以機器視覺為主的農業信息智能感知技術已成為智慧農業發展的關鍵技術，廣泛應用于農業領域將會加速農業生產方式的轉變，推動產業結構升級，對提高農業現代化水平、實現農業可持續發展具有重大意義。本文機器視覺與農業智能感知專題，涉及果園果樹、大田作物、荒漠植物、中藥材以及畜禽等多個農業領域智能感知新技術，旨在能夠促進機器視覺與農業智能感知技術的創新與應用發展。

在果園果樹方面，①中國農業科學院農業信息研究所孫坦研究員團隊，研發出適合果園移動平臺邊緣計算設備的掛果量估測模型，該模型引入輕量化的CSPDarknet53作為主干，并在果實跟蹤時考慮高分-低分檢測框及其ReID數據關聯，實現了估測性能和模型復雜度的平衡。②四川省農業科學院農業信息與農村經濟研究所何鵬研究員團隊，提出一種基于改進ResNet50模型的蘋果物候期識別方法，解決了傳統方法對自然環境下蘋果物候期圖像識別精度低、覆蓋面不全的問題。

為實現精準鮮食葡萄采摘機器人采摘，①山東農業大學劉平教授團隊，基于改進的均值聚類算法和輪廊分析法，提出一種鮮食葡萄采摘點自動定位的方法，籬壁式和棚架式葡萄采摘點定位綜合成功率78%以上。②廣東海洋大學王驥教授團隊提出了輕量級的MobileNet V3-YOLOv4網絡，與5種單、雙階網絡模型相比，降低了訓練速度、減小了參數量，在農田復雜環境下，黃熟期和青熟期菠蘿檢測準確率分別為100%和98.85%。

在大田作物方面，針對傳統人工識別病蟲害存在的效率過低、成本過高等問題，①揚州大學張正華教授團隊將ECA注意力機制與DcnscNct201的水稻圖像識別模型融合，增加模型通道特征表達能力，實現對3種水稻病蟲害更為準確地識別。②河南農業大學馮偉研究員團隊基于無人機遙感，通過構建小麥倒伏分類模型，探討了不同空間分辨率遙感影像及特征優化方法，對小麥倒伏區域識別精度的影響，為確立作物倒伏信息獲取策略及小麥災情評估提供參考。

③河南農業大學葉協鋒教授團隊，利用無人機搭載高光諾成像儀采集了烤煙在6個關鍵生育期冠層反射率數據，通過比較不同光譜組合及不同回歸分析算法的預測精度，建立了基于多種光譜指數組合的葉片葉綠素含量回歸估測模型，實現了不同生育期烤煙葉片葉綠素含量的準確估測。④為分析甘蔗產量與氣象因素的關系，廣西大學李修華副救授團隊結合氣象數據，分別利用四種機器學習方法構建甘蔗產量預測模型，發現長短時記憶網絡可以準確預測單蔗區甘蔗氣象產量，BP神經網絡可準確預測多蔗區甘燕氣象產量。

在其他植物識別方面，①中國農業科學院農業信息研究所孫偉副研究員團隊，以自然環境下的整株荒漠植物圖像為研究對象，提出了一種融合遷移學習和集成學習的荒漠植物圖像識別算法，在50種荒漠植物圖像數據集的最高識別準確率達99.23%。②吉林農業大學李東明教授團隊，針對中藥材防風識別卷積神經網絡模型計算量大、精度低的問題，提出了一種基于注意力嵌入ShuftleNet V2的防風道地性識別模型，在保持較高識別精度的同時占用較少的儲存空間，有助于在低性能終端上實現防風道地性的實時識別。

在智慧養殖方面，①青海大學張玉安教授團隊為實現不同部位牦牛肉快速、準確識別，在ResNet18殘差塊之后融入輕量級卷積塊注意力模塊，對全連接層進行改進，降低了算法的計算代價。通過將模型部署到移動端，實現了牦牛肉部位的準確快速識別。

審核編輯 黃宇