[论文总结] 深度学习在农业领域应用论文笔记2

文章目录

• 1. A comparative study of fruit detection and counting methods for yield mapping in apple orchards （IF=3.581, 2019）
• • 1.1 介绍
  • 1.2 实验与结果
  • 1.3 定性结果
  • 1.4 失败案例
  • • 1.4.1 检测
    • 1.4.2 计数
  • 1.5 结论与未来工作
• 2.Wheat crop yield prediction using new activation functions in neural network （IF=4.774，2020）
• • 2.1 方法
• 3. Futures price prediction of agricultural products based on machine learning （IF=4.774，2020）
• 4. Assessing the soil quality of Bansloi river basin, eastern India using soilquality indices (SQIs) and Random Forest machine learning technique （IF=4.229, 2020）
• • 4.1 材料与方法
  • • 4.1.1 选地的介绍
    • 4.1.2 测量土壤质量指数（SQI）
    • 4.1.3 简单加性指数
    • 4.1.4 基于PCA的加权指数
    • 4.1.5 基于相关性的SQIs验证
    • 4.1.6 空间预测框架:土壤质量预测和绘图随机森林(RF)
    • 4.1.7 搜集作物产量和其他相关数据库构成样本
  • 4.2 结果与讨论
  • • 4.2.1 描述性统计
    • 4.2.2 主成分分析
    • 4.2.1 相关性分析
    • 4.2.6 土地质量和生态变量的贡献分析
  • 4.3 结论
• 5.See the forest and the trees: Effective machine and deep learning algorithms for wood filtering and tree species classification from terrestrial laser scanning（IF=,7.310，2020）
• • 5.1 前言
  • 5.2 方法
  • • 5.2.3 数据准备
    • 5.2.4 木材/非木材分类算法
    • 5.2.5 物种的分类算法
  • 5.3 结论
  • • 5.3.1 木材/非木材分类器基准
• 6. Precision fertilization method of field crops based on the Wavelet-BP neural network in China （IF=7.246，2019）
• • 6.1 方法
  • • 6. 1.1数据采集
    • 6.1.2 数据处理
    • 6.1.3 数据插补
    • 6.1.4 小波基的选择
    • 6.1.5 分解规模的选择
    • 6.1.6 玉米单产的小波分析
  • 6.2 小波BP神经 络的设计
  • • 6.2.1 传统BP神经 络的结构
  • 6.3 结果与讨论
  • • 6.3.1 执行过程的结果
    • 6.3.2 均方根误差（RMSE）
    • 6.3.3 时间对比
    • 6.3.4 拟合效果对比
    • 6.3.5 预测过程的结果
  • 6.4 结论
• 7. A self-adaptive classification method for plant disease detection using GMDH-Logistic model （IF=2.71, 2019）
• • 7.1. 方法
  • 7.2. 结论
• 8. A comparative study of prediction and classification models on NCDC weather data （EI，2020）
• • 8.1 数据集
  • 8.2 讨论
  • 8.3 结论
• 9. Impact of Look-Back Period on Soil Temperature Estimation Using Machine Learning Models （IEEE论文，2020）
• • 9.1 介绍
  • 9.2 数据
  • 9. 3 结论
• 10. Internet of Things (IoT) and Machine Learning based Leaching Requirements Estimation for Saline Soils （IF=9.968, 2020）
• • 10.1 提出的方案
  • 10.2 材料与方法
  • 10.3 分析和讨论
  • 10.4 结论

1. A comparative study of fruit detection and counting methods for yield mapping in apple orchards （IF=3.581, 2019）

1.1 介绍

介绍了精准农业的发展和农业自动化的进展，然后介绍了该研究在水果检测和计数上的改进与最新的方法对比，最后展示了论文的结构和框架。

1.2 实验与结果

在本节中，我们将对水果的每一种方法进行评估定量检测和计数。此外，我们给出了一些定性的见解，并分析了一些常见的故障案例。

1. 训练步骤：GMM、U‐Net、FRCNN。
2. 我们使用三个指标进行评估：精确性、召回率和F1测量。
3. 比较了GMM、U‐Net、FRCNN模型的计算时间。

