基于无人机图像以及不同机器学习和深度学习模型的小麦倒伏率检测

小麦在生长过程中发生倒伏会严重影响其产量,因此实时且准确地对小麦倒伏状况监测有很重要的意义。传统的方法采用手工方式生成数据集,不仅效率低、易出错,而且生成的数据集不准确。针对这一问题,本研究提出了一种基于图像处理的自动数据集生成方法。首先利用无人机在15、46和91 m三个高度采集图像数据;采集完数据后,根据无倒伏、倒伏面积<50%和倒伏面积>50%的标准对每一块地的小麦倒伏情况进行人工评估;采用三种机器学习（支持向量机、随机森林、K近邻）和三种深度学习（ResNet101、GoogLeNet、VGG16）算法对小麦倒伏检测情况进行分类。结果显示,ResNet101的分类结果优于随机森林,并且在91 m高度采集的数据分类精度并不低于在15 m高度采集的数据。本研究证明了针对在91 m高度采集的无人机图像,采用ResNet101对小麦倒伏率检测是一种有效的替代人工检测的方法,其检测精度达到了75%。     

基于图像边缘检测的作物倒伏面积评估系统

为全面预防和降低我国农作物倒伏带来的产量与经济损失,利用先进的图像边缘检测技术,对作物倒伏面积评估系统进行了设计。在深度理解图像边缘检测机理的基础上,结合作物具备的本体图像纹理特征建立作物倒伏面积评估理论模型,实现作物倒伏图像及面积的准确化检测,并进行面积评估试验。试验结果表明:该系统可以实时掌握作物的生长状态,对倒伏状态进行预判定,并可以提供完整的作物倒伏面积评估与分布情况,图像检测成功率较传统倒伏面积评估法可控制在78%以上,整体面积评估误差率可控制在10%以内,验证了基于图像边缘检测作物倒伏面积评估系统设计的可行性。     

基于机器视觉的试管液位检测方法研究

利用目前机器视觉技术,提出一种基于数字形态学结合Laplacian算子的边缘检测算法,将其应用到对试管液面检测中,得到了精度高、定位准的液面位置,从而可以得出液面高度与试管内试剂体积.通过CCD工业相机拍摄试管图像,对图像进行灰度化、滤波,图像增强后,利用LoG边缘检测算法结合数字形态学操作得到清晰的边缘图像,最后得出...     

田间背景下小麦叶尖生长点提取

采用机器视觉可以实时监测作物长势,然而由于受到复杂背景和变化光照的影响,田间小麦图像叶尖生长点提取难度较大,因此本文提出一种基于深度信息进行区域生长来分割图像并提取小麦叶尖生长点的图像处理方法。首先,根据作物颜色特征去除背景,采用Canny算子检测小麦边缘,然后通过双目视觉技术,获取视差图;然后根据深度信息赋予不同的灰度值,并通过灰度阈值分割仅保留前排小麦深度图,以前排小麦深度图为种子点进行区域生长,得到前排小麦图像;最后检测小麦深度图叶尖,并将其作为初始位置,查找彩色图像前排小麦真实叶尖。结果表明该方法提取准确率为75%,能有效克服复杂背景和纹理的影响,满足应用需求,为植株生长监测提供技术支撑。     

用于小麦多生长阶段倒伏边界精准检测的分层交互特征金字塔网络（英文）

[目的/意义]传统的小麦倒伏检测方法需要人工进行田间观测和记录,这种方法存在主观、效率低、劳动强度大等问题,难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上得到应用,但普遍局限于对小麦单一发育阶段的倒伏识别,而倒伏可能发生在小麦生长的各个时期,不同时期倒伏特征变化复杂,这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。[方法]用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像,通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former,该模型在Mask2Former的基础上加以改进,引入分层交互式特征金字塔网络(Hierarchical Interactive Feature Pyramid Network,HI-FPN),用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。[结果和讨论]所提出的Lodging2Former模型相较于现存的多种主流算法,如Mask R-CNN (Mask Region-Based Convolu...     

