在推動農業轉型，實現智慧農業的道路上，社會各行各業都在為之努力，有農民、合作社、農場，更有農業大學等科研高校，都在不同崗位，為農業發展發光發熱。農業是個很廣泛的行業，不僅包括種植業、畜牧業，還有水產養殖等行業，本文匯總整理最近1-2年發表的論文，分享下數字化水產/昆蟲養殖科研進展。

一、水下魚類品種識別模型與實時識別系統

科研機構： 中國農業大學信息與電氣工程學院、中國農業大學國家數字漁業創新中心、北京市農業物聯網工程技術研究中心、北京林業大學信息學院

為快速準確魚類識別系統，該團隊結合卷積神經網絡在圖像識別領域取得的成功，針對不同卷積網絡模型都有不同的優點和缺點，面對眾多可供選擇的模型結構，選擇和評價卷積神經網絡模型，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。

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

二、對蝦養殖溶解氧濃度組合預測模型EMD-RF-LSTM

科研機構：仲愷農業工程學院信息科學與技術學院、仲愷農業工程學院智慧農業創新研究院、仲愷農業工程學院廣東省高校智慧農業工程技術研究中心、仲愷農業工程學院廣東省農產品安全大數據工程技術研究中心、石河子大學機械電氣工程學院、 仲愷農業工程學院廣東省水禽健康養殖重點實驗室

為提高對蝦養殖溶解氧濃度的預測精度，提升水質監測指標，該團隊研究提出了一種基于經驗模態分解、隨機森林和長短時記憶神經網絡的對蝦養殖溶解氧濃度組合預測模型。研究涉及經驗模態分解、固有模態分量、長短時記憶神經網絡和隨機森林對高、低頻不同尺度IMF等，實現對溶解氧濃度時序數據的綜合預測。

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

針對經驗模態分解后高、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，能夠較準確地實現對蝦養殖水體中溶解氧濃度預測。

三、農業復雜環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：中國農業科學院農業信息研究所/農業農村部農業信息服務技術重點實驗室

為取得對農業生產環境目標識別對象的監測，在光照、背景不同的農田環境，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，提出了一種農業復雜環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境的影響及目標體積較小導致的特征提取困難，實現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越性，從網上爬取了不同尺度、不同場景的農田復雜環境下的蜜蜂圖像，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模型的工廠化養蠶蠶體識別與計數

科研機構：嵊州陌桑高科股份有限公司、浙江省農業科學院數字農業研究所

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

結果表明：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蠶盒單元在生產線上移動實時檢測的要求。該研究為工廠化養蠶精準飼喂信息系統和投喂裝置的研發提供了核心算法，可提高人工飼料的利用率，提升工廠化養蠶生產管理水平。

科技改變生活，正是無數科學技術的應用，提升了生活質量。科研算法、模型的研究與改善，未來都是實現智慧農業的一大助力，期待更多科學技術學以致用，投入到實際生產生活中。

審核編輯黃宇