环球纵览 (2).pdf

124环球纵览Global View农业信息化 2023.06Raven Industries 宣布正在扩大其设施，以加速其行业领先的农业技术的进步，并支持该组织在开发尖端客户解决方案时的快速增长。作为此次扩张的一部分，Raven 在亚利桑那州 Scottsdale 开设了一个新的工程中心。凤凰城大都会区是全国范围内高性能公司和个人的顶级枢纽。这个办公地点为 Raven 提供了与亚利桑那州立大学（美国最大和最具创新性的大学之一）的紧密联系，因为该公司继续招募顶尖的工程人才。Raven 团队成员专注于产品开发、数据科学和人工智能，还可以利用附近的测试农场进行即日测试。该模型能够以用户体验为首位，实现更快、更高效的农业技术迭代，南达科他州 Raven 创新园区的成功证明了这一点。除了 Scottsdale 的新址外，Raven 还计划投资对其创新园区进行扩建。该园区距离公司位于南达科他州 Sioux Falls 的总部仅数分钟路程。改造后的设施将为人工智能、自主性、机器学习和核心技术的实时工程测试、研发提供更多的空间和资源。“我们与 Raven 整合，加快了向客户交付新技术的速度，”CNH 工业集团首席数字官 Parag Garg 表示。“它使我们的工程团队能够高效地进行开发并部署新技术。这些园区，加上我们现有的活动，将加强工程师与客户的密切合作。在亚利桑那州和南达科他州的投资为加速 Raven 的领先发展步伐奠定了基础，有助于加强公司的技术人才库，进一步扩大 Raven 的技术集成以及 Case IH 和 New Holland 平台的进步，支持对创新售后市场解决方案的需求。“这些扩张直接反映了我们对自主开发的承诺，”Raven工程副总裁John Preheim指出。“我们致力于提供自主解决方案，帮助种植者优化运营。这些卓越中心将提供空间和资源来支持这一愿景。Raven 继续增强其现有的屡获殊荣的解决方案套件，最近一次是 OMNiPOWER 3200 的首次亮相，这是其自主电源平台的新一代。OMNiPOWER 3200 允许农民从平板电脑或自主模式下远程操作该装置，无需驾驶员。作为 2022 年 ASABE AE50奖获得者，OMNiDRIVE 还被农业和生物工程领导者认可为顶级创新产品。Connected Operations Cloud 的先驱 Samsara Inc.宣布与 John Deere 进行新的整合，以进一步增强农业运营领导者的能力。Samsara 和 John Deere 扩展了他们现有的 JDLink 集成，并增加了新功能，为车辆提供更高的可见性，优化农业运营。农用车辆（如加油车、服务车和皮卡）在农业运营中发挥着关键作用。他们的基本任务包括将燃料运送到设备，运输农作物和维修设备。关键是能够近乎实时地监控车辆的位置和状态，并在不中断农场工作流程的情况下快速访问信息。通过这种新的集成，来自 Samsara 车辆网关的车辆数据，包括车辆位置、航向、速度和燃料水平，可以反映在 John Deere 运营中心的地图上。这是一个在线农场管理系统，可以随时随地访问农场信息。现在，客户可以利用约翰迪尔运营中心内的 Samsara 设备，在一个平台上监控车辆以及 JDLink 的设备。这种整合后的视图使客户能够全面了解其所有设备和车辆的信息。因此，可以最大限度地提高效率和运行时间，改善通信工作流程。“为我们的客户带来最优质的产品和服务始终是约翰迪尔的头等大事。现在，凭借Samsara设备在农场车辆上的强大功能，Raven在亚利桑那州开设高级工程中心，Raven在亚利桑那州开设高级工程中心，并扩建南达科他州的创新园区并扩建南达科他州的创新园区Samsara与John Deere合作推出集成解决Samsara与John Deere合作推出集成解决方案实现农业运营数字化方案实现农业运营数字化资料来源：https:/ Opens Advanced Engineering Center in Arizona,Expands Innovation Campus in South Dakota（编译：王毅平 审校：王应宽）125环球纵览Global View客户可以掌握每个人在改善农场物流方面的优势，“John Deere 的产品营销经理 Matt Daniels 说，”我们对与 Samsara 关系的下一阶段感到兴奋，并期待着未来的合作期间会有更多的创新。