为解决苹果采摘机器人作业过程中信息可视化程度低，设备数据采集困难的问题，提出了1种基于数字孪生的苹果采摘机器人实时监控系统。该系统基于苹果采摘机器人的整体结构与运动学分析结果，对机器人建立1个数字化孪生模型。利用多维度可视化监测模块和机器人孪生模型创建孪生数字场景，并结合数字孪生技术实现孪生模型与实体机器人之间的动态映射和虚实交互。融合机器人ROS软件架构和TCP通信协议，建立孪生模型与苹果采摘机器人之间的信息桥梁。开发了支持Unity和Web终端程序的机器人孪生监控系统，并对系统进行功能测试，测试证明模型和实体虚实同步过程中系统平均帧时为14.5 ms，机器人虚实关节的位移差值小于0.05 m，为数字孪生技术在农业机器人上的应用提供了有效的参考。

叶绿素含量能够反映绿色蔬菜健康状况并能够促进蔬菜的生长和发育，而白菜作为1种重要的蔬菜作物，其生长状态的监测对于提高产量和品质具有重要意义。本文通过多光谱无人机构建了9种颜色特征与24种光谱图像组合，并使用手持SPAD叶绿素仪同步获得了田间白菜冠层SPAD值。使用4种机器学习的方法，包括偏最小二乘回归、支持向量回归、BP神经网络和一维卷积神经网络来构建田间白菜SPAD值预测模型。通过决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）来评估模型的精度。结果表明：颜色特征、可见光与多光谱图像特征相结合的预测精度，相比于单一特征来说具有较高的预测精度。其中，基于支持向量回归的田间白菜冠层SPAD预测模型精度最高，其R²=0.785，RMSE=4.320，MAE=3.451。综合分析可得出的结论是，选择多种可见光与多光谱图像特征组合作为输入变量，并使用支持向量回归的预测方法，可以显著提高SPAD值预测的准确性，为快速准确地监测田间白菜SPAD值提供新的技术支持。

为解决传统温室灌溉系统存在的过量灌溉问题，保证草莓始终处于适宜的土壤湿度环境下，节约水资源，本文提出一种基于STM32芯片和RS485型传感器的灌溉设备。针对灌溉系统具有的非线性、惯性大且一定滞后性特性，提出了模糊自适应PID控制算法，结合调节型阀门，设计了根据土壤湿度变化实时、自动、精准调节灌溉量的系统。为了验证算法应用效果，根据温室草莓实际灌溉规律建立了数学模型，通过MATLAB / Simulink仿真对比传统PID和模糊自适应PID模拟灌溉模型，得出模糊自适应PID比传统PID超调量少7.98%，且达到稳定后稳态误差维持在±0.5%范围内的结果。本研究利用模糊规则改进了PID控制算法，将其应用到温室草莓灌溉系统中减小了超调量，降低了稳态误差，有效避免了水资源浪费。

羊只的运动状态能够反映其健康状况，对养殖场环境下的目标羊只运动轨迹进行追踪是获取其运动状态的关键一步。在特定的情况下，例如羊只分娩前或疾病治疗过程中，对少量的目标进行自动化的跟踪具有实用性。为了提高多目标追踪的准确性，本文提出了一种改进的DeepSORT-R多目标跟踪算法。在目标识别阶段，利用添加了注意力机制的YOLOV5-CBAM网络实现羊只目标的检测；在重识别阶段，采用添加了注意力机制的ResNet50网络实现了羊只身份的识别。本文提出的方法针对测试集的试验结果表明，MOTA、MOTP和IDSW分别达到了76.15%，0.208和7.5。此外，在长视频追踪测试过程中，本文提出的方法在评价指标MOTA，MOTP和IDSW的得分上均优于目前常用的YOLOV4+DeepSORT和ByteTrack。试验结果表明本文提出的方法能够用于实际养殖环境中多目标羊只的跟踪。

