農(nóng)業(yè)數(shù)字化水產(chǎn)/昆蟲(chóng)養(yǎng)殖科研進(jìn)展

在推動(dòng)農(nóng)業(yè)轉(zhuǎn)型，實(shí)現(xiàn)智慧農(nóng)業(yè)的道路上，社會(huì)各行各業(yè)都在為之努力，有農(nóng)民、合作社、農(nóng)場(chǎng)，更有農(nóng)業(yè)大學(xué)等科研高校，都在不同崗位，為農(nóng)業(yè)發(fā)展發(fā)光發(fā)熱。農(nóng)業(yè)是個(gè)很廣泛的行業(yè)，不僅包括種植業(yè)、畜牧業(yè)，還有水產(chǎn)養(yǎng)殖等行業(yè)，本文匯總整理最近1-2年發(fā)表的論文，分享下數(shù)字化水產(chǎn)/昆蟲(chóng)養(yǎng)殖科研進(jìn)展。

一、水下魚(yú)類品種識(shí)別模型與實(shí)時(shí)識(shí)別系統(tǒng)

科研機(jī)構(gòu)： 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院、中國(guó)農(nóng)業(yè)大學(xué)國(guó)家數(shù)字漁業(yè)創(chuàng)新中心、北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心、北京林業(yè)大學(xué)信息學(xué)院

為快速準(zhǔn)確魚(yú)類識(shí)別系統(tǒng)，該團(tuán)隊(duì)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得的成功，針對(duì)不同卷積網(wǎng)絡(luò)模型都有不同的優(yōu)點(diǎn)和缺點(diǎn)，面對(duì)眾多可供選擇的模型結(jié)構(gòu)，選擇和評(píng)價(jià)卷積神經(jīng)網(wǎng)絡(luò)模型，及模型應(yīng)用的影響精度、安裝包裝體積等問(wèn)題，開(kāi)展了研究。

針對(duì)上述問(wèn)題，研究根據(jù)水下魚(yú)類實(shí)時(shí)識(shí)別任務(wù)特點(diǎn)，選取了AlexNet、GoogLeNet、ResNet和DenseNet預(yù)訓(xùn)練模型進(jìn)行對(duì)比試驗(yàn)研究，進(jìn)一步提高模型訓(xùn)練效果。

試驗(yàn)結(jié)果表明，基于Python開(kāi)發(fā)并部署了一套遠(yuǎn)程水下魚(yú)類實(shí)時(shí)識(shí)別系統(tǒng)，將模型部署到遠(yuǎn)程服務(wù)器，移動(dòng)終端通過(guò)網(wǎng)絡(luò)請(qǐng)求進(jìn)行魚(yú)類識(shí)別模型調(diào)用，驗(yàn)證集圖像實(shí)際測(cè)試表明，在網(wǎng)絡(luò)良好條件下，移動(dòng)終端可以在1 s內(nèi)準(zhǔn)確識(shí)別并顯示魚(yú)類信息。

二、對(duì)蝦養(yǎng)殖溶解氧濃度組合預(yù)測(cè)模型EMD-RF-LSTM

科研機(jī)構(gòu)：仲愷農(nóng)業(yè)工程學(xué)院信息科學(xué)與技術(shù)學(xué)院、仲愷農(nóng)業(yè)工程學(xué)院智慧農(nóng)業(yè)創(chuàng)新研究院、仲愷農(nóng)業(yè)工程學(xué)院廣東省高校智慧農(nóng)業(yè)工程技術(shù)研究中心、仲愷農(nóng)業(yè)工程學(xué)院廣東省農(nóng)產(chǎn)品安全大數(shù)據(jù)工程技術(shù)研究中心、石河子大學(xué)機(jī)械電氣工程學(xué)院、 仲愷農(nóng)業(yè)工程學(xué)院廣東省水禽健康養(yǎng)殖重點(diǎn)實(shí)驗(yàn)室

為提高對(duì)蝦養(yǎng)殖溶解氧濃度的預(yù)測(cè)精度，提升水質(zhì)監(jiān)測(cè)指標(biāo)，該團(tuán)隊(duì)研究提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解、隨機(jī)森林和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的對(duì)蝦養(yǎng)殖溶解氧濃度組合預(yù)測(cè)模型。研究涉及經(jīng)驗(yàn)?zāi)B(tài)分解、固有模態(tài)分量、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林對(duì)高、低頻不同尺度IMF等，實(shí)現(xiàn)對(duì)溶解氧濃度時(shí)序數(shù)據(jù)的綜合預(yù)測(cè)。

