私担忧程度影响着农产品零售商对于是否售卖区块链溯源农产品的决策。通过研究区块链溯源对农产品零售商竞争策略、定价和最优决策的影响，零售商可以根据自己的市场情况制定市场竞争策略，提高自己的竞争力，优化农产品供应链。 [方法] 基于纳什均衡及Stackelberg博弈理论，建立初始农产品零售商与新进零售商的价格博弈模型，研究分析农产品零售商之间的竞争决策，利用区块链智能合约技术将博弈过程以及对应情况写入智能合约，保障合作博弈有效进行，将博弈结果上链来规范博弈双方的合作行为。 [结果和讨论] 消费者隐私担忧问题会影响农产品的价格和利润。此外，通过对两家农产品零售商均衡策略的研究，发现当消费者隐私担忧程度较低、信息透明度较高时，两家零售商才会同时售卖区块链溯源产品；消费者隐私担忧程度和信息透明度处于中等水平时，消费者对初始零售商的信任度更高，使其可以承担更高的隐私担忧成本，而新进零售商会被挤出市场。 [结论] 从利益层面上讲，区块链溯源农产品并不总是适用于零售商，结合自身实际条件才能做出最优的决策选择。良性的合作博弈才能使利益最大化，优化农产品供应链整体利益水平。

[目的/意义] 丘陵山区农田宜机化整治会改变耕地景观格局、高程、坡度、微地貌等，评价其生态风险为后续整治工作提供数据参考具有重要意义。本研究的目的为评价丘陵山区农田宜机化整治对耕地生态风险的改变情况以及探究生态风险与耕地坡度之间的关系。 [方法] 以重庆市潼南区20个县为评价单元，基于2010年和2020年土地利用数据，采用ArcGIS 10.8和Excel软件计算景观格局指数，通过熵权法确定各指数的权重并构建生态风险评价模型，揭示生态风险时序空间变化特征；基于数理统计原理，对生态风险与坡度进行相关性分析，探究生态风险与坡度的关系。 [结果和讨论] 2010年和2020年两个时期，干扰度指数由0.97下降为0.94，耕地整体抗干扰能力增强；脆弱度指数由2.96增加为3.20，耕地结构更加脆弱；生态风险值由3.10下降为3.01，耕地生态安全性提高。两个时期生态风险区域主要以低风险区和较低风险区为主，低风险区面积增加6.44%，较低风险区面积增加6.17%，中风险区面积增加24.4%，较高风险区面积减少60.70%，高风险区面积增加16.30%，耕地生态安全区域相对增加。耕地坡度主要以2°~25°为主，耕地坡度小于15°时坡度面积占比与生态风险值呈负相关，耕地坡度大于15°时坡度面积占比与生态风险值呈正相关关系，坡度处于5°~8°、15°~25°、25°以上时坡度面积与生态风险值呈极显著相关。农田宜机化整治应重点关注潼南区南部区域，并集中于耕地坡度处于5°~8°和15°~25°区域。 [结论] 通过评价潼南区农田宜机化整治前后耕地生态风险并分析生态风险与耕地坡度的相关性，表明农田宜机化整治可以降低耕地生态风险，耕地坡度面积占比可作为精准指导农田宜机化整治的重要依据，潼南区宜机化整治工作应重点关注耕地坡度处于5°~8°和15°~25°区域。

[目的/意义] 冷链配送碳排放动态预测是企业碳排放精准评估及其绿色信用等级评定的重要依据。本研究面向车辆碳排放受路况信息、行驶特征、制冷参数等多因素影响，提出一种融合多源信息的冷藏车辆碳排放动态预测模型。 [方法] 基于道路车辆数量与像素面积占比表征路况信息，构建基于改进YOLOv8s的路况信息识别模型，并以路况信息、行驶特征（速度、加速度）、货物重量、制冷参数（温度、功率）等为输入，构建基于改进iTransformer的冷藏车辆碳排放动态预测模型。最后与其他模型展开对比分析，分别验证路况信息识别与车辆碳排放动态预测的精度。 [结果] 改进的YOLOv8s路况信息识别模型在精确率、召回率和平均识别精度上分别达到98.1%、95.5%和98.4%，比YOLOv8s分别提高了1.2%、3.7%和0.2%，参数量和运算量分别减少了12.5%和31.4%，检测速度提高了5.4%。改进的iTransformer模型碳排放量预测的均方误差、平均绝对误差、均方根误差和R²分别为0.026 1 %VOL、0.079 1 %VOL、0.161 5 %VOL和0.940 0，均优于其他时序预测模型。 [结论] 提出的多源信息融合下冷链配送碳排放预测模型可实现对冷藏车辆碳排放量的精准预测，为有效降低冷链配送碳排放与提升配送企业绿色信用等级等提供理论参考。

