深度学习在农业上的应用笔记11

最近发表的相关论文数量不多，质量普遍也不尽如人意，尤其是《Computers and Electronics in Agriculture》这个期刊。这些论文的方法都很简单，只是强行将深度学习应用于某个问题上，而没有考虑到农业实际情况。不过，《Precision Agriculture》期刊的论文水平还是很高的。大多数研究都涉及大型机械的应用，并包含大量数据，提供了很多有价值的结果。

文章目录

• 深度学习在农业上的应用笔记11
• 1 Robust detection of headland boundary in paddy fields from continuous RGB-D images using hybrid deep neural networks (2023)
• 2 Climate change effect on soil erosion using different erosion models: A case study in the Naip Dam basin, Türkiye（2023）
• 3 FPGA–accelerated CNN for real-time plant disease identification(2023)
• 4 Estimating characteristic coefficient of vertical leaf nitrogen profile within wheat canopy from spectral reflectance (2023)
• 5 MCC-Net: A class attention-enhanced multi-scale model for internal structure segmentation of rice seedling stem (2023)
• 6 Investigation of the similarities between NDVI maps from different proximal and remote sensing platforms in explaining vineyard variability (2023)
• 7 Recognition of sunflower growth period based on deep learning from UAV remote sensing images
• 8 Improving the congruency of satellite-based fertilizer maps with field-operable units using pneumatic spreaders
• 9 A comparison of precision and conventional irrigation in corn production in Southeast Alabama
• 10 Identification of table grapes in the natural environment based on an improved Yolov5 and localization of picking points

1 Robust detection of headland boundary in paddy fields from continuous RGB-D images using hybrid deep neural networks (2023)

摘要： 本研究提出了一种基于机器视觉的岬角边界检测方法，该方法在RGB图像外引入深度信息，以提高其检测精度。我们使用基于深度学习的卷积神经网络（CNN）和循环神经网络（RNN）来进行岬角语义分割。我们还提出了一个交互式注意力模块（IAM），以自适应地融合RGB-D图像中的互补信息。在连续图像中，我们采用由一组双向卷积长短期记忆（ConvLSTMs）组成的时间序列信息处理模块（TPM）来提取相互关联的信息。我们应用图像预处理技术和基于距离的边界点聚类算法于岬角分割掩模，得到农机工作侧的边界线。消融研究结果证实了IAM和TPM在提高岬角分割性能方面的有效性。所提出的网络实现了出色的岬角分割性能，平均交集（mIoU）高达95.7%。在256×144分辨率的图像上，边界线提取的平均偏差为3.57像素。检测速率达到每秒25.8帧（FPS），可为农机转弯路径规划提供实时参考线。

结论： 本研究提出了一种应用于农机视觉设备的鲁棒岬角区域分割和边界线检测方法，以解决室外自然环境中岬角区域的位置感知问题。该方法利用高度差为辅助信息，提高岬角检测的精度，并提出了一种RGB与深度信息的交互式融合方法。通过结合CNN和RNN，构建了端到端的深度学习网络，从而增强了连续图像岬角区域检测的鲁棒性。最后，将图像预处理技术和提出的线聚类算法应用于分割掩模，得到最终的边界提取结果。

总结： 这篇论文提出了一个实际问题的解决办法，主题较为新颖（+0.5分），应用了注意力机制（+1分）和语义分割（+1分），最后用消融实验进行了验证，不过技术上没啥创新。

2 Climate change effect on soil erosion using different erosion models: A case study in the Naip Dam basin, Türkiye（2023）