基于改进Sobel算法的叶片图像边缘检测

采用数字图像处理技术对叶片图像进行边缘检测,主要研究了基于Sobel算子的叶片边缘的检测方法。在对图像进行灰度化和滤波去噪等预处理的基础上,增加了6个方向模板对Sobel算子进行改进。试验证明,该方法有效解决了Sobel算子边缘检测时边缘过粗的问题,得到的边缘较细,精确度提高了13.6%。     

小麦病害图像识别处理及形状特征提取研究

以小麦条锈病为例,研究小麦病害部位的图像获取、处理和特征提取。通过图像灰度映射和反映射变换、非线性直方图均衡处理等方法进行病害图像噪声去除和图像优化;采用迭代阀值分割和微分边缘检测提取小麦病斑部位的形状特征,为农业作物病害诊断信息特征数据库的建立提供基础数据。     

基于视觉识别的小麦收获作业线快速获取方法

针对小麦生长分布不均等情况下激光作业线检测系统精度偏低的问题,提出了基于视觉的小麦收获作业线快速获取的方法。通过对成熟期麦田的彩色图像进行对比度增强和降低亮度的处理,将其转换为灰度图像,利用阈值分割方法分离已收获与待收获区域,对二值图像采用互相关函数法检测已收获与待收获区域的分界点,利用Hough变换法拟合目标直线。所提方法在激光作业线识别系统的基础上扩大了视野范围,并限制了图像处理的范围,试验结果表明该方法对小麦收获作业线的检测结果平均偏差为2.35 cm,标准差为3.26,能够满足小麦收获导航线识别的要求,是一种有效的检测算法。     

基于改进Canny和灰度矩的水下图像边缘检测方法研究

针对水下图像对比度差、模糊,致使检测出的边缘存在不连续和伪边缘的问题,提出一种基于改进的Canny和亚像素的水下图像边缘检测方法。采用改进的Canny算法检测水下图像的像素级边缘,在此基础上采用灰度矩提取图像的亚像素边缘特征,提高边缘的定位精度和检测率。实验结果表明,提出的算法相较于传统的像素级边缘检测算法在边缘轮廓的提取、减少伪边缘、提升边缘精度方面有较大优势,尤其是对深海环境中光源单一以及图像对比度差的物体边缘的检测具有更显著的效果和定位精度。     

小麦倒伏信息无人机多时相遥感提取方法

采用两期无人机可见光遥感图像,对灌浆期冬小麦倒伏图像特征及倒伏信息提取方法进行研究。从增强图像空间域方面,对图像进行二次低通滤波,获取地物散点图,以散点存在明显分界线为判定标准,选出小麦倒伏信息提取的单特征,对两单特征线性拟合构建倒伏小麦两时期提取特征参数F_1和F_2,再以两特征参数相似性构建综合特征参数F_3。将特征参数结合K-means算法提取冬小麦倒伏信息,整体精度(OA)达86. 44%以上,Kappa系数达0. 73以上,倒伏信息提取精度(F)为81. 07%以上,因此综合特征参数可作为两个时期冬小麦倒伏信息提取特征参数。分别用本文方法、支持向量机、神经网络法和最大似然法提取验证区域倒伏小麦信息,经验证,本文方法提取小麦倒伏信息整体精度(OA)达86. 29%以上,Kappa系数达0. 71以上,倒伏信息提取精度(F)达80. 60%以上;其他3种常用方法提取的整体精度(OA)为69. 68%～87. 44%,Kappa系数为0. 49～0. 72,倒伏信息提取精度(F)为65. 33%～79. 76%。结果表明,本文方法整体精度和倒伏信息提取精度均高于目前常用分类方法。因此,综合特征参数与K-means算法对冬小麦在灌浆期倒伏信息提取具有一定的准确性和适用性。     

基于颜色特征的小麦抽穗扬花期麦穗识别计数*

识别小麦抽穗扬花期抽穗情况,可用于指导后期水肥管理、病害防治和产量预测等。为实现准确、自动地麦穗计数,提出一种基于颜色特征的麦穗计数方法。抽穗扬花期小麦麦穗与叶片、茎秆颜色非常接近,常见颜色特征并不能有效分割麦穗,通过彩色直方图均衡化和红绿归一化差异指数对麦穗进行有效提取。针对图像中麦穗粘连问题,利用改进Harris角点检测算法分别对垂直拍摄和45°夹角拍摄的小麦图像进行验证。通过样本图像进行计数试验,准确率分别为96.06%和94.74%。结果表明,经均衡化处理后麦穗、叶片和茎秆出现明显颜色色差,可以利用颜色特征提取大田环境下抽穗扬花期麦穗图像;麦穗细化后进行骨架交点检测,可用于粘连麦穗的准确计数。     