[目的/意义] 为探究并表达环境因素对黄花各器官生长发育、形态结构和产量的影响，提出一种基于源库关系的黄花植株三维动态生长及产量模拟模型。 [方法] 以大同地区黄花主要栽培种植品种大同黄花为研究材料，采集黄花叶片、花葶、花蕾等形态数据和叶片光合生理参数，利用功能-结构植物模型（Functional-Structural Plant Model，FSPM）平台的三维建模技术，建立基于云量的室外地表太阳辐射模型及适配黄花的光合作用模型，同时基于黄花源库关系建立黄花光合产物碳分配模型，利用β生长函数构建黄花各器官生长模拟模型，计算黄花生长期内逐日形态数据，最终实现黄花植株三维动态生长及产量模拟。 [结果和讨论] 采用实测数据对模型进行检验。结果显示，室外地表太阳辐射实测值和模拟值R²为0.87；剩余标准差（Root Mean Squared Error，RMSE）为28.52 W/m²，黄花各器官模拟模型实测值和预测值R²为0.896~0.984，RMSE为1.4~17.7 cm；平均花蕾产量模拟R²为0.880，RMSE为0.5 g；整体F值为82.244~1 168.533，Sig.值均小于显著水平0.05，表明上述模型拟合度和显著性较好。 [结论] 模型能够准确地表现黄花植株在3个主要生长时期的生长规律和形态特征，模拟结果与实际情况相符合，表现出较高的可信度。因此，本模型具有理想的模拟效果，足以满足精细农业领域的研究需求。

[目的/意义] 大规模肉羊畜舍人工消毒存在费时费力、覆盖不全和消毒不彻底的问题，为保持畜舍卫生和肉羊健康，本研究提出一种羊场自动导航喷药机器人。 [方法] 从硬件、语义分割模型和控制算法3个方面设计了自动导航喷药机器人。硬件部分包括履带底盘、摄像头和折叠式喷药装置。语义分割模型部分通过引入压缩通道网络注意力（Squeeze-and-Excitation Network, SENet）和基于场景改进的十字交叉注意力（Criss-Cross Attention，CCA）模块，提出一种双注意力ENet语义分割模型（Double Attention ENet, DAENet）。在控制算法方面，针对机器人在面对岔路时无法控制行进方向的问题，利用模拟真实道路的方法，在羊舍外的道路上绘出车道线，提出了道路中心点识别和车道线中心点识别两种算法来计算机器人行进过程中的导航点。为了实现上述两种算法，使用了两台摄像头并设计了摄像头切换算法，依靠此算法实现两台摄像头的切换，并控制喷药装置的开关；提出了一种偏移量与速度计算算法控制机器人履带左右轮速度，实现对于机器人行走的控制。 [结果和讨论] DAENet模型在图像分割任务中的平均交并比（Mean Intersection over Union, mIoU）达到了0.945 3；摄像头切换算法测试结果表明摄像头的切换时间在15 s以内，机器人能正确、快速地带动喷药装置的开关；中心点与偏移量计算算法测试的结果表明，在处理多帧视频流时，算法平均处理一帧图片所用的时间为0.04~0.055 s，帧率为20~24 f/s，满足实际工作的实时性要求；羊场实地的整体测试结果表明，机器人完成了两个羊舍的自动导航和消毒任务，并且未碰撞路边料槽，行进轨迹偏移量未超过0.3 m。在0.2 m/s的行进速度下，药箱里的药液能够满足两个羊舍的消毒任务。机器人处理图像的平均帧率为22.4 f/s，对于信息处理的准确性和实时性能够满足实验指标要求。喷药覆盖圈舍地面超过90%，满足实验指标要求。 [结论] 本研究提出的羊舍自动导航喷药机器人以语义分割模型DAENet为基础，中心点识别算法为核心，通过与硬件设计和控制算法的相互配合，能够在确保安全性和实时性的前提下，实现在羊舍内的自动导航和全覆盖喷药。