“几年来，农业已经看到了技术创新的价值。通过这种集成，我们能够在将这些物理操作带入云管理方面迈出新的一步，“Samsara 产品管理和生态系统集成高级总监 Chris Mozzocchi 解释说。“现在，客户可以访问 Samsara Gateways 获取所需的信息，也可以获取由 John Deere 提供支持的其他农场的运营信息。这项与约翰迪尔运营中心的集成解决方案目前已在美国和加拿大的合格支持车辆中进行首轮体验。资料来源：https:/ Launches Integrated Solution with John Deere to Digitize Farming Operations（编译：王毅平 审校：王应宽）Smart Fertilizer Software 与精密农业技术公司 SupPlant 合作，为全球小农户创建一个无传感器的精密植物营养平台。该平台由名为 GroPlant 的 Smart Fertilizer Software 开发，在考虑天气因素的前提下，将为农民提供数据和卫星驱动信息，旨在提高用水和施肥效率。该应用程序的定价将会充分考虑政府农业活动、赋权项目、合同种植者和小农户们，而其他技术定价并没有考虑这些因素。它将根据收集的数据以及遥感投入向农民提出合理建议。Smart Fertilizer 独一无二的施肥算法是通过数据收集和机器学习构建的，通过全球农民合作伙伴关系、实验室测试、学术研究和传感器输入积累起来。Smart Fertilizer 的算法融合了 215种作物，5000 种商业肥料，并在 72 个国家/地区使用。这已与 SupPlant 的灌溉数据库和知识相结合，该数据库和知识基于14 个国家种植的 31 种作物的专业知识，反映了 2500 多个季节的信息。此次合作结合了两家公司之间 20 年的经验、硬件应用和数据收集，支持了对这个开创性新平台 GroPlant 的需求，将为数百万农民提供支持。在第一阶段，GroPlant 将专注于亚洲和非洲地区，针对最需要它的农民。由于其具有竞争力的价格，该应用程序将可供所有农民使用。用户友好的软件将为用户提供数据支撑的施肥和灌溉建议，且不断进行更新。GroPlant 的功能包括作物选择、田地面积、种植日期、灌溉方法和自动地理位置等。该软件还将提供实时天气预警，并引导农民应用适当的灌溉策略来应对极端天气条件。除此之外，用户将能够利用“最喜欢的肥料”选项来创建一个预设列表，包含土壤规格和养分状态，以便于随时使用。用户还将定期收到报告以及灌溉和施肥时间表。据估计，全世界有 5.7 亿个农场。这些农场中有 12%是“小型”农场（不到 2 公顷），其中 75%的农场是家庭拥有的。世界上 80%的农场位于中低收入国家，仅非洲就有 3300 万小农户。目前，位于低收入国家的小型农场大多无法获得最新的施肥和灌溉数据。大多数农民仍在使用代代相传的家庭方法，因此可能不具有经济或环境效率。Smart Fertilizer 董事长兼首席执行官 Johnathan Kol-Bar 评论道：“GroPlant 的发展将彻底改变全球较小的低收入农民群体。与 SupPlant 一起，我们收集了大量的施肥和灌溉数据，现在数百万农民可以以负担得起的成本获得这些数据。GroPlant 有能力改变农民种植作物的方式，创造一个更可持续的过程，使农民和环境都受益。对于需要确保在可持续农业中发挥作用并支持种植者在本国实现这一目标的政府来说，这是一个宝贵的工具。这在以前从未有过，将是同类应用程序中的首创。SupPlant 首席执行官 Ori Ben-Ner 表示：“GroPlant 首次推出的独特解决方案，有巨大的潜力，对这些国家的整个社区经济以及食物和水储量产生了非凡的影响。SupPlant推出智能施肥软件提高水肥效率SupPlant推出智能施肥软件提高水肥效率资料来源：https:/ Fertilizer Software,SupPlant Launch App for Improving Water and Fertilization Efficiency（编译：王毅平 审校：王应宽）126环球纵览Global View农业信息化 2023.06摘要：葡萄种植产业对自动化冬季剪枝设备的需求不断增加，而图像葡萄冬季剪枝位置识别是实现葡萄自动化冬剪的必要前提。