20220501 基于優(yōu)化D2D的綠色目標果實檢測算法//DOI：10.25165/j.ijabe.20221501.6943

在復(fù)雜的果園環(huán)境中，目標果實的高效、準確檢測是實現(xiàn)果園產(chǎn)量測量和自動化采摘的基本保障。有時，綠色果實與背景顏色相近導(dǎo)致難以區(qū)分，以及照片拍攝受光照環(huán)境和相機角度的影響，給綠色目標果實檢測帶來巨大挑戰(zhàn)。這些問題導(dǎo)致在果園環(huán)境中難以檢測到綠色水果。該研究提出一種兩階段密集網(wǎng)絡(luò)優(yōu)化檢測模型D2D（A two-stage dense to detection framework，D2D）來檢測綠色水果。新模型采用MobileNetV2+FPN結(jié)構(gòu)提取目標果實的多尺度特征，并通過區(qū)域生成網(wǎng)絡(luò)（RPN）結(jié)構(gòu)生成目標果實的候選區(qū)域。在回歸分支中，計算每個局部特征的偏移量，并通過二元掩模預(yù)測候選區(qū)域的正負樣本，以減少背景對預(yù)測框的干擾。在分類分支中，從候選區(qū)域的各子區(qū)域中提取特征，并通過自適應(yīng)加權(quán)池化獲取具有區(qū)分信息的特征，以實現(xiàn)準確分類。新模型采用無錨框設(shè)計，提高模型泛化能力和魯棒性，并降低存儲要求。在制作柿子和蘋果數(shù)據(jù)集上，對柿子和綠色蘋果的實驗結(jié)果表明，新模型檢測性能最優(yōu)，可為其他綠色目標果實檢測提供理論借鑒。

[編譯自：Wei J M，Ding Y H，Liu J，Ullah M Z，Yin X，Jia W K. Novel green-fruit detection algorithm based on D2D framework. Int J Agric & Biol Eng，2022;15（1）：251–259.]

20220502 基于深度學(xué)習(xí)的肉兔剩余飼料重量估測模型//DOI：10.25165/j.ijabe.20221501.6797

隨著精準畜牧業(yè)的發(fā)展，無接觸的健康感知技術(shù)在養(yǎng)殖環(huán)節(jié)中尤為重要。為了提高肉兔養(yǎng)殖業(yè)管理水平，該研究開發(fā)了一種基于圖像分割技術(shù)的肉兔剩余飼料重量估測模型。該模型由飼料實例分割網(wǎng)絡(luò)和飼料重量估測網(wǎng)絡(luò)組成。基于改進的Mask RCNN網(wǎng)絡(luò)構(gòu)建了飼料實例分割網(wǎng)絡(luò)，該網(wǎng)絡(luò)以PointRend網(wǎng)絡(luò)頭替換網(wǎng)絡(luò)的原本網(wǎng)絡(luò)頭，通過自適應(yīng)點細分方法，對圖像邊緣處的點進行精細分類。隨后從圖像分割結(jié)果中提取圖像特征，作為飼料重量估測網(wǎng)絡(luò)的輸入，構(gòu)建了基于反向傳播神經(jīng)網(wǎng)絡(luò)的飼料重量估測網(wǎng)絡(luò)。將該模型應(yīng)用于肉兔實際養(yǎng)殖過程以評估模型性能，并探討了剩余飼料重量和肉兔死亡率之間的關(guān)系。模型評估結(jié)果表明飼料實例分割網(wǎng)絡(luò)的平均精確度為0.987，平均像素精度為0.985。飼料重量估測網(wǎng)絡(luò)的相關(guān)系數(shù)為0.97，均方誤差為208.3，平均絕對誤差為10.51g。實際應(yīng)用結(jié)果表明，不健康的肉兔采食量將顯著降低，當剩余飼料重量高于喂料量的50%時，肉兔的死亡率高于85%;當剩余飼料重量高于喂料量的65%時，肉兔在短時間內(nèi)會全部死亡。因此，剩余飼料重量和肉兔的死亡概率之間有顯著的相關(guān)性，通過估測剩余飼料重量，該模型能幫助養(yǎng)殖舍進行肉兔健康監(jiān)測。

[編譯自：Duan E Z，Wang L J，Wang H Y，Hao H Y，Li R L. Remaining feed weight estimation model for health monitoring of meat rabbits based on deep convolutional neural network. Int J Agric & Biol Eng，2022;15（1）：233–240.]

20220503 雙?；ㄉ垦úヅ欧N器設(shè)計與試驗//DOI：10.25165/j.ijabe.20221503.6608

為提高花生精量播種裝備的性能，解決傳統(tǒng)排種器因落種高度大而導(dǎo)致的成穴性和均勻性差的問題，設(shè)計了一種二次投種精量雙粒花生穴播排種器。通過理論分析，確定了該排種器的主要結(jié)構(gòu)和溝槽長度、投種高度、種床帶速度和排種器轉(zhuǎn)速等參數(shù)。以冀農(nóng)花3號為試驗對象，單穴雙粒率、穴距合格率、穴距變異系數(shù)及空穴率為評價指標，通過JPS-12排種器試驗臺進行了單因素試驗和正交試驗。單因素試驗表明，排種器排種性能主要受溝槽長度、種床帶速度和排種輪轉(zhuǎn)速的影響，對空穴率的影響極小，確定最佳投種高度為40mm。通過正交試驗確定各參數(shù)最優(yōu)組合：溝槽長度為27.3mm、種床帶速度為1.51km/h、排種器轉(zhuǎn)速為14.11r/min。此外，基于正交試驗結(jié)果建立回歸模型，優(yōu)化后排種器排種性能：穴粒數(shù)合格率為98.84%，穴距變異系數(shù)為9.74%，空穴率為1.40%。該排種器提高了花生精播質(zhì)量，滿足花生精量穴播農(nóng)藝要求。

[編譯自：Zhao X S，Ran W J，Hao J J，Bai W J，Yang X L. Design and experiment of the double-seed hole seeding precision seed metering device for peanuts. Int J Agric & Biol Eng，2022;15（3）：107–114.]