1.3 定性结果

在本节中，我们将从三个数据集中展示一些定性的例子。在图15中，我们分别对来自这些数据集的样本图像演示了三种检测方法的性能。在数据集4(正面)中，仅靠颜色特征不足以检测出所有苹果，导致用户监督的GMM出现问题。数据集1(前面)包含了许多黄叶子，对U‐Net和FRCNN都造成了问题。在数据集3(后)上，GMM和U‐Net都达到了较高的精度和召回率，但FRCNN的精度仍然较差。

1.4 失败案例

1.4.1 检测

检测阶段的一些常见故障案例显示在图17.三种方法都有类似的错误原因，即对象实例，FP（假阳性）检测和FN（假阴性）的分组。除这些情况外，基于深度学习的方法还将单个对象拆分为多个检测。对于U-Net和GMM检测方法，在计数阶段，附加 络提供了在约85％的情况下拒绝FP的方法。 FRCNN方法不包含其他用于计数的 络。但是，可以将FRCNN更改为将实例分类为簇数，而不是水果/背景。这样的方法将解决分组实例的问题，并且可以拒绝FP（假阳性）。但是，这样做并非易事。

未来的研究将不得不确定如何合并重叠预测并建立适当的训练程序。 FN（假阴性）问题是一个更具挑战性的问题。它在所有三种检测方法中均发生，但原因不同。在基于GMM的检测方法中，用户会事先选择要过度分割图像的簇数。如果此阈值太低，则模型缺乏在不同对象类别之间进行歧义消除的代表权。如果阈值太高，则开发训练模型将变得乏味，因为需要许多颜色群集来捕获所有水果。在某些情况下，水果可能根本无法通过颜色区分。

在U-Net和FRCNN的情况下，这种现象部分是由于缺乏训练数据。这两种方法的FP（假阳性）数均在数据集1上最高。该数据集中的叶子于9月下旬获取，叶片变黄。颜色的变化会影响 络的性能，原因是训练集中缺少类似的示例。 FRCNN方法中使用FN的另一个原因是使用NMS。由于NMS使用静态阈值，因此 络倾向于过滤掉重叠的TP（真阳性）。尽管NMS是拒绝重叠实例的事实上的标准算法，但是当我们尝试检测时，它会损害性能。

1.4.2 计数

基于深度学习的计数方法虽然总体上达到了90.5％的准确性，但仍包含一些失败案例。与我们在H?ni等人的实验相比。 （2018），我们从测试集中移除了苹果掉在地上的图像。由于我们使用从3D重建获得的分割蒙版来去除地面或背景树上的苹果，因此必须去除此类水果。即使进行了这些更改并使用了更深的 络，我们也无法消除所有故障情况。图18显示，当部分可见水果时，经常会发生错误。仅当检测方法返回仅显示完整结果的补丁时，才能避免此问题。由于水果通常被遮挡，因此这种情况是不现实的。

在图18b中可以观察到第二个问题。在这里，标签标注有误（应该是两个而不是三个）。另外，该图像中的水果有大量重叠。注释这些图像时，各个标签通常不一致。人为标记错误存在于大多数数据集中，尤其是在带注释的场景混乱的情况下。为了避免它们，我们由多个人对数据集进行注释，然后选择中位数注释。但是，这极大地增加了人工标记的工作量。

1.5 结论与未来工作

2.Wheat crop yield prediction using new activation functions in neural network （IF=4.774，2020）

