[论文总结] 深度学习在农业领域应用论文笔记3

文章目录

1. Application of Deep Learning Architectures for Accurate Detection of Olive Tree Flowering Phenophase（remote sensing, IF=4.509）

摘要： 为了主动监测橄榄对不断变化的环境条件的物候响应，建议使用移动或固定相机监控橄榄园，并应用深度学习算法来跟踪特定表相的时间。为进行这项研究而进行的实验表明，可以准确地观察和检测到很难观察到的表相过渡，这是有效实施病虫害综合治理（IPM）的前提。比较了许多不同的体系结构和特征提取方法。最终，在部署阶段使用定制的深层网络和数据增强技术可产生0.9720±0.0057的五倍交叉验证分类精度。

1.1 介绍

介绍了气候变化、橄榄树和深度学习应用，以及论文框架。

1.2 数据集

在2019年4月，5月和6月期间，在橄榄园中用固定相机收集了数百张图像。这些图像是在几天内以及一天中的所有时间获取的。由1400张图像组成的平衡数据集。然后将数据集分为三部分-为模型的最终测试留出200张图像（测试数据集），而其余部分（1200张图像）分为1000张图像的训练数据集和200张图像的验证数据集（比例为5：1：1）。通过缩放裁剪旋转增加到7000张图像。测试了各种深度卷积神经网络（CNN），包括众所周知的深度CNN，例如VGG19（视觉几何组），InceptionResNetV2 ，Xception 和ResNet50。

1.3 结果与分析

该矩阵总结了最佳分类器性能。如前所述，精度为0.9450。该模型产生的假阳性和假阴性数量相似，因此精度为0.9406，召回率（灵敏度）为0.9500，F1分数（精度和召回率的谐波平均值）为0.9453。再使用增强图片后，这意味着测试数据集的准确性从0.9450上升到0.9750。精度为0.9703，召回率（灵敏度）为0.9800，F1分数（精度和召回率的谐波平均值）为0.9751。在这里插入图片描述

1.4 结论

我们的研究在植物物候状态分类的背景下（基于橄榄树）评估了基于CNN架构的各种模型的效率。进行的实验表明，使用深度学习算法可以非常有效地实现上述分类。使用定制的VGG风格的网络（包括14个可学习的权重层）并使用增强的训练数据集，可以达到最佳效果。通过在部署阶段使用数据扩充和多数表决程序可以进一步提高准确性，最终分类准确性为97.20％。这意味着整个过程在实际条件下是可行的并且适用。建议的方法可以优化化学或生物作物保护应用的时机。例如，当有5％的花朵打开时，特定的保护产品可能具有最佳的应用日期。对于单个微场所，施用时间窗口可以限制为仅2至3天，这需要精确及时地检测农作物表型。将来，提出的系统将用于对更大范围的物候阶段进行分类，这是应用各种农业程序时的重要参数。我们还计划使用无人机收集的图像。同样，通过确保必要的学习数据集，相同的模型也可以应用于其他文化。

[个人总结] 技术难度不大，通过3天就搜集到了所有的试验数据，图片的数量也不多（1200张），至此，发现很多果园图像检测的图片都只有几百到1000张左右，数据集非常小。但这篇论文的配图很好看。

2. Field and crop specific manure application on a dairy farm based on historical data and machine learning （Computers and Electronics in Agriculture, IF=3.889, 2020）

摘要： 循环农业系统的一个重要因素是动物粪便的有效利用。到目前为止，肥料的施用数量在农场层面上由法律规定，以固定磷§施用规范为基础。然而，提高肥料施用效率的第一步是通过预测未来的磷产量，在田间水平上更好地平衡磷的投入和产出。在这方面，机器学习技术是有用的，因为它们可以在没有关于它们相互关系的先验知识的情况下，用许多变量进行训练。因此，本研究的目的是:是根据实验农场记录的详细农场数据记录，结合开源天气数据，预测磷产量。数据集包含了1993年至2016年间每片土地每年的657个作物产量记录，模型开发使用了增强回归模型。对数据集最后五年的验证结果表明，RMSE为每年每公顷7.3 kg P, r平方为0.46，观测值和预测值之间的相关性为0.68，优于法律规范。我们的结论是，在有限但详细的可用数据下，预测磷产量，并据此在首次施肥前确定灵活的施磷标准，已经是可行的。这一结论，加上预期通过近端和遥感技术获得的数据会越来越多，为进一步改善养分管理和在未来走向循环农业开辟了道路。

2.1 方法

该数据集包含657个记录，每个田地的年度农作物产量，以及有关N和P的输入和输出，灌溉和土壤状况，全部在田间尺度上的信息以及当地的天气数据。在一个农场气象站上测量了降水和温度，而有关风，日照，辐射和蒸发的数据来自最近的气象站。测试集和验证集比例为7：3. 这里的机器学习方法指的就是线性回归。

2.2 结果

可以看出草的产磷量大于谷物大于玉米。
在这里插入图片描述
做了测试集和验证集的相关性分析
在这里插入图片描述

2.3 结论

我们的结论是，在有限但详细的数据可用的情况下，预测磷产量，并据此在首次施肥前确定灵活的施磷标准，比目前固定的施磷标准要好。这一结论，加上预期通过近端和遥感技术获得的数据会越来越多，为进一步改善养分管理和在未来走向循环农业开辟了道路。

[个人总结] 论文的切入点很好，研究的内容也有价值。但数据集不够大，用的方法也古老。没有模型的精度，回归率，F1等。也没有和其他模型的比较。

参数内容
方法线性回归
速度否
模型大小否
准确率accuracy否
精度precision否
召回率recall否
F1参数否
数据集大小657个记录
训练集、验证集、测试集情况7：3
与其他方法对比无
数据集来源大田试验
软硬件平台未知
开源无
其他无