20220504 不同土壤改良劑對中國東北地區(qū)蘇打鹽堿土理化性質(zhì)及作物產(chǎn)量的影響//DOI：10.25165/j.ijabe.20221501.6252

施用土壤改良劑是改良鹽堿地最有效的方法之一。該研究在室內(nèi)驗證了13種改良劑及其組合（檸檬酸（NM）、磷石膏（LS）、硫酸鋁+檸檬酸（AL+NM）、硫酸鋁+磷石膏（AL+LS）、硫酸鋁+檸檬酸+磷石膏（HH）、沸石（Z）、酸化沸石（ZH）、硫酸鋁（AL）、硫酸鋁+沸石（AL+Z）、硫酸鋁+酸化沸石（AL+ZH）、聚合氯化鋁（ALCL）、聚合氯化鋁+沸石（ALCL+Z）、聚合氯化鋁+酸化沸石（ALCL+ZH））對蘇打鹽堿土pH值、金屬陽離子含量、交換性鈉、堿化度（ESP）的影響，并選擇了五種最有效的改良劑（Z、ZH、AL、AL+Z和AL+ZH），分別在旱田（玉米田）和水田中應(yīng)用，以評估它們對中國東北松嫩平原蘇打鹽堿土的改良效果和對作物產(chǎn)量的影響。室內(nèi)試驗結(jié)果表明，AL、AL+Z和AL+ZH處理能顯著降低土壤溶液的pH值，增加金屬陽離子的含量。Z和ZH處理能吸附土壤中的金屬陽離子。在旱地和水田中，五種處理均能提高土壤飽和導(dǎo)水率（Ks），分別從9.63mm/d提高到60.02mm/d和0.18mm/d提高到33.25mm/d，其中AL處理效果最好;五種處理均能降低土壤交換性鈉含量，分別降低38.62%-61.33%和25.24%-71.53%，其中AL+ZH處理效果最好;各處理均能降低土壤交換性鈉含量，分別降低0.14-0.22和0.14-0.41，其中AL+ZH處理效果最好;AL、AL+Z和AL+ZH處理能提高土壤有機質(zhì)含量;所有處理均能有效提高作物產(chǎn)量，分別提高23.98%-60.75%和52.51%-260.21%，其中AL處理在旱田效果最好，AL+ZH處理在水田效果最好。該研究可為世界蘇打鹽堿土的化學(xué)改良和農(nóng)業(yè)利用提供理論依據(jù)和技術(shù)支撐。

[編譯自：Xiao F，Zhou B B，Wang H B，Duan M L，F(xiàn)eng L. Effects of different soil amendments on physicochemical property of soda saline-alkali soil and crop yield in Northeast China. Int J Agric & Biol Eng，2022;15（1）：192–198.]

20220505 基于云計算平臺利用高分辨率衛(wèi)星影像實現(xiàn)黃淮海平原冬小麥種植面積快速提取//DOI：10.25165/j.ijabe.20221501.6917

傳統(tǒng)的遙感分類數(shù)據(jù)存儲空間大、處理時間長，使利用較高分辨率衛(wèi)星遙感數(shù)據(jù)實現(xiàn)區(qū)域冬小麥種植面積的提取仍然面臨諸多挑戰(zhàn)。作為基于全球地理空間分析的云計算平臺，Google Earth Engine（GEE）為快速分析遙感信息提供了新的機會。該研究以中國最大冬小麥種植區(qū)黃淮海平原為研究區(qū)域，基于GEE云計算平臺獲得高質(zhì)量Lnadsat-8圖像數(shù)據(jù)集，利用隨機森林算法對2019-2020生長季冬小麥進行識別和制圖，并利用Sentinel-2影像對結(jié)果進行空間分布驗證。計算影像光譜指數(shù)、紋理特征和地形特征，通過對所有特征變量進行重要性打分和評價，評估它們對冬小麥分類精度的貢獻，同時優(yōu)選排名前9名的特征構(gòu)建最佳特征子集，分別將全部34個特征構(gòu)成的集合和優(yōu)選特征子集作為隨機森林分類器的輸入變量并對比不同輸入變量對分類精度的影響。結(jié)果表明，兩種特征分類方案的精度差異很小，但全特征集合的分類效果略好于優(yōu)選特征子集，樣方驗證的總體分類精度為86%-95%，Kappa系數(shù)分布在0.70-0.85之間，總面積的百分比誤差為5.42%。該研究結(jié)果展示了一種可靠的大范圍冬小麥種植區(qū)快速制圖方法，為探索其他作物的精確制圖提供了參考，對作物監(jiān)測和農(nóng)業(yè)發(fā)展具有重要意義。

[編譯自：Zhang D Y，Zhang M R，Lin F F，Pan Z G，Jiang F，He L，et al. Fast extraction of winter wheat planting area in Huang-Huai-Hai Plain using high-resolution satellite imagery on a cloud computing platform. Int J Agric & Biol Eng，2022;15（1）：241–250.]