网站访问量
今日访问量: 798
微信公众号
期刊信息
期刊名称：沈阳农业大学学报
创办日期：1956年6月
主管部门：辽宁省教育厅
主办单位：沈阳农业大学
刊期：双月刊
电话：024-88487083
Email：syndxb@126.com
国内统一刊号(CN)： 21-1134/S
国际标准刊号(ISSN)：1000-1700
基于植被二向性反射统一模型的水稻LAI反演方法研究
许童羽;刘泓泽;金忠煜;李世隆;穆肖彤;刘美含;[目的]叶面积指数（LAI）是作物生长评估的核心指标，在田间精准管理决策中具有不可替代的关键作用。为了突破传统经验模型的局限，针对水稻不同生育期的冠层结构差异优化模型参数，降低土壤背景、叶片重叠等因素的影响，提高反演精度与效率，实现从遥感数据到叶面积指数的快速转化。[方法]提出基于植被二向性反射统一模型的水稻LAI反演方法。以沈阳农业大学海城精准农业航空科研基地为研究区，采集2023年水稻返青期、分蘖期、拔节期及抽穗期的无人机高光谱数据（400～1 000 nm）与地面实测LAI数据。采用连续投影算法（SPA）筛选特征波段以降低数据冗余。在模型构建方面，通过全局敏感性分析确定模型敏感参数范围，建立多组LAI与冠层反射率的模拟数据集，分别采用查找表法（LUT）与狮群优化算法（LSO）构建反演模型，并与植被指数法、BP神经网络、极限学习机（ELM）及随机森林（RF）等传统方法进行对比验证。[结果]SSPA算法筛选特征波段能有效表征水稻冠层光谱信息；基于植被二向性反射统一模型模拟水稻冠层光谱与实测光谱在400～1 000 nm范围误差较小；基于LSO的LAI反演效果最优，决定系数（R2）达0.779，均方根误差（RMSE）为0.599，显著优于查找表法（R2=0.638,RMSE=0.767）及机器学习方法（BP神经网络R2=0.668,RMSE=0.736;ELM极限学习机R2=0.588,RMSE=0.819;RF随机森林R2=0.649,RMSE=0.756）。[结论]植被二向性反射统一模型凭借明确的物理机制，可有效克服传统数据驱动方法的过拟合等问题，在不同生育期及复杂土壤背景下均保持较高稳定性，为水稻生长动态监测与精准农田管理提供可靠的技术方案，对推动智慧农业的规模化应用具有重要意义。
基于PIOSL模型的水稻叶片叶绿素含量反演方法研究
于丰华;刘蕊;金忠煜;相爽;齐鑫;周久琳;李世隆;[目的]叶绿素含量是衡量水稻健康情况的重要指标，精准监测水稻叶片叶绿素含量至关重要。传统水稻叶片叶绿素含量检测需要破坏性采样，难以实时获取其动态变化。随着信息技术的快速发展，高光谱数据结合机器学习方法可以实现水稻叶片叶绿素含量的反演。[方法]以PIOSL(PROSPECT Consider the Internal Optical Structure of the Leaves)模型输出的叶片高光谱模拟数据为基础，采用连续投影算法(Successive Projections Algorithm,SPA)、竞争性自适应重加权采样(Competitive Adaptive Reweighted Sampling,CARS)、随机蛙跳(Random Frog,RF)3种方法进行特征波段选择，并基于粒子群优化算法(Particle Swarm Optimization,PSO)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、爱情进化算法(Love Evolution Algorithm,LEA)3种算法优化极限学习机(Extreme Learning Machine,ELM)对水稻叶片叶绿素含量进行反演。[结果]基于PIOSL模型输出的模拟数据，使用CARS、SPA和RF这3种特征波段选择方法，分别选择19,9,10个特征波段，分别创建PSO、WOA、LEA优化的ELM，通过比较9种模型的性能得出，CARS-LEA-ELM模型反演水稻叶片叶绿素含量的效果最好，测试集R2=0.929,RMSE=4.116μg·cm-2。[结论]通过对反演结果的综合评估，确定最优反演模型构建方案，实现水稻叶片叶绿素含量的高精度反演，可为田间管理提供支撑。
一种基于无人机RGB图像的玉米雄穗检测方法
