农业数字化水产/昆虫养殖科研进展

在推动农业转型，实现智慧农业的道路上，社会各行各业都在为之努力，有农民、合作社、农场，更有农业大学等科研高校，都在不同岗位，为农业发展发光发热。农业是个很广泛的行业，不仅包括种植业、畜牧业，还有水产养殖等行业，本文汇总整理最近1-2年发表的论文，分享下数字化水产/昆虫养殖科研进展。

一、水下鱼类品种识别模型与实时识别系统

科研机构： 中国农业大学信息与电气工程学院、中国农业大学国家数字渔业创新中心、北京市农业物联网工程技术研究中心、北京林业大学信息学院

为快速准确鱼类识别系统，该团队结合卷积神经网络在图像识别领域取得的成功，针对不同卷积网络模型都有不同的优点和缺点，面对众多可供选择的模型结构，选择和评价卷积神经网络模型，及模型应用的影响精度、安装包装体积等问题，开展了研究。

针对上述问题，研究根据水下鱼类实时识别任务特点，选取了AlexNet、GoogLeNet、ResNet和DenseNet预训练模型进行对比试验研究，进一步提高模型训练效果。

试验结果表明，基于Python开发并部署了一套远程水下鱼类实时识别系统，将模型部署到远程服务器，移动终端通过网络请求进行鱼类识别模型调用，验证集图像实际测试表明，在网络良好条件下，移动终端可以在1 s内准确识别并显示鱼类信息。

二、对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM

科研机构：仲恺农业工程学院信息科学与技术学院、仲恺农业工程学院智慧农业创新研究院、仲恺农业工程学院广东省高校智慧农业工程技术研究中心、仲恺农业工程学院广东省农产品安全大数据工程技术研究中心、石河子大学机械电气工程学院、 仲恺农业工程学院广东省水禽健康养殖重点实验室

为提高对虾养殖溶解氧浓度的预测精度，提升水质监测指标，该团队研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络的对虾养殖溶解氧浓度组合预测模型。研究涉及经验模态分解、固有模态分量、长短时记忆神经网络和随机森林对高、低频不同尺度IMF等，实现对溶解氧浓度时序数据的综合预测。

研究在广东省湛江市南三岛对虾养殖基地展开了试验及应用，在基于真实数据集的性能测试中，预测精度显著提高。

针对经验模态分解后高、低频分量分别预测的策略可有效提升综合性能，表明该模型具有较高的预测精度，能够较准确地实现对虾养殖水体中溶解氧浓度预测。

三、农业复杂环境下尺度自适应小目标识别算法——以蜜蜂为研究对象

科研机构：中国农业科学院农业信息研究所/农业农村部农业信息服务技术重点实验室

为取得对农业生产环境目标识别对象的监测，在光照、背景不同的农田环境，突破分布密集、体积小、密度大的特点，该团队研究以提高小目标的识别性能为目标，以蜜蜂识别为例，提出了一种农业复杂环境下尺度自适应小目标识别算法。

该算法克服了复杂多变的背景环境的影响及目标体积较小导致的特征提取困难，实现目标尺度无关的小目标识别。以蜜蜂为研究对象，为进一步验证算法识别的优越性，从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像，并采用该算法和SSD模型进行了对比测试。

结果表明：该算法能提高目标识别性能，具有较强的尺度适应性和泛化性。由于该算法对于单张图像需要多次向前推理，时效性不高，不适用于边缘计算。

四、基于改进Mask R-CNN模型的工厂化养蚕蚕体识别与计数

科研机构：嵊州陌桑高科股份有限公司、浙江省农业科学院数字农业研究所

精准饲喂是全龄人工饲料工厂化养蚕节本增效的核心技术之一，家蚕自动化识别与计数是实现精准饲喂的关键环节。该团队研究基于机器视觉系统，利用改进深度学习模型检测蚕体和残余饲料，实现模型性能的优化，提高对蚕体和饲料边界的检测和分割能力。

结果表明：改进Mask R-CNN模型对蚕的检测和分割交并比，运算速度可以满足养蚕盒单元在生产线上移动实时检测的要求。该研究为工厂化养蚕精准饲喂信息系统和投喂装置的研发提供了核心算法，可提高人工饲料的利用率，提升工厂化养蚕生产管理水平。

科技改变生活，正是无数科学技术的应用，提升了生活质量。科研算法、模型的研究与改善，未来都是实现智慧农业的一大助力，期待更多科学技术学以致用，投入到实际生产生活中。

审核编辑黄宇