[论文总结] 深度学习在农业领域应用论文笔记4

1. The use of digital imaging, chlorophyll fluorescence and Vis/NIR spectroscopy in assessing the ripening stage and freshness status of bell pepper fruit

甜椒的最佳品质、适销和保质期往往取决于收获的成熟阶段。此外，有必要估计供应链各个步骤的成熟过程。研究了四种无损技术作为区分成熟过程的快速工具的潜力。叶绿素荧光、Vis/NIR光谱仪、两台商用数码成像相机（一台 R-G-B dslr 和一台改进后的 R-G-NIR 紧凑型相机）被评估为根据胡椒果的成熟阶段对胡椒果进行分类的颜色测量的替代品。新鲜收获的成熟甜椒水果'cv。丹佛'被分为六个不同的成熟阶段（S1-S6），从绿色到全红（成熟的绿色100%绿色-S1，绿色到棕色-S2，棕色-S3，橙色-S4，红色-S5和全红-S6阶段），通过视觉评估他们的颜色。从结果中，得出结论，使用彩色计确定的颜色参数在成熟阶段分类（无论是收获时还是储存期间）被证明是最准确的描述，化疗指标（如主要组件 （PCA）、部分最小平方 （PLS） 和支持矢量机 （SVM） 分析以及平均比较）也证实了这一点。因此，增加比率可以用作估计水果成熟度指标。这比例与水果光谱反射和叶绿素荧光数据以及数字R-G-B和R-G-NIR成像技术产生的两个成像指数密切相关，这是本研究中首次报告水果。上述结果表明，可以估计通过单独使用几种无损技术，以高精度和一致性同时对辣椒果的成熟阶段进行比对。然而，无论收获阶段处于成熟阶段，只要通过光谱反射数据，甚至仅通过处理实施遗传算法后确定的特定波长，才能可靠地评估甜椒水果的新鲜度状态。

评分：大田实验+3分，多种无损检测技术+3分。

2. Overcurrent-driven LEDs for consistent image colour and brightness in agricultural machine vision applications

摘要：机器视觉系统正在农业应用中广泛应用。室外场地条件下的日间成像会带来变幻莫测的照明和阳光带来的色彩不一致等挑战。由于车辆运动和地面地形的振动，可能会发生运动模糊。具有主动照明的摄像机系统可以是克服这些挑战的解决方案。在这项研究中，利用过电驱动的 LED 来产生强大的闪光灯被调查为白天成像的可行光源。LED 绘制的电流增加了六倍于其正常评级，从而增加了照明。电路设计用于存储和释放能量到 LED 以达到类似频闪效果的效果，并且用于控制器与相机同步频闪以获取图像。该系统于2020年夏季在苹果园部署三天。图像是在不同树冠结构的阳光和多云条件下全天拍摄的。使用 LED 闪光灯，图像亮度和色彩一致性有了显著提高。原型系统在 11 小时内拍摄的图像显示，与自动曝光设置相比，Hue 饱和值 （HSV） 通道的标准偏差平均降低了 85%。此外，原型系统还能够修复图像中的运动模糊，这些图像的平均误差为 7 mm，而摄像机的移动速度为 7 km/hr。结果表明，设计LED闪光灯系统可减少室外环境导致图像照明变异和运动模糊的不良影响。

评价：不太懂这篇论文的技术难点和方法创新。

3. Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction

摘要：花生是国民经济中重要的经济作物，其叶绿素含量可以反映花生的肥料状况。因此，迫切需要获得快速准确的叶绿素含量监测方法。在这项研究中，根据不同的植物密度种植了杨花1号和悦友45号两种花生，并利用鹦鹉蓝草多光谱无人机摄影计算了8种植被指数，从而建立了不同的监测模型，并根据测定系数、根平均方差比较每个模型的准确性，和绝对平均错误。阳华1号花生叶的叶绿素含量普遍高于悦友45，植物密度对阳华1花生影响较大。NDVI（标准化差异植被指数）和GNDVI（绿色标准化差异植被指数）的一维线性回归模型的拟合度和精度远高于其他指数：多线回归模型比一维线性回归模型具有更准确的预测能力。经过测试，BP神经网络（背传播神经网络）是监测花生叶绿素含量的最合适的模型，比随机森林模型更适合和准确。多光谱无人机可以依靠高度精确的预测模型快速获取有关该领域叶绿素含量的信息，并推断出最适合当地种植的作物类型和种植密度。

个人总结：大田实验+3分，

4. Intelligent thermal image-based sensor for affordable measurement of crop canopy temperature

摘要：作物冠层温度的测量是必要的水压力等指标监测作物水分胁迫指数(CWSI)。 水压力指标非常有用在精准农业灌溉策略管理上下文。 为此,温度记录所使用的一种技术,它允许远程温度测量。 然而,这些技术的适用性取决于被负担得起的,允许连续监测多个现场测量。 在本文中,一个传感器的发展能够自动测量作物冠层温度的一种低成本的热感摄像机和基于人工智能的图像分割的实现模型。 此外,我们提供结果杏树比较我们的系统和一个商业热感摄像机,0.75平方的。