[目的/意义] 针对传统大米品质监管追溯系统中存在的品控数据链机制不够完善、品控信息可追溯程度不足、数据上链效率低及隐私信息泄露等问题，提出一种差分隐私增强的大米区块链品控模型。 [方法] 首先，结合大米全产业链，设计数据传输流程，涵盖种植、收购、加工、仓储和销售等各环节，有效保证品控数据链的连续性；其次，为解决上链数据量大、上链效率低问题，将大米全产业链各环节关键品控数据存储于星际文件系统（InterPlanetary File System, IPFS），然后将存储完成后返回的哈希值上链；最后，为提高品控模型信息可追溯程度，将种植环节关键品控数据中涉及隐私的部分信息通过差分隐私（Differential Privacy）处理后展示给用户，模糊化个体数据，以提高品控信息可信度，同时也保护了农户种植隐私。基于该品控模型，设计了差分隐私增强的大米区块链品控系统，并在相关大米企业实际运行。［结果与讨论］经测试，差分隐私增强的大米区块链品控系统全产业链单环节数据完成存储平均耗时1.125 s，信息追溯查询平均耗时0.691 s。与传统大米品质监管追溯系统相比，单环节数据存储时间缩短6.64%，信息追溯查询时间缩短16.44%。 [结论] 研究提出的模型不仅提高了品控数据连续性和信息可追溯程度，同时保护了农户的隐私，还在一定程度上提升了品控数据存储及信息追溯查询的效率，可为大米品质监管与信息追溯系统的设计和改进提供参考。

［目的/意义］ 为提炼区域智慧农业高质量发展的典范案例，并为国家智慧农业事业持续进步贡献策略，深入探究长江经济带智慧农场时空特征及关键驱动因子。 ［方法］ 基于2014—2023年11省（市）数据，用核密度分析、空间自相关及标准差椭圆方法全面剖析长江经济带智慧农场时空分异特征，并用地理探测器从7个维度考察关键因子及其交互作用。 ［结果和讨论］ 长江经济带智慧农场数量10年间稳步增长，2016年为重要转折点；空间布局呈分散集聚特征，以H-L型和L-H型集聚为主，分布省份略显繁杂；技术创新是时空分布格局形成的首要关键因素，因子解释度为0.311 1，与其他指标交互之后仍保持核心驱动地位。 ［结论］ 长江经济带智慧农场发展势头向好，子区域智慧农场的发展增速与水平呈“下游＞中游＞上游”的差异化特征；整体空间分布均衡，子区域分布均衡程度为“中游（湖北、湖南、江西3省均衡）＞下游（安徽主导）＞上游（四川，独占鳌头）”，智慧农场选址覆盖面持续扩张并形成“东北—西南”的横向扩散格局；时空分异格局形成是多因子综合作用的结果，因子解释力为：技术创新＞城镇化＞农业机械化＞人力资本＞互联网基础＞产业依赖＞专项财政支持，且因子交互作用时影响力会进一步得到强化。

【目的/意义】 在全球气候变暖的大背景下，准确确定冬小麦的适宜播种期对于提高小麦产量、保障国家粮食安全具有重要意义。本研究旨在对县级镇在气候变暖长时间序列影响下冬小麦适宜播种期进行分析。 【方法】 本研究以山东省齐河县为研究区域，基于1997—2022年的欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts, ECMWF）再分析数据，首先，采用温度阈值法确定稳定通过18、16、14和0 ℃终日的日期，并从不同小麦品种的适宜播种温度、不同日期播种至越冬前≥0 ℃的积温、适播期历年日平均气温等关键播期指标对冬小麦适宜播种期进行统计分析；其次，利用叶龄积温法对冬前壮苗所需合适积温的日期进行测算；最后，结合实际生产实践情况，确定气候变暖趋势下齐河县各乡镇冬小麦的适宜播种期。 【结果和讨论】 从小麦适宜播种温度、播种至小麦越冬停止生长0 ℃的积温等农业气象指标，以及考虑齐河县种植的冬小麦品种，得出齐河县冬小麦适宜播种期为10月3日—10月16日，最佳播种期为10月5日—10月13日。但具体年份的适播期还需要依据当年的具体情况灵活播种。 【结论】 研究结果证明了温度阈值法和叶龄积温法在确定冬小麦适宜播种期研究中的可行性，通过温度变化趋势可判断冷冬或暖冬，及时调整播种时间以提高小麦产量，减少温度过高或过低对冬小麦的影响。本研究不仅可以为齐河县冬小麦产量评估提供决策参考，还可以为科学安排农业生产提供重要的理论依据。

