全部分类/
农业与职业/
江苏农业科学

江苏农业科学

2024年20期

本刊为综合性期刊。刊载的文章科学性强，在学术上多有新的见解与发展。栏目有专论、作物栽培与育种、新品种、植物保护、农业产业化、畜牧兽医、特种种养、农产品贮藏与加工、水产养殖、土壤肥料、信息快递等。读者对象为从事科研、农业推广、农业管理人员和院校师生。

扫码免费借阅

目录

快速导航

专论与综述 | 国际视角下我国智慧农业科技创新发展的启示

专论与综述 | 国际视角下我国智慧农业科技创新发展的启示

doi：10.15889/j.issn.1002-1302.2024.20.001 摘要：智慧农业是未来农业的发展方向，也是我国农业新质生产力的重要体现。对比分析发达国家智慧农业的发展特点和经验，探索适合我国国情的智慧农业发展任务与对策建议，对我国智慧农业高质量可持续发展具有重要意义。从政策环境、产业现状、科技创新发展等方面深入分析全球智慧农业发展现状，并通过剖析美国、荷兰、日本等国外发达国家
专论与综述 | 借鉴国际经验加快我国智慧农业发展

专论与综述 | 借鉴国际经验加快我国智慧农业发展

doi：10.15889/j.issn.1002-1302.2024.20.002 摘要：在全球农业现代化进程中，智慧农业已成为主流趋势。我国智慧农业虽发展迅速且成效显著，但与国际农业强国相比，尚存在着各方面的不足。而欧美各国在智慧农业发展上领先全球，其发展经验值得中国借鉴。我国智慧农业虽在政策支持下取得较好成果，但仍面临技术研发推广瓶颈、数据安全隐私保护挑战及政策执行与资源整合困难等劣势。因
专论与综述 | 基于深度学习的农作物图像识别的发展

专论与综述 | 基于深度学习的农作物图像识别的发展

doi：10.15889/j.issn.1002-1302.2024.20.003 摘要：农作物图像识别是一项重要的农业技术，它能够通过分析农田中的图像数据来快速、准确地识别不同作物的生长状态和健康状况。随着深度学习技术的快速发展，基于深度学习的农作物图像识别研究取得了显著的进展。梳理近年来该领域的研究进展，总结不同深度学习模型在农作物图像识别任务中的应用。首先，回顾农作物图像识别技术的发展进
遥感反演 | 基于遥感的流域尺度耕地冠层叶绿素、表层土壤有机碳含量估算及分布特征研究

遥感反演 | 基于遥感的流域尺度耕地冠层叶绿素、表层土壤有机碳含量估算及分布特征研究

doi：10.15889/j.issn.1002-1302.2024.20.004 摘要：耕地表层土壤有机碳（SOC）和作物冠层叶绿素含量分别是土壤肥力和农田作物生长状态的重要指标之一。以山东省瀛汶河流域的耕地为研究对象，利用深度学习提取耕地地块，基于Sentinel-2A多光谱遥感数据和野外采样试验数据，运用BP神经网络模型构建反演模型，得到研究区耕地的表层SOC和冠层叶绿素含量的空间分布。
遥感反演 | 基于无人机多光谱的土壤全氮含量反演模型研究

遥感反演 | 基于无人机多光谱的土壤全氮含量反演模型研究

doi：10.15889/j.issn.1002-1302.2024.20.005 摘要：土壤全氮含量是评价土壤肥力及作物生长支持的核心指标之一。本研究构建一种新型反演模型VMD-SSA-LSSVM模型，旨在增强土壤全氮含量预测的精确性与泛化性。首先，使用大疆精灵四多光谱无人机收集作物冠层5个波段的光谱反射率数据；随后，对田间表层土壤进行取样，并通过实验室分析，确定土壤全氮含量，通过分析光谱数
遥感反演 | 基于无人机多光谱影像的不同施氮量水稻LAI反演方法研究

遥感反演 | 基于无人机多光谱影像的不同施氮量水稻LAI反演方法研究

doi：10.15889/j.issn.1002-1302.2024.20.006 摘要：为探明水稻生育期内叶面积指数（LAI）的变化情况，建立可快速准确估测不同生育期水稻LAI的模型。在蒸渗测坑内进行不同施氮量下的水稻栽培试验，基于无人机采集不同时期水稻测坑多光谱数据，对计算得出的植被指数进行相关性分析，筛选出与5个生育期相关性最高的前5种植被指数，利用多元线性回归、偏最小二乘回归、随机森林
作物表性识别 | 基于Logistic模型的上海青生长模拟三维可视化建模技术

