简介：摘要 : 目前，针对蜂群发生崩溃式消失的现象还缺乏有效的观测和分析手段。本研究在分析蜂群行为与检测特征的基础上，设计了一种基于物联网技术的蜂群多特征长期监测系统。该系统采用太阳能供电，融合了多种传感器，能够检测蜂群的多个特征（蜂箱内部的温度、湿度、蜂群重量、声音和蜜蜂的进出量），并利用无线数据同步传输技术将这些数据上传到远程云服务器中。基于该系统，本研究还进行了针对意大利蜜蜂从 2018年秋季到 2020年春季为期 235天的长期连续监测试验，记录了蜂群在秋衰期、越冬期和春繁期蜂箱内部温度、湿度、蜂群重量、声音和进出量的逐小时的细致变化。试验结果表明，在此期间，蜂箱内的平均温度呈现从 25℃下降到 -5℃再回升至 15℃的抛物线变化，相应的进出巢次数也由大约 8万次 /天减少至 0次 /天再增加至 5万次 /天。在越冬期中，蜂群的重量呈现出大约 25 g/天的线性下降趋势，同时蜂箱内也更为安静，声音的频率集中于 0~64 Hz。由此表明，在不干扰蜂群的情况下，该监测系统获得的特征数据能够有效地揭示蜂群的日常活动和趋势变化，可用来研究蜂群的行为生物学、探索崩溃式的蜂群消失成因以及发展精确化蜜蜂养殖业。

简介：[目的/意义]为了提高体尺关键点定位准确率,猪三维点云体尺自动测量方法会采用点云分割,在各个分割后局部点云定位测量关键点,以减少点云之间相互干扰.然而点云分割网络通常需要消耗较大计算资源,且现有测量点定位效果仍有待提升空间.本研究旨在通过设计关键点生成网络从猪体点云中提取出各体尺测量所需关键点.在降低显存资源需求的同时提高测量关键点定位效果,提高体尺测量的效率和精度.[方法]针对猪三维表面点云进行体尺测量,提出了一种定位猪体尺关键点的模型Pig Back Transformer.模型分为两个模块,分别设计了两种改进的Transformer自注意力编码器,第一模块为全局关键点模块,首先设计了一种猪背部边缘点提取算法用于获取边缘点,再使用edge encoder编码器以边缘点集合作为输入,edge encoder的edge attention中加入了边缘点和质点的偏移距离信息;第二模块...

简介：摘要 : 太阳能杀虫灯物联网（ SIL-IoTs）是一种基于农业场景与物联网技术的新型物理农业虫害防治工具，通过无线传输太阳能杀虫灯组件状态数据，用户可后台实时查看太阳能杀虫灯运行状态，具有杀虫计数、虫害区域定位、辅助农情监测等功能。但随着 SIL-IoTs快速发展与广泛应用，故障诊断难和维护难等矛盾日益突出。基于此，本研究首先阐述了 SIL-IoTs的结构和研究现状，分析了故障诊断的重要性，指出了故障诊断是保障其可靠性的主要手段。接着介绍了目前太阳能杀虫灯节点自身存在的故障及其在无线传感网络（ WSNs）中的体现，并进一步对 WSNs中的故障进行分类，包括基于行为、基于时间、基于组件以及基于影响区域的故障四类。随后讨论了统计方法、概率方法、层次路由方法、机器学习方法、拓扑控制方法和移动基站方法等目前主要使用的 WSNs故障诊断方法。此外，还探讨了 SIL-IoTs故障诊断策略，将故障诊断从行为上分为主动型诊断与被动型诊断策略，从监测类型上分为连续诊断、定期诊断、直接诊断与间接诊断策略，从设备上分为集中式、分布式与混合式策略。在以上故障诊断方法与策略的基础上，介绍了后台数据异常、部分节点通信异常、整个网络通信异常和未诊断出异常但实际存在异常四种故障现象下适用的 WSNs故障诊断调试工具，如 Sympathy、 Clairvoyant、 SNIF和 Dustminer。最后，强调了 SIL-IoTs的特性对故障诊断带来的潜在挑战，包括部署环境复杂、节点任务冲突、连续性区域节点无法传输数据和多种故障诊断失效等情形，并针对这些潜在挑战指出了合理的研究方向。由于 SIL-IoTs为农业物联网中典型应用，因此本研究可扩展至其它农业物联网中，并为这些农业物联网的故障诊断提供参考。

简介：摘要 : 植被分类是高光谱影像分类中的特定应用问题，光谱特征和空间特征是植被分类中常用的两类特征，比较这两类特征的性能，对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（ PCA）提取光谱特征时，常选择前几个主成分（ PCs）作为光谱特征，虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率，针对这一问题本研究提出了一种混合特征提取方法，对高光谱影像在 PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的 PCs用于后续分类。利用一景 AVIRIS高光谱植被影像，从分类精度的角度，首先比较了所提出的混合特征提取方法和原始 PCA、独立主成分分析（ ICA）及线性判别分析（ LDA） 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集 1和 2上均获得了最高的总体分类正确率，分别为 82.7%和 86.5%。与原始 PCA相比，本研究提出的混合特征提取方法的总体分类正确率，在数据集 1和 2上分别提高了 1.5%和 2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中，总体上空间特征获得的分类正确率比光谱特征高，特别是 Gabor特征，在两个数据集上均获得了最高的总体分类正确率分别为 95.5%和 96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空 -谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。

简介：摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的 MobileNetV3网络，结合关键点预测的目标检测网络（ CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（ M-CenterNet），并通过与 CenterNet和单次多重检测器（ Single Shot Multibox Detector， SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%；模型体积和帧率分别为 14.2MB和 8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为 CenterNet网络的 1/4；相比于 SSD网络，所提网络模型的 AP提升了 3.9%，模型体积降低了 84.3%；本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。

简介：[目的/意义]奶牛跛行检测是规模化奶牛养殖过程中亟待解决的重要问题,现有方法的检测视角主要以侧视为主.然而,侧视视角存在着难以消除的遮挡问题.本研究主要解决侧视视角下存在的遮挡问题.[方法]提出一种基于时空流特征融合的俯视视角下奶牛跛行检测方法.首先,通过分析深度视频流中跛行奶牛在运动过程中的位姿变化,构建空间流特征图像序列.通过分析跛行奶牛行走时躯体前进和左右摇摆的瞬时速度,利用光流捕获奶牛运动的瞬时速度,构建时间流特征图像序列.将空间流与时间流特征图像组合构建时空流融合特征图像序列.其次,利用卷积块注意力模块(Convolutional Block Attention Module,CBAM)改进PP-TSMv2(PaddlePad-dle-Temporal Shift Module v2)视频动作分类网络,构建奶牛跛行检测模型Cow-TSM(Cow-Temporal Shift Module).最后,分别在不同输..

简介：摘要 : 含水量是表征水稻生理和健康状况的关键参数，精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前，利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数，针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的 RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（ 1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长，并且这些参数随水稻生长呈现出了相似的动态变化趋势；（ 2）与 RGB图像相比，多光谱图像评估水稻含水量具有更高的潜力，其中归一化光谱指数 NDSI771,611实现了更好的预测精度（ R2=0.68， RMSEP=0.039， rRMSE =5.24%）；（ 3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（ R2=0.86， RMSEP=0.026， rRMSE=3.51%），预测误差 RMSEP分别减小了 16.13%和 18.75%。上述结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉和田间管理决策提供新思路。

简介：[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 Atten-tion,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 Consensu...