【目的/意义】 为了解决图像尺寸变化和目标尺度变换共存对小目标检测精度的影响问题，本研究提出了一种新的检测模型：Multi-Strategy Handling YOLOv8（MSH-YOLOv8）。 【方法】 该模型在YOLOv8的基础上增加一个检测头，以提高小尺度目标敏感度；引入Swin Transformer的检测结构到头部网络，以减少计算冗余；引入包含可变形卷积的C2f_Deformable Convolutionv4（C2f_DCNv4）结构和Swin Transformer编码器结构重构YOLOv8主干网络，优化并增强其特征传递和提取能力，提高小目标敏感度；采用基于规范化的注意力模块（Normalization-based Attention Module, NAM）优化网络检测速度和准确性；用Wise-Intersection over Union Loss（WIoU）代替原损失函数，以提高训练效果和收敛速度；在后处理阶段应用分辨率动态训练、多尺度测试、软非极大值抑制算法（Soft-Non-Maximum Suppression, Soft-NMS）、加权边界框融合算法（Weighted Boxes Fusion, WBF）等方法，提高尺度变化下小目标检测效果。以蘑菇为研究对象，在开放数据集Fungi上开展实验。 【结果和讨论】 MSH-YOLOv8的平均正确率（Average Precision50, AP50）和AP@50-95分别达到了98.49%和75.29%，其中小目标检测指标值APs达39.73%。相较于主流模型YOLOv8，三项指标分别提高了2.34%，4.06%和8.55%；相较于优秀模型Transformer Prediction Heads-YOLOv5（TPH-YOLOv5），三项指标分别提高了2.14%，2.76%和6.89%。 【结论】 本研究提出的MSH-YOLOv8改进方法可在图像尺寸变化与目标尺度变化条件下有效提高小目标的检测效果。

[目的/意义] 针对气送式油菜直播机作业过程中粉尘影响种子流检测性能、监测系统难以适应不同幅宽播种行数等问题，设计了一种油菜播种机除尘式播量监测系统。 [方法] 该监测系统由除尘式油菜种子流检测装置与播量监测终端构成，可通过改变检测装置数量适配不同幅宽播种机。根据粉尘影响种子流检测结构机制，设计了防尘除尘机构。该机构通过透明防尘板将光电感应器件与导种管隔开，粉尘只附着在透明防尘板靠近导种管一侧，同时利用步进电机-丝杆机构使透明防尘板与除尘布产生相互摩擦实现对透明防尘板除尘。通过分析与试验确定透明防尘板尺寸、除尘启动阈值等关键参数。 [结果和讨论] 检测装置对比台架试验表明，在平均排种频率12.4~36.3 Hz、平均粉尘流量252~386 mg/s下，无防尘除尘检测装置在两个除尘周期后检测准确率不高于80.2%；有防尘除尘检测装置在单个除尘周期内平均检测准确率不低于93.6%，检测装置不会将粉尘误计。播量监测台架试验表明，在平均排种频率不高于37.6 Hz时，播量监测准确率不低于92.2%。田间播种试验表明，在2.8~4.6 km/h的油菜直播机正常作业速度下，田间排种频率为14.8~31.1 Hz时，播量监测准确率不低于93.1%。 [结论] 该油菜播量监测系统为气送式油菜直播机作业中粉尘影响下种子流精准检测提供了有效支持，提高了对不同宽幅播种行数的适应性。

