在推動農(nóng)業(yè)轉(zhuǎn)型，實現(xiàn)智慧農(nóng)業(yè)的道路上，社會各行各業(yè)都在為之努力，有農(nóng)民、合作社、農(nóng)場，更有農(nóng)業(yè)大學等科研高校，都在不同崗位，為農(nóng)業(yè)發(fā)展發(fā)光發(fā)熱。農(nóng)業(yè)是個很廣泛的行業(yè)，不僅包括種植業(yè)、畜牧業(yè)，還有水產(chǎn)養(yǎng)殖等行業(yè)，本文匯總整理最近1-2年發(fā)表的論文，分享下數(shù)字化水產(chǎn)/昆蟲養(yǎng)殖科研進展。

一、水下魚類品種識別模型與實時識別系統(tǒng)

科研機構(gòu)： 中國農(nóng)業(yè)大學信息與電氣工程學院、中國農(nóng)業(yè)大學國家數(shù)字漁業(yè)創(chuàng)新中心、北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術研究中心、北京林業(yè)大學信息學院

為快速準確魚類識別系統(tǒng)，該團隊結(jié)合卷積神經(jīng)網(wǎng)絡在圖像識別領域取得的成功，針對不同卷積網(wǎng)絡模型都有不同的優(yōu)點和缺點，面對眾多可供選擇的模型結(jié)構(gòu)，選擇和評價卷積神經(jīng)網(wǎng)絡模型，及模型應用的影響精度、安裝包裝體積等問題，開展了研究。

針對上述問題，研究根據(jù)水下魚類實時識別任務特點，選取了AlexNet、GoogLeNet、ResNet和DenseNet預訓練模型進行對比試驗研究，進一步提高模型訓練效果。

試驗結(jié)果表明，基于Python開發(fā)并部署了一套遠程水下魚類實時識別系統(tǒng)，將模型部署到遠程服務器，移動終端通過網(wǎng)絡請求進行魚類識別模型調(diào)用，驗證集圖像實際測試表明，在網(wǎng)絡良好條件下，移動終端可以在1 s內(nèi)準確識別并顯示魚類信息。

二、對蝦養(yǎng)殖溶解氧濃度組合預測模型EMD-RF-LSTM

科研機構(gòu)：仲愷農(nóng)業(yè)工程學院信息科學與技術學院、仲愷農(nóng)業(yè)工程學院智慧農(nóng)業(yè)創(chuàng)新研究院、仲愷農(nóng)業(yè)工程學院廣東省高校智慧農(nóng)業(yè)工程技術研究中心、仲愷農(nóng)業(yè)工程學院廣東省農(nóng)產(chǎn)品安全大數(shù)據(jù)工程技術研究中心、石河子大學機械電氣工程學院、 仲愷農(nóng)業(yè)工程學院廣東省水禽健康養(yǎng)殖重點實驗室

為提高對蝦養(yǎng)殖溶解氧濃度的預測精度，提升水質(zhì)監(jiān)測指標，該團隊研究提出了一種基于經(jīng)驗模態(tài)分解、隨機森林和長短時記憶神經(jīng)網(wǎng)絡的對蝦養(yǎng)殖溶解氧濃度組合預測模型。研究涉及經(jīng)驗模態(tài)分解、固有模態(tài)分量、長短時記憶神經(jīng)網(wǎng)絡和隨機森林對高、低頻不同尺度IMF等，實現(xiàn)對溶解氧濃度時序數(shù)據(jù)的綜合預測。

研究在廣東省湛江市南三島對蝦養(yǎng)殖基地展開了試驗及應用，在基于真實數(shù)據(jù)集的性能測試中，預測精度顯著提高。

針對經(jīng)驗模態(tài)分解后高、低頻分量分別預測的策略可有效提升綜合性能，表明該模型具有較高的預測精度，能夠較準確地實現(xiàn)對蝦養(yǎng)殖水體中溶解氧濃度預測。

三、農(nóng)業(yè)復雜環(huán)境下尺度自適應小目標識別算法——以蜜蜂為研究對象

科研機構(gòu)：中國農(nóng)業(yè)科學院農(nóng)業(yè)信息研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息服務技術重點實驗室

為取得對農(nóng)業(yè)生產(chǎn)環(huán)境目標識別對象的監(jiān)測，在光照、背景不同的農(nóng)田環(huán)境，突破分布密集、體積小、密度大的特點，該團隊研究以提高小目標的識別性能為目標，以蜜蜂識別為例，提出了一種農(nóng)業(yè)復雜環(huán)境下尺度自適應小目標識別算法。

該算法克服了復雜多變的背景環(huán)境的影響及目標體積較小導致的特征提取困難，實現(xiàn)目標尺度無關的小目標識別。以蜜蜂為研究對象，為進一步驗證算法識別的優(yōu)越性，從網(wǎng)上爬取了不同尺度、不同場景的農(nóng)田復雜環(huán)境下的蜜蜂圖像，并采用該算法和SSD模型進行了對比測試。

結(jié)果表明：該算法能提高目標識別性能，具有較強的尺度適應性和泛化性。由于該算法對于單張圖像需要多次向前推理，時效性不高，不適用于邊緣計算。

四、基于改進Mask R-CNN模型的工廠化養(yǎng)蠶蠶體識別與計數(shù)

科研機構(gòu)：嵊州陌桑高科股份有限公司、浙江省農(nóng)業(yè)科學院數(shù)字農(nóng)業(yè)研究所

精準飼喂是全齡人工飼料工廠化養(yǎng)蠶節(jié)本增效的核心技術之一，家蠶自動化識別與計數(shù)是實現(xiàn)精準飼喂的關鍵環(huán)節(jié)。該團隊研究基于機器視覺系統(tǒng)，利用改進深度學習模型檢測蠶體和殘余飼料，實現(xiàn)模型性能的優(yōu)化，提高對蠶體和飼料邊界的檢測和分割能力。

結(jié)果表明：改進Mask R-CNN模型對蠶的檢測和分割交并比，運算速度可以滿足養(yǎng)蠶盒單元在生產(chǎn)線上移動實時檢測的要求。該研究為工廠化養(yǎng)蠶精準飼喂信息系統(tǒng)和投喂裝置的研發(fā)提供了核心算法，可提高人工飼料的利用率，提升工廠化養(yǎng)蠶生產(chǎn)管理水平。

科技改變生活，正是無數(shù)科學技術的應用，提升了生活質(zhì)量。科研算法、模型的研究與改善，未來都是實現(xiàn)智慧農(nóng)業(yè)的一大助力，期待更多科學技術學以致用，投入到實際生產(chǎn)生活中。