摘要" 本研究以農(nóng)田田塊為管理對象，設(shè)計一套智能化管理系統(tǒng)，以掌握田間農(nóng)機(jī)作業(yè)的具體情況，包括作業(yè)農(nóng)機(jī)類型、對應(yīng)農(nóng)事活動和作業(yè)時間等信息。具體而言，以人工智能算法為基礎(chǔ)，通過機(jī)器視覺方法，自動捕捉并識別田間農(nóng)機(jī)，從而獲取準(zhǔn)確的田塊作業(yè)農(nóng)機(jī)類型及其所關(guān)聯(lián)的生產(chǎn)信息。整個系統(tǒng)集成了感知設(shè)備、人工智能算法和應(yīng)用軟件平臺，其構(gòu)成簡單，環(huán)境通用性強(qiáng)，可以為農(nóng)場的無人化管理提供有效工具，為生產(chǎn)管理模式提供參考。

關(guān)鍵詞" 人工智能算法；機(jī)器視覺；農(nóng)業(yè)機(jī)械識別；農(nóng)機(jī)作業(yè)

中圖分類號" S24" " " "文獻(xiàn)標(biāo)識碼" A" " " "文章編號" 1007-7731（2024）17-0096-05

DOI號" 10.16377/j.cnki.issn1007-7731.2024.17.023

Design of unmanned management system for field agricultural machinery operations based on artificial intelligence algorithms

WU Xiaowei" " LUO Tingbao

（Anhui Zhongke Intelligent Sense Technology Co.， Ltd.， Wuhu 241000， China）

Abstract" The farmland was taken as management object， and an intelligent management system was designed to grasp the specific situation of agricultural technology operations in the field， including the type of agricultural machinery， corresponding agricultural activities， and operation time. Specifically， based on artificial intelligence algorithms， machine vision methods were used to automatically capture and agricultural machinery were recognized in the field， thereby obtaining accurate types of agricultural machinery for field operations and their associated production information. The entire system integrated sensing devices， artificial intelligence algorithms， and application software platforms， with simple composition and strong environmental universality， which could provide effective tools for unmanned management of farms， and provide references for new production management models.

Keywords" artificial intelligence algorithms; machine vision; agricultural machinery identification; machinery operation

大田農(nóng)業(yè)種植生產(chǎn)過程中，農(nóng)業(yè)機(jī)械作業(yè)的管理是貫穿種植周期的重要環(huán)節(jié)之一。智慧農(nóng)業(yè)采用智能化裝備和系統(tǒng)，對農(nóng)業(yè)基礎(chǔ)設(shè)施進(jìn)行現(xiàn)代化改造，極大提升了農(nóng)業(yè)生產(chǎn)管理的效率。羅錫文等[1]以植物生產(chǎn)為例，介紹了智能農(nóng)機(jī)的智能感知、自動導(dǎo)航、精準(zhǔn)作業(yè)和智慧管理等功能，分析了集成相關(guān)智能農(nóng)機(jī)創(chuàng)建水稻無人農(nóng)場的實踐和無人農(nóng)場的特點，包括耕種管收生產(chǎn)環(huán)節(jié)全覆蓋、機(jī)庫田間轉(zhuǎn)移作業(yè)全自動、自動避障異況停車保安全、作物生產(chǎn)過程實時全監(jiān)控和智能決策精準(zhǔn)作業(yè)全無人化。胡健[2]研究認(rèn)為，大田農(nóng)業(yè)生產(chǎn)正逐步向自動化、智能化演進(jìn)。在農(nóng)業(yè)土地大規(guī)模、跨區(qū)域流轉(zhuǎn)和種植托管模式不斷發(fā)展的背景下，大田農(nóng)業(yè)種植生產(chǎn)中的農(nóng)業(yè)機(jī)械作業(yè)成為農(nóng)業(yè)管理的重要一環(huán)，如農(nóng)機(jī)的具體作業(yè)范圍、作業(yè)面積、在不同地塊的作業(yè)時間以及作業(yè)效率等，均是生產(chǎn)管理的重要組成部分。孫夢遙等[3]示范推廣了集物聯(lián)網(wǎng)、大數(shù)據(jù)應(yīng)用為一體的農(nóng)機(jī)深松整地作業(yè)遠(yuǎn)程監(jiān)測技術(shù)，結(jié)合田間試驗進(jìn)行校驗，農(nóng)機(jī)作業(yè)管理通過為每臺農(nóng)機(jī)裝配專用傳感器和物聯(lián)網(wǎng)設(shè)備，收集農(nóng)機(jī)的具體位置數(shù)據(jù)，掌握特定農(nóng)機(jī)的作業(yè)面積和作業(yè)質(zhì)量。結(jié)果表明，該技術(shù)為深松整地作業(yè)補(bǔ)貼提供了科學(xué)量化依據(jù)。實踐中，由于大量農(nóng)機(jī)跨區(qū)域作業(yè)，或暫未配置監(jiān)測設(shè)備，種植者難以有效掌握農(nóng)機(jī)在田間的具體作業(yè)時間和作業(yè)情況。此外，種植者的農(nóng)田生產(chǎn)種植計劃通常以每個地塊為單位，單個農(nóng)機(jī)的作業(yè)數(shù)據(jù)很難與具體的農(nóng)田地塊信息相匹配，管理需求有待得到進(jìn)一步滿足，農(nóng)場的無人化管理有待更新更加匹配的監(jiān)測技術(shù)手段[4]。