摘要： 本研究旨在利用基于GIS的修正通用土壤流失方程（RUSLE）和改进的通用土壤流失方程（MUSLE）侵蚀模型，估算土耳其色雷斯奈普坝盆地的年平均土壤流失量，并在气候变化影响框架内分析由储层沉积结果验证的预测输出。因此，探讨未来气候变化对侵蚀速率和储层沉积时空变化的影响。使用 ArcGIS 土壤侵蚀工具组织研究数据，并根据大坝盆地的 RUSLE 和 MUSLE 侵蚀模型计算年平均土壤流失。据了解，流域地区年平均土壤流失量在0.31吨公顷之间。这些结果是由奈普大坝的体积变化确定的储层沉积结果来检查的。研究发现，RUSLE和储层沉积结果是相容的。RUSLE侵蚀模型与2021年至2050年之间气候变化数据一起重新运行。由于气候变化的预测影响，据了解，未来该地区的侵蚀将增加更多。本研究为决策者提供了有用的指导信息，以管理大坝水库沉积管理，大坝的可持续性以及延长水库寿命。在适应气候变化方面，建议采取措施减少或防止流域地区的侵蚀。

结论： 本研究介绍了基于GIS的奈普坝盆地侵蚀模型估计值及其结果，并通过储层沉积结果验证了这些估计结果。根据这些结果，研究区域的年平均土壤流失量为0.31吨公顷/年，与储层沉积结果一致。

总结： 这项工作研究了气候变化对侵蚀速率和储层沉积时空变化的影响，并对未来气候变化对土壤影响进行了预测。这是一个热门主题且有实际意义（+1分）。但方法没有创新性。

3 FPGA–accelerated CNN for real-time plant disease identification(2023)

摘要： 由于CNN算法具有内存密集型和计算密集型的特点，在内存和计算资源有限的情况下，很难在边缘终端上实现CNN。本文利用现场可编程门阵列（FPGA）加速CNN识别植物病害。首先，设计了一个仅有176 K参数和78.47 M浮点运算（FLOP）的7层简单结构网络“LiteCNN”。采用知识蒸馏法训练LiteCNN，使准确率达到95.24%。其次，LiteCNN的加速电路是在“ZYNQ Z7-Lite 7020”FPGA板上设计和实现的。为了压缩网络，加快植物病害识别，应用了以下方法：1）可分离卷积代替规则卷积，采用低冗余块卷积方法加载数据；2）批量归一化（BN）层融合到之前的卷积层（或全连接层）中；3）特征数据和模型参数用半浮点数据表示。随着电路基本功能的实现，采用展开for循环、流水线for循环、环展平和阵列分区等方法来优化电路的并行度。最后，在FPGA板上验证了LiteCNN。植物病害识别准确率为95.71%，推理速度为每帧0.071秒，功耗为2.41W。结果表明，本文提出了一种低功耗、高精度、快速的植物病害识别终端，可以很好地应用于现场植物病害的实时识别。

结论： 该文提出一种轻量级网络“LiteCNN”，实现田间植物病害的实时识别。LiteCNN仅包含0.025 M参数和0.0056 G FLOP，可以在资源受限的边缘终端设备上轻松实现。同时，LiteCNN基于FPGA的加速器旨在加速推理任务。此外，为了保证植物病害识别的准确性，LiteCNN通过经典网络的知识蒸馏进行训练。

总结： 这篇论文的主题是病虫害识别，这个主题研究论文太多了，对投稿不太友好了（-2分）。采用了知识蒸馏（+1分）以及硬件（+2分）。但是很残酷的是，在FPGA上实现卷积神经网络进行检测，已经有非常成熟的方案了。

4 Estimating characteristic coefficient of vertical leaf nitrogen profile within wheat canopy from spectral reflectance (2023)

摘要： 叶面积氮含量垂直分布的特征系数不仅对作物产量、粮食产量和质量以及光氮利用效率敏感，而且对作物缺氮敏感。我们引入了一种从冠层光谱反射率估计该系数的稳健方法。我们基于不同的冬小麦数据集全面分析了各种方法。我们使用调整和加权决定系数（wR）测试和比较模型的准确性和稳定性，包括多个季节的平均绝对误差（MAE）以及均值和变异系数（CV）。分析主要集中在基于质量的叶片N剖面系数（Km）上，并提出了与基于面积的叶片N剖面系数的比较。结果表明，冬小麦中估计Km的最稳健模型为Km =（1.8037RGVI-0.9702+0.0786EXP（0.6315/DASF））/2，其中RGVI为红绿比植被指数，DASF为定向面积散射因子。平均wR调整后2在包括各种情况在内的三个赛季中，CV = 8.2% 时为0.663，平均MAE为0.117，CV = 12.8%。这使得在大面积上评估Km并及时无损地跟踪其在多个时期的动态成为可能。

