科技文摘

20230306 正负压式宽苗带播种排种器的研制//DOI：10.25165/j.ijabe.20221506.7261

为了解决小麦条播均匀性差的问题，该研究设计了一种正负压式小麦宽苗带精量排种器，该排种器采用正负压组合原理的滚筒式结构。通过理论分析和相关资料，对排种器和正负压气室结构进行了设计。利用Fluent软件对不同结构参数下的内部流场分布情况进行了模拟。通过分析压力云图和速度矢量图，完成了吸种孔的设计，获得了最佳的参数组合，以及负压对流场的影响规律。通过EDEMFluent耦合技术研究了转速对流场的影响。该研究以良星99小麦为研究对象，以排种器转速、吸种负压和投种高度为试验因素，将合格指数、重播指数和漏播指数做为评价指标，在JPS-12排种器试验台上进行了3因素3水平响应面试验。通过试验，确定了排种器的结构和最佳工作参数：种孔直径为2mm，每行种孔数为28个，负压为-3.5kPa，排种器转速为19r/min，投种高度为180mm。对优化后的排种器进行验证试验：合格率为80.62%，重播率为9.22%，漏播率为10.16%，达到了JB/T 10293-2013《单粒（精密）播种机技术条件》要求的参数指标，满足小麦宽苗带精量播种的农艺要求。

[编译自：Zhao X S，Bai W J，Li J C，Yu H L，Zhao D W，Yin B Z.Study on positive-negative pressure seed metering device for wide-seedling-strip-seeding.Int J Agric & Biol Eng，2022；15（6）：124-133.]

20230307 基于深度迁移卷积神经网络的玉米叶片病害识别//DOI：10.25165/j.ijabe.20221505.6658

灰斑病、锈病及大斑病作为玉米的三种主要叶部病害，常年对玉米产业造成巨大经济损失。及时精确地识别玉米叶部病害可保证粮食安全，也可降低经济损失及农药投入。在数据量充足前提下，以卷积神经网络（CNN）为代表的深度学习方法可在更具性能的服务器端提供精准、高效且自动化的作物病害诊断结果。受数据集规模和应用场景限制，CNN对识别移动终端的小规模数据集存在一定困难，而针对移动终端设计的轻量级网络可以更好地在效率和准确率之间取得平衡。该研究提出了一种两阶段的深度-迁移学习方法来识别田间玉米叶片病害。首先，在Plant Village数据集上训练并比较了8个传统网络模型和4个轻量级网络模型，其中ResNet和MobileNet表现较好，准确率分别达到99.48%和98.69%；其次，将上述网络迁移到手机拍摄采集的玉米叶病数据集上，通过冻结层方式进行微调；最终微调后的MobileNet在玉米叶病数据集上达到了99.11%的最佳精度。结果表明轻量级模型效果并不低于深度神经网络，并且迁移学习能一定程度上解决小数据集问题；此外，使用的源域与目标域差别越小，迁移学习效果越好。该研究为田间玉米叶部病害识别提供了一个深度-迁移学习应用实例，并为移动端智能识别玉米叶片病害提供了理论基础。

[编译自：Ma Z，Wang Y，Zhang T S，Wang H G，Jia Y J，Gao R，et al.Maize leaf disease identification using deep transfer convolutional neural networks.Int J Agric & Biol Eng，2022；15（5）：187-195.]

20230308 数据集对作物病害图像识别研究的影响//DOI：10.25165/j.ijabe.20221505.7005

数据集在基于机器学习方法的图像识别研究中非常重要。深度学习和迁移学习等前沿方法在训练模型时更是特别依赖数据集。数据集质量直接影响这些方法最终效果。在作物病害图像识别研究中，由于农业环境复杂性和作物多样性，目前数据集非常匮乏。因此，越来越多的研究采用迁移学习方法，借助其他数据集来弥补目标域数据的不足。在该方法中，辅助域数据集的选择对目标域建模效果影响很大。为了探索数据集对作物病害图像识别研究的影响，该研究采用不同深度神经网络框架，研究并比较了不同数据集在基于迁移学习的作物病害图像识别中的效果。该研究选择的数据集包括在最近研究中广泛应用的PlantVillage数据集和农业病虫害研究图像数据库（IDADP）。选择的深度神经网络框架包括ResNet50、InceptionV3和EfficientNet。在该研究工作中，首先对数据集进行数据增强等预处理。在划分辅助域和目标域之后，使用所选择的深度神经网络框架在辅助域数据集上进行模型预训练。最后，利用基于参数的迁移学习方法构建目标域中相应作物病害识别模型。在实验中，对多个不同数据集和不同模型进行了测试和比较。结果表明，当测试集样本和训练样本场景一致时，不同网络框架对多个测试集识别准确率普遍较高。当测试集样本和训练样本场景不一致时，不同网络模型在各个测试集上不能获得理想结果。对于从实际栽培环境采集的作物病害图像识别任务，使用IDADP数据集建模效果更好，该数据集在作物病害图像识别实际应用中具有更大价值。

[编译自：Yuan Y，Chen L，Ren Y C，Wang S M，Li Y.Impact of dataset on the study for crop disease image recognition.Int J Agric & Biol Eng，2022；15（5）：181-186.]