本研究以農(nóng)田地塊為管理核心，利用人工智能算法開發(fā)了一套農(nóng)機(jī)圖像識別技術(shù)，使用固定式攝像機(jī)作為數(shù)據(jù)采集工具，實現(xiàn)了田間農(nóng)機(jī)作業(yè)的無人化管理。該識別技術(shù)能夠自動辨識農(nóng)機(jī)的類型，結(jié)合系統(tǒng)可以進(jìn)一步獲取農(nóng)機(jī)作業(yè)的類型、農(nóng)事活動的開始和結(jié)束時間等信息，并判斷這些信息是否與農(nóng)事計劃相符，從而實現(xiàn)高度自動化田間管理。

1 系統(tǒng)架構(gòu)與業(yè)務(wù)構(gòu)成分析

整體系統(tǒng)采用了分層架構(gòu)策略，分為感知層、平臺層和應(yīng)用層（圖1），以優(yōu)化農(nóng)業(yè)管理流程和提高系統(tǒng)的可維護(hù)性。感知層由固定式攝像機(jī)組成，攝像機(jī)配備了1/1.8、約400萬像素的互補(bǔ)金屬氧化物半導(dǎo)體（Complementary metal oxide semiconductor，CMOS）圖像傳感器，并安裝于5.5 m高的立桿上，以覆蓋農(nóng)田的監(jiān)測需求。通過寬帶網(wǎng)絡(luò)，攝像機(jī)將捕獲的圖像數(shù)據(jù)實時傳輸至互聯(lián)網(wǎng)平臺，實現(xiàn)與系統(tǒng)軟件平臺的數(shù)據(jù)對接。平臺層的核心功能為農(nóng)機(jī)識別算法，負(fù)責(zé)對攝像機(jī)視野內(nèi)的視頻圖像進(jìn)行連續(xù)識別、處理與數(shù)據(jù)存儲。應(yīng)用層則面向用戶，提供了一套田間農(nóng)機(jī)作業(yè)無人化管理軟件，為農(nóng)田種植管理設(shè)計并實現(xiàn)監(jiān)測農(nóng)機(jī)活動、統(tǒng)計農(nóng)事信息等功能。