该研究提出一种在Y形结构化种植模式下基于IEPTA细化算法和轻量级卷积神经网络的葡萄冬季剪枝位置识别算法。该方法可分为四个步骤。首先，通过在（2R-G-B）通道和S通道的颜色阈值分割获取葡萄枝干前景；再采用改进增强并行细化算法（IEPTA）提取葡萄枝干骨架；然后，通过判断枝干间角度和距离关系来构建每一根葡萄枝干结构；最后，在枝干上提取边界框并采用轻量级卷积神经网络MobileNetV3_small0.75找到枝干上的芽，根据芽在枝干上的次序确定冬剪位置。试验中，该研究提出方法在芽检测步骤达到了98.8%的精度和92.3%的召回率，冬剪位置判断的正确率为83.4%，总体时间为0.423 s。试验结果表明，该研究提出的葡萄冬剪位置识别算法具有良好鲁棒性和较高精度，对葡萄冬季修剪自动化具有指导作用。关键词：葡萄冬季剪枝；轻量卷积神经网络；细化算法；识别方法DOI:10.25165/j.ijabe.20221503.6750Citation:Yang Q H,Yuan Y H,Chen Y Q,Xun Y.Method for detecting 2D grapevine winter pruning location based on thinning algorithm and Lightweight Convolutional Neural Network.Int J Agric&Biol Eng,2022;15(3):177183.基于细化算法和轻量卷积神经网络的二维葡萄冬季基于细化算法和轻量卷积神经网络的二维葡萄冬季剪枝位置检测方法剪枝位置检测方法杨庆华，袁宇浩，陈一钦，荀 一（浙江工业大学 机械工程学院 特种装备制造与先进加工技术教育部/浙江省重点实验室，杭州 310023，中国）摘要：土壤氮素是作物生长发育所必需的营养元素，是衡量土壤肥力特性的重要指标。该研究提出了一种基于热解和人工嗅觉的快速、准确测定土壤全氮含量的方法。采用马弗炉对土壤样品进行热解，并使用10种不同类型的氧化物半导体气体传感器构建传感器阵列，用以检测土壤样品热解气体。为获得土壤样本最佳裂解状态，分别测试裂解温度为200、300、400、500时以及裂解时间为1、3、5、10 min时传感器响应曲线，得到最佳裂解温度为400，裂解时间为3 min。提取传感器响应曲线的响应面积、最大值、平均微分系数、方差值、最大梯度值、平均值和第8秒瞬态值7个特征构建121107（121土壤样本，10传感器数量，7提取特征值）的人工嗅觉特征空间，采用反向传播神经网络算法（BPNN）、偏最小二乘回归算法（PLSR）和偏最小二乘回归结合反向传播神经网络算法（PLSR-BPNN）建立特征空间与土壤全氮含量的预测模型，使用决定系数（R2）、均方根误差（RMSE）和性能与偏差之比（RPD）作为预测结果性能指标。试验结果表明，PLSR、BPNN和PLSR-BPNN模型的R2分别为0.89033、0.81185和0.92186，RMSE分别为0.24297、0.37370和0.21781，RPD分别为2.9964、1.9482和3.3426。PLSR-BPNN模型拥有更高的R2和RPD，最小的RMSE，可实现土壤全氮含量准确预测，因此该模型评级为“优”。该研究检测方法实现了快速、准确、低成本测定土壤全氮含量，为土壤全氮测定提供了新参考。关键词：热裂解；人工嗅觉系统；土壤全氮；气体传感器阵列；预测方法DOI:10.25165/j.ijabe.20221503.7086Citation:Li M W,Zhu Q H,Liu H,Xia X M,Huang D Y.Method for detecting soil total nitrogen contents based on pyrolysis and artificial olfaction.Int J Agric&Biol Eng,2022;15(3):167176.基于热解和人工嗅觉的土壤全氮含量检测方法基于热解和人工嗅觉的土壤全氮含量检测方法李名伟1,2，朱庆辉1,2，刘 鹤1,2，夏晓蒙1,2，黄东岩1,2*（1.吉林大学 生物与农业工程学院，长春 130022，中国；2.