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2022年7月1日至2022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。       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。       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。传统的网络只关注缩放主干网络和输入图片的分辨率，团队提出混合缩放方法，同时对主干网络，特征网络和预测网络的分辨率、深度以及宽度进行缩放从而达到提高精度的效果。       利用科学技术高效、客观地在大尺度上对作物病虫害发生发展状况进行动态监测，对于病虫害及时、高效和科学防控具有重要意义。实践通过人工智能算法，处理无人机实时上传的图像，从而得出小麦的预估产量，同时低空监测，通过算法，识别出当前的小麦生长状况，记录病虫害情况，上传至云端。同时，小麦检测系统同时提供相应的网站平台，用户可以实时观看小麦的监测图像与结果，大大节省了人力，加快了生产效率，实现“兴农报国”的目标。团队成员在讨论会中说到：“这次实践不但让我了解了书本以外的知识，更让我感到我在为国家乡村振兴尽了一丝绵薄之力，这令大家都非常激动。”
      从前期工作准备到平台最终完成测试团队历时四十余天，队长表示，团队将网络平台检测系统运用至农场中，提高了生产者对农场的小麦成长监测得效率，能够以科技手段助力乡村振兴，为智慧农场建设注入了新兴元素，推动农场、农业的智慧化步伐，“我们将再接再厉，争取将系统全面优化，另外，能够为乡村振兴出一份力，这使我们整个团队都倍感欣慰！” （李爱民）