简介：[目的/意义]针对现有规模化猪场生猪计数需求场景多,人工计数效率低、成本高等问题,提出一种基于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法.[方法]首先,利用智能手机拍摄养殖场猪只视频,对视频抽帧进一步生成图像数据集.其次,通过改进卷积块注意力模块(Convolutional Block Attention Module,CBAM)中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题,提出高效全局注意力模块,并将该模块引入基于回归分析的单阶段实例分割网络YOLO(You Only Look Once)v8中对获取的生猪图像进行分割,构建新的识别模型YOLOv8x-Ours,以实现高精度的生猪计数.最后,基于微信公众平台开发微信小程序,并嵌入综合表现最优的生猪计数模型,实现使用智能手机拍摄图像进行生猪快速计数.[结果和讨论]在测试集上的试验结果表明,与现有实例分割模型..

简介：摘要 : 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（ CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（ DSEB）的事件驱动分簇路由算法。算法包括：（ 1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率；（ 2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点 -主网关节点两种情况；（ 3）基于频谱变化和通信服务质量（ QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发 CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设 sink为中心），即在网关或簇头节点选取计算式中引入与节点到 sink的距离成正比的权重系数。算法仿真结果表明，与采用 K-medoid分簇和能量感知的事件驱动分簇 (ERP)路由方案相比，在 CRSN节点数为定值的前提下，基于 DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进；在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。

简介：摘要 : 冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（ D3P）模拟生成了 100种冠层结构不同的小麦品种在 5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（ GAI）、平均倾角（ AIA）和散射光截获率（ FIPARdif）信息作为真实值 ,进一步利用上述三维小麦场景开展了虚拟的激光雷达（ LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（ H）和绿色分数特征（ GF）。最后，利用人工神经网络（ ANN）算法分别构建了从不同 LiDAR点云特征（ H、 GF和 H+GF）输入到 FIPARdif、 GAI和 AIA的反演模型。结果表明，对于 GAI、 AIA和 FIPARdif，预测精度从高到低对应的点云特征输入为 GF+H > H > GF。由此可见， H特征对提高目标表型特性的估算精度起到了重要作用。输入 GF + H特征，在中等测量噪音（ 10%）情况下， FIPARdif和 GAI的估算均获得了满意精度， R2分别为 0.95和 0.98，而 AIA的估算精度（ R2=0.20）还有待进一步提升。本研究基于 D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了 D3P协助表型算法开发的能力，展示了高通量 LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。