结论： 本研究探讨了一种用于估计冠层内垂直叶氮剖面特征系数的鲁棒光谱模型。

总结： 这篇论文主题是利用光谱反射的方法来估酸小麦的氮利用效率。主题是一个老话题了，研究方法也缺乏创新性。

5 MCC-Net: A class attention-enhanced multi-scale model for internal structure segmentation of rice seedling stem (2023)

摘要： 本文构建了水稻秧茎CT图像数据集，并提出了一种类注意力增强多尺度分割（MCC-Net）模型来分割水稻秧茎的内部结构。针对幼苗茎CT图像中不同大小和形状的分割对象，引入多尺度卷积块（MCB）模块（Ibtehaz和Rahman，2020）到模型中。作者使用MCB模块构建UNet框架的编码器层，可以增强模型与多尺寸分割对象的兼容性。对于UNet骨干网络，解码层的输入特征图包括前一个特征提取层的输出和对应解码层的输出。为了有效地促进有效特征的前向传播，过滤掉对当前分割任务不重要的特征，本文构建了坐标空间注意力（CSA）模块，并将其引入到UNet的跳过连接结构中。此外，考虑多品类分割任务中品类区域与单像素的相关性，本文构建了类注意力增强（CAE）模块对品类区域与像素之间的语境语义信息进行建模，增强品类表达特征，进而提高分割精度。结果表明，所提出的分割模型在水稻秧茎的CT图像上表现较好。

结论： 就是普通应用研究。

总结： CT图像+2分，注意力机制+1分，语义分割+2分。

6 Investigation of the similarities between NDVI maps from different proximal and remote sensing platforms in explaining vineyard variability (2023)

摘要： 植被指数（VI），特别是归一化差异植被指数（NDVI），被用于确定管理葡萄种植面积的单位（MU），并解释葡萄园生产的数量和质量。在生产环境中，使用不同传感技术的NDVI地图有何不同？它们能解释产量和质量变化的哪一部分？本研究比较了两个季节（2019年和2020年）CropCircle、SpectraSense+GPS、Redwood Parrot+无人机（配备多光谱相机和Sentinel-2图像）的高分辨率多光谱和多时间数据。目的是评估数据收集日期（物候生长阶段）是否影响NDVI与作物产量之间的相关性。在统计和生产背景下对近端和遥感葡萄园NDVI数据的比较表明，来自类似传感器的NDVI值非常相似（0.69 < r<0.96），但近端和空中/空间观测之间存在差异。NDVI层与葡萄产量和总可溶性固形物（TSS）数据之间的探索性相关性分析显示出高度相关性（最大值|r|=0.91和|r|=0.074），并且相关性随着季节的进展而增加。葡萄汁的可滴定酸度和pH值没有关系。最后，近端传感器可以更好地解释葡萄生长早期和后期产量和质量的变化。无人机的MU比其他传感器更好地描述了这两年的生产情况。2019年，基于PCA的MU比无人机相关区域更好地解释了TSS的可变性。由于粗略的空间分辨率，卫星数据在解释变化时被证明是不一致的。