本研究主要基于**多层感知器(MLP)**神经 络数据挖掘技术对地区小麦作物产量进行预测。

2.1 方法

3. Futures price prediction of agricultural products based on machine learning （IF=4.774，2020）

农产品期货价格的预测对市场经济的稳定具有重要影响。为了提高农产品期货价格预测的准确性，本研究基于机器学习算法，主要在分析影响农产品期货价格的基本因素的基础上，采用机器学习方法预测期货价格。此外，在本研究中，使用小波分析方法对数据进行平滑处理，然后建立一个模型来处理信 分解后的分层信息。此外，本研究通过案例进行模型有效性研究，以绘制比较统计图来分析模型预测数据的准确性。

4. Assessing the soil quality of Bansloi river basin, eastern India using soilquality indices (SQIs) and Random Forest machine learning technique （IF=4.229, 2020）

4.1 材料与方法

4.1.1 选地的介绍

目前的研究是在班斯里河流域（面积约1859.11 km2；海拔581 m.），从恒河延伸东部为洪泛平原，西部为Chotonagpur高原高地拉赫平原地区（纬度24°26ˊ55?N至24°47ˊ44?N和经度87°13ˊ51?E至88°03ˊ6?E）（图1）。研究区域扩大超过3个主要的地理分区（高原边缘，拉赫平原和恒河漫滩），包括3种地貌单元（构造、剥蚀、河流和人为），7个主要土壤类型，5种土壤质地（粘土、粘壤土、壤土、砂质和砂质壤土）和13个地质单元。该地区的主要经济活动是农业（约59.02%）种植强度，总种植面积（GCA）和净播种面积（NSA）分别约为184％，112％和61％。采集了296个土壤样本。

4.1.2 测量土壤质量指数（SQI）

土壤功能很难量化，通常可以测量通过评估土壤质量指标（Andrews等，2004）。在当前的研究中，农作物的生产力已经领先在土壤功能和表层土壤（0–20厘米水平）中的重要性
基于简单添加，基于PCA和相关性的12种土壤质量指标，使用12种土壤质量指标评估了表层土壤质量（0-20厘米）。索引（SQI）。使用克里格插值法在GIS环境中计算SQI的空间分布。

4.1.3 简单加性指数

SQISA是简单的土壤附加质量指数，Si是土壤指标得分，n是土壤指标的数量。指数值越高土壤的质量，反之亦然。

4.1.4 基于PCA的加权指数

该基于统计的模型用于使用主体估计SQI成分分析（PCA），以最大程度地减少整个数据集由大量相互关联的变量组成。
在这种情况下，考虑PCA的结果，指标（即LSF的指标）已加权。每个指标的权重分配基于所选指标在确定中的相对重要性土壤功能。

4.1.5 基于相关性的SQIs验证

我们的目的是验证和通过将SQIs与作物相关来验证其相对可信度产量。在这个方向上，我们将各土壤质量指数与主要作物的产量。皮尔逊积差相关采用系数进行评价，并在SPSS 17.0中进行计算。

4.1.6 空间预测框架:土壤质量预测和绘图随机森林(RF)

4.1.7 搜集作物产量和其他相关数据库构成样本

收集了不同作物(阿曼水稻，芥菜，小麦，玉米，Musur，黄麻)资料，种植模式，肥料消耗、信息。每个样品共296台耕作机对收集土壤样品的地点进行了调查。

4.2 结果与讨论

4.2.1 描述性统计

296份土壤样品进行了12个土壤质量指标（土壤中的元素如氮磷钾等）进行分析。

4.2.2 主成分分析

对296份土壤样品的12个土壤指标进行的PCA分析，选择了具有最高负荷值的PC1，PC2，PC3和PC4中的OC，EC，S和pH等5种土壤特性作为土壤质量的指标。