2 系統(tǒng)業(yè)務(wù)實現(xiàn)方案分析

該系統(tǒng)的業(yè)務(wù)實現(xiàn)分為以下關(guān)鍵步驟。首先，調(diào)整田間配置攝像機(jī)的角度和視野范圍，精確設(shè)定攝像機(jī)所需監(jiān)測的農(nóng)田區(qū)域，確保攝像機(jī)可以不間斷地采集視頻數(shù)據(jù)，實時捕捉目標(biāo)田塊的圖像信息。其次，平臺層的農(nóng)機(jī)識別算法對所捕獲的視頻圖像進(jìn)行連續(xù)處理和分析。當(dāng)算法識別出目標(biāo)對象時，會將識別結(jié)果及相關(guān)信息（如出現(xiàn)時間、農(nóng)機(jī)類型和攝像機(jī)編號等）傳遞給應(yīng)用層軟件，并繼續(xù)執(zhí)行識別分析任務(wù)。若未發(fā)現(xiàn)目標(biāo)農(nóng)機(jī)對象，算法將持續(xù)進(jìn)行識別分析。最后，應(yīng)用層軟件根據(jù)所接收的農(nóng)機(jī)識別結(jié)果及附加信息，自動記錄農(nóng)機(jī)進(jìn)入和離開特定農(nóng)田區(qū)塊的時間，并計算目標(biāo)農(nóng)機(jī)在特定區(qū)塊的準(zhǔn)確作業(yè)時長。這與王登輝等[5]利用車載路由器組建播種監(jiān)測終端和車載計算機(jī)之間的局域網(wǎng)，實現(xiàn)對播種數(shù)據(jù)與導(dǎo)航數(shù)據(jù)的融合同步，并通過網(wǎng)絡(luò)連接傳輸給云平臺進(jìn)行數(shù)據(jù)存儲與實時展示有相似之處。此外，該應(yīng)用層軟件還可根據(jù)農(nóng)機(jī)類型的識別結(jié)果自動生成相應(yīng)的農(nóng)事作業(yè)記錄，并與農(nóng)事計劃進(jìn)行自動對照，從而輔助管理人員落實和確認(rèn)農(nóng)事計劃的執(zhí)行情況。例如，收獲機(jī)對應(yīng)收獲作業(yè)，插秧機(jī)對應(yīng)插秧作業(yè)等。為保證識別時效性，平臺層的識別算法會直接讀取攝像機(jī)視頻流數(shù)據(jù)，并進(jìn)行動態(tài)識別分析，將時間延遲控制在50 ms以內(nèi)。

3 系統(tǒng)農(nóng)機(jī)識別算法實現(xiàn)分析

平臺層的農(nóng)機(jī)識別技術(shù)基于物體檢測基礎(chǔ)算法[6]，旨在實現(xiàn)對特定農(nóng)機(jī)圖像的準(zhǔn)確識別。為訓(xùn)練農(nóng)機(jī)識別模型，首先，界定目標(biāo)識別對象為插秧機(jī)、拖拉機(jī)和收獲機(jī)3種農(nóng)機(jī)，并將應(yīng)用場景限定在1.3 hm2以下的農(nóng)田中。該界定面積是農(nóng)田的常見規(guī)格，適合大多數(shù)常用攝像機(jī)的清晰視野范圍。其次，構(gòu)建田間農(nóng)機(jī)圖像訓(xùn)練樣本的數(shù)據(jù)集，使用樣本數(shù)據(jù)集和物體檢測算法進(jìn)行農(nóng)機(jī)識別模型訓(xùn)練。再次，對訓(xùn)練模型進(jìn)行測試，并基于測試結(jié)果對模型作進(jìn)一步優(yōu)化。最后，當(dāng)滿足應(yīng)用需求的模型完成并通過測試后，將完整的識別算法結(jié)合識別模型導(dǎo)入服務(wù)器，集成到應(yīng)用系統(tǒng)中。系統(tǒng)農(nóng)機(jī)識別算法實現(xiàn)流程如圖2所示。