3.Egg volume estimation based on image processing and computer vision（Journal of Food Engineering， IF=4.499）

摘要：在鸡蛋生产线系统中，基于视觉系统的分级是具有挑战性的，因为环境光照条件和鸡蛋遮挡问题。本文介绍了一种基于深度图像的鸡蛋体积估计系统。评价了两种模式的鸡蛋在分选线上的构型;单卵(无遮挡)和多卵(部分遮挡，即简单和复杂)。采用轮廓曲率分析和k-最近m -圆中心算法对被遮挡虫卵进行分割。训练了13个基于卵图像(单卵)特征的回归模型。指数高斯过程回归的RMSE为1.175 cm3, R2为0.984，优于所有已探索的模型。同样的模型估计，在部分封闭情况下，简单和复杂的虫卵的RMSE分别为1.080和1.294 cm3。该系统可作为一种精确、一致、快速、无损的鸡蛋在线分选技术应用于生产线系统中。

3.1 介绍

为了克服环境光条件变化的影响(Kongsro, 2014;(Okinda等，2018)，本引入的研究应用了一个红外(IR)深度传感器估计鸡蛋的体积，并执行了一个初始的关键任务分裂的触摸鸡蛋，以确定每一个鸡蛋在一堆鸡蛋的体积，因为他们通过生产传送带线。本研究的主要目标是开发一个基于深度图像的鸡蛋体积估计系统，具体目标是开发一种鲁棒且高效的接触鸡蛋(部分遮挡)分割算法，以及开发一个基于提取的特征变量的体积估计模型。该系统可用于解决鸡蛋分拣和分级问题。

3.1 材料与方法
1500个鸡蛋，单个鸡蛋共拍摄了7500张照片(每台5张照片)。在5个鸡蛋和15个鸡蛋的照片共350张图片。

  1. 图像预处理和体积估计模型
    这项研究的主要目的是为无遮挡和部分遮挡的鸡蛋开发一种自动分割和体积估计系统。首先，通过对预处理后的深度图像进行图像分析，使用Mod1中的鸡蛋基于提取的特征建立体积估计模型。其次，基于曲率分析的卵裂技术被应用于Mod2和Mod3。第三，根据最初开发的模型（第一步中开发的模型）估算分割后鸡蛋的体积（分割后）。鸡蛋分割算法的性能是根据观察到的鸡蛋离合器中鸡蛋的数量与分割后图像对象的数量（计数），计算复杂度（分割部分阻塞的鸡蛋离合器所需的时间）以及在通过排水法将测得的体积与测得的体积相除后的估算体积的准确性方面进行比较。图3给出了所提出的鸡卵量估计系统的算法流程图。
    在这里插入图片描述

3.1.1 图像预处理算法

3.1.2 体积评够模型

3.1.3 特征提取。

任何模型的准确性在很大程度上取决于在模型训练阶段中应用的特征变量。 由于鸡蛋和摄像机都处于静态位置，因此无法对鸡蛋进行完整的3D模型建模。 因此，获取的深度信息仅用于改进分割过程。

3.1.4 鸡蛋分裂算法

在目标识别问题中，主要的思想是提取一个特征，集合从整幅图像中识别和描述ROI。主要的问题是通过进行形状匹配来测量形状相似度，在形状实例到一个参考形状之间。

3.1.5 轮廓预处理

基于形状的对象分析通常比基于纹理的基础更受青睐。由于其抗传感器噪声的稳定性而无法进行分析。 基于轮廓的形状表示已被验证为强大的形状描述技术，因为它们可以表示结构和全局形状信息。 但是，如前所述，轮廓噪声通常会影响基于轮廓的算法的性能。 因此，在保留轮廓的关键部分的同时，需要消除轮廓上的噪声和其他无关信息。 轮廓分割技术（例如密集采样和离散轮廓演化（DCE））一直被执行以通过将轮廓划分为基元来消除轮廓噪声。

3.1.6 凹凸点提取

使用多边形顶点。后面略。

3.2 结论

这项研究提出了一种新颖的鸡卵量估计系统基于计算机视觉和机器学习技术的鸡蛋在没有和部分遮挡下。 所提出的IR深度传感器系统可以应用于生产线设置中，以单个对象或部分遮挡的方式预测鸡蛋的体积，且误差最小。 但是，由于红外深度传感器对日光的敏感性，因此仅限于室内应用。 另外，该系统需要在不同类型的鸡蛋上进行验证。 此外，建议使用较高的计算资源和较高的帧速率以提高所提出系统的处理速度。 尽管存在这些缺点，但在部分遮挡和体积估计的情况下，所提出的技术仍能达到分割鸡蛋的目的。 开发准确，高效和可靠的产品至关重要。

参数内容
方法线性回归
速度否
模型大小否
准确率accuracy否
精度precision否
召回率recall否
F1参数否
数据集大小657个记录
训练集、验证集、测试集情况7：3
与其他方法对比无
数据集来源大田试验
软硬件平台未知
开源无
其他无

4. Image recognition of Legacy blueberries in a Chilean smart farm through deep learning （ IF=3.889, 2020）

摘要： 农业是智利发展的最重要支柱之一。然而，预计到2030年左右，农民的数量将会逐渐减少。因此，有必要用技术和机械化来替代这些劳动力。实现这一目标的一种方法是通过智能农场来促进农业生产。这项研究工作的贡献是一种新的深入学习图像识别的传统蓝莓在生根阶段，可用于智利的智能农场。传统蓝莓是南方高丛蓝莓的一种。这种蓝莓占智利蓝莓总产量的80%。具体来说，我们提出了一种基于卷积神经网络(CNN)的图像识别方法，用于检测有活蓝莓植物的托盘是否存在，没有活的托盘是否存在，以及是否存在托盘。预测模型评价的平均结果为**:准确率为86%，精密度为86%，召回率为88%，F1得分为86%**。

