[目的/意义]为解决当前作物管理中个性化需求难以捕捉、决策过程缺乏灵活性难题,本研究提出了一种基于大语言模型的个性化作物生产智能决策方法[方法]通过自然语言对话收集用户在蔬菜作物管理过程中的个性化需求,涵盖产量、人力资源消...[目的/意义]为解决当前作物管理中个性化需求难以捕捉、决策过程缺乏灵活性难题,本研究提出了一种基于大语言模型的个性化作物生产智能决策方法[方法]通过自然语言对话收集用户在蔬菜作物管理过程中的个性化需求,涵盖产量、人力资源消耗和水肥消耗等方面。随后,将作物管理过程建模为多目标优化问题,同时考虑用户个性化偏好和作物产量,并采用强化学习算法来学习作物管理策略。水肥管理策略的训练通过与环境的交互持续更新,学习在不同条件下采取何种行动以实现最优决策,从而实现个性化的作物管理。[结果和讨论]在gym-DSSAT(Gym-Decision Support System for Agrotechnology Transfer)仿真平台上进行的实验,结果表明,所提出的个性化作物生产智能决策方法能够有效地根据用户的个性化偏好调整作物管理策略。[结论]通过精准捕捉用户的个性化需求,该方法在保证作物产量的同时,优化了人力资源与水肥资源的消耗。展开更多
[目的/意义]AI4S(AI for Science)作为人工智能(Artificial Intelligence,AI)与科学研究深度融合的新兴形态,引发了科研范式的深刻变革,通过AI技术加速科学发现,推动科学研究从传统的经验、直觉驱动向数据与AI共同驱动转变,已在众多科...[目的/意义]AI4S(AI for Science)作为人工智能(Artificial Intelligence,AI)与科学研究深度融合的新兴形态,引发了科研范式的深刻变革,通过AI技术加速科学发现,推动科学研究从传统的经验、直觉驱动向数据与AI共同驱动转变,已在众多科学领域实现了创新突破,也为农业科研转型带来新的机遇。[进展]本文梳理并分析了AI4S发展现状及其对农业科研产生的影响,研究发现近年来AI4S已取得显著进展,国内外积极布局相关前沿领域并出台系列政策以抢占新一轮科技战略制高点,且在多个学科领域得到了广泛应用。在农业科研领域,AI在加速多学科交叉融合、促进科研效率提升、助力复杂问题突破、驱动科研范式变革和升级科研基础设施五个方面发挥了重要作用。[结论/展望]面向农业科研新需求、核心领域与研究过程,提出了农业智能科研(A IforAgri-cultural Science,AI4AS)的概念及体系关键要素,涵盖大科学基础设施、大数据资源、大模型算法和大协同平台等部分。最后,针对数据资源、模型能力、科研生态,以及人才培养等挑战,从顶层设计规划、关键技术体系、协同创新体系、学科体系建设、复合人才引育等角度,提出打造面向AI4S发展的农业科研新体系的实现路径与具体建议。展开更多
[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepVi...[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepViTBlock模块替换主干网络的C2f,减少了模型的计算量和参数量。其次,加入带切片操作的注意力机制SimAM,结合原有卷积形成Conv_SWS模块,提升了小目标的特征提取能力。另外,在颈部网络中使用DySample轻量动态上采样模块,使采样点集中在目标区域而不会关注背景部分,实现病虫害的有效识别。最后,将跨通道交互的高效率通道注意力(Efficient Channel Attention with Cross-Channel Interaction,EMCA)替换主干网络的金字塔空间注意力机制(Pyramid Spatial Attention, PSA),进一步提高了主干网络的特征提取能力。[结果与讨论]实验结果显示,YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%,相较于原模型,这些指标分别提升了3.8、3.3和4.2个百分点。同时,模型在参数量和计算量上也实现了显著的优化,分别减少了13.8%和8.5%。[结论]这些改进不仅提升了模型的性能,还保持了其轻量化特性,对番茄叶片病虫害的检测具有重要参考价值。展开更多