3.1 數(shù)據(jù)集準(zhǔn)備

在數(shù)據(jù)集的構(gòu)建過程中，主要采用兩種方法來收集圖像樣本。一是直接在農(nóng)田現(xiàn)場通過安裝的攝像機(jī)捕捉農(nóng)機(jī)視頻圖像，并從中提取具有訓(xùn)練價值的靜態(tài)圖像幀；二是使用網(wǎng)絡(luò)爬蟲工具在互聯(lián)網(wǎng)上搜索實際農(nóng)機(jī)作業(yè)場景的圖片，特別是拍攝角度與田間攝像機(jī)相似的圖片。以上兩種方法為模型訓(xùn)練提供了豐富有效的圖像樣本庫。

為確保數(shù)據(jù)集的多樣性，在以水稻種植為主的農(nóng)場進(jìn)行圖像數(shù)據(jù)的采集。共安裝了30套標(biāo)準(zhǔn)攝像機(jī)，按照農(nóng)機(jī)距離攝像機(jī)0～100和100～200 m的范圍，對收集到的圖像進(jìn)行分類。此外，考慮農(nóng)機(jī)在實際作業(yè)中可能出現(xiàn)不同的拍攝角度和方向，以及不同時間拍攝導(dǎo)致圖像亮度和對比度存在一定差異，在采集圖像樣本時，專門在不同的時間段（早、中和晚）以及不同的光照條件（順光、逆光等）下收集多類圖像樣本。典型的樣本圖像如圖3所示，展示了拖拉機(jī)、插秧機(jī)和收獲機(jī)在不同角度、光照度和距離條件下的情況，以確保訓(xùn)練模型的全面性和準(zhǔn)確性。

（A1～2）為典型拖拉機(jī)樣本的側(cè)面俯視視角、正側(cè)面平視視角；（B1～2）為典型插秧機(jī)樣本的側(cè)面平視視角、后面俯視視角；（C1～2）為典型收獲機(jī)樣本的側(cè)面平視視角、正面俯視視角。

3.2 模型訓(xùn)練與優(yōu)化

在成功收集大量樣本數(shù)據(jù)后，將原始圖像數(shù)據(jù)進(jìn)行分類和清洗，以形成適用于算法模型訓(xùn)練的訓(xùn)練數(shù)據(jù)集及用于后續(xù)測試的測試數(shù)據(jù)集。隨后，對訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)注，并將標(biāo)注后的數(shù)據(jù)集輸入算法中進(jìn)行模型訓(xùn)練。通過訓(xùn)練得到的農(nóng)機(jī)圖像識別模型被集成到系統(tǒng)中，使用測試數(shù)據(jù)集對模型的識別效果進(jìn)行驗證和評估。為全面評估算法性能，在虛擬環(huán)境和現(xiàn)場實地均開展測試，檢驗算法標(biāo)準(zhǔn)測試數(shù)據(jù)集及通過攝像機(jī)實時拍攝的視頻圖像，并實時動態(tài)識別檢測性能。算法模型的測試重點關(guān)注兩個核心指標(biāo)，分別為通過視頻圖像發(fā)現(xiàn)農(nóng)機(jī)的檢出率，以及檢出農(nóng)機(jī)后對農(nóng)機(jī)類型識別的正確率。