作物表性识别 | 基于Logistic模型的上海青生长模拟三维可视化建模技术

doi：10.15889/j.issn.1002-1302.2024.20.007 摘要：虚拟作物的三维可视化研究在计算机教学、生态学等领域具有广泛的应用前景，尤其在作物生长过程研究方面更是具有重要意义。针对上海青形态结构复杂、上海青生长可视化不易实现的问题，以上海青作为研究对象，在国内外已有的研究基础上，应用物联网技术对温室大棚进行数据实时采集，并在试验数据基础上构建Logistic方程模拟
作物表性识别 | 基于激光扫描技术的小麦植株三维重建与表型参数提取

作物表性识别 | 基于激光扫描技术的小麦植株三维重建与表型参数提取

doi：10.15889/j.issn.1002-1302.2024.20.008 摘要：小麦植株表型信息是小麦品种特性和生长发育规律的外在展示，对小麦的栽培调控具有重要的指导意义。常规的作物表型信息获取以人工测量为主，存在数据偏差大、投入时间多、获取效率低等问题。本研究利用超高精度的三维（3D）激光扫描仪，在实验室内获取小麦个体和群体植株3D点云数据，并进行点云数据预处理，构建小麦植株3D结
作物表性识别 | 基于MR展示柜的油菜表型数字化保存与展示

作物表性识别 | 基于MR展示柜的油菜表型数字化保存与展示

doi：10.15889/j.issn.1002-1302.2024.20.009 摘要：作物表型高效数字化保存和多维度展示，可为后续深入细致的表型研究提供高通量、高精度的表型数据和高保真、全方位的展现形式。以油菜（Brassica napus L.）为主要研究对象，通过多角度对比图像、点云、3D模型和机理模型等多种表型数字化保存形式，选择以多视角RGB图像重建三维点云的方式数字化保存表型信息
作物营养智能诊断 | 基于YOLO v5模型的缺钙草莓叶片识别方法

作物营养智能诊断 | 基于YOLO v5模型的缺钙草莓叶片识别方法

doi：10.15889/j.issn.1002-1302.2024.20.010 摘要：针对缺钙草莓叶片病害特征较小、病害尺度特征变换较大、传统的卷积神经网络模型对小目标的检测效果不佳等问题，提出一种基于YOLO v5模型的缺钙草莓叶片识别方法。该方法首先以YOLO v5模型为基础从其Backbone、Neck、损失函数等方面进行优化，提高其对缺钙草莓叶片病害特征的检测能力，并将优化后的网络
作物营养智能诊断 | 基于改进YOLO v5算法的草莓缺素诊断方法

作物营养智能诊断 | 基于改进YOLO v5算法的草莓缺素诊断方法

doi：10.15889/j.issn.1002-1302.2024.20.011 摘要：为解决实际生产中草莓因缺素而导致经济损失的问题，提出一种基于YOLO v5算法的草莓叶片无损缺素检测方法，可针对4种常见的缺素（缺氮、缺磷、缺钾、缺钙）草莓叶片及正常草莓叶片进行识别。由于草莓的种植环境较为复杂，因此对YOLO v5算法进行改进，包括在骨干网络中添加CBAM注意力机制、使用Focal-EI
作物遥感监测 | 基于机器学习和哨兵2号遥感影像的棉花种植空间分布信息提取

作物遥感监测 | 基于机器学习和哨兵2号遥感影像的棉花种植空间分布信息提取

doi：10.15889/j.issn.1002-1302.2024.20.012 摘要：为快速、准确、高效地获取棉花种植空间分布信息，提高棉花信息提取精度，基于机器学习的遥感图像识别方法，是有效解决问题的途径。以新疆维吾尔自治区乌苏市为研究区，利用哨兵2号遥感数据，选取6种常用植被指数、3种红边植被指数，基于遥感植被指数变化曲线进行棉花特征时段选择，并分别采用梯度提升决策树、随机森林、支持向
作物遥感监测 | 基于随机森林的水稻信息提取与空间格局分析

