简介：摘要 : 准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤，本研究通过对深度残差网络 ResNet进行改进得到一种新型的西兰花花球分割模型，并通过花球部位黄绿颜色占比判断其新鲜度，实现低成本高效准确地西兰花表型信息提取。主要技术流程包括：（ 1）基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集；（ 2）对训练图像进行预处理并输入模型进行分割；（ 3）基于颜色信息用粒子群结构 PSO和大津法 Otsu对分割结果进一步进行阈值分割，获取其新鲜度指标。试验结果表明：本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型， 4个评价指标结构相似性指数 (SSIM)、平均精度 (Precision)、平均召回率 (Recall)、 F-度量 (F-measure)结果分别为 0.911、 0.897、 0.908和 0.907，相比于传统方法提升了 10%-15%，且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时，在分割结果的基础上采用 PSO-Otsu法可以实现花球新鲜度快速分析，其精度超过了 0.8。本研究结果实现了西兰花田间多表型参数的高通量获取，可以为作物田间长势监测研究提供重要参考。

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：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。