20230306 正負(fù)壓式寬苗帶播種排種器的研制//DOI：10.25165/j.ijabe.20221506.7261

為了解決小麥條播均勻性差的問題，該研究設(shè)計了一種正負(fù)壓式小麥寬苗帶精量排種器，該排種器采用正負(fù)壓組合原理的滾筒式結(jié)構(gòu)。通過理論分析和相關(guān)資料，對排種器和正負(fù)壓氣室結(jié)構(gòu)進(jìn)行了設(shè)計。利用Fluent軟件對不同結(jié)構(gòu)參數(shù)下的內(nèi)部流場分布情況進(jìn)行了模擬。通過分析壓力云圖和速度矢量圖，完成了吸種孔的設(shè)計，獲得了最佳的參數(shù)組合，以及負(fù)壓對流場的影響規(guī)律。通過EDEMFluent耦合技術(shù)研究了轉(zhuǎn)速對流場的影響。該研究以良星99小麥為研究對象，以排種器轉(zhuǎn)速、吸種負(fù)壓和投種高度為試驗因素，將合格指數(shù)、重播指數(shù)和漏播指數(shù)做為評價指標(biāo)，在JPS-12排種器試驗臺上進(jìn)行了3因素3水平響應(yīng)面試驗。通過試驗，確定了排種器的結(jié)構(gòu)和最佳工作參數(shù)：種孔直徑為2mm，每行種孔數(shù)為28個，負(fù)壓為-3.5kPa，排種器轉(zhuǎn)速為19r/min，投種高度為180mm。對優(yōu)化后的排種器進(jìn)行驗證試驗：合格率為80.62%，重播率為9.22%，漏播率為10.16%，達(dá)到了JB/T 10293-2013《單粒（精密）播種機技術(shù)條件》要求的參數(shù)指標(biāo)，滿足小麥寬苗帶精量播種的農(nóng)藝要求。

[編譯自：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 基于深度遷移卷積神經(jīng)網(wǎng)絡(luò)的玉米葉片病害識別//DOI：10.25165/j.ijabe.20221505.6658

灰斑病、銹病及大斑病作為玉米的三種主要葉部病害，常年對玉米產(chǎn)業(yè)造成巨大經(jīng)濟(jì)損失。及時精確地識別玉米葉部病害可保證糧食安全，也可降低經(jīng)濟(jì)損失及農(nóng)藥投入。在數(shù)據(jù)量充足前提下，以卷積神經(jīng)網(wǎng)絡(luò)（CNN）為代表的深度學(xué)習(xí)方法可在更具性能的服務(wù)器端提供精準(zhǔn)、高效且自動化的作物病害診斷結(jié)果。受數(shù)據(jù)集規(guī)模和應(yīng)用場景限制，CNN對識別移動終端的小規(guī)模數(shù)據(jù)集存在一定困難，而針對移動終端設(shè)計的輕量級網(wǎng)絡(luò)可以更好地在效率和準(zhǔn)確率之間取得平衡。該研究提出了一種兩階段的深度-遷移學(xué)習(xí)方法來識別田間玉米葉片病害。首先，在Plant Village數(shù)據(jù)集上訓(xùn)練并比較了8個傳統(tǒng)網(wǎng)絡(luò)模型和4個輕量級網(wǎng)絡(luò)模型，其中ResNet和MobileNet表現(xiàn)較好，準(zhǔn)確率分別達(dá)到99.48%和98.69%；其次，將上述網(wǎng)絡(luò)遷移到手機拍攝采集的玉米葉病數(shù)據(jù)集上，通過凍結(jié)層方式進(jìn)行微調(diào)；最終微調(diào)后的MobileNet在玉米葉病數(shù)據(jù)集上達(dá)到了99.11%的最佳精度。結(jié)果表明輕量級模型效果并不低于深度神經(jīng)網(wǎng)絡(luò)，并且遷移學(xué)習(xí)能一定程度上解決小數(shù)據(jù)集問題；此外，使用的源域與目標(biāo)域差別越小，遷移學(xué)習(xí)效果越好。該研究為田間玉米葉部病害識別提供了一個深度-遷移學(xué)習(xí)應(yīng)用實例，并為移動端智能識別玉米葉片病害提供了理論基礎(chǔ)。

[編譯自：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 數(shù)據(jù)集對作物病害圖像識別研究的影響//DOI：10.25165/j.ijabe.20221505.7005

數(shù)據(jù)集在基于機器學(xué)習(xí)方法的圖像識別研究中非常重要。深度學(xué)習(xí)和遷移學(xué)習(xí)等前沿方法在訓(xùn)練模型時更是特別依賴數(shù)據(jù)集。數(shù)據(jù)集質(zhì)量直接影響這些方法最終效果。在作物病害圖像識別研究中，由于農(nóng)業(yè)環(huán)境復(fù)雜性和作物多樣性，目前數(shù)據(jù)集非常匱乏。因此，越來越多的研究采用遷移學(xué)習(xí)方法，借助其他數(shù)據(jù)集來彌補目標(biāo)域數(shù)據(jù)的不足。在該方法中，輔助域數(shù)據(jù)集的選擇對目標(biāo)域建模效果影響很大。為了探索數(shù)據(jù)集對作物病害圖像識別研究的影響，該研究采用不同深度神經(jīng)網(wǎng)絡(luò)框架，研究并比較了不同數(shù)據(jù)集在基于遷移學(xué)習(xí)的作物病害圖像識別中的效果。該研究選擇的數(shù)據(jù)集包括在最近研究中廣泛應(yīng)用的PlantVillage數(shù)據(jù)集和農(nóng)業(yè)病蟲害研究圖像數(shù)據(jù)庫（IDADP）。選擇的深度神經(jīng)網(wǎng)絡(luò)框架包括ResNet50、InceptionV3和EfficientNet。在該研究工作中，首先對數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強等預(yù)處理。在劃分輔助域和目標(biāo)域之后，使用所選擇的深度神經(jīng)網(wǎng)絡(luò)框架在輔助域數(shù)據(jù)集上進(jìn)行模型預(yù)訓(xùn)練。最后，利用基于參數(shù)的遷移學(xué)習(xí)方法構(gòu)建目標(biāo)域中相應(yīng)作物病害識別模型。在實驗中，對多個不同數(shù)據(jù)集和不同模型進(jìn)行了測試和比較。結(jié)果表明，當(dāng)測試集樣本和訓(xùn)練樣本場景一致時，不同網(wǎng)絡(luò)框架對多個測試集識別準(zhǔn)確率普遍較高。當(dāng)測試集樣本和訓(xùn)練樣本場景不一致時，不同網(wǎng)絡(luò)模型在各個測試集上不能獲得理想結(jié)果。對于從實際栽培環(huán)境采集的作物病害圖像識別任務(wù)，使用IDADP數(shù)據(jù)集建模效果更好，該數(shù)據(jù)集在作物病害圖像識別實際應(yīng)用中具有更大價值。

[編譯自：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.]