初步建立的算法模型經(jīng)實測發(fā)現(xiàn)其中存在許多特異化的農(nóng)機(jī)運(yùn)行場景，這些場景要求對模型進(jìn)行進(jìn)一步的數(shù)據(jù)采集完善和程序優(yōu)化處理。例如，在水稻種植處于播種、插秧等生育早期階段，農(nóng)田中大面積連片水面產(chǎn)生的反光、倒影可能會干擾識別過程；當(dāng)農(nóng)作物進(jìn)入成熟期，生長高度較高時，受攝像機(jī)拍攝角度影響，在圖像中農(nóng)作物可能會大范圍遮擋農(nóng)機(jī)，導(dǎo)致算法無法準(zhǔn)確提取農(nóng)機(jī)特征，從而可能漏檢；同一大類農(nóng)機(jī)存在不同款型、樣式差異，如水稻收獲機(jī)有、無封閉駕駛室的區(qū)別，喂入量、輸運(yùn)方式等因素的不同而導(dǎo)致外形樣式、尺寸和主體結(jié)構(gòu)存在差異。對于上述問題，采取樣本數(shù)據(jù)的進(jìn)一步擴(kuò)充和算法優(yōu)化，以提高算法的識別能力，增強(qiáng)其準(zhǔn)確性和適用性，滿足農(nóng)業(yè)生產(chǎn)實際中的需求。這與鮑文霞等[7]使用田間采集的作物圖像數(shù)據(jù)集對模型進(jìn)行預(yù)訓(xùn)練，再使用無人機(jī)采集的作物圖像數(shù)據(jù)集對模型進(jìn)行參數(shù)更新和優(yōu)化訓(xùn)練，并在無人機(jī)采集的圖像數(shù)據(jù)集上進(jìn)行試驗的做法存在相似之處。

4 算法模型應(yīng)用效果分析

4.1 識別應(yīng)用效果

在對所開發(fā)的算法模型進(jìn)行多輪迭代和驗證之后，將該模型集成到田間農(nóng)機(jī)作業(yè)無人化管理系統(tǒng)中，以評估其實際應(yīng)用性能。如圖4所示，該算法模型能夠在圖像中準(zhǔn)確框選，并標(biāo)注出所識別的農(nóng)機(jī)類型。圖4A展示了插秧機(jī)在水田中的識別結(jié)果。插秧階段需要灌溉泡田，存在大面積水面，且插秧機(jī)背面朝向攝像機(jī)，識別算法在這種復(fù)雜狀態(tài)下亦實現(xiàn)了準(zhǔn)確檢出和識別。圖4B～C分別展示了拖拉機(jī)、收獲機(jī)在田間作業(yè)的圖像，其中，拖拉機(jī)距離攝像機(jī)約60 m，收獲機(jī)距離攝像機(jī)約150 m，識別算法對兩者均實現(xiàn)了準(zhǔn)確檢出，并準(zhǔn)確判斷了農(nóng)機(jī)類型。在圖4C中，收獲機(jī)周圍存在明顯塵土干擾，且拍攝圖像為其側(cè)后方，算法模型亦做出了準(zhǔn)確識別，體現(xiàn)了其良好的抗干擾能力。圖4D展示了同時出現(xiàn)3臺農(nóng)機(jī)（2臺收獲機(jī)和1臺拖拉機(jī)）的情況，較近的收獲機(jī)距離攝像機(jī)約40 m，較遠(yuǎn)的收獲機(jī)和拖拉機(jī)距離攝像機(jī)均超過100 m。該算法模型不僅成功檢出了所有農(nóng)機(jī)，還準(zhǔn)確識別了其各自的類型，證明具備高效的多目標(biāo)檢測能力。值得指出的是，圖4D中遠(yuǎn)處的拖拉機(jī)距離較遠(yuǎn)且在圖像邊緣，成像尺寸較小，該算法模型依舊準(zhǔn)確檢出并識別了農(nóng)機(jī)類型，展現(xiàn)了其在小目標(biāo)檢測方面的優(yōu)秀性能。

4.2 算法模型評估

該算法模型主要從所拍攝的農(nóng)機(jī)圖像識別檢出率和檢出后兩個維度來評估識別算法對農(nóng)機(jī)類型的識別正確率。為全面評定所開發(fā)算法的性能，選取每種機(jī)型各400張圖像進(jìn)行分析，這些圖像中農(nóng)機(jī)與攝像機(jī)的距離分布在0～100和100～200 m，每個范圍各選取200張。