曹丽英;钟舸澳;赵浩宇;毕红杰;[目的]精准识别和检测玉米雄穗是提高去雄效率的关键。针对当前深度学习算法在复杂田间环境下检测精度不足、鲁棒性差的问题，提出一种基于YOLOv8改进的玉米雄穗高效检测新方法。[方法]通过无人机采集不同天气条件与飞行高度下的多场景数据，构建具有强泛化能力的检测数据集。通过在YOLOv8的骨干网络中引入“幽灵卷积”（Ghost Convolution,GhostConv）模块，颈部网络引入注意力尺度序列融合（Attentional Scale Sequence Fusion,ASF）模块、多尺度特征融合（Gather-and-Distribute Mechanism,Gold）模块，模型能够更好地提取目标特征，并提升目标定位和回归任务的性能。改进后的检测模型命名为AG-YOLO。[结果]AG-YOLO在玉米雄穗检测任务中表现优秀，模型的大小较原模型下降约18.3%，平均精度（mAP）高达89.3%，该性能亦明显优于YOLOv3、YOLOv5、YOLOv6、YOLOv8等其他主流检测算法。尤其是在抽雄早期、目标被叶片遮挡较多、目标密集分布或背景复杂的场景中，AG-YOLO表现出优异的检测能力。[结论]改进后的AG-YOLO模型能够在复杂多变的田间环境下有效检测玉米雄穗，兼顾高检测精度、模型轻量化及强鲁棒性，在实际的应用场景中，展现出很高的应用价值。为实现自动化和智能化的玉米去雄作业提供高效、可靠的技术支持，也为后续智慧农业中其他作物表型精准检测模型的优化与应用推广奠定良好的基础。
共轴双旋翼植保无人机旋翼气流作用下雾滴沉积分布特性研究
陈盛德;郭健洲;徐小杰;黄诗敏;谭宇翔;吴泽鸿;兰玉彬;[目的]在植保无人机喷施作业过程中，旋翼下洗风场分布特性对雾滴沉积效果起关键性作用。为揭示共轴双旋翼无人机旋翼下洗风场的风速分布模式特征，探究旋翼气流对雾滴沉积特性影响规律。[方法]通过流体力学仿真软件Fluent进行共轴双旋翼无人机旋翼下洗风场及其雾滴沉积特性的数值仿真研究，并对旋翼下洗风场的田间喷雾试验结果进行对比验证。[结果]旋翼下方气流强度随着与旋翼距离的增加而衰减；随着无人机旋翼转速的增加，旋翼正下方范围内的雾滴群平均速度随之增大。当旋翼转速分别为2 000,2 400,2 800,3 200 r·min-1时，在旋翼正下方分别约2.0,3.5,5.5,6.5 m内属于雾滴高速区域，其雾滴群的平均速度分别为11.5,13.5,15.5,17.5 m·s-1；随着无人机旋翼转速的增加，雾滴的飘移现象呈现出先减弱后加强的趋势。田间试验结果表明：每条采集带的平均雾滴沉积量分别为1.808,2.044,2.434,1.774μL·cm-2，当药液载荷从70%增加至100%，雾滴平均沉积量从2.434μL·cm-2大幅减小至1.774μL·cm-2，对应的飘移率分别为13.20%、6.96%、1.30%和19.03%。[结论]通过进行显著性分析表明，不同载荷条件下植保无人机喷施雾滴飘移分布存在显著性差异。对比分析试验和仿真结果，数值模拟的平均雾滴沉积量偏小；但试验值与模拟值二者的变化趋势保持较好的一致性。试验验证数值模拟模型的可靠性，并在一定程度上可以指导田间试验的开展，达到精准喷施作业和优化喷施效果的目的。
基于改进YOLOv10n的轻量化复杂背景葡萄叶片病害检测方法
乔世成;赵晨雨;李成镛;白明宇;党珊珊;潘春宇;张明月;[目的]针对复杂背景下葡萄叶片病害检测任务中模型准确率与部署效率难以兼顾的问题，提出一种基于改进YOLOv10n的轻量化实时检测模型。通过结构优化与注意力机制增强，在保证检测精度的同时显著降低计算复杂度，以促进模型在移动设备及实际农业场景中的高效部署。[方法]首先，在Backbone网络中设计C2f-HFDRB模块替代原C2f模块，通过将输入特征划分为高、低频两个分支，强化对病害区域高频信息与局部细节特征的建模能力；其次，采用CAA-HSFPN结构替换Neck网络结构，通过精简高计算量组件实现特征金字塔的高效融合；最后，融入TripletAttention注意力模块，通过捕捉跨空间与通道维度的交互依赖关系，精准聚焦于复杂背景下的病害目标区域。[结果]所提模型精确率达到92.0%，提高1.1%；召回率为91.0%；平均精度均值mAP@0.5达到93.3%，提高1.4%。在计算效率方面，模型的计算量较原模型降低60%，降至3.4 GFLOPs；参数量降低0.95 M，仅为1.95 M；实现优异的轻量化特性。[结论]该模型与主流轻量级检测算法相比，在精度-效率权衡方面表现出明显优势，为葡萄叶片病害的实时精准检测及在资源受限环境下的实际应用提供了有效的技术方案与重要参考。