4.1 前言

Farmbot项目是基于开放式硬件和软件的概念开发的（Aronson，2014年）。这是一个机器人系统，可以以自主方式种植城市果园。这种方法专门针对希望在家中种植蔬菜的人们。对于那些在编程，机器人技术或农业方面没有详尽知识的用户来说，它也是一个易于使用的系统。在（Yalcin，2017）中，作者展示了如何将深度学习用于图像识别，以识别和分类各种类型植物的物候阶段。这项研究独特地基于安装在土耳其地面站上的摄像头每半小时捕获的视觉数据，该摄像头是神经网络监控系统的一部分。这种方法采用预训练的CNN来提取图像的特征。结果表明，在物候阶段的区分上，CNN架构优于传统方法。在另一项研究工作中（Deli等人，2016），提到了在不同的深度学习拓扑中，CNN在图像分类中提供了高性能。具体来说，作者使用CNN将农田分为四类：耕地，木材，房屋和无耕地（分类）。每个班级使用100张图像。图像总数的80％用于训练20％用于验证。 TensorFlow用于训练模型。经过700次迭代训练，结果准确性高于每个班级的75％。在（Durmuşet al。，2017）中，作者使用CNN检测疾病影响番茄植株的叶子（检测疾病）。为此，AlexNet和SqueezeNet用于在Nvidia Jetson TX1上训练模型。厂-
村庄被用作数据集（仅适用于10种不同类型的图像疾病类别）以及健康的植物图像。该模型是使用网络上的图像进行评估。获得的结果表明使用AlexNet架构进行培训比使用SqueezeNet体系结构，两者的准确性均达到94％。基于CNN的语义分割耕地用于分离甜菜植物和杂草 通过分析RGB数据获得背景（Milioto等人，2018）。系统在一个真正的农业机器人中完全实现德国和瑞士的农业领域。在（Picon等人，2019）中，提出了CNN拓扑用于分析早期识别三个欧洲相关性能地方性小麦疾病。分析是使用不同的手机完成的设备，并且在两个试点中捕获了超过8,178张图像西班牙和德国三年。结果表明总体上有所改善。在（Habaragamuwa et al。，2018）中，作者使用了CNN和在自然光照条件下拍摄的温室图像以识别两个类别：成熟和不成熟的草莓。分类模型的平均精度达到88.03％和77.21％，的边界框重叠分别为0.7394和0.7045作者展示使用最新技术对高光谱图像进行分类的方法为RGB图像数据进行了预训练的CNN。小型，自定义的高光谱数据集图像是从分阶段但真实的场景中录制的。在此数据集中，对ImageNet预先训练的CNN进行了微调，以创建一个
分类器。为了隔离提高光谱分辨率的好处，分类，对伪RGB也进行了相同的分析从高光谱图像计算得到的图像。结果表明
高光谱图像数据提高了平均分类精度从88.15％到92.23％
在（Wang et al。，2018）中，两个CNN，一个残差网络（ResNet）和一个它的改进版本名为ResNeXt，用于检测内部高光谱透射对蓝莓的机械损伤数据。超立方体的原始结构和尺寸适用于CNN培训。为了确保模型适用于超立方体，作者调整了卷积层中滤波器的数量。此外，他们指出，出售受损的浆果将引起更大的兴趣比丢掉声音的损失更大。因此，精度，召回率和F1得分还被用作评估指标以及量化误报率。然而，根据作者在农业领域，研究人员很少使用前三个指标。经过微调的ResNet / ResNeXt达到了平均水平准确度和F1得分分别为0.8844 / 0.8784和0.8952 / 0.8905，。生成的两个深度学习模型取得了更好的效果分类表现优于其他传统方法。

目的：(1)装有活蓝莓植物的托盘;(2)没有活蓝莓植物的托盘;(3)没有托盘。这三种情况很重要，因为即使托盘在热床上有一定的顺序，也不能保证每个地方都有托盘或者在一个或多个托盘里有活的植物。

4.2 结论

机械臂的模块将被扩展以识别其他情况，例如有害生物的存在。此外，用于降噪的滤镜将应用于识别在极端条件下（例如，在潮湿的环境中）在极端条件下拍摄的照片中的物体。此外，我们将探索用于实时多对象检测的方法，以检测每张图片不止一种情况。为此，我们将与YOLO合作（Redmon和Farhadi，2018年）。此外，我们希望使用生成对抗网络（GAN）生成与真实图像非常相似的合成图像。 GAN是一种人工神经网络，可以从头开始生成新数据。新的合成图像可用于训练和验证分类模型，从而最大程度地减少了访问真实数据的需求。

[个人总结] 这篇论文写作过于啰嗦，方法的介绍过于详细。没有和其他方法进行对比。

参数内容
方法CNN
速度否
模型大小否
准确率accuracy有
精度precision有
召回率recall有
F1参数有
数据集大小几千个记录
训练集、验证集、测试集情况7：3
与其他方法对比有
数据集来源大田试验
软硬件平台未知
开源无
其他无

5.Machine learning approaches for spatial modeling of agricultural droughts in the south-east region of Queensland Australia （Science of the Total Environment， IF=6.551, 2020）