结论： 本研究的总体目的是利用同步多平台多时相 NDVI 分析技术，在操作层面对葡萄园生产参数（葡萄产量和质量）进行评估。我们发现，高分辨率遥感数据（SpectroSense+GPS 和 UAV）在管理葡萄园产量和浆果可溶性总固体质量方面表现最佳，特别是在冠层生长饱满的季节中期。其中，基于无人机的数据表现更为相关，同时提供了快速数据收集的好处。通过从 NDVI 时间序列中派生管理单元，我们可以检查运营生产环境。无人机衍生的管理单元平均值可以很好地解释 2019 年和 2020 年产量的最大变化。同时，采用混合多传感器信息（包括“全部”和 PCA 衍生的管理单元）的方法也表现良好。另一方面，卫星数据缺乏一致性，两年之间存在显着差异，这表明卫星 NDVI 在生产环境中可能存在变化。卫星和无人机数据之间的差异尚不清楚，需要进一步的研究来重复分析其他季节的卫星图像。各种管理单元地图显示，不同传感器收集的 NDVI 数据提供了不同的信息，这将导致葡萄园的空间管理不同。这些类型系统中的种植者应优先考虑高分辨率的 NDVI 测绘，以实现差异化葡萄园管理。

总结： 这个研究非常有实际的意义。比较了来自所有四个传感器的NDVI数据，即从两个近端传感器（CropCircle和SpectroSense + GPS）和两个遥感器（UAV和Sentinel-2图像）提取的纯藤NDVI值。在“讨论”部分对结果的分析也很中肯。四个传感器数据（+3分），自己的大田实验数据(+2分)，写作（+1分）。

7 Recognition of sunflower growth period based on deep learning from UAV remote sensing images

摘要： 在田间管理和农业决策中，确切地确定作物生长期至关重要。本研究主要从多时相数据中提取作物归一化差异植被指数曲线，并根据其趋势或特殊节点识别作物品种。然而，这些基于时间序列的识别方法很难应用于实际的作物监测任务。因此，本文利用无人机遥感平台采集试验田多光谱图像，基于向日葵不同生育期的不同种群特征识别向日葵的生育期。通过统计分析田间样地内不同向日葵期的分布面积，本研究得出样地级向日葵生育期结果，以满足实际田间经营需要。本研究使用2018年的数据构建模型，并在2019年的数据上测试其性能。通过实验比较，PSPNet在本次研究中可以达到准确性和效率的良好平衡。此外，考虑到相邻生长期分类之间的时间序列关系，该文提出一种改进的损失函数来加权不同类型的错误分类，以优化模型性能。结果表明，改进的PSPNet加权损失函数实现了89.01%的最优识别准确率，为基于单相数据的向日葵生育期识别提供了解决方案。

结论： 普通应用，语义分割模型有点老。

总结： 利用无人机遥感平台连续两年采集了向日葵不同生育期的不同种群特征识别向日葵生育期图片（+3分）。语义分割处理数据（+2分）。

8 Improving the congruency of satellite-based fertilizer maps with field-operable units using pneumatic spreaders

摘要： 氮肥价格的大幅上涨和环保意识的提高，强调需要优化机器的可操作性，避免不同田间单位（包括海岬和田间机构）目标剂量率的双重重叠，从而与基于卫星的氮处方图更加一致。然而，地图网格往往不符合农民的管理实践，特别是机器的可操作性。因此，本研究开发了一种算法，通过考虑基于现场实际有轨电车的气动吊索，并将可操作单元放在一起，将任何给定的场地细分为可操作单元。新开发的算法可以提前指定所需的肥料量。它展示了这些技术如何实现由每个现场单元的统计数据支持的优化应用映射。可进一步将均匀施肥与有和无横截面控制的变速施（VRA）和机械进行比较，以确定偏差最大和过量施氮的区域。对均质或异质大田机组进行更精确的氮肥施用可以节约氮素，减少对环境的负面影响。本文共比较了六种变体：（1）没有分段控制的均匀应用，（2）带分段控制的均匀应用，（3）没有分段控制的VRA 1，（4）带分段控制的VRA 1，（5）没有分段控制的VRA 2和（6）带分段控制的VRA 2。