【目的/意义】 名优茶的采摘是茶产业中至关重要的环节，识别和定位名优茶嫩芽采摘点是现代化采茶过程中的重要组成部分。传统神经网络方法存在着模型体量大、训练时间长，以及应对场景复杂等问题。本研究以湖南省溪清茶园为实际场景，提出一种新型深度学习算法解决名优茶采摘点的精确分割难题。 【方法】 对传统的DeepLabV3+算法进行轻量化改进。首先，针对其模型体量大、训练时间长的问题，使用MobilenetV2网络提取图像的初始特征，并按照网络结构划分深浅层特征；其次，将高效通道注意力网络（Efficient Channel Attention Network, ECANet）与空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling, ASPP）模块结合，得到ECA_ASPP模块，并将深层特征输入到ECA_ASPP模块中进行多尺度特征融合以减少无效信息，将经过处理后的深浅层特征相加，随后通过卷积和上采样的方式对特征信息进行还原，得到分割结果；最后，通过对识别结果进行处理以获得茶叶嫩芽采摘点。 【结果和讨论】 改进后的DeepLabV3+在茶叶嫩芽数据集上的平均交并比达到93.71%，平均像素准确率达到97.25%，模型参数量由原来以Xception为底层网络的54.714 M下降至5.818 M。 【结论】 本研究在茶叶嫩芽结构分割上相对于原版DeepLabV3+的检测速度更快、参数量更小，同时保证了较高的准确率，为智能采茶机器人的采摘提供了新的定位方法。

［目的和意义］ 原始星载日光诱导叶绿素荧光（Sunlight-induced Chlorophyll Fluorescence, SIF）数据存在足迹离散、时空分辨率低等缺陷，针对这些问题许多研究进行了SIF重构，但大多数重构后的新型SIF数据分辨率仍较低，难以应用到精细尺度农业领域，且部分高精度SIF重构数据并非基于原始卫星SIF数据重构。OCO-2 SIF原始数据空间分辨率高（1.29 km×2.25 km），植被异质性低，对区域尺度高分辨率作物SIF重构具备突出价值。 ［方法］ 选取美国区域尺度大豆为研究对象，利用原始OCO-2 SIF和MODIS产品进行高分辨率大豆SIF重构，通过组合多个卫星轨迹经过的大豆种植区，提高SIF样本总量，与增强植被指数（Enhanced Vegetation Index, EVI）、光合有效辐射分量（Fraction of Photosynthetically Active Radiation, FPAR）和土地表面温度（Land Surface Temperature, LST）等预测因子足迹匹配后构建多源遥感数据集，代入BP神经网络训练模型，进而生成区域尺度空间连续且具有较高时空分辨率（8 d、500 m）的重构SIF数据集（BPSIF）。 ［结果和讨论］ 加入EVI，FPAR和LST的SIF重构模型R²达0.84，利用总初级生产力（Gross Primary Productivity, GPP）数据对BPSIF进行质量评价，OCO-2 SIF与 GPP的Pearson相关系数为0.53，而BPSIF与GPP相关系数提升到0.8，表明本研究生成的BPSIF数据集更加可靠。 ［结论］ 研究成果有望为区域尺度大豆作物SIF研究提供理论依据和数据支撑。

【目的/意义】 快速、准确地统计密集种植的苗木数量对苗木经营管理具有重要意义。为解决无人机航拍的密集种植苗木图像中苗木粘连、尺度差异大的问题，提出以点标签数据为监督信号的改进密集检测计数模型（Locate, Size and Count, LSC-CNN），同时实现苗木的检测和计数。 【方法】 改进的LSC-CNN模型通过将LSC-CNN模型特征提取网络的最后一层卷积替换为扩张卷积（Dilated Convolutions, DConv），实现在保留苗木细节特征的同时扩大感受野，帮助模型更好地理解上下文信息以区分粘连苗木。此外，在多个尺度分支前引入注意力机制（Convolutional Block Attention Module, CBAM）使模型聚焦于有助于苗木检测和计数的关键特征，以更好地适应不同尺度的苗木。为解决类别不平衡问题，提高模型的泛化能力，将损失函数替换为标签平滑交叉熵损失函数。 【结果和讨论】 经测试，改进LSC-CNN模型在456幅苗木图像的测试集上的平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）和平均计数准确率（Mean Counting Accurate, MCA）分别为14.24株、22.22株和91.23%，三项指标均优于IntegrateNet、PSGCNet、CANet、CSRNet、CLTR和LSC-CNN模型。 【结论】 改进LSC-CNN模型能够准确实现密集种植苗木的检测和计数，适用于多种树木的检测和计数工作。

