简介：摘要 : 随着信息技术的发展，利用大数据分析、物联网监控、传感器感知、无线通信等技术构建一种蜂箱蜂群实时在线监测系统，是减少因开箱检查造成蜂群应激反应的可行解决方案。本研究针对蜂箱封闭环境进行实时监测困难的现状，利用 STM32F103VBT6 32位微控制器，同时融合了温湿度传感器、微麦克风以及激光对射传感器，开发了一套低功耗、可连续工作的蜂群箱体关键参数在线监测系统，实现了养蜂生产过程中多参数信息获取以及蜂箱内蜂群的环境参数和生活状态的实时在线监测。系统主要包括核心处理模块、数据采集模块、数据发送模块以及数据库服务器等。数据采集模块包括蜂箱内部温湿度采集单元、蜂群声音采集单元、蜜蜂进出巢数量计数单元等，通过接入移动通信网络进行数据传输。系统现场部署性能测试结果表明，研制的系统能够实时监测蜂箱内温湿度，有效区别进出蜂箱的蜜蜂并记录进出巢门的蜜蜂数量，且自动获取的蜂群声音与标准的蜂群声音分布相吻合。本系统符合设计要求，采集参数准确可靠，可以作为蜂群相关研究的数据采集方法。

简介：摘要 : 水肥一体化自动装备的使用能够有效提高水肥资源利用率，但需要在作业前获知作物的营养状况及水肥需求量，而通过人工手持测量仪器来获取这些信息，存在着时效性差和劳动强度大等缺点。针对以上问题，本研究以常见的作物玉米为研究对象，使用大疆精灵Ⅲ无人机携带 RedEdge-M多光谱相机在田间上空采集玉米多光谱图像，同时使用 YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息，根据这些信息将采集的图像分为 3个等级（每个等级共包含 530幅五通道图像，其中 480幅作为训练集， 50幅作为验证集），提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于 TensorFlow深度学习框架搭建了 ResNet18卷积神经网络模型，通过向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像，能够输出玉米的营养状况等级和 GPS 信息，识别彩色图像模型在验证集的正确率为 84.7%，识别多光谱图像模型在验证集的正确率为 90.5%，模型训练平均时间为 4.5h，五通道图像识别平均用时为 3.56s。该识别方法可快速无损地获取玉米作物的营养状况，为有效提高水肥资源利用率提供了方法和依据。