摘要：对影响农业干旱事件发生的水环境因素的定量了解将使气候变化适应和干旱管理计划更具战略意义。由于可能排除了最相关的干旱驱动因素，并且由于使用了不能充分描述干旱的不充分预测模型，因此实际的干旱危害图仍然具有挑战性。这项研究旨在利用最新的机器学习模型开发新的方法来绘制农业干旱危害图，包括分类和回归树（CART），增强回归树（BRT），随机森林（RF），多元自适应回归样条（MARS），灵活判别分析（FDA）和支持向量机（SVM）。利用水环境数据集来计算1994-2013年澳大利亚昆士兰东南部多旱的8种严重干旱的土壤水分的相对偏离（RDSM）。然后使用RDSM生成农业干旱清单图。八个水环境因素被用作干旱的潜在预测因子。使用不同的阈值相关和阈值独立方法评估了所有模型的拟合优度和预测性能，包括真实技能统计量（TSS），效率（E），F得分以及接收者操作下的面积特性曲线（AUC-ROC）。RF模型（AUC-ROC = 97.7％，TSS = 0.873，E = 0.929，F分数= 0.898）产生了最高的准确性，而FDA模型（AUC-ROC = 73.9％，TSS = 0.424，E = 0.719） ，F分数= 0.512）显示了最差的性能。植物有效持水量（PAWC），年平均降水量和黏土含量是用于预测农业干旱的最重要变量。该地区约21.2％处于高或极高的干旱风险等级，因此，有必要采取干旱和环境保护政策。重要的是，这些模型不需要任何给定干旱年份的降水异常数据。尽管所有事件之间降水异常的空间模式差异很大，但AGH的空间模式对于所有干旱事件都是一致的。这种机器学习方法能够构建总体风险图，从而不仅在该地区而且在干旱是紧迫挑战的其他地区，都采取了强有力的干旱应急计划措施。

5.1 方法

所提出的方法可以总结如下：1）准备影响干旱危害的关键因素图（即自变量），2）创建ADH库存（即因变量）基于土壤的相对偏离基于区域水文模型的农业干旱事件中给定位置的水分，3）使用许多不同的机器学习模型预测农业干旱危害（AHD），4）评估用于ADH评估的模型的性能评估和比较 5）对农业干旱影响因素与历史农业干旱事件之间的关系进行调查。 研究设计的流程图如下。
在这里插入图片描述

5.1.1 影响农业干旱危害（ADH）的因素

假设共有八个环境因素会影响干旱的空间分布：海拔，坡度，地形湿度指数（TWI），土壤深度，粘土含量，砂含量，可利用的植物持水量（PAWC）和年平均降水量。然后总结了每个变量及其测量的理由。 地形因素：高程，坡度，地形湿度。降水： 降水不足是造成这种情况的主要因素引发农业干旱，导致随后的作物土壤水分不足。

5.1.2 模糊逻辑方法

5.1.3 机器学习模型

多变量自适应回归样条（MARS）.MARS混合了线性回归，样条的数学构造和二进制递归分区以创建分类模型，以提取输入和输出变量之间的关系，灵活的判别分析，支持向量等。

5.1.4 模型表现

使用与截止值无关的方法和与方法无关的方法来评估模型的准确性。 最著名的性能指标之一是接收器运行特征（ROC）曲线，该曲线已在许多地质环境和水文问题中得到应用，例如地下水的潜力和敏感性建模，洪水扩散，滑坡和沟壑侵蚀（Conoscenti等， 2014; Rahmati等人，2018）。 ROC曲线下的面积（AUC-ROC）是一个独立于截止值的度量，范围从0到1，其值越高表明模型性能越好（Frattini等人，2010; Kordestani等人，2018）。 为了绘制和计算ROC曲线下的面积，使用了验证数据集。 在截止标准中，本研究选择了三个评估指标，包括真实技能统计量（TSS），效率（E） 和Fscore。

5.2 结论

由于干旱现象的复杂性，干旱指数简单易行 不能完全描述预报变量(如地形水文因子、土壤特征等)与之间的关系农业干旱事件;因此，ADH绘图在区域尺度能从人工智能的应用中获益，机器学习算法，允许空间分析和建模。这篇论文对我国的科学研究做出了新的贡献使用包括CART、BRT、RF等先进机器学习模型的ADH空间预测框架的开发MARS, FDA和SVM。RF的表现优于其他模型，随后又出现了其他模型CART, SVM, MARS模型，都有很好的性能。其中，PAWC、年平均降水量和粘粒量为三个指标本研究中预测抗利尿激素空间变化的最重要变量
区域。干旱的空间格局在所有干旱中都是一致的年，尽管降水异常的空间模式非常不同对于一个特定的干旱。这表明详细的降水地图土壤水分的异常值和模型值可能不需要预测某一特定年份的干旱，特别是某些地区土壤年平均降水量低的土壤，年平均降水量大长期干旱风险高。基于RDSM数据的射频模型可以实现空间预测抗干旱能力，为干旱决策提供依据准备。随着遥感技术应用的日益广泛在全球水文模型中，估计区域尺度的土壤水分数据是可能的，这将使方法的应用成为可能本研究在世界其他地区提出。

[个人总结] 这篇论文的实际意义强，精度，敏感度，以及专业的干旱程度指数，模型对比都有涉及。写的也很好，说的详细但又不啰嗦，有逻辑。

参数内容
方法多种方法
速度否
模型大小否
准确率accuracy有
精度precision有
召回率recall无
F1参数有
数据集大小未知
训练集、验证集、测试集情况7：3
与其他方法对比有
数据集来源试验
软硬件平台未知
开源无
其他无

6. Multimodal neural network with clustering-based drop for estimating plant water stress（Computers and Electronics in Agriculture, IF=3.889, 2020）