插秧機(jī)、拖拉機(jī)和收獲機(jī)3種農(nóng)機(jī)在不同距離范圍內(nèi)的識別檢出率均較高，在0～100 m范圍內(nèi)，各機(jī)型的檢出率均超過85%，其中，拖拉機(jī)和收獲機(jī)的檢出率超過了90%；在100～200 m范圍內(nèi)，拖拉機(jī)和收獲機(jī)的檢出率保持在85%以上，插秧機(jī)檢出率較低，為71%。

進(jìn)一步對檢出的農(nóng)機(jī)識別正確率進(jìn)行分析，再次考察該算法模型對已檢出農(nóng)機(jī)的測試圖像所判斷的農(nóng)機(jī)類型正確與否。具體統(tǒng)計數(shù)據(jù)如表1所示，結(jié)果顯示，在0～100 m范圍內(nèi)，3種農(nóng)機(jī)的識別正確率均超過95%；在100～200 m范圍內(nèi)，3種農(nóng)機(jī)的識別正確率均超過90%，其中插秧機(jī)的識別正確率相對較低，為90.1%。這一結(jié)果與插秧機(jī)較低的識別檢出率呈現(xiàn)一致性。

綜合分析上述識別檢出率和識別正確率的數(shù)據(jù)發(fā)現(xiàn)，插秧機(jī)總體指標(biāo)相比拖拉機(jī)和收獲機(jī)偏低，原因可能是插秧機(jī)的體積較小，且機(jī)體上部外觀結(jié)構(gòu)大多為細(xì)框架，導(dǎo)致其在遠(yuǎn)距離識別時易與背景融合，被算法模型遺漏。

基于測試情況，拖拉機(jī)等3種農(nóng)機(jī)在0～100 m范圍內(nèi)，均具備了較高的準(zhǔn)確度；在100～200 m范圍內(nèi)，識別拖拉機(jī)、收獲機(jī)的準(zhǔn)確度較高，對插秧機(jī)的識別尚需進(jìn)一步完善才能具備較好的實用性。不同距離范圍內(nèi)的識別檢出率和識別正確率測試結(jié)果表明，所開發(fā)的算法模型能夠有效支持無人化監(jiān)測。

4.3 整體系統(tǒng)應(yīng)用效果

本研究開發(fā)的整體系統(tǒng)集成了田間安裝的攝像機(jī)實時監(jiān)測農(nóng)機(jī)作業(yè)，實現(xiàn)了迅速識別農(nóng)機(jī)類型的核心功能。所開發(fā)的算法模型不僅在單一目標(biāo)檢測上表現(xiàn)出色，在復(fù)雜環(huán)境下的多目標(biāo)檢測和小目標(biāo)檢測方面也具有強(qiáng)大的應(yīng)用能力和高度的檢測準(zhǔn)確性?；谧R別結(jié)果，系統(tǒng)軟件應(yīng)用實現(xiàn)了記錄各農(nóng)田地塊中農(nóng)機(jī)作業(yè)的起止時間，進(jìn)而根據(jù)農(nóng)機(jī)類型推斷農(nóng)事活動種類等功能，并自動生成和記錄農(nóng)事活動。這不僅提高了農(nóng)機(jī)作業(yè)監(jiān)測的實時性和準(zhǔn)確性，而且通過自動化數(shù)據(jù)處理，優(yōu)化了農(nóng)場管理流程。這與王偉康等[8]利用無人系統(tǒng)采集多光譜影像，通過人工神經(jīng)網(wǎng)絡(luò)算法融合光譜和紋理信息，有效提升了監(jiān)測精度具有一定的相似之處。