结论： 本研究开发了一种新算法，该算法允许根据所使用的机械采用不同的工作宽度和动臂截面编号，将油田划分为可管理的子单元。因此，可以将常规栅格或管理区域中具有可操作子单元的普通应用程序地图转换为使用给定机器可管理的地图。可操作的子单元适用于有轨电车和工作宽度、多个动臂部分以及所用机械的转换距离。通过这种新方法，可以事先确定施肥量，有助于改进规划。与实际施用量更匹配的可操作亚单位也允许在田间更准确地施肥，因为可以为每个可操作的亚单位单独计算预先计划的施肥量的加权平均值。同样，该算法可以应用于供应商方面，为农民提供适合其农场技术的肥料地图。

总结： 这是一篇根据实际问题提出了解决方案的应用研究论文。自身的数据量较大。硬件实践（+2），大量田间数据（+3分）。

9 A comparison of precision and conventional irrigation in corn production in Southeast Alabama

摘要： 节水灌溉可以潜在地减少水和能源的使用，提高盈利能力并保护环境。本研究比较了由土壤传感器（SS）组成的精确灌溉（SS）与常规均匀灌溉（URI），以确定灌溉调度和可变灌溉率（VRI）。该研究于2018年和2019年的玉米种植季节在阿拉巴马州南部进行。SS-VRI和URI处理跨越了整个场地，并在五个不同的管理区域（MZ）进行了比较，显示了土壤和地形的差异。在每个MZ处理区域安装土壤水张力传感器，以监测每小时的土壤水变化。结果表明，在覆盖了研究区域55%的MZ 1和MZ 2两个区域内，两年内，SS-VRI处理导致灌溉用水平均减少了26%；但是，处理之间的产量或产量差异没有统计学差异。尽管在MZ 4中，不同处理的灌溉水没有显著差异，但土壤传感器提高了作物需水量峰值期间灌溉率测量的准确性。本研究结果表明，基于土壤传感器的灌溉调度可用于防止作物生长期间随着降雨量和分布的变化而导致的过度灌溉或欠灌溉。通过适当的管理，土壤传感器和VRI的结合为农民提供了在增加或维持产量的同时减少水消耗的机会；然而，农民必须考虑与收入相关的投资和运营成本。

结论： 精确灌溉 （SS-VRI） 和 URI 的影响在美国阿拉巴马州东南部的一项为期 2 年的研究中进行了评估。这两种灌溉水管理策略的比较是在具有空间土壤和地形差异的田地上进行的。本研究的主要发现和结论总结如下：