摘要：在农业领域，采用低成本数据进行决策是一种有吸引力的方法，因为它有助于解决继承先进栽培技术的难题。为了在胁迫栽培的决策过程中提供专业知识，需要基于植物水分胁迫的精确灌溉来稳定地生产高质量的水果。传统方法使用单个低成本数据，即单模态数据。但是，对于高级栽培，需要多种模式的数据，例如生理和气象数据。在这项研究中，我们提出了一种基于聚类下降（C-Drop）的多峰神经网络，用于精确估计植物水分胁迫，因为它是使用植物图像和环境数据进行灌溉决策的指标。我们提出的方法使用环境特征（气象数据）作为包括长短期记忆层的多态神经网络的关注机制，从叶片萎靡特征（生理数据）中提取时间多峰特征。此外，所提出的带有C-drop的神经网络实现了一种新颖的端到端考虑环境条件的深度学习架构。通过与现有方法进行对比评估，发现该方法将植物水分胁迫估算的平均绝对误差和均方根误差的准确性提高了21％，从而表明该方法对于植物是精确且稳定的水分胁迫估计。我们提出的支持精确灌溉的方法的性能将使新时代的农民能够稳定地生产高质量的水果。

6.1. 前言

本文提出了一种多模态水胁迫估计方法基于聚类的drop (C-Drop)神经网络。相比对于现有的方法(Kaneda et al.， 2017)，我们的方法计算茎直径的变化和水的变化是一样的
应力指数但有改进的多模态神经网络和输入数据。我们的多模态神经网络包括长短期记忆(LSTM)层，它是一个RNN。该方法采用光流法基于特征提取而不是基于cnn的特征提取这是在现有的方法中使用的。考虑到叶子的枯萎是由叶片的运动定义，光流，从而可以量化图像中物体的运动，提取萎蔫的特征，从而有助于无水胁迫指数的估算使用CNN。此外，叶片萎蔫与环境数据也有一定的相关性与茎粗变化的时间依赖性关系，这个问题应该得到解决。使用可以解决时态问题的LSTM层依赖性强，对神经网络的构建期望很高，精确的水分胁迫估计模型。多模态神经网络用所提出的方法对水分胁迫估计模型进行适当的训练C-Drop作为环境数据的动态关注机制。

6.2 方法

提出了一种新的植物水分胁迫估计方法基于C-Drop的多模态神经网络支持决策胁迫栽培中的灌溉。提出的方法考虑
叶片萎蔫和环境特征是输入特征的关键。其他共同特征支持对干旱和缺水环境特征的解释。萎蔫特征表达了水直接压力。环境特征与蒸腾作用有关，蒸腾作用是造成胁迫的原因。考虑到凋萎和环境特征对植物水分胁迫的估计作用不同，水分胁迫在a中通过融合这些特征来多边表达神经网络作为一种注意机制。**水分压力估算模型由包含LSTM的多模态神经网络建立
层，RNN是层之一。**多通道神经网络是否适合具有时间依赖关系的数据来解释多样性，如植物水分胁迫。在所提方法中，神经网络提取多模态特征来估计水应力通过网络融合来解释之间的时间依赖性利用LSTM层进行输入特征和水分胁迫分析。与传统的RNN相比，LSTM可以通过使用内存单元代替普通单元来解决更复杂的时间依赖性问题。在存储单元中，存储单元存储信息。存储单元的输入、输出和遗忘操作由三个门控制。门控解决了传统RNN的梯度爆炸或消失问题。因此，LSTM可以通过使用内存单元来解释复杂的时间依赖性。此外，还认为多个LSTM层可以提高时间序列建模的精度(Graves et al.， 2013)。因此，该方法采用多模态神经网络包括多个LSTM层，解决复杂和暂时的问题输入特征与水分胁迫的依赖关系。在现有方法(Kaneda et al.， 2017)， CNN已经被用来提取叶萎蔫的特性。但是，我们的方法用预先提取的萎蔫特征来代替CNN，以抑制参数的增加神经网络，即使包括LSTM层。换句话说,我们的神经网络集中在时间特征提取的LSTM而不是CNN的空间特征提取。CNN非常有效在图像中出现的各种物体的识别中，如作为一般目标检测(Liu et al.， 2016)。但是，我们假设CNN对叶片萎蔫的识别具有更高的表现力。鉴于叶片的萎蔫是由叶片的角度、光流来定义的(传统的图像处理方法)可以从时间序列上表达萎蔫工厂图片。另外，由于CNN具有较高的表现力，这就造成了对角多样性较低的训练图像进行过拟合植物图像的定点测量。用光学-取代CNN基于流的特征预提取，降低网络参数，网络可以防止过拟合。因此，在多模态神经网络中采用光流预提取凋萎特征以防止过拟合和聚焦时间特征提取。在我们的方法中，多模态网络的体系结构并不局限于特定的体系结构。此前已提出各种架构的多通道神经网络(肌čkovićet al ., 2017;但是我们提出的方法，包括设计的输入特征和C-Drop，可以应用于这些体系结构中。C-Drop通过端到端考虑环境条件，促进多模态神经网络有效地融合特征。C-Drop是一种基于环境特征聚类的神经网络建模方法，在神经网络中根据聚类结果生成多个子网络。由于子网络训练和推断每个指定的特定数据，每个子网络成为一个专门针对每个环境条件的估计模型。由于叶片在三维(3D)的水分胁迫下移动，这种移动信息可以改进估计模型。我们尝试使用RGB-D相机(RealSense D435, Intel公司)获取图像深度信息。虽然误差在安装地点几厘米的范围内，但叶片萎蔫运动也在几厘米的范围内。因此，本研究采用光流数据作为叶片运动的二维数据，目前可以在几毫米范围内进行测量，且精度很高。如果深度数据比较准确，该方法可以应用于多模态数据。（从各方面说明流光网络比CNN模型的更优）