吉林大学 工程仿生教育部重点实验室，长春 130022，中国）127环球纵览Global View摘要：香蕉假茎表型参数测量是评价香蕉生长状况的重要手段，可为施肥、施药等机械化栽培作业提供必要数据支持。现有研究主要测量香蕉假茎直径作为其表型参数，然而，香蕉假茎横截面比标准圆更接近椭圆，因此直径并不能充分代表香蕉假茎表型特征。该研究研制了一种香蕉假茎表型参数自动测量装置，该装置集成了三种不同类型的传感器：激光测距传感器、旋转编码器和数码相机，用于获取香蕉假茎点云和图像数据。提出了一种基于欧式距离的K均值（K-means）点云聚类算法，对香蕉假茎点云进行识别和提取。然后提出了一种基于椭圆模型的三维重建算法，计算假茎三维轮廓，得到长轴长、短轴长和周长三类表型参数。此外，在测量过程中使用同步触发图像采集机制对假茎拍照，它可用于手动评估香蕉生长状态。田间试验结果表明，香蕉假茎三个表型参数与人工测量结果具有高度相关性，R2始终大于0.95，总平均测量误差和相对误差分别仅为6.16 mm和4.38%，均在农艺可接受范围内。总体而言，该方法对植物茎秆检测具有较好普适性，通过非接触检测方式获得茎秆表型参数，对林果产业机械化栽培具有重要意义。关键词：多传感器融合；点云拟合；表型参数提取；香蕉假茎；椭圆模型DOI:10.25165/j.ijabe.20221503.6614Citation:Jiang Y L,Duan J L,Xu X,Ding Y H,Li Y,Yang Z.Measurement of the banana pseudo-stem phenotypic parameters based on ellipse model.Int J Agric&Biol Eng,2022;15(3):195202.基于椭圆模型的香蕉假茎表型参数测量基于椭圆模型的香蕉假茎表型参数测量蒋寅龙1,2，段洁利1,2，徐 兴3*，丁允贺1，李 洋1，杨 洲1,2,4*（1.华南农业大学 工程学院，广州 510642，中国；2.岭南现代农业科学与技术广东省实验室，广州 510642，中国；3.华南农业大学 电子工程学院（人工智能学院），广州 510642，中国；4.嘉应学院广东省山区特色农业资源保护与精准利用重点实验室，梅州 514015，广东，中国）摘要：葡萄叶部病害的及时诊断和准确鉴定，对控制病害传播、保障葡萄产业健康发展具有重要意义。该研究目标是提出一种基于深度迁移学习和改进MobileNetV3模型的简单有效方法（GLD-DTL），在有限计算机硬件资源和训练图像数据集条件下，提高葡萄叶片病害识别准确率。首先，利用ImageNet数据集对MobileNetV3模型进行训练，得到用于葡萄叶片识别的预训练模型，以提取葡萄叶片共同特征。然后，通过增加批归一化函数对预训练模型最后卷积层进行扩展，在全连接层之后加入一个dropout层以提高预训练模型泛化能力，利用权重矩阵量化六种疾病分值。在此基础上，添加一个具有实际类别数量的softmax层作为修改网络的顶层，计算六种疾病概率分布。最后，利用数据增强和图像标注技术对图像进行处理，构建葡萄叶片病害数据集，并将其输入到修改后的网络中，对网络进行再训练，得到葡萄叶片病害识别（GLDR）模型。结果表明，研究提出的GLD-DTL方法比现有病害识别方法具有更好性能。当模型大小为30 MB时，识别准确率达到99.84%。关键词：葡萄叶片病害；实时识别；深度迁移学习；MobileNetV3DOI:10.25165/j.ijabe.20221503.7062Citation:Yin X,Li W H,Li Z,Yi L L.Recognition of grape leaf diseases using MobileNetV3 and deep transfer learning.Int J Agric&Biol Eng,2022;15(3):184194.基于MobileNetV3和深度迁移学习的基于MobileNetV3和深度迁移学习的葡萄叶片病害识别葡萄叶片病害识别印 祥1，李文华1，李 震2，伊丽丽1（1.山东理工大学 农业工程与食品科学学院，淄博 255000，中国；2.南京航空航天大学 人工智能学院，南京 210016，中国）