[目的/意义]无人智慧农场是智慧农业的重要实践模式。本研究以山东德州“吨半粮”无人智慧农场为实验场所,攻克大田智慧农场建设中的核心技术难题,探索其建设模式与服务机制。[方法]运用物联网技术,研发了智慧农场的立体感知网络,能够...[目的/意义]无人智慧农场是智慧农业的重要实践模式。本研究以山东德州“吨半粮”无人智慧农场为实验场所,攻克大田智慧农场建设中的核心技术难题,探索其建设模式与服务机制。[方法]运用物联网技术,研发了智慧农场的立体感知网络,能够高效采集并汇聚传输环境、作物长势和设备状态等关键数据。借助数据分析挖掘技术,精准提取了小麦的物候期、麦穗特征等关键表型信息。进一步结合智能农机与智能决策技术,研发了集云管控平台、智能化设备及智能农机于一体的智能控制系统。此外,依托多源数据融合、分布式计算和地理信息系统(Geographic Information System, GIS)等技术,构建了农业生产全过程智能管控平台。[结果和讨论]“吨半粮”无人智慧农场感知系统不仅提高了数据传输质量,同时可以完成麦穗、物候期等表型特征的本地分析;智能控制系统可帮助农机提升自主作业精度和灌溉、施药效率、质量,通过农业设备的改造升级实现了农场耕作、种植、管理、收获的全链条智能化管控;大数据智慧服务平台为农户提供了气象预测、灾害预警、最佳播期等农事管理服务,极大地提高了农场管理的数字化、智能化水平。实验结果表明,自组网络数据准确率保持在85%以上,无人机施药可节药55%,灌溉模型可节水20%,“济南17”和“济麦44”分别增产10.18%和7%。[结论]研究结果可为智慧农场建设提供参考和借鉴。展开更多
文摘[目的/意义]为解决当前作物管理中个性化需求难以捕捉、决策过程缺乏灵活性难题,本研究提出了一种基于大语言模型的个性化作物生产智能决策方法[方法]通过自然语言对话收集用户在蔬菜作物管理过程中的个性化需求,涵盖产量、人力资源消耗和水肥消耗等方面。随后,将作物管理过程建模为多目标优化问题,同时考虑用户个性化偏好和作物产量,并采用强化学习算法来学习作物管理策略。水肥管理策略的训练通过与环境的交互持续更新,学习在不同条件下采取何种行动以实现最优决策,从而实现个性化的作物管理。[结果和讨论]在gym-DSSAT(Gym-Decision Support System for Agrotechnology Transfer)仿真平台上进行的实验,结果表明,所提出的个性化作物生产智能决策方法能够有效地根据用户的个性化偏好调整作物管理策略。[结论]通过精准捕捉用户的个性化需求,该方法在保证作物产量的同时,优化了人力资源与水肥资源的消耗。
文摘[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepViTBlock模块替换主干网络的C2f,减少了模型的计算量和参数量。其次,加入带切片操作的注意力机制SimAM,结合原有卷积形成Conv_SWS模块,提升了小目标的特征提取能力。另外,在颈部网络中使用DySample轻量动态上采样模块,使采样点集中在目标区域而不会关注背景部分,实现病虫害的有效识别。最后,将跨通道交互的高效率通道注意力(Efficient Channel Attention with Cross-Channel Interaction,EMCA)替换主干网络的金字塔空间注意力机制(Pyramid Spatial Attention, PSA),进一步提高了主干网络的特征提取能力。[结果与讨论]实验结果显示,YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%,相较于原模型,这些指标分别提升了3.8、3.3和4.2个百分点。同时,模型在参数量和计算量上也实现了显著的优化,分别减少了13.8%和8.5%。[结论]这些改进不仅提升了模型的性能,还保持了其轻量化特性,对番茄叶片病虫害的检测具有重要参考价值。
文摘[目的/意义]无人智慧农场是智慧农业的重要实践模式。本研究以山东德州“吨半粮”无人智慧农场为实验场所,攻克大田智慧农场建设中的核心技术难题,探索其建设模式与服务机制。[方法]运用物联网技术,研发了智慧农场的立体感知网络,能够高效采集并汇聚传输环境、作物长势和设备状态等关键数据。借助数据分析挖掘技术,精准提取了小麦的物候期、麦穗特征等关键表型信息。进一步结合智能农机与智能决策技术,研发了集云管控平台、智能化设备及智能农机于一体的智能控制系统。此外,依托多源数据融合、分布式计算和地理信息系统(Geographic Information System, GIS)等技术,构建了农业生产全过程智能管控平台。[结果和讨论]“吨半粮”无人智慧农场感知系统不仅提高了数据传输质量,同时可以完成麦穗、物候期等表型特征的本地分析;智能控制系统可帮助农机提升自主作业精度和灌溉、施药效率、质量,通过农业设备的改造升级实现了农场耕作、种植、管理、收获的全链条智能化管控;大数据智慧服务平台为农户提供了气象预测、灾害预警、最佳播期等农事管理服务,极大地提高了农场管理的数字化、智能化水平。实验结果表明,自组网络数据准确率保持在85%以上,无人机施药可节药55%,灌溉模型可节水20%,“济南17”和“济麦44”分别增产10.18%和7%。[结论]研究结果可为智慧农场建设提供参考和借鉴。