5 結(jié)語

本研究設(shè)計了一套基于人工智能算法的無人化農(nóng)機(jī)作業(yè)管理系統(tǒng)，該系統(tǒng)利用視覺圖像識別技術(shù)，實現(xiàn)了對田間農(nóng)機(jī)作業(yè)情況的自動化監(jiān)測與管理。通過專門針對拖拉機(jī)、插秧機(jī)和收獲機(jī)3種主要農(nóng)機(jī)類型的圖像識別算法模型，無需人工干預(yù)，依賴機(jī)器視覺技術(shù)，可準(zhǔn)確識別農(nóng)機(jī)類型，并掌握關(guān)聯(lián)作業(yè)的相關(guān)信息?；谀壳暗脑O(shè)計成果，后續(xù)工作將圍繞3個主要方向進(jìn)行：一是參考石欣等[9]的研究，進(jìn)一步完善算法與攝像機(jī)設(shè)備的配合，提高遠(yuǎn)距離、小尺寸農(nóng)機(jī)，特別是類似插秧機(jī)的識別檢出率和識別正確率；二是參考Cheng等[10]的研究，擴(kuò)展可識別的農(nóng)機(jī)種類，包括自走式噴桿噴霧機(jī)、打捆機(jī)等；三是加強(qiáng)算法對農(nóng)機(jī)攜帶或拖掛農(nóng)機(jī)具的識別能力，以便通過農(nóng)機(jī)具的識別更準(zhǔn)確地判斷當(dāng)前的農(nóng)事活動，例如，通過拖拉機(jī)攜帶的農(nóng)機(jī)具，判斷拖拉機(jī)正在從事耕地或者施肥工作。

該系統(tǒng)的應(yīng)用降低了人工管理成本，提高了管理效率和質(zhì)量，實現(xiàn)了農(nóng)田管理的連續(xù)性和自動化，可以作為無人化農(nóng)場運(yùn)營管理體系建設(shè)的一個有效組成部分，為無人化農(nóng)場的發(fā)展提供新的技術(shù)手段和管理工具。

參考文獻(xiàn)

[1] 羅錫文，廖娟，胡煉，等. 我國智能農(nóng)機(jī)的研究進(jìn)展與無人農(nóng)場的實踐[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報，2021，42（6）：8-17.

[2] 胡健. 淺談數(shù)字技術(shù)賦能農(nóng)業(yè)高質(zhì)量發(fā)展[J]. 安徽農(nóng)學(xué)通報，2022，28（8）：152-154.

[3] 孫夢遙，徐嵐俊，宮少俊，等. 農(nóng)機(jī)深松整地作業(yè)遠(yuǎn)程監(jiān)控技術(shù)示范應(yīng)用與效果評價[J]. 農(nóng)業(yè)工程，2021，11（12）：30-34.

[4] XU J P，ZHAO W X，WEI C Y，et al. A model for recognizing farming behaviors of plantation workers[J]. Computers and electronics in agriculture，2022，202：107395.

[5] 王登輝，盧邦，李強(qiáng)，等. 油菜直播機(jī)組無人播種作業(yè)遠(yuǎn)程監(jiān)測系統(tǒng)設(shè)計[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報，2023，42（3）：260-270.

[6] SHENG J J，SUN Y Q，HUANG H，et al. HBRNet：boundary enhancement segmentation network for cropland extraction in high-resolution remote sensing images[J]. Agriculture，2022，12（8）：1284.

[7] 鮑文霞，謝文杰，胡根生，等. 基于TPH-YOLO的無人機(jī)圖像麥穗計數(shù)方法[J]. 農(nóng)業(yè)工程學(xué)報，2023，39（1）：155-161.

[8] 王偉康，張嘉懿，汪慧，等. 基于固定翼無人機(jī)多光譜影像的水稻長勢關(guān)鍵指標(biāo)無損監(jiān)測[J]. 中國農(nóng)業(yè)科學(xué)，2023，56（21）：4175-4191.

[9] 石欣，盧灝，秦鵬杰，等. 一種遠(yuǎn)距離行人小目標(biāo)檢測方法[J]. 儀器儀表學(xué)報，2022，43（5）：136-146.

[10] CHENG G，YUAN X，YAO X W，et al. Towards large-scale small object detection：survey and benchmarks[J]. IEEE transactions on pattern analysis and machine intelligence，2023，45（11）：13467-13488.

（責(zé)任編輯：楊歡）