种质是农业的基础，是国家的战略资源，种子质量的优劣影响着整体种植业的生产规模和潜力。我国种业存在产业链条信息不完整、不透明；种子溯源系统与体系不完善、不安全等问题。将区块链技术融入到传统的种子信息溯源中，提出分布式数据存储的种子质量追溯模型。利用以太坊、物联网和终端应用等设计三层架构：应用层、物联网层和数据存储层。根据以太坊本身特点和系统数据存储、查询要求，设计分布式多数据库存储的方式。系统存储种子从生产到流通部门各个环节的数据信息，结合区块链数据信息不可篡改性、透明性和可追溯性高的特点，保证种子供应链上所有数据不被他人改动或隐藏，实现准确追溯、快速鉴定种子质量。系统采用的用户信用度智能合约算法，直击种子数据源头，保证购买种子的质量安全，为维护种子消费者权益提供信息技术与服务保障。

实现果园机械化智能采摘是解决农村劳动力不足、降低果实采摘成本的重要途径，对果园中果实的准确识别是其关键技术。以枣为研究对象，建立最适合多品种、实用性强的枣果实成熟度识别模型，将YOLO算法引入到枣果实在自然环境下的成熟度识别中，将枣果实分为成熟果实、未熟果实和完熟果实、半红果实、未熟果实两种标注方式，建立YOLO V3、YOLO V4、YOLO V4-Tiny和Mobilenet-YOLO V4-Lite四种识别模型。研究表明YOLO算法中YOLO V3与YOLO V4-Tiny两个模型均可适用于两种标注方式，验证集mAP约为94%，证明YOLO算法能够对枣果实进行有效的成熟度识别。

随着我国农业机械化不断发展,智能农机应运而生,其作业路径被农机大数据中心实时监测、调控。合理的作业路径不仅可以提高作业效率,而且当车队运行状态或农田环境改变后,能实现精准作业,因此,研究如何动态优化车队协同作业具有十分重要的理论意义和实用价值。以总作业时间和作业时长综合最短为优化目标,同时避免作业冲突,构建机群协同作业路径动态优化模型,设计冲突检测规则,提出一种机群协同作业路径动态优化(DOFOP)算法。试验结果表明,当有农机发生故障时,重新优化后的作业时长、总作业时间比并排作业均减少2.52%,平均作业农田能力AEFC、农田效率FE比并排作业平均提高2.63%、2.59%;当有农机作业速率发生改变时,重新优化后的作业时长、总作业时间比原作业分别降低7.22%、2.73%,AEFC、FE比原作业分别提高7.99%、2.82%;当农田面积发生改变时,重新优化后的作业时长、总作业时间比原作业降低6.26%、0.1%,AEFC、FE比原作业分别提高6.48%、0.1%。当机群作业状态发生改变时,DOFOP算法能有效动态优化机群作业路径,提高机群作业效率,实现机群精准作业。

为实现玉米种子快速、准确地优选，以不同质量的玉米种子为研究对象，提出一种分水岭算法结合卷积神经网络对玉米种子进行质量检测的方法。首先利用分水岭算法分割出单粒玉米种子，然后通过卷积神经网络模型对每粒种子进行质量分类，根据分水岭算法得到的单粒种子的位置，将结果在图像中进行标注，实现种子质量检测。使用改进型的InceptionV3模型进行试验，模型测试结果表明：质量良好和带有缺陷的两类种子的平均准确率为94.18%，平均召回率为94.61%，F1值（调和平均评价）为94.39%。同时为突出卷积神经网络模型的性能，将结果与传统的机器学习方法进行比较，其F1值高出LBP+SVM模型20.39%。

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的 mAP可达90.03%,以 F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%, F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。