4.2.1 相关性分析

对296份土壤样品的12个元素进行了相关性分析。

4.2.6 土地质量和生态变量的贡献分析

如前所述，在本研究中，使用RF模型将11种土地质量和生态矢量纳入了土壤质量指标的空间预测中。这些土地质量和生态变量包括四个地形属性（坡度，海拔，河道，地质），三个水文气候矢量（降雨，地表径流和地下水深度），两个土壤景观属性（土壤质地和潜在的土壤流失）和两个农业经济变量（作物轮作和肥料消耗）。平均降低精度在RF模型已计算出代表各个土地质量和生态变量的贡献或重要性的图10。但是，影响每种土壤质量的土壤质量的大小和生态变量是不相等的，并反映出来。平均而言，RF模型的准确性（MDA）下降（图10）。在农民实践的预测变量的作物轮作中，潜在的地质和土壤质地对土壤质量的空间预测影响很小。

4.3 结论

1. 介绍了预测土壤指数和实际土壤指数存在一定正相关性，
2. 且在三种土壤质量评价方法(SQISA、SQIPCA、SQIr)和预测土壤质量(PSQISA、PSQIPCA、PSQIr)中，SQIr和PSQIr与主产的相关性较大。因此，就各指标的绩效而言，基于相关性的评分方法是最优的。
3. 基于R2、ME、RMSE的三个误差准则表明，基于相关的PSQI在空间土壤质量预测中的误差最小。
4. 下流域（等值线以下40 m）对应于恒河洪泛平原该地区（覆盖研究区域的43％）的土壤质量更好，其次是中部集水区（占研究区域40％至100 m范围内的研究区域的32％），该地区属于红土带拉尔平原地区。而较低的土壤质量含量集中在属于Chotanagpur高原边缘地区的西部上游集水区（研究面积的25％，高于100 m.contur）。但是，就土地利用，土地利用变化和土地类别而言，土壤质量主张，以农业耕地为主的地区劣质土壤的比例要比稀疏的植被土地高。可以通过合理的土地使用实践来恢复农业耕地占主导地位地区土壤质量的这种退化，例如在侵蚀土地上自然演替，作物轮作和其他农艺措施。
   [个人总结] 摘要言简意赅，把主要内容说的很清楚，但最后的结论没有提到深度学习模型预测效果，而且结论第一点和第二点有些重复。且第四点在全文讨论的地方篇幅较大，全文重点不明显。采用了相关性分析、PCA分析、随机森林方法较为古老。

5.See the forest and the trees: Effective machine and deep learning algorithms for wood filtering and tree species classification from terrestrial laser scanning（IF=,7.310，2020）

摘要： 在单树层次上进行物种分类需要精细尺度的特征，这些特征可以通过地面激光扫描(TLS)点云得到。通用的物种分类框架还需要将季节性的树叶变化与落叶的物种分离开来，对此适用木材过滤。对于木材过滤和物种分类，不同的机器学习和深度学习模型是可行的。我们调查了9种物种的13个机器学习和深度学习分类器，以及15个用于从TLS绘图扫描中过滤木点的分类器。每个分类器均使用平均交会精度（mIoU），训练稳定性和时间成本的标准进行评估。平均而言，就木材和物种分类而言，深度学习分类器的性能分别比机器学习分类器高出10％和5％。 PointNet ++提供了最佳的物种分类器，具有最高的mIoU（0.906），稳定性和适度的时间成本。在木材分类器中，UNet达到了最高mIoU（0.839），而建议使用ResNet-50进行快速试验和错误测试。在所有分类中，还分析了输入分辨率，属性和特征的因素。使用PointNet ++对物种分类的热点区域进行了可视化，以指示AI如何解释物种特征。

5.1 前言

鉴于种类和木材分类器的种类繁多，需要进行基准测试以表明和解释：
?哪种机器学习和深度学习模型是最佳的，它们的准确性和时间成本是什么br> ?哪种空间比例（或分辨率）是最佳的，尤其是对于木材过滤
?哪些点云特征对木材和物种很重要分类;
?通过深度学习了解哪些物种特征以区分种类。

