近日，华南农业大学水利与土木工程学院院长齐龙团队在国家自然科学基金、国家水稻产业体系岗位专家等项目的资助下，成功构建了“种子-杂草-苗情”智能检测技术体系，在种子品种识别、杂草辨识、苗带检测、缺苗定位等关键技术研究方面取得新突破。相关成果发表于《食品控制》《欧洲农学杂志》《农业中的计算机和电子产品》等期刊。

水稻种子品种的精准识别是保障良种推广与生产质量的关键环节。针对高光谱成像中复杂光谱特征捕获与空间细节建模难以协同优化的问题，研究人员提出了基于双分支网络架构的水稻品种识别模型。该模型融合非局部注意力机制与Vision-Transformer（ViT），其中，非局部注意力分支精确建模光谱通道间的长程依赖关系，ViT分支有效提取空间结构特征，从而实现光谱与空间信息的深度协同融合。实验结果表明，该模型在仅8.62MB的轻量级参数规模下，对长粳735、长粳529、吉农大1041、吉农大959、长乐520、禾广丝苗、19香及粤桂占2号等8个水稻品种的识别准确率为94.87%，为水稻种子品种的高效、精准、轻量化识别提供可靠技术支撑。相关成果发表于《食品控制》。

稻田杂草种类的精准辨识是实施精准除草作业的前提。针对自然光照扰动、稻田复杂背景及同科（属）杂草间形态相似等因素导致的识别精度低问题，研究人员提出了融合CNN与Transformer的双分支特征提取网络。该网络基于CNN局部细粒度特征捕获与Transformer全局语义关联建模的协同机制，有效提升了杂草特征的表达能力，突破了同科（属）杂草形态相似性识别瓶颈。田间试验表明：该模型可实现对稻田6种主要杂草（稗草、千金子、空心莲子草、丁香蓼、野慈姑、鳢肠）的精准识别，识别准确率大于98%，性能优于单一CNN、单一Transformer及其他主流对比模型。相关成果发表于《欧洲农学杂志》。

水稻苗带的精准检测是农机自主导航和田间精准作业的前提。针对稻田光照多变、秧苗形态多样及冠层遮蔽导致的苗带检测鲁棒性不足问题，研究人员提出了基于实例分割的端到端水稻苗带检测方法，构建了融合语义分割和像素嵌入的双分支模型。通过融合MobileNetV3-Small轻量化架构和极化自注意力机制，模型在保持13.0 MB小体积下实现39.37 FPS推理速度，mIoU为69.24%，显著提升分蘖期苗带检测的鲁棒性与实时性，满足农机自主导航对高精度、高帧率与低延迟的作业要求。相关成果发表于《农业中的计算机和电子产品》。

在水稻生产过程中，缺苗是影响产量和资源利用效率的关键问题。传统光电传感器易受田间环境干扰，而基于单一机器视觉的方法因缺乏作业位置信息，存在模型泛化性差、定位精度不足等问题。为此，研究人员提出了融合无人机影像与插秧机作业信息的稻田缺苗定位模型。该模型通过无人机航拍构建稻田影像数据集，结合插秧机导航轨迹及作业参数（如株距、行距），精准推算每株秧苗的预期种植位置；进一步融合高精度秧苗识别模型与坐标转换算法，实现缺苗点地理坐标的精准定位。实验结果表明，该方法无需依赖复杂算法即可显著提升检测精度，并同步获取缺苗点的位置信息，为水稻精准补种提供决策依据。相关成果发表于《农业中的计算机和电子产品》。

相关论文信息：https://doi.org/10.1016/j.foodcont.2025.111411

https://doi.org/10.1016/j.eja.2025.127528

https://doi.org/10.1016/j.compag.2025.109963

https://doi.org/10.1016/j.compag.2024.109789