［目的/意义］ 作物叶面积是反映光合作用效率和生长状况的重要指标，建立一个品种丰富的山药图像数据集并提出一种基于深度学习的山药叶片图像分割方法，可以用于实时测定山药叶片面积，解决传统测量效率低的问题。 ［方法］ 基于改进ENet的轻量化分割网络，在ENet的基础上，裁剪掉第3阶段，减少模型中的冗余计算；将瓶颈结构里面的常规卷积用PConv替换，构成P-Bottleneck，减少模型参数量，加快推理速度；改进上采样模块中的转置卷积为双线性插值，提升模型分割精度，减少参数量；最后在模型编码阶段加入CA注意力机制模块，强化对叶片边缘语义特征的提取能力。训练时使用Adam优化器，根据历史梯度信息自适应地调节学习率，加速收敛过程，提高模型的泛化能力。 ［结果和讨论］ 改进的模型在包含40个品种的山药室内图像数据集和室外数据集上进行实验，平均交并比和均像素精度分别达到98.61%和99.32%，模型参数量下降51%，浮点运算量下降49%，并且网络运算速度提高38%。与原始模型相比，在保证分割精度的同时显著降低网络的参数量和浮点运算量，提升运行速度，减少资源占用，使其更加适合应用到农业监测设备。 ［结论］ 改进算法能够精准快速地分割山药叶片，为复杂背景下山药叶片面积的研究提供了参考依据。

［目的/意义］ 准确识别和定位各级草莓穴盘苗对自动化穴盘苗分选技术具有重要意义，可以降低育苗过程中的人工成本。本研究提出了一种基于轻量化YOLOv8s的草莓穴盘苗分级识别和定位方法，以有效克服穴盘苗越界生长带来的识别和定位干扰。 ［方法］ 首先，基于层自适应幅度剪枝评分（Layer-Adaptive Magnitude-based Pruning Score， LAMP Score）通道剪枝算法压缩基础YOLOv8s草莓穴盘苗-穴孔识别模型的参数量和模型大小，提高了模型推理速度，高效检测穴盘苗和穴孔。其次，结合剪枝后的模型设计了一种两阶段草莓穴盘苗-穴孔匹配定位算法，根据穴盘苗和穴孔边界框的重叠度将苗株与穴孔进行配对，并通过第一阶段匹配中的草莓穴盘苗-穴孔匹配结果减少相邻越界生长的穴盘苗带来的影响，从而准确获得各级穴盘苗在穴盘中的具体位置信息。 ［结果和讨论］ 剪枝后的模型在保持较高检测精度的同时，将模型尺寸、浮点运算次数（Floating Point Operations Per Second, FLOPs）和参数量分别降低了94.4%、86.3%和95.4%。与原始模型相比，剪枝后的模型F₁分数提高了0.1%，而平均精度（Mean Average Precision, mAP）提高了1%，两阶段草莓穴盘苗-穴孔匹配定位算法对各级穴盘苗的平均定位精度达到了88%。 ［结论］ 提出的草莓穴盘苗分级识别和定位方法能够满足实际育苗过程的要求，为自动化穴盘苗分选提供了技术支持。

［目的/意义］ 针对白菜株心及其内叶叶缘对靶喷施钙素等药剂时，喷雾前进速度的提升导致单位时间内覆盖的有效喷施面积和农药喷雾量的变化这一问题，设计了一套基于深度学习的对靶喷雾控制系统。 ［方法］ 首先，阐述了对靶喷雾控制系统的结构及工作原理。其次，对通用YOLOv8模型进行了改进，提出了一种融合远端识别、喷雾机前进速度和喷雾响应频率的YOLOv8-Ghost-Backbone轻量化模型。通过Jetson Xavier NX控制器，搭载轻量化YOLOv8-Ghost-Backbone模型，设计了稳压执行单元和对靶控制单元，并通过间歇喷雾试验对系统性能进行测试。试验期间，逐步提高喷雾平台前进速度，根据电磁阀响应频率得到对应喷嘴的喷雾量。 ［结果/结论］ 记录了对靶喷雾系统3个主要部分的响应时间：图像处理平均耗时为29.50 ms，决策信号传递耗时为6.40 ms，喷雾过程耗时为88.83 ms，综合分析表明，对靶喷雾的总响应时间相较于电信号滞后约124.73 ms。通过补偿电磁阀响应滞后时间与获取试验，得出电磁喷雾响应补偿后的实际喷雾与需求的差异值，确定速度为7.2 km/h的条件下，对应的实际与需求差值为0.01 L/min，其差值最小，符合对靶喷雾的作业要求。 ［结论］ 本研究可为对靶施药机器人在喷雾系统中的应用和参数选择提供参考。

