为达到暑期社会实践“兴农报国”的目标，信息工程学院“麦田守望”团队于年7月1日至年8月10日开展了以强农兴农为主题的社会实践活动。团队以小麦为切入点，采用麦穗智能计数和结合遥感图像分析的随机抽样的方法，监测小麦生长情况及虫害情况，致力于提高小麦产量。实践采取多种形式进行，其中包括进入雅安当地小麦种植基地实地调研、线上查阅相关资料以及制作智能化小麦监测系统等，目前实践活动已经顺利结束。目标：打破传统监测手段为小麦增收保驾护航利用无人机进行低空及高空的信息采集，低空采集主要收集农田细节纹理信息，高空采集主要收集图像宏观信息。在后期团队通过高空图像利用语义分割算法精准分割农作物和异常空缺，对于低空图像进一步分析作物的细节信息，主要在小麦后期利用目标检测算法检测单位面积麦穗赤霉病情况和麦穗个数，最终输入模型计算作物产量，从而实现预测小麦产量的最终目的。
图为无人机拍摄小麦图片测试：环境实地测试精准监控入侵危机团队在做好防疫措施后进入雅安市小麦种植基地进行实地调研获取实时数据。在此之后团队成员对网络平台检测系统进行程序编写，团队采用SPNet算法解决小麦农田空缺的检测问题。在主干网络层，为了防止因为直连通道上relu函数引起的数据损失，模型消除了直连通道上的ReLU操作，将信号传输分为三个阶段使卷积归一化以不同顺序执行，保证信号的整体归一化和激活。在Encoder层，基于大多数麦田裂缝和空缺的细、长和窄的特点，模型采用了沿空间维度捕捉孤立区域的长距离分布，这样的池化层可以对分布在水平和垂直方向的远程信息构建远程依赖，引入了注意力机制，将麦田有效特征提取，以实现更好的语义分割效果。
团队给网络平台检测系统进行程序编写
当今目标检测领域，高精度的模型通常需要很大的参数量和计算量，而轻量级的网络则一般都会牺牲精度，项目结合Faster-rcnn和EfficientDet算法建立一个可伸缩的高精度高性能的检测框架来进行麦穗的个数计算和病虫害检测；与传统的多尺度融合方法FPN的简单直接相加相比，网络使用了ＢiFPN，使用可学习的权重来学习不同特征的重要性，同时使用上下级联进行多尺度融合。传统的网络只