论文的流程图如下：

在这里插入图片描述
植物干旱胁迫的特征：
在这里插入图片描述

特征提取的流程图
在这里插入图片描述
图3所示。用于评估的数据集。(a)和(b)显示数据采集环境，(a)采集数据的种植线的俯视图，(b)目标植物的测量传感器布局。©、(d)和(e)分别显示了测试植物1、2和3的数据集。
在这里插入图片描述
文中提到4.1提到训练：验证：测试为6：2：2.但实际标3给出的值怎么司和6：2：1？
在这里插入图片描述

图5所示。所提方法与现有方法的比较实验结果:(a) R2， (b) MAE， © RMSE。
在这里插入图片描述

6.3 结论

提出了一种新的植物水分胁迫估计方法基于C-Drop的多模态神经网络支持决策在胁迫栽培中精确灌溉的效果。多通道神经网络包括多个LSTM层。叶子的枯萎和环境特性被用作关键的输入特性。在植物生理中，叶片萎蔫和环境特征对水分胁迫的估计起着不同的作用。因此，我们的方法将上述特征结合到神经网络中，提取出有效的多模态特征来估计植物水分胁迫。此外，我们提出了一种名为C-Drop的神经网络建模方法，以促进端到端考虑环境条件，然后建立一个高精度的估计模型。C-Drop根据与水分胁迫有间接关系的环境条件对神经网络进行训练，同时控制凋萎特征在水分胁迫估计中的重要性。中创建子网基于环境特征的神经网络算法每个子网可以专门用于特定的环境条件并以较高的精度估计水分胁迫。我们评估了建议方法采用番茄实际栽培数据。我们的结果对比实验证明了该方法的有效性估计植株水分胁迫时，MAE和RMSE比现有方法(Kaneda et al.， 2017)。在干旱实验中，结果表明了多模态输入的有效性特性。此外，还证实了C-Drop的作用多模态神经网络提高了估计精度更多功能的注意机制。

本研究存在四个局限性和未来的相关工作。首先，评价叶片在水分胁迫下的三维运动估计。由于三维休假的运动特性具有
潜在的提高估计精度，我们将检查RGB-D相机在叶态量化中的适用性未来的研究。其次，时间信息，如经过的天数对于一个特定的增长事件应该考虑与提议方法。时间信息通过培养有望提高考虑植物生长情况的估计精度。第三,详细的对C-Drop的性能进行评估。因为对于C-Drop和神经网络的特性，有可能存在不同的应用C-Drop与神经网络可以结合使用影响估算的准确性。我们对C-Drop进行了评估实验条件。因此，它的适用性和相关问题还没有澄清。在今后的工作中，有必要澄清由C-Drop创建的面具对神经网络加权的影响。此外，性能详尽的C-Drop使用更多应当对气象数据等一般数据集进行评估。来因此，应采取控制措施对果实品质进行调查用所提出的方法灌溉。电流的性能水分胁迫估计的准确性应通过果实品质来评价
用真实DSR和估计DSR与灌溉进行了比较。

[个人总结] 这篇论文立意和图片的表达都是很好的，写的也挺好的，但是为什么只提到方法的改进，提高了精度但没有具体说精度，敏感度是多少。

7. Agricultural product price forecasting methods: research advances and trend （综述，2020）

7.1 摘要与研究结果

目的——通过对近年来农产品价格预测方法的研究进展和趋势进行综述，为研究人员提供参考。设计/方法/方法——综述了农产品价格预测的主要研究方法及其应用，总结了常用预测方法的应用实例，并对未来的研究方向进行了展望。

  1. 在今后的研究中，使用混合模型预测农产品价格是一种趋势;
  2. 基于价格影响因素的预测模型在今后的研究中需要进一步拓展应用;
  3. 在未来的研究中，应该基于DS而不是基于错误的度量标准来评价模型的性能;
  4. 在今后的研究中，季节调整模型可以应用于农产品价格中困难的季节预测任务;
  5. 在未来的研究中，可以使用混合优化算法来提高模型的预测性能。

7.2 农产品价格的预测方法

在这里插入图片描述

传统预测方法

  1. 回归分析预测方法
    回归分析预测方法是在此基础上分析了影响价格的因素与价格的相关性建立回归方程预测价格。
  2. 时间序列分析
  3. 略

7.3 结论和前景

本文综述了农产品价格预测的主要研究方法及其应用。结论和未来展望如下:

(1)农产品价格预测模型从定性到定量，从传统预测模型到智能预测模型，从单一预测模型到混合预测模型。应用实例表明，混合模型的预测性能优于单一模型的预测性能组成模型。单个模型可能不足以识别时间序列中的所有功能,而混合模型相结合的方法从不同的领域和模型可以发挥互补作用捕获的基本动力学过程在更精确的和更好的方法,从而达到更好的预测结果。因此，利用混合模型预测农产品价格是今后研究的趋势。

(2)常见的农产品价格预测方法对应的数据类型包括价格时间序列和价格影响因素。可以看出，由于影响农产品价格的因素复杂且难以收集，以价格时间序列为输入数据的研究在近年来的应用实例中占绝大多数。但是，价格的影响因素是价格形成和波动的主要原因，它包含着许多重要的信息。因此，在未来的研究中，基于价格影响因素的预测模型的应用还需要进一步拓展。

(3)在评价模型的预测性能时，不同的评价指标会产生不同的比较结果。学者们常用误差作为评价指标，如RMSE、MAPE等。该误差可以在一定程度上反映预测值与实际值的接近程度。然而，能够准确预测农产品价格领域的方向变化是非常重要的预测。因此，在未来的研究中，应该基于DS来评价模型的性能，而不仅仅是基于错误的度量。

