摘要： 农业测控系统的用户交互性存在改进空间，随着自然语言语义处理技术的不断进步，提升农业测控领域中复杂的控制和查询操作的用户友好性变得至关重要，这有助于降低用户的操作成本。本文提出了一种面向农业测控领域的自然语言接口（Agricultural Measurement and Control Natural Language Interface，AMC-NLI），旨在改进农业测控平台的用户体验。通过BERT-BiLSTM-ATT-CRF-OPO（Bidirectional Encoder Representations from Transformers-Bi-directional Long Short-Term Memory- Attention-Conditional Random Field）的语义解析模型，识别并提取农业指令中的实体，并进行操作-地点-对象三元组语句（operate-place-object，OPO）的槽填充。使得用户的自然语言输入能够被转化为结构化的三元组语句，实现用户输入的指令转换为相应的参数，并通过物联网网关发送到相应的设备。试验结果表明在AMC-NLI农业测控指令交互方面，该模型表现出色，准确率，精确率、召回率，F值和平均最大响应时间分别达到了91.63%、92.77%、92.48%、91.74%和2.45 s，为农业信息化管控提供了更为便捷的互动方式。
摘要： 聚乙二醇（polyethylene glycol，PEG）是一种常用的种子引发剂，利用PEG调节种子在引发过程中的水分吸收，是提高种子引发效果的关键。为探究不同PEG引发浓度和引发时间条件下玉米种子水分吸收对引发效果的影响，该研究采用低场核磁共振（low-field nuclear magnetic resonance，LF-NMR）技术动态监测不同浓度PEG引发下玉米种子水分相态变化情况，分析种子水分吸收和引发效果的关系，并结合机器学习算法构建玉米种子引发效果预测模型。结果表明：随着引发时间的增加（0～48 h），结合水含量呈现先增加后逐渐趋于稳定的趋势，而自由水含量则持续上升，总水含量呈现先增加后逐渐减缓的趋势。结合水含量刚进入滞缓阶段，即A21信号幅值基本不再增加，可作为判断玉米种子适宜引发时间的一个指标。此外，利用高斯过程回归（gaussian process regression，GPR）算法结合核磁参数和引发条件构建的模型，对玉米种子发芽率预测的R2达到0.920，能够快速检测种子的引发效果。通过LF-NMR检测种子引发过程中的水分变化能够实现最优引发条件的快速筛选，该研究为玉米种子引发参数设置和引发效果快速评价提供了新思路。
摘要： 莲藕病虫害的发生将会严重影响莲藕品质与产量,开展早期诊断识别对藕田病虫害及时对症对病防治、增加莲藕生产质量与经济效益具有重要意义。为此,本文以荷叶病虫害高效、准确识别为目标,提出了一种基于改进DenseNet的荷叶病虫害识别模型。首先对模型的浅层特征提取模块进行改进,并在Dense Block与Transition模块中引入Squeeze and Excitation注意力机制模块和锐化的余弦相似度卷积,并基于Plantvillage数据集进行迁移学习,实现了91.34%的识别准确率。本研究实现了对荷叶腐败病、病毒病、斜纹夜蛾、叶腐病、叶斑病的识别,并首次将改进后的DenseNet分类模型推广应用于藕田无人机图片的病虫害检测中,可对莲藕以及其他水生蔬菜病虫害智能防治提供有益指导。
摘要： 生态沟渠是中国南方地区农业面源重要拦截磷污染的措施，受生态沟渠自身特征和环境因子影响，不同研究中生态沟渠对磷的去除效率差异较大。通过文献检索平台CNKI和Web of Science，收集研究磷在生态沟渠迁移转化过程的文献，经过筛选后，建立生态沟渠磷迁移数据库，共包含334项数据，通过统计分析系得到生态沟渠对TP的平均去除效率为47.16%。基于Mann-Whitney U检验和K-W检验方法，分析不同因素（植被类型、沟渠材质类型、强化措施、气候温度、水力停留时间）对生态沟渠TP去除效率的影响。研究结果表明：不同植被类型中，多种人工植被的生态沟渠去除效果最好，其TP平均去除效率为53.93%；不同沟渠材质中，边坡半衬砌的生态沟渠的TP平均去除效率为58.22%，效果最佳；不同强化措施类型中，基质类更有助于提高生态沟渠对TP的去除效果，其去除平均去除效率达到53.53%；不同气候温度区间中，温度在＞25～35℃时生态沟渠对TP去除效率最高，平均值为57.18%；不同水力停留时间条件下，超过24h时生态沟渠对TP的平均去除效率最佳，达到72.12%。该研究成果可为中国南方生态沟渠磷拦截效应评估、沟渠设计提供技术支撑。
摘要： 小麦条锈病和小麦黄矮病是严重威胁小麦生产的重大病害，病害的早期识别对病害防控具有重要意义。现有病害识别模型对相似表型症状识别困难，对早期病害的识别准确度低。为此，本研究构建了一种改进的快速区域卷积神经网络（Faster Regions with CNN Features，Faster-RCNN）的病害识别方法。该方法采用卷积核拆解和下采样延迟策略优化了深度残差网络（Deep Residual Neural Network，ResNet-50），用优化后的ResNet-50作为主干特征提取网络以增强所提取特征的表达力，同时简化模型的参数；并采用ROI （Region of Interest）Align改进ROI迟化层以降低特征量化误差，提升识别的精度。在自建的涵盖200余种不同发病时期、不同抗感性的小麦叶部图像数据集上进行试验，结果表明：改进的Faster-RCNN识别方法比其他SSD （Single Shot Multi-Box Detector）、YOLO（You Only Look Once）和Faster-RCNN网络模型的平均精度均值（mean Average Precision，mAP）分别提升了9.26%、7.64%和14.97%。对小麦条锈病、小麦黄矮病、健康小麦和其他黄化症状小麦识别的平均mAP可达98.74%；对小麦条锈病和小麦黄矮病轻、重症识别的平均mAP可达91.06%。同时，模型损失函数值降低最快，整体性能表现最优。进一步开发小麦病害智能识别系统部署研究模型，使用微信小程序进行田间小麦病害的识别。在最大并发100的条件下，小程序平均返回时延为5.024秒，识别返回成功率为97.85%，对两种小麦病害及其细分轻重症识别的平均准确率为93.56%，能够有效满足实际应用需求，可用于指导病害的科学防控。