为解决传统方法在识别番茄叶片病害方面准确率低且难以应对复杂环境的问题，本文提出了基于注意力机制的多任务番茄叶片病害识别方法（Attention-based multi-task tomato leaf disease recognition method，AMTDR）。首先，采用了ResNet18作为骨干网络，并在每个残差块后引入了卷积注意力模块（Convolutional block attention，CBA）。其次，设计了1个多任务结构，该结构包括病害识别和病害程度2个分支。病害识别分支用于准确识别番茄叶片的病害类型，而病害程度分支则用于精确评估病害的严重程度。在每个分支中，引入了卷积三元组注意力模块（Convolutional triplet attention，CTA），以增强对病害特征的表征能力。结果显示，所提出的AMTDR方法在复杂环境下的11种番茄病害数据集中的准确率和F1分数均达到了98.54%。相较于ResNet50网络，准确率和F1分数上分别提高了1.27%和1.25%，同时参数量和FLOPs仅为ResNet50的48.72%和44.30%。本文提出的AMTDR方法能够有效识别复杂环境下的番茄叶片病害，为农业病害的识别提供了重要的参考价值。

分子性质预测在药物研发等领域具有广泛的应用，虽然目前已经开始尝试利用图神经网络等方法来进行分子性质预测，但是仍然存在着难以处理大规模分子图和信息传播的局限。针对这一问题，本文构建了一种融合图神经网络、门控循环单元和注意力机制的网络模型（Gated recurrent unit-attention-convolutional graph neural networks，GAGCN）用于分子性质的预测。该模型通过图神经网络（Graph neural network，GNN）对分子图进行表示学习，利用节点之间的连接和信息传播来捕捉分子的结构特征；使用门控循环单元（Gated recurrent unit，GRU）对分子序列进行建模，从而捕捉分子序列中的时序信息，通过门控机制自适应地选择保留或丢弃序列中的信息。最后通过注意力机制自适应地学习不同特征之间的权重，将GNN和GRU进行融合，从而使模型可以充分利用分子的结构和序列信息，以提高分子性质预测的准确性。试验结果表明该模型对于LogP的预测精度MSE、MAE和R²分别达到了0.001 0、0.011 6和0.999 3。本文提出的模型为新农药、新兽药的研发提供了技术支持和参考。

针对动物点云配准精度不高、需要人工设置参数等问题，本文提出了1种基于改进海豚回声定位算法的奶牛俯视点云和侧视点云的精配准方法。利用2种策略对原算法进行改进：策略1改进对称线性系数函数为非线性函数；策略2动态调整影响半径，同时引入记忆矩阵并缩小变量取值范围进行二次离散化。根据粗配准后奶牛不同视角点云重叠区域较少的特点，对粗配准后的点云切片，基于切片重叠区域的质心建立适应度函数。应用改进的海豚回声定位算法测试了106头奶牛点云的精配准。结果表明：与标准海豚回声定位算法相比，采用策略1配准误差均值降低27%，配准时间降低28%；采用策略2配准误差均值降低56%，配准时间增加30%。本文算法配准误差均值和中位数分别为0.51和0.49 cm，比原算法分别降低64%和58%；平均配准时间为1.31 s，略低于原算法。本文方法能够较为精确地实现奶牛俯视和侧视点云的自动配准，可为动物三维点云重建提供技术支持。

针对梨花密集、遮挡严重、目标太小导致的召回率低的问题，本文提出基于改进YOLOv5s的自然环境下梨花识别方法。该方法首先添加了小目标检测层，通过增加CSPDarknet主干特征提取网络的浅层输出特征层，以及在PANet加强特征提取网络中对该浅层特征层进一步特征融合，增大了对浅层特征和细节信息的提取能力。其次，在PANet网络中引入了CBAM注意力模块，提高了对重要特征的表达能力。结果表明，本文改进的YOLOv5s-P-CBAM网络模型能够有效降低漏识别率，改进后模型的精确率、召回率、F₁值、mAP分别为91.62%、83.05%、87.12%、94.06%，相比原模型分别提高了0.16%、1.55%、0.93%和0.61%。此外，对‘雪青’、‘鸭梨’和‘秋月’3个品种的梨花图像均能实现较好的识别效果，具有较强的泛化性，为梨园的机器智能疏花提供了技术支持。

为了减少高维基因中的无效基因，挖掘农作物非生物胁迫抗逆关键基因，本文提出了一种基于多目标遗传规划的农作物非生物胁迫抗逆关键基因挖掘方法。将遗传规划算法（Genetic programming, GP）和多目标优化算法NSGA-II结合，提出一种基于多目标遗传规划的高维数据特征选择和分类方法（MONSGP）。该方法以召回率、精确率和特征数量为优化目标，获得最优Pareto解集，使用最优分类器选择策略从最优解集中选择出性能最好并且包含少量特征的分类器作为最优分类器。在9个NCBI高维基因数据集的实验表明，与标准GP分类算法和3种最新的GP分类算法相比，MONSGP能以更少的特征数量获得更好的分类性能；GO功能富集分析验证MONSGP筛选出的基因跟非生物胁迫相关且具有生物学意义。