5.2 方法

在这项研究中，为基准测试选择了一组分类器，物种和样地扫描，旨在提供实用的建议并确定森林清单应用和模型开发所面临的挑战。

然后，做了一个传统BP神经 络和小波BP神经 络的模拟输出与观测值之间的相关系数。如图所示，训练过程，验证过程，测试过程以及传统BP神经 络的整体性能约为0.84224，分别为0.99908、0.99994和0.86087。通常，当相关系数高于0.9， 络的拟合性能被认为是合格的。整体相关传统BP神经 络的系数为0.86087，低于0.9。这表明 络的拟合效果不理想，难以应用于实际生产。小波-BP神经 络的相应相关系数分别为0.997650.99593、0.99281和0.9977（均高于0.9），表明该语言的学习能力结合小波分析的BP神经 络比传统BP神经 络更强大 路。

6.3.5 预测过程的结果

1. 优化施肥以最大化利润
   根据非线性规划，预测了各田最大利润下的最佳肥料施用量。

6.4 结论

[个人总结] 本研究的样本数据量不够大，模型的实际效果改进强度不大，但逻辑、思路很好。

7. A self-adaptive classification method for plant disease detection using GMDH-Logistic model （IF=2.71, 2019）

7.1. 方法

1. 图片预处理
2. 图片降噪： 采用了中值滤波和高斯滤波。在此基础上，采用了梯度逆加权方法并将其与中值方法进行比较。对于离散图像，区域中间的灰度变化小于区域边的灰度变化，并且边缘处的梯度的绝对值高于区域内的梯度的绝对值。
3. 图像分割

7.2. 结论

8. A comparative study of prediction and classification models on NCDC weather data （EI，2020）

8.1 数据集

8.2 讨论

在这项工作中，我们比较不同的机器学习方法分类和预测高维天气数据集。决策树CART、梯度推进、KNN、线性回归、lasso、ridge、MLP、深度学习、支持向量机和随机等技术森林被用于分类和预测任务。结果表明，决策树CART、XGB和AdaBoost三种方法均有效在测试数据集上，在分类精度、精确度、召回率、F1、ROC-AUC、r2和MSE方面都优于其他机器学习方法。但是，深度学习模型的准确率显著提高，但与其他方法的差异不太显著。深度学习模型具有良好的鲁棒性和通过优化权值、偏差和学习率等参数来减少误差的能力。另一方面，其他方法为参数考虑预定义的一组值。与其他方法相比，mlp和深度学习模型的缺点是学习过程耗时。尽管SVM需要对不同的核函数和其他参数进行密集的学习和实验，但它比MLP和深度学习模型要快得多。决策树CART学习速度快，比人工神经 络具有更高的准确率，因此与MLP模型相比，它是一种有效的分类工具。

在训练阶段和测试阶段用R2、MSE和rmse来计算预测模型的性能。当我们比较KNN、Random forest和XGBoost模型时，在R2、MSE和RMSE方面，它们在训练阶段有更好的性能，在测试阶段有稍弱的性能。但在训练阶段，与随机森林(0.996,0.0008,0.6117)和XGBoost(0.9869, 0.0026, 0.6103)模型相比，R2、MSE和RMSE(1,0,0)的KNNmodel更稳定。因此，就预测精度和计算效率而言，线性回归模型适用于利用NCDC数据中的其他属性估计最小温度。

8.3 结论

在这项工作中，我们进行了研究以比较不同的机器学习方法以分析其在真实和高维天气数据集中的表现。实验结果表明，决策树的CART，梯度提升，KNN，线性回归，套索，岭，MLP，深度学习，SVM和随机森林模型（tree CART, gradient boosting, KNN, linear regression,
lasso, ridge, MLP, deep learning, SVM, and randomforest models）是能够通过高维数据集快速学习并实现出色的分类精度。更具体地说，决策树CART，XGB和AdaBoost方法的性能优于其他分类方法。