作物遥感监测 | 基于随机森林的水稻信息提取与空间格局分析

doi：10.15889/j.issn.1002-1302.2024.20.013 摘要：为准确了解岭南丘陵平原区水稻种植空间格局，以Sentinel-2A影像数据及耕地类型矢量数据为基础，采用随机森林（random forest，RF）对研究区水田范围内覆被地物进行分类，进而提取研究区水稻种植信息，以乡镇为空间单元尺度，分别从区域分布特征、空间破碎度、地形分布指数（P）3个方面统计分析其种植
作物遥感监测 | 基于无人机影像和FABM-UNet网络的油菜花簇分割方法研究

作物遥感监测 | 基于无人机影像和FABM-UNet网络的油菜花簇分割方法研究

doi：10.15889/j.issn.1002-1302.2024.20.014 摘要：开花是油菜生长过程中的重要阶段，花朵覆盖度可以精确反映油菜花的生长状态，为产量预测提供有用信息。为了解决传统覆盖度获取方法需要大量人工的问题，本研究将覆盖度问题转变为油菜花的分割问题，提出了一种快速、无损的油菜花簇覆盖度获取方法。首先，基于无人机（UAV）的RGB影像，针对UNet网络特征融合不充分的问题
果实智能检测 | 基于改进轻量化YOLO v7的成熟期香梨目标检测方法

果实智能检测 | 基于改进轻量化YOLO v7的成熟期香梨目标检测方法

doi：10.15889/j.issn.1002-1302.2024.20.015 摘要：为在自然环境下准确地识别和检测香梨果实，以YOLO v7为基础网络模型，针对果园中香梨果实、果叶、枝干之间相互遮挡问题，提出一种改进的轻量化YOLO v7梨果目标检测方法。该方法将MobileNet v3引入YOLO v7 模型中作为其骨干特征提取网络，从而减少网络的参数量，使其更容易部署在移动端和生产实
果实智能检测 | 基于改进RT-DETR的草莓成熟度检测

果实智能检测 | 基于改进RT-DETR的草莓成熟度检测

doi：10.15889/j.issn.1002-1302.2024.20.016 摘要：在自然果园环境下，草莓果实生长分布密集易受枝叶遮挡，不同生长周期的草莓形态大小不一，面对遮挡、小尺寸草莓现有的检测模型容易出现误检、漏检问题。针对上述问题，提出了一种基于改进RT-DETR的实时草莓成熟度检测算法Strawberry Ripeness-DERT（SR-DETR）。首先，根据PConv卷积设
果实智能检测 | 基于改进YOLO的轻量级草莓成熟度检测方法研究

果实智能检测 | 基于改进YOLO的轻量级草莓成熟度检测方法研究

doi：10.15889/j.issn.1002-1302.2024.20.017 摘要：为解决温室环境草莓果实的快速准确识别问题，提出了一种基于改进YOLO v5s的草莓成熟度检测方法。使用基于Channel Shuffle的多路聚合网络替换YOLO v5s中的C3模块，在丰富模型特征提取能力的同时，使得网络模型轻量化。同时采用SE注意力机制和最大池化层重构下采样模块，提高模型对有效通道的关
果实智能检测 | 基于改进YOLO v7-tiny的小麦麦穗检测方法

果实智能检测 | 基于改进YOLO v7-tiny的小麦麦穗检测方法

doi：10.15889/j.issn.1002-1302.2024.20.018 摘要：针对农田环境下小麦麦穗目标检测精确率低的问题，在YOLO v7-tiny模型基础上进行深入改进，旨在提高麦穗检测的准确率，以满足农业生产管理系统和农业机器人边缘检测设备的需求。采用EfficientViT的主干网络替代YOLO v7-tiny的特征提取网络层，强化图像特征的提取能力；在特征融合网络层，引入
果实智能检测 | 基于YOLOX的小麦穗旋转目标检测

果实智能检测 | 基于YOLOX的小麦穗旋转目标检测

doi：10.15889/j.issn.1002-1302.2024.20.019 摘要：小麦穗检测对于农业估产和育种研究具有重要意义，但由于小麦穗角度和姿态多变且存在遮挡和尺度变化等因素，给目标检测带来较大困难，提出一种针对小麦穗旋转目标检测的改进方法YOLOX-RoC，该方法在YOLOX基础上使用旋转矩形框代替水平矩形框，更好地拟合小麦穗的轮廓和方向，减少背景干扰和重叠区域，使模型更具灵活
杂草智能检测 | 基于改进YOLO v8n的玉米田间杂草检测网络