为解决目前人工鉴定大白菜叶色主观性强、速度慢、效率低等问题，本研究提出了一种多光谱图像处理结合机器视觉技术对大白菜叶色快速、准确分类和量化的方法。结果表明：由19通道多光谱系统提取到的原始光谱数据包含信息更全面更准确，由其所建立的SVM分类模型具有最优的分类效果，训练集准确率是98.24%，验证集准确率是87.18%。运用连续投影算法（SPA）提取特征波长进行分析，选择用5通道相机采集的白菜样本继续研究大白菜叶色的量化。通过提取其RGB、HSV、LAB 9个颜色特征值进行数据处理后可以准确地将大白菜叶色进行0~100间数值量化。

脱贫人口的返贫风险是影响脱贫攻坚成果与乡村振兴有效衔接的主要因素，精准预测脱贫人口的潜在返贫风险，对于指导政策落实、资源分配和风险评估具有至关重要的作用。本文提出一种基于Stacking集成学习的脱贫人口返贫风险预测方法，以H省脱贫户脱敏后的监测数据为研究对象，对数据特征进行相关性分析及重要性排序，识别并筛选显著影响返贫风险的关键特征；基于关键特征数据对随机森林（Random forest, RF）、朴素贝叶斯（Naive bayes, NB）、支持向量机（Support vector machine, SVM）等独立模型进行模型间的相关性分析，以相关性较低且预测准确率较高的极限梯度提升树（eXtreme gradient boosting, XGBoost）、自适应提升算法（Adaptive boosting, adaBoost）、SVM作为基础学习器，RF作为元学习器构建了Stacking集成学习预测模型。将412 919条数据以7∶3划分成训练集和验证集对模型进行训练和验证，并使用准确率、精确率、召回率和F1-Score评价模型效果。实验结果表明，基于Stacking集成学习的返贫风险预测模型各项评价指标均优于单一模型，其预测准确率与RF、NB、SVM、XGBoost、AdaBoost相比分别提升3.64%、10.96%、3.15%、2.29%和5.41%，最终达到了95.65%，验证了本文所提方法的有效性。该研究为巩固和拓展脱贫攻坚成果，提升返贫动态监测预警时效提供了新的解决思路。

缺陷种子显著影响种子品质及定价，其分选剔除是种子质量检测的重要工作环节。目前种子的质量检测主要由人工操作完成，效率低且具有主观性。针对玉米种子在外观质量检测中需要快速、精准识别的需求，本文提出以玉米种子多光谱RGB+NIR+NIR1的成像信息做输入的改进型YOLOv5目标检测模型，对玉米种子外观质量进行识别与分类。通过在YOLOv5主干网络CSPDarknet中改用串行空间金字塔池化结构（Spatial pyramid pooling, SPP），提升网络模型检测效率，在加强特征提取网络中利用注意力机制强化特征信息融合，提升网络模型检测精度。试验结果表明改进模型YOLOv5+SE+SPPF的综合评价指标F1值达到了96.71%，mAP值达到了96.96%，平均每检测一张图像耗时约0.28 s，平均每检测一粒种子耗时约20 ms，为实现种子高效、精准地质量检测和优选分级提供了参考，可实际应用于种子智能化分选装备。

为满足嵌入式设备对模型轻量化和高精度检测的需求，本研究提出了一种基于YOLOv8n模型改进的群养生猪目标检测算法。首先在主干网络中引入C2fFB结构，减少对内存的访问量与冗余计算；然后以BiFPN结构构成新的Neck网络并引入C2fSC模块，进一步实现更深层次的特征融合，减少融合的空间冗余和通道冗余；最后采用SIoU替换原来的CIoU，提高了模型的精度。实验结果表明，本算法的F1分数、查准率、查全率、平均精确度相比改进之前分别提升了3%、1.8%、3.5%、1.5%，参数量、计算量、模型大小相比改进之前分别下降了46.84%、27.16%、44.71%。因此，本算法模型为群养生猪的智慧养殖提供了1种高效的目标检测解决方案。