(4)大多数农产品价格序列的一个显著特征是季节性。SARIMA模型是目前最流行和应用最广泛的季节时间序列预测技术(Goh和Law, 2002;哈亚特和巴蒂，2013)。然而，如果对具有高非线性的价格时间序列使用线性假设所建立的SARIMA，其预测性能可能会很差。在上述常见的分解方法中，季节调整模型(STL和SIA)可以分离序列中的季节成分，以减轻季节性波动的影响。因此，在今后的研究中，季节调整模型可以应用于农产品价格中困难的季节预测任务。

(5)在上述应用实例中，学者们通常引入遗传算法(GA)、粒子群算法(PSO)、GD和MEA等优化算法来提高模型的预测性能。然而，这些单一的算法都存在缺陷。例如，GD非常适合于次优局部搜索，但是它不能执行全局优化。遗传算法具有全局寻优能力，但在局部最优解附近收敛速度较慢。因此，Zhang提出了一种混合算法GD-GA等人(2018)，迭代地使用梯度下降算法加速寻找局部最优解，并使用gato保证全局最优解。该混合算法结合了遗传算法和GD算法，克服了模型单一的缺点。因此，在今后的研究中，可以采用混合优化算法来提高模型的预测性能。

[个人总结] 论文内容完全按照流程图来写作，挺好的。在最后的总结和展望写的也有自己看法。

8. Use of Machine Learning in Evaluation of Drought Perception in Irrigated Agriculture: The Case of an Irrigated Perimeter in Brazil （Water, IF=2.544, 2020）

摘要：本研究旨在了解农民对干旱的看法，以支持水资源分配过程中的决策。这项研究是在塔布勒罗德鲁萨斯进行的2012-2018年干旱期间，巴西东北部的灌溉边界。进行了两项分析：（i）基于干旱持续时间和频率标准使用标准化降水指数（SPI）进行干旱表征；（ii）通过使用随机森林（RF）和决策树（DT）方法选择解释变量来分析农民对干旱的认识。当地农民将2012-2018年的干旱期定义为气象现象。但是，SPI评估表明干旱具有水文性质。根据RF分析，在影响农民对干旱的认识方面，九个研究变量中的四个在统计学上比其他变量更具统计重要性：耕地数量，农民年龄，在农业部门的工作年限以及受教育程度。使用DT分析证实了这些结果。了解这些变量与农民对干旱的认识之间的关系可以帮助制定适应缺水情景的战略。农民的看法可能有益于减少冲突，采取积极的管理措施以及建立全面而有效的预警干旱系统。

8.1 数据

通过走访农民做调查产生。

8.2 结论

这项研究的目的是评估农民对巴西东北部塞阿拉州Tabuleiro de Russas灌溉周边2012-2018年发生的干旱的认识，使用SPI值表征干旱，并使用机器学习算法评估干旱的重要性。农民观念的解释变量。对两个水文地区进行了为期12个月的SPI分析，可以对2012-2018年的干旱进行水文分析，目的是确定农民对干旱的看法。使用大型水库提供的灌溉农业的农民将干旱归类为气象干旱，这与我们的统计分析相反。

[个人总结] 该论文没有说对多少个农民做了调查，而且使用的方法也不新。立意也一般。

9. Snow depth estimation and historical data reconstruction overChina based on a random forest machine learning approach（Cryosphere， IF=4.713, 2020)

摘要：在这项工作中，我们研究了随机森林(RF)机器学习(ML)模型估计雪深度的潜在能力。使用由关键预测变量组成的四种组合来训练RF模型。然后，我们利用三个验证数据集，一个时间子集和一个时空子集来验证符合的射频算法。结果表明:(1)地理位置、高程和土地覆被分量对模型的精度影响较大;(2)但是，冗余预测变量(高度相关)对RF模型的影响较小;和(3)安装RF算法时间比空间尺度上表现的比较好,与公正的均方根误差(rmse) 4:4和七3厘米,分别。最后，我们使用拟合的RF2算法来检索1987年至2018年32年一致的日积雪深度数据集。该产品是根据1987-2018年期间独立站的观测结果进行评估的。平均无偏RMSE和偏置分别为7.1和􀀀0:05厘米,表明更好的性能。比前者积雪深度数据集(8.4和􀀀1:20 cm)对中国西部环境与生态科学数据中心(WESTDC)。尽管RF产品优于WESTDC数据集,它仍然低估了很深的积雪(> 20厘米),􀀀10:4偏见,􀀀8:9,和东北(NEC)􀀀34:1厘米,新疆北部(XJ),分别和青藏高原(QTP)。此外，还分析了长期积雪深度数据集(台站观测、RF估计和WESTDC产品)在中国的时空变化。在时间尺度上，地面真实积雪深度在1987年至2018年呈现明显的上升趋势，特别是NEC地区。然而，RF和WESTDC产品除了QTP外没有表现出显著的变化趋势。WESTDC产品呈现显著下降趋势QTP,􀀀0:55的相关系数,而没有明显趋势地面实况观测和RF产品。对于空间特征，在中国的RF和WESTDC产品中观察到类似的趋势模式。这些特征在大部分地区呈现明显的下降趋势，而在中部地区呈现明显的上升趋势。

10.Aggregating diverse deep attention networks for large-scale plant species identification（Neurocomputing， IF=4.438, 2019)

摘要：在本文中，提出了一种新颖的融合方法，通过汇总来自多个深层网络的不同输出来处理大规模植物物种，其中每个深层网络都关注整个植物物种的一个子集。首先，构建了固定的植物分类法，用于按层次组织大量细粒度的植物物种，并且它还被用作指导准则，以帮助生成多样化但重叠的任务组。其次，提出了一种基于注意力的深度层次多任务学习算法，该算法通过联合学习更多区分性的深度特征和分类器，有效识别属于同一任务组的细粒植物物种。最后，我们融合来自多个深度网络的所有输出，以获得最终的高级特征表示，并给出每种植物物种的预测概率。实验结果证明了我们提出的方法在大规模植物物种识别中的有效性。