杂草智能检测 | 基于改进YOLO v8n的玉米田间杂草检测网络

doi：10.15889/j.issn.1002-1302.2024.20.020 摘要：针对3～5叶期玉米田间伴生杂草目标尺度小、玉米叶片遮挡严重、田间自然环境复杂等导致检测精度不高的问题，提出了一种基于改进YOLO v8n的玉米田间杂草检测算法。首先下载涵盖了黑麦草、芥菜、甘菊、藜麦等常见伴生杂草和玉米幼苗的图像，对图像进行翻转等数据增强方式增加样本多样性，提升模型识别和泛化能力。其次在Y
杂草智能检测 | Ghost-MobileNet v2：一种轻量级玉米田杂草识别新模型

杂草智能检测 | Ghost-MobileNet v2：一种轻量级玉米田杂草识别新模型

doi：10.15889/j.issn.1002-1302.2024.20.021 摘要：农田杂草种类繁多、生命力强、危害作物的各个生长周期，对现代化农业生产依旧具有极大的影响。为了协助农业生产中的杂草防治工作，对杂草准确、无损、高效识别，将深度学习与农业结合，利用深度学习技术对玉米田中的杂草进行识别和分类，从而为玉米田杂草治理提供技术支持。针对经典卷积神经网络计算量大、准确率低、训练时间长等
病虫害智能检测 | 基于Res-Inception的农作物病虫害识别技术

病虫害智能检测 | 基于Res-Inception的农作物病虫害识别技术

doi：10.15889/j.issn.1002-1302.2024.20.022 摘要：针对现有视觉识别技术对于农作物病虫害识别存在实际农业生产中识别效果不佳的问题，研究提出了一种结合ResNet和Inception 2种模型优点的新构架Res-Inception块。Res-Inception块中采取了ResNet中的残差结构使得模型可以有效应对深度过深造成的过拟合和模型退化的问题；Res-
病虫害智能检测 | KMeans++与注意力机制融合的苹果叶片病害识别方法

病虫害智能检测 | KMeans++与注意力机制融合的苹果叶片病害识别方法

doi：10.15889/j.issn.1002-1302.2024.20.023 摘要：为解决复杂环境下小尺度苹果叶片病害识别精度不高、鲁棒性不强的问题，在YOLO v5s的基础上提出一种新的改进方法。该方法首先在模型训练之前使用KMeans++聚类算法生成更接近真实框的锚框；其次在骨干网络中加入卷积块注意几模块（convolutional block attention module，CB
病虫害智能检测 | 基于改进YOLOX的实时马铃薯叶片病害检测方法

病虫害智能检测 | 基于改进YOLOX的实时马铃薯叶片病害检测方法

doi：10.15889/j.issn.1002-1302.2024.20.024 摘要：随着深度学习在图像识别领域的广泛应用，目标检测算法已取得显著进展。然而，在农业病害检测特别是马铃薯叶病害检测方面，仍面临诸多挑战，如自然光影响和数据不平衡问题等。为此，提出一种改进YOLOX的马铃薯叶病害检测方法。首先以轻量化MobileNet v3网络作为骨干替换原有的CSPDarkNet53网络，以提
病虫害智能检测 | 基于改进YOLO v8的水稻害虫识别方法

病虫害智能检测 | 基于改进YOLO v8的水稻害虫识别方法

doi：10.15889/j.issn.1002-1302.2024.20.025 摘要：实时监测稻田害虫泛滥情况是预防水稻产量降低的重要手段之一。针对当前的目标检测算法在实际稻田环境下检测精度较低且模型计算量较大、难以实现实时检测等问题，提出一种基于YOLO v8的改进的水稻害虫识别算法YOLO v8-SDPS。首先在主干网络中用SD_Conv卷积替代标准卷积，重构特征提取模块，在降低参数量
病虫害智能检测 | 基于ActNN-YOLO v5s-RepFPN的番茄病害识别及系统设计

病虫害智能检测 | 基于ActNN-YOLO v5s-RepFPN的番茄病害识别及系统设计

doi：10.15889/j.issn.1002-1302.2024.20.026 摘要：作物病害的早期检测可以提高农作物的质量和生产力，为解决番茄病害识别模型在真实复杂场景中的泛化能力弱，易受作物品种、颜色特征、叶斑形状、疾病周期和环境因素干扰，对存储和计算资源依赖性强的问题，提出1个轻量化改进模型ActNN-YOLO v5s-RepFPN来研究多个区域场景中的番茄疾病，使用Mosaic数据
病虫害智能检测 | 基于原型自适应对齐网络的小样本玉米病虫害检测