［目的/意义］ 苹果斑点落叶病易导致苹果树叶过早脱落，从而影响苹果品质和产量。因此，如何准确检测此病一直是苹果树病害精准防治的热点问题。由于逆光等因素影响，传统基于图像分割的病斑检测方法难以在复杂背景下准确检测病斑区域边界，亟需发展苹果斑点落叶病检测新方法，助力苹果树病害精准防治。 ［方法］ 针对上述问题，本研究从图像异常检测的角度出发，考虑复杂背景干扰，采用深度半非负矩阵分解理论，结合鲁棒性好的马氏距离度量，提出一种新的深度半非负矩阵分解的马氏距离异常检测方法（Deep Semi-Non-Negative Matrix Factorization-Based Mahalanobis Distance-Anomaly Detector, DSNMFMAD）。该方法首先利用深度非负矩阵分解（Deep Semi-Non-Negative Matrix Factorization, DSNMF）提取图像中低秩的背景部分和稀疏的异常部分。然后采用基于奇异值分解特征子空间的马氏距离构建病斑检测器，检测器通过计算异常部分每个像元的异常度来标记病斑。最后，分别构建了实验室和自然条件下的两个苹果斑点落叶病数据集，用以验证提出方法的有效性。 ［结果和讨论］ DSNMFMAD在实验室条件和自然条件下对苹果斑点落叶病的识别准确率分别达到了99.8%和87.8%；平均检测速度为0.087和0.091 s/幅。相较于4种经典的异常检测方法和1种深度学习模型，本研究所提出方法的检测准确率在实验室条件下分别提高了0.2%、37.9%、10.3%、0.4%和24.5%；在自然条件下分别提高了2.5%、32.7%、5%、14.8%和3.5%。 ［结论］ 本研究提出的 DSNMFMAD能够通过DSNMF有效地将图像中的异常部分提取出来，并利用构建的病斑检测器准确地将苹果斑点落叶病位置检测出来。即使在复杂背景条件下，该方法亦获得了比对比方法更高的检测准确度，展现出了优异的病斑检测性能，为苹果斑点落叶病的检测与防治提供了技术参考依据。

［目的/意义］ 利用数字孪生技术实现对无人农场的实时监管和虚实映射控制是新一代农业信息化技术的核心需求之一，但由于蔬菜生长模型过于复杂，难以在数字孪生平台中建立作物预期模拟，因此结合人工智能技术实现作物生长自动建模成了领域迫切需要的关键技术。 ［方法］ 在蔬菜作物数字孪生平台中引入大语言模型技术，通过预训练大语言模型的推理能力实现蔬菜生长数字孪生平台中准确的蔬菜作物生长模拟。为了使大语言模型具有关于蔬菜作物生长的更多知识和推理能力，首先收集了大量连续的蔬菜生长数据，用于预训练和指令微调；随后设计了阶段式大语言模型智能体集合，由一个预测蔬菜生长阶段的管理型智能体和负责各个阶段的智能体组成，根据数字孪生平台提供的实时数据对蔬菜作物生长进行建模。 ［结果和讨论］ 根据气候、土壤、灌溉、施肥、病虫害、生长日期等蔬菜生长状态信息，所建模型能够预测次日的作物长势，且能根据数字孪生平台的作物管理模拟实现几天甚至几个月的长势预测。通过十折交叉验证证明，该方法使得大语言模型在进行蔬菜作物生长建模时的准确率达到98%，蔬菜生长阶段识别准确率高达99.7%。 ［结论］ 研究表明大语言模型能够在特定数据微调后，实现对于数字孪生平台中作物生长的一般性推理，且能平滑过渡到作物生长的不同阶段。