研究在廣東省湛江市南三島對(duì)蝦養(yǎng)殖基地展開(kāi)了試驗(yàn)及應(yīng)用，在基于真實(shí)數(shù)據(jù)集的性能測(cè)試中，預(yù)測(cè)精度顯著提高。

針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解后高、低頻分量分別預(yù)測(cè)的策略可有效提升綜合性能，表明該模型具有較高的預(yù)測(cè)精度，能夠較準(zhǔn)確地實(shí)現(xiàn)對(duì)蝦養(yǎng)殖水體中溶解氧濃度預(yù)測(cè)。

三、農(nóng)業(yè)復(fù)雜環(huán)境下尺度自適應(yīng)小目標(biāo)識(shí)別算法——以蜜蜂為研究對(duì)象

科研機(jī)構(gòu)：中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息服務(wù)技術(shù)重點(diǎn)實(shí)驗(yàn)室

為取得對(duì)農(nóng)業(yè)生產(chǎn)環(huán)境目標(biāo)識(shí)別對(duì)象的監(jiān)測(cè)，在光照、背景不同的農(nóng)田環(huán)境，突破分布密集、體積小、密度大的特點(diǎn)，該團(tuán)隊(duì)研究以提高小目標(biāo)的識(shí)別性能為目標(biāo)，以蜜蜂識(shí)別為例，提出了一種農(nóng)業(yè)復(fù)雜環(huán)境下尺度自適應(yīng)小目標(biāo)識(shí)別算法。

該算法克服了復(fù)雜多變的背景環(huán)境的影響及目標(biāo)體積較小導(dǎo)致的特征提取困難，實(shí)現(xiàn)目標(biāo)尺度無(wú)關(guān)的小目標(biāo)識(shí)別。以蜜蜂為研究對(duì)象，為進(jìn)一步驗(yàn)證算法識(shí)別的優(yōu)越性，從網(wǎng)上爬取了不同尺度、不同場(chǎng)景的農(nóng)田復(fù)雜環(huán)境下的蜜蜂圖像，并采用該算法和SSD模型進(jìn)行了對(duì)比測(cè)試。

結(jié)果表明：該算法能提高目標(biāo)識(shí)別性能，具有較強(qiáng)的尺度適應(yīng)性和泛化性。由于該算法對(duì)于單張圖像需要多次向前推理，時(shí)效性不高，不適用于邊緣計(jì)算。

四、基于改進(jìn)Mask R-CNN模型的工廠化養(yǎng)蠶蠶體識(shí)別與計(jì)數(shù)

科研機(jī)構(gòu)：嵊州陌桑高科股份有限公司、浙江省農(nóng)業(yè)科學(xué)院數(shù)字農(nóng)業(yè)研究所

精準(zhǔn)飼喂是全齡人工飼料工廠化養(yǎng)蠶節(jié)本增效的核心技術(shù)之一，家蠶自動(dòng)化識(shí)別與計(jì)數(shù)是實(shí)現(xiàn)精準(zhǔn)飼喂的關(guān)鍵環(huán)節(jié)。該團(tuán)隊(duì)研究基于機(jī)器視覺(jué)系統(tǒng)，利用改進(jìn)深度學(xué)習(xí)模型檢測(cè)蠶體和殘余飼料，實(shí)現(xiàn)模型性能的優(yōu)化，提高對(duì)蠶體和飼料邊界的檢測(cè)和分割能力。

結(jié)果表明：改進(jìn)Mask R-CNN模型對(duì)蠶的檢測(cè)和分割交并比，運(yùn)算速度可以滿足養(yǎng)蠶盒單元在生產(chǎn)線上移動(dòng)實(shí)時(shí)檢測(cè)的要求。該研究為工廠化養(yǎng)蠶精準(zhǔn)飼喂信息系統(tǒng)和投喂裝置的研發(fā)提供了核心算法，可提高人工飼料的利用率，提升工廠化養(yǎng)蠶生產(chǎn)管理水平。

科技改變生活，正是無(wú)數(shù)科學(xué)技術(shù)的應(yīng)用，提升了生活質(zhì)量。科研算法、模型的研究與改善，未來(lái)都是實(shí)現(xiàn)智慧農(nóng)業(yè)的一大助力，期待更多科學(xué)技術(shù)學(xué)以致用，投入到實(shí)際生產(chǎn)生活中。

審核編輯黃宇