目前本交笼种公鸡的群序确定主要靠人工观察，不仅费时费力且无法自动识别。因此，本研究以本交笼种公鸡为研究对象，提出了1种基于改进灰狼算法（IGWO）结合LGBM的方法，基于活动量数据识别鸡只群序。首先使用九轴惯性传感器获取鸡只行为数据，通过滑动窗口提取合加速度与合角速度44维时域、频域特征，以表征鸡只的活动量信息。引入非线性收敛因子和头狼竞争策略提高灰狼算法的寻优能力，对活动量特征进行降维去冗余处理，提高模型识别效果。结果表明，IGWO-LGBM模型可以准确识别种公鸡的群序，其中，群序识别的精确度、召回率、F1分数平均值分别为84.71%、84.59%、84.57%，模型准确率为84.57%，相比于原始数据集分别提高了3.80%、3.65%、3.67%、3.64%。将降维后的特征作为活动量特征，对活动强度聚类统计并拟合后发现，鸡只群序与高活动量行为占比呈正相关趋势，与低活动量行为占比呈负相关趋势，丰富了群序研究内容。本研究有利于快速识别本交笼种公鸡的群序，为种公鸡群序自动识别提供了一种方法。

食源性致病菌是冷藏食品威胁人类健康的主要病原菌之一，是食品卫生微生物检验中的必查项目。细菌识别的传统方法需要在细菌培养的国标时间到达后由肉眼观察并计数，观察者极易因眼睛疲劳导致错误计数，费时费力；而且传统方法需要特殊试剂进行细菌检测，成本较高，需要专业知识进行操作。为快速准确检测细菌小目标，本文提出一种新型食源性致病菌检测方法——CBAM^1,2,3-YOLOv7，首先利用工业照相机代替显微镜拍摄图像，并将捕捉到的单增李斯特菌图像输入到优化后的模型中进行识别，该模型在YOLOv7模型的基础上加入CBAM注意力机制，使模型在通道域上更加敏感，增强了特征提取能力。为增强对比性，将同样的图像分别输入到Faster RCNN、YOLOv4、YOLOv5、YOLOv7深度学习模型中进行训练。优化后的模型较YOLOv7平均准确率提升了0.52个百分点、召回率提升了0.27个百分点。试验证明CBAM^1,2,3-YOLOv7算法可以实现对单增李斯特菌的高精度识别，对其他食源性致病菌的快速检测具有指导意义和参考价值。

人工挑拣黄瓜费时费力，黄瓜自动挑拣可大大提高黄瓜的生产效率，目前还没有看到黄瓜自动挑拣过程中准确检测其果实新鲜度方面的有效方法。本研究提出一种基于机器视觉的黄瓜新鲜度检测方法，采用RGB图像分析法提取颜色特征，利用连通区域标记法计算瓜刺个数特征，借助灰度共生矩阵法提取纹理特征，利用支持向量机算法对黄瓜新鲜度进行了分类识别。在宁阳大刺黄瓜320个图像数据上的平均识别准确率达到98.43%，表明本研究提出的黄瓜新鲜度检测方法是有效的。

深度学习技术和卷积神经网络的发展，为农作物病害快速准确检测提供了新的解决方法。本文实地采集马铃薯图像，使用UNet语义分割模型对马铃薯病害进行检测，使用了2种主干网络模型VGG16和ResNet50，它们的精确率为93.00%，F1为92.48%和92.77%，MPA为94.47%和94.42%，MIoU为84.79%和84.75%。提出了一种改进型UNet语义分割模型，通过在网络的第一次上采样处加入注意力机制模块获取特征图，将注意力机制获得的特征图乘以原输入的特征图进行下一步的上采样网络过程，最终取得的Precision、F1、MPA和MIoU分别为94.83%、92.89%、95.96%和86.32%。相较于初始网络的指标有所提高，为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。

针对蔬菜生产中品种选择、病虫害防治、田间管理等环节知识需求复杂且动态的特点，提出一种面向蔬菜生产知识服务的主动推荐方法，以期为个性化农业管理提供有效支持。将知识图谱构建作为目标，通过结合自注意力机制的动态用户兴趣建模、分层嵌入技术表示和图神经网络（GNN）多跳推理机制，逐层筛选和聚合复杂关系信息，实现蔬菜生产知识服务的精准推荐。 实验结果表明，所提出的方法在推荐准确率和性能指标上均显著优于现有先进模型，能够适应蔬菜生产中不同环节的动态知识需求。 本研究为个性化农业管理和智能决策提供了一种高效解决方案，为农业知识服务推荐方法的研究提供了新的思路与方法。