10.1 前言

植物在人类生活中扮演着非常重要的角色，因为它们是食物、衣服和药品等的来源。这将是一个真正有趣的冒险，人们认识未知的植物物种，当他们在社区中漫步或徒步在真正的荒野。然而，对于没有专业知识的人来说，准确地识别未知植物并不是一件容易的事情。在过去，只有生物学家或其他专业人员可以使用他们的生物学知识或专业书籍[1]来识别未知的植物。随着基于关键字的搜索引擎(例如。例如，谷歌，百度，Bing)，人们可以很容易地找到由多个专业机构和个人提供的关于特定植物种类的信息[2-4]。然而，对于大多数人来说，如果他们没有接受过专业培训并且不熟悉植物学术语，他们可能不太可能找到合适的词来精确地书写未知的植物。随着计算机视觉技术的发展，我们可以开发一款用于植物物种鉴定的智能手机应用程序[5,6]。通过智能手机或其他移动设备，人们可以简单地给不知名的植物拍照，然后用它来获得不知名植物的名字，甚至是对它的全面介绍。遗憾的是，现有的研究[2-19]大多集中在小尺度图像集上，只考虑了几百种植物，可能无法满足现实生活的需要。深度学习[20-29]自首次提出以来，在大规模目标分类方面取得了非常突出的成绩。与以往手工制作的基于特征的方法[15-17]相比，深度学习可以通过端到端联合学习base deep network和N -way soft- max分类器来学习具有高鉴别性和不变量的高级特征。然而，大多数已有的深度卷积神经网络结构(每一层的层数和核数)最初是为识别1,0,0,0对象类而设计的。e, Imagenet 1K[30])[20-25]。因此，我们自然会问以下问题:我们是否有可能利用现有成功的深度神经网络结构来识别大规模的植物物种(即数以万计的植物物种)?为了实现这样一个雄心勃勃的目标，我们需要讨论一些关键问题。首先，我们需要考虑如何更精确地识别植物物种。与Ima- genet 1K[30]等目标分类任务相比，植物物种识别应该被认为是一个非常细粒度的问题[31-33]，这意味着植物物种不易被分离，需要具有更具体、更具有代表性的本土特征。此外，传统的深度网络[23-25]利用一个扁平的softmax分类器来给出最终的预测分数，所有类别都被平等对待。然而，植物界存在着很强的种间关系，完全忽视这种关系可能会对最终的预测结果产生负面影响。这是由于每个cat- egory的损失梯度可能不均匀，所以在训练过程中，深度网络可能会偏离全局最优。基于这些观察，现有的深度网络[23-25]可能无法在植物物种鉴定方面取得令人满意的效果。摘要提出了一种基于注意力的深度层次多任务学习(AHMTL)算法，该算法利用层次树分类器代替扁平的softmax分类器，并利用注意力机制学习具有更强识别性的深度特征。据我们所知，我们的方法是第一个利用注意机制来学习层次结构中区分深层特征的方法。然后我们需要思考如何利用现有的深层网络结构来支持大规模的植物物种鉴定。由于现有的深度网络结构[23-25]最初是为识别1,0,0,0对象类(即。因此，简单地扩展这种设计良好的深度网络的最终输出维数可能不是一个合理的选择。考虑到上述问题，一个最明显的解决方案是通过使网络“更深”(更多层)或“更宽”(每层有更多的内核)来扩大权重参数的数量[20,23 - 25]。虽然“更广”和“更深”可以帮助深层网络发挥其潜力，但如何设计最优的结构还没有理论指导。现有的大型深层网络结构[23-25]的实现很大程度上依赖于人的经验和手工调优，需要大量的人力、混合资源和时间成本，需要进行大量的实验才能获得最优的网络结构。此外，深度网络结构庞大意味着权重参数数量庞大，这意味着训练图像庞大，需要精心调整才能使网络达到全局最优。因此，虽然重塑网络结构是一个非常令人兴奋的选择，但并不能保证如此庞大的深度网络能够达到全局最优。

10.2 结论

在本文中，提出了一种融合方法来识别大型植物物种。构建了固定的植物分类法，以自动定义植物世界中的种间关系，并进一步用作将视觉上相似的植物物种分配到同一任务组的准则。提出了一种成功的AHMTL方法设计，该方法可以将相同任务组下的视觉相似植物物种分开，并且扩展并融合了来自多个深度网络的输出，从而形成了高级功能表示。通过将与语义相关的植物物种分配到相同的任务组中，这些具有非常强的视觉相似性的植物物种可以进行更充分的比较，而相应的深度网络可以更有效地将它们分离。通过引入注意机制和植物分类学指导的树分类器，我们的AHMTL算法可以在识别1,001种细粒度植物物种方面实现出色的性能。通过生成多样化但重叠的任务组并在训练过程中添加“非组内”类别，消息可以直接在不同网络之间传递，从而使每种植物物种的预测更具可比性。在iNaturalist2018的Orchid 2608数据集和Plantae子集上的实验结果也证明了我们提出的融合方法的有效性。

参数内容
方法VGG16,recent 50等
速度否
模型大小否
准确率accuracy否
精度precision否
召回率recall否
F1参数否
数据集大小2608个数据
训练集、验证集、测试集情况无
与其他方法对比多种方法融合
数据集来源试验
软硬件平台未知
开源无
其他无
posted @ 2021-10-21 20:21  落痕的寒假  阅读(77)  评论(0)  编辑  收藏  举报