病虫害智能检测 | 基于原型自适应对齐网络的小样本玉米病虫害检测

doi：10.15889/j.issn.1002-1302.2024.20.027 摘要：针对图像背景噪声干扰大、有限标注信息利用不充分所导致的对玉米叶片病虫害目标检测效果不佳的问题，利用支持分支和查询分支的双分支网络构建了一种基于原型自适应对齐网络的小样本玉米病虫害检测方法。该方法首先对传统的VGG-16网络进行改进，并在玉米病虫害检测数据集上进行微调，增强模型对特定任务的泛化性能；其次，利
病虫害智能检测 | 基于特征重组网络的小样本农作物病害叶片检测

病虫害智能检测 | 基于特征重组网络的小样本农作物病害叶片检测

doi：10.15889/j.issn.1002-1302.2024.20.028 摘要：针对现有作物病害叶片检测模型的性能过度依赖大量带标注数据集以及预训练模型的泛化性不强等问题，提出一种基于特征重组网络的小样本农作物病害叶片检测方法。首先，采用支持分支和查询分支的双分支网络结构，将支持图像和查询图像映射到深度特征空间，并在支持分支中采用特征增强网络缓解映射特征与原始标注不对齐的问题。其次，
病虫害智能检测 | 基于改进FixMatch算法的半监督番茄病虫害识别

病虫害智能检测 | 基于改进FixMatch算法的半监督番茄病虫害识别

doi：10.15889/j.issn.1002-1302.2024.20.029 摘要：为了快速准确地识别番茄叶片病虫害，从而提升番茄产量和品质，在有限设备资源条件下实现番茄病虫害的精准防治，针对以往番茄病虫害识别算法数据标注成本过高的问题，提出一种基于改进FixMatch算法的半监督番茄病害图像识别方法。首先，对真实场景采集的番茄病虫害数据进行深入分析，挖掘出数据集规模不明、类间数据不均衡
病虫害智能检测 | 基于改进YOLO v8的草莓病害检测方法

病虫害智能检测 | 基于改进YOLO v8的草莓病害检测方法

doi：10.15889/j.issn.1002-1302.2024.20.030 摘要：针对自然条件下草莓病害检测难度大、人工检测效率低下、传统计算机检测方式步骤繁琐、检测精度差以及模型的参数量与计算量大的问题，构建一种基于改进YOLO v8的草莓病害检测模型。该模型使用Slim-Neck结构代替原YOLO v8网络的颈部（Neck）结构以降低深度可分离卷积特征提取和融合能力差的缺陷对模型造
病虫害智能检测 | 基于P-MobileViT网络的小麦病害分类研究

病虫害智能检测 | 基于P-MobileViT网络的小麦病害分类研究

doi：10.15889/j.issn.1002-1302.2024.20.031 摘要：针对小麦病害图像分类方法的识别准确率不理想、模型参数量大等问题，提出一种基于P-MobileViT的小麦病害分类模型。首先对小麦图像进行健康和病害二分类，融合Grabcut算法、大律法对小麦病害图像的病斑区域进行分割；然后将病斑图像输入P-MobileViT分类模型，在其block的局部表征模块中引入深度
病虫害智能检测 | 基于多尺度特征增强的轻量化黄瓜病害识别模型

病虫害智能检测 | 基于多尺度特征增强的轻量化黄瓜病害识别模型

doi：10.15889/j.issn.1002-1302.2024.20.032 摘要：在复杂的背景环境下对农作物病害进行准确识别与分类，为农作物病害的诊断及防治提供可靠依据，具有重要经济意义。提出了一种新的网络模型——MeNet（multiscale enhance on me），用于对大田中黄瓜的8种形态（其中包含6种病害和鲜黄瓜、鲜叶）进行精准识别。该模型的设计包括适用于网络前端的特征
病虫害智能检测 | 基于轻量化YOLO v8-Rice的水稻虫害检测方法

病虫害智能检测 | 基于轻量化YOLO v8-Rice的水稻虫害检测方法

doi：10.15889/j.issn.1002-1302.2024.20.033 摘要：针对真实场景下水稻虫害识别的背景复杂、模型计算量和参数量大以及难以在嵌入式设备或移动设备上部署等问题，在YOLO v8的基础上提出一种改进的轻量化的YOLO v8-Rice水稻虫害检测算法。首先，采用Context Guided Block结构替换传统YOLO v8中C2f模块的Bottleneck结构，

过往期刊

更多

猜你喜欢

龙源综合阅览室V1.0