个人总结：通过树冠传感器传输温度，用于灌溉决策。图像分割+2分，idea+1分。

5. An image segmentation method based on deep learning for damage assessment of the invasive weed Solanum rostratum Dunal

摘要：刺萼龙葵是一种常见的外来杂草，对当地自然环境和生态系统造成严重危害。及时检测并合理评估刺萼龙葵的危害程度是预防和管理刺萼龙葵入侵的前提。因此，本文提出了一种基于深度学习的图像分割方法来检测刺萼龙葵的入侵程度。利用无人机采集刺萼龙葵图像，按照特定的处理方法裁剪成相同大小的子图像。将子图像输入基于U-Net的卷积神经网络DeepSolanum-Net进行处理。子图像通过深度茄网(DeepSolanum-Net)后，提取并标记属于刺萼龙葵(Solanum rostratum Dunal)植物的像素。对所有处理后的子图像进行缝合并缩小到原图像的大小，从背景图像中分割出原图像中属于刺萼龙葵的所有目标像素。根据图像分割结果和无人机飞行高度计算刺萼龙葵在地面上的覆盖率和覆盖面积。现场试验结果表明，该方法对刺萼龙葵有效像元的识别精度达到89.95%，召回率达到90.3%。
个人评价： 利用无人机采集图像3分，通过语义分割2分，进行杂草识别=5分。

6.Water and energy demand forecasting in large-scale water distribution networks for irrigation using open data and machine learning algorithms

摘要：在一个水的可用性正在减少的世界，它的使用必须彻底优化。灌溉农业系统作为地球淡水的主要使用者，必须改善其管理，并尽可能多地节约这一稀缺资源。然而，这些复杂系统的异构性经常被组织在用水用户协会中，这使得日常管理这一资源变得困难。新的信息和通信技术以及人工智能技术有助于理解这些复杂系统的异构性，从而使更好地管理它们成为可能。然而，具有这些特征的工具的实现需要来自不同来源的大量异构数据。因此，在这项工作中，为管理人员开发了一个新的工具，该工具是根据未来一个星期的实地用水需求预测编制的。这个名为waterergyforecaster的工具结合了人工智能技术、卫星遥感(Sentinel 2)和开源气候数据，可以提前一周自动建立一个农场规模的水预测模型。将Python开发的waterergyforecaster应用于真实用水用户协会(WUA)，得到一组精度在17%到19%之间、代表性高于80%的最优模型。
个人评价：idea不错，但是看不懂精度在17-19%？

7. Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction

摘要：花生是国民经济中重要的经济作物，其叶绿素含量可以反映花生的施肥状况。因此，迫切需要一种快速、准确的叶绿素含量监测方法。本研究以花生为研究对象，根据不同种植密度，分别种植阳花1号和粤优45，利用Parrot早熟禾多光谱无人机摄影，计算8个植被指数，建立不同的监测模型。并根据判定系数、均方根误差和绝对均方根误差比较各模型的精度。扬花1号花生叶片叶绿素含量普遍高于粤优45，且植株密度对扬花1号花生的影响较大。NDVI和GNDVI的一维线性回归模型拟合度和精度均高于其他指标;多元线性回归模型比一维线性回归模型具有更准确的预测能力。经测试，BP神经网络(Back Propagation neural network，反向传播神经网络)比随机森林模型具有更好的拟合和精度，是监测花生叶绿素含量的最合适模型。多光谱无人机可以依靠高精度的预测模型快速获取田间叶绿素含量信息，并推断出最适合当地种植的作物类型和种植密度。

个人评价：选题比较老了，测定了多个指标以及用了多光谱无人机摄影一共5分。

8. Using artificial intelligence algorithms to predict rice (Oryza sativa L.) growth rate for precision agriculture

摘要：水稻生长速率预测是实现精准农业的关键。本研究利用台湾两个不同气候区3个不同水稻品种的生长数据，计算了水稻关键生长阶段的生长速率(Gr)。采用回归算法(REG)、人工神经网络(ANN)和基因表达式编程(GEP)模拟环境温度对水稻生长速率模拟的可行性进行了研究。以环境温度和生长季节为输入变量，分别以一个连续生长期或四个不同生长期(Tr1_{4)的总和为输入变量，对每一种算法进行模拟。结果表明，Tr1}4的模型输出精度高于Trall。然而，当分别建模不同阶段的增长率时，会出现过渡阶段的模拟误差。基于人工智能的非线性模型比回归模型更准确，而人工神经网络的性能普遍优于其他两种模型。与REG相比，人工神经网络(ANN)和GEP (GEP)在整个生长期的平均日误差(average -in-days error)的均方根误差(root mean squared error, RMSE)和平均绝对误差(mean absolute error, MAE)分别降低了41.38%和42.81%和30.14%，31.21%。考虑到过渡阶段的潜在误差和人工神经网络的高硬件需求，GEP-Trall模型被推荐用于水稻生长速率建模。

个人评价：数据量大，论文idea和技术上没有创新。