另一方面，KNN模型，random forest和XGBoost模型在训练阶段表现出更好的天气预 性能，但是在测试阶段表现出了明显的下降，因此表现出了某种程度的过拟合。在测试阶段，线性回归在预测任务中得分最高。k近邻模型，该模型的性能较差，可以通过在训练步骤中使用大量数据来提高预测误差。因此，所选择的方法在性能上没有显著差异，可以通过使用不同的算法进行进一步的测试，以更好地理解实验结果。

[个人总结] 该研究通过多种机器学习模型对气候数据进行了分类，且考虑到了模型精度（包括假阳性、真阴性、假阴性数据）、速度、召回率、F1,回归律等方面。且样本数据量够大，通过模型对比，可以为天气预 模型改进提供建议。

9. Impact of Look-Back Period on Soil Temperature Estimation Using Machine Learning Models （IEEE论文，2020）

9.1 介绍

土壤中安装传感器的价格昂贵，为了降低生产成本，开发了土壤温度估算模型。它们是经验模型或物理模型。经验模型使用土壤温度和其他天气参数之间的统计关系[7]，而物理模型使用热传播方程式和能量平衡方程式以估计给定位置和深度的土壤温度[8]。这样，借助可通过天气应用程序编程界面获得的天气数据，可以轻松地根据其经度和纬度估算任何给定微地点的土壤温度。

9.2 数据

这项研究在四个地点进行，所有地点都在8-11月种植了马铃薯。 通过气象站可知太阳辐射[W/m2]，风向[°]，降水[mm]，风速[m / s]，叶片湿度[min]，气温[°C]，相对湿度
[％]，露点[°C]，蒸气压不足[mbar]，水电势[kPa]和土壤温度[°C]。测量土壤在30厘米的深度处温度。每小时平均测量值用于获取每日测量值。

9. 3 结论

我们还展示了最佳性能每个模型的回顾周期为20和30天。支持向量机回归模型其中径向基核函数的得分最高评估模型的均方根误差为0.58℃，回归期为27天。该模型采用正则化参数C = 100和精度= 0:001。

10. Internet of Things (IoT) and Machine Learning based Leaching Requirements Estimation for Saline Soils （IF=9.968, 2020）

摘要 土壤盐分是一种严重影响作物生产的土壤退化现象。物联 （IoT） 辅助解决方案旨在确定土壤盐分水平和环境条件，以推荐灌溉用水，目的是将盐分从盐渍土中的作物根区淋溶掉。基于物联 （IoT）和机器学习（ML）技术，利用盐分水平和作物田间温度的现场监测，对盐渍土淋溶需水量进行了估算。粮食及农业组织（FAO）提出的浸出要求方法是为了有效估计浸出水。这些估计值用于训练和测试用于机器学习的朴素贝叶斯分类器，以便在仅使用温度和土壤盐分水平的情况下预测未来的浸出需求。机器学习的性能是根据 准确度、f-度量、精度和召回率 来判断的。将提出的解决方案实施于盐碱地棉花作物上，以检验所提出方案对农艺的影响。

10.1 提出的方案

1. .建议解决方案的体系结构
   提出的解决方案是基于对微环境参数的直接感知，如温度、土壤电导率(EC)，根据这些参数来估计浸出水的需求，以便从根区浸出盐。利用机器学习算法，根据作物田间温度和土壤盐分水平，对未来的淋溶需水量进行预测。所提出的解决方案流程图如图1所示。
2. 提出的解决方案的特点
   1)提出的解决方案特别针对盐碱地的改善措施和实施精确灌溉实践，通过对盐碱地特征的近端感知。
   2)该研究采用了粮农组织提出的布兰尼·克里德尔(Blaney Criddle)标准方法来预测水淋失需求，从而在保持产量的同时有效利用灌溉用水。
   3)本研究采用直接部署在野外的土壤EC、空气温度传感器。
   4)提出的解决方案是在实时场景中实现和测试的，而不是在保护或温室中。
   5)本研究利用机器学习的方法，根据温度和盐度水平提出未来的淋溶需水量。

10.2 材料与方法