• 年份和区域处理之间的灌溉差异不仅受到不同月降雨量的影响，还受到温度和蒸气压不足等其他天气条件以及土壤和田内地形变化的影响。
• 灌溉和精准灌溉的价值在2019年得到了更好的证明和评估，这一年月降雨量低于历史值，环境温度高于历史值。使用土壤传感器和VRI根据每个MZ内的作物需求精确施用灌溉量，缓解了2019年作物可能经历的更高的蒸发需求。
• 两个研究年份MZ的产量差异可能与土壤质地和地形高程变化有关，这可能影响土壤水分可用性，土壤水分积累和陆上流动。在覆盖55%研究面积的两个高产区（MZ 1和MZ 2）中，使用土壤传感器和VRI（SS-VRI处理）节水效果最大。2年灌溉平均值显示，与URI处理相比，SS-VRI处理在这些区域节省了32%的水量，而不会对产量产生负面影响。
• 地形高程、土壤质地、陆上水流以及可能的地下横向水运动都会影响土壤湿度和植物有效水分。五个MZ中的每一个都受到这些因素和天气的不同影响。因此，这项研究的结果证明了土壤传感器如何评估田内每日土壤湿度差异以及作物对这些因素的后续响应。例如，MZ 4和MZ 5都具有相似的土壤质地条件;但是，这些区域具有不同的地形高程特征，并且MZ 5靠近小溪。2018年，与URI处理相比，MZ 5上的SS-VRI处理减少了32%的灌溉量，而相同的处理在MZ 4上规定了更多的灌溉量。如果没有土壤传感器或其他方法来评估田内日常土壤水和作物用水，农民可能会过度灌溉或灌溉不足。
• 在土壤持水量较高的区域MZ 1和MZ 2上观察到使用土壤传感器和VRI组合的CWUE和节水量更大，而MZ 4具有最低的土壤持水量，在灌溉处理之间没有观察到节水。然而，这些差异显示了使用技术根据作物和田间变化精确施用灌溉水的好处。
• 使用SS-VRI处理的CWUE增幅最大的是在2019年，该季节降雨量较低，蒸散量较大。这些结果表明，土壤传感器和VRI对于更好地确定灌溉时间和数量以及更好的灌溉水位非常重要。
• 土壤质地和地形高程对土壤水分变化的作用以及SS-VRI处理中实施的最终灌溉处方表明，地形高程和其他与地形相关的变量应用于灌溉管理区的划定。其他研究的结果表明，地形高程得出的地形湿度指数（TWI）可以解释空间和时间产量变化的较大位置。因此，本研究结果表明，应进一步探索TWI或地形位置指数等地形指数作为田内土壤湿度和植物有效水量的解释变量，尤其是在推荐VRI的情况下。
• 土壤传感器有可能保持灌溉田的整体盈利能力，同时减少用水量，这取决于几个特定于站点的因素，例如MZ的大小，传感器的数量以及田地内的可变性。为了充分了解土壤传感器的好处，农民需要保留足够的灌溉记录，如时间、用水和维护成本，以全面评估其灌溉田的盈利能力。
• 未来评估灌溉盈利能力的研究和示范研究，包括VRI和土壤传感器，不仅应详细记录灌溉量和日期，还应详细记录枢轴灌溉特定区域所需的时间，每个灌溉周期的能源使用以及维修和维护成本。

总结： 该研究花费两年时间比较了不同地区普通灌溉与节水灌溉的差异，以及节水灌溉的能力。同时，还考虑了气候、地形和土壤环境等因素。

10 Identification of table grapes in the natural environment based on an improved Yolov5 and localization of picking points

摘要： 针对自然环境中新鲜葡萄采摘点定位的困难，本文提出了一种基于Yolov5的解耦网络——Yolov5-CFD，采用Yolov5-CBAM-4检测层解耦实现葡萄和茎的识别。同时，利用几何方法实现了拾取点的快速定位。首先，为了增强主干模块的特征提取能力，本文集成了卷积块注意力模块（CBAM）的注意力机制对其进行改进。其次，针对小目标难以检测的问题，在颈部模块中添加了第四层检测。此外，本文还借鉴了Yolox的解耦结构，改进了Yolov5的Head模块，优化了网络的分类和回归性能。最后，利用几何方法快速准确地定位新鲜葡萄的采摘点。为验证所提出的网络模型的有效性，本文使用了大约10000张葡萄图像进行训练。结果表明，Yolov5s CFD模型的0.5和mAP_0.5:0.95的检测准确率、召回率和mAP分别为0.857、0.804、0.855和0.642。Yolov5m CFD模型的检测准确率和召回率分别为mAP_0.5和mAP_0.5:0.95，分别为0.986、0.987、0.993和0.910。此外，还将拾取点定位的成功率与相应的网络结构进行了比较。结果表明，Yolov5s CFD模型的拾取点定位成功率比最初的Yolov5s高11.53%，Yolov5m CFD模型的成功率比初始的Yolov5高5.84%。虽然改进的Yolov5模型的识别时间比原始Yolov5模型长，但仍然可以接受。它完全可以满足鲜葡萄机械化采收的要求，为鲜葡萄的机械化采收提供理论依据。

结论：这种方法虽然是通用的，但是它仍有一些局限性，而且可能无法解决一些更加复杂的问题。

总结： 这是一篇关于葡萄采摘要点的研究论文。论文中使用的技术不是最新或最尖端的。然而，本文中有实际的机器人收割实践，这对研究非常有用。