基于无人机图像颜色与纹理特征的小麦不同生育时期生物量估算

为实现小麦生物量田间快速无损监测,开展基于不同密度、氮肥和品种处理的田间试验,应用无人机获取小麦越冬前期、拔节期、孕穗期和开花期4个时期的RGB图像,通过影像处理获取小麦颜色指数和纹理特征参数,并同时期通过田间取样获取小麦生物量;分析不同颜色指数和纹理特征参数与小麦生物量的关系,筛选出适合小麦生物量估算的颜色和纹理特征...     

涝渍胁迫对冬小麦净光合速率变化的影响

在水位调控技术的基础上,采用田间试验研究了麦田水位调控下,冬小麦不同生育期、不同农田水层深度、地下水埋深下净光合速率变化规律.研究结果表明,淹水水位较浅且历时适中对冬小麦的净光合速率影响最小,相同水位、相同淹水历时条件下,水位回落速度越快净光合速率越大;不同控水条件下,冬小麦各生育期净光合速率日变化曲线呈“M”形.上午随光合有效辐射增强和温度的升高急剧增大,下午随有效辐射减弱和温度的降低大幅度下降,中午变化较缓,净光合速率峰值出现在11:00和13:00左右,12:00左右有明显的下降,即出现“午休”现象;此外,小麦净光合速率与光合有效辐射、太阳总辐射、大气温度、空气相对湿度和风速存在一定的相关性,其中净光合速率与太阳总辐射、光合有效辐射、空气温度有较强的相关性,与空气湿度和风速相关性较弱.     

基于特征选择的小麦籽粒品种识别研究

为有效地对小麦籽粒品种进行分类，判别影响小麦籽粒品种识别的特征，进行基于特征选择的小麦籽粒品种识别研究。首先采集农大3416-18、内乐288、衡水6632、百农419、洛麦28和新麦26六个品种的小麦籽粒图像18 000张，对采集的图像进行预处理，提取小麦籽粒的颜色特征、形态特征和纹理特征三大类共28个特征值，并对特征进行相关性分析。然后分别构建不同特征融合模型以及数据降维和数据增强模型。最后进行试验分析，基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%，其中基于纹理+形态+颜色特征模型的洛麦28识别率最高，达97.0%；经过线性判别分析，降维处理的小麦特征数据识别准确率达86.19%，模型训练时间仅0.87 s；基于数据增强后的平均识别准确率达94.26%。试验表明基于特征选择的小麦籽粒识别是可行的，有助于育种工作者对小麦籽粒识别做出更准确判断，具有一定的实际意义。     

基于机器视觉的田间小麦开花期判定方法

针对大量小麦育种材料花期难以精准、快速检测的问题,提出了一种基于综合颜色特征和超像素分割算法的小麦开花期判定方法.首先,根据光照强度及图像清晰度对综合颜色特征的过红颜色分量、HSV颜色空间的S分量和红绿归一化颜色分量自适应调节,增强小花和小穗的差异性.其次,基于中心距离函数和灰度变化函数改进超像素分割算法的聚类规则,获...     

基于图像处理技术的大田麦穗计数

为了实现不同播种方式下单位面积小麦穗数的智能计算,设计了一种利用图像分析技术实现大田麦穗快速计数的方法,分析了利用颜色特征和纹理特征分割麦穗的优缺点和粘连区域麦穗个数的计算方法。通过对撒播和条播各35幅样本图像进行计数实验,准确率分别为95.77%和96.89%。结果表明,利用颜色特征和纹理特征均可提取大田环境下麦穗图像,其中利用颜色特征提取速度快。麦穗骨架角点个数能够反映粘连区域麦穗个数,在条播和撒播小麦田中计数准确率均较高。     

基于内容的图像检索技术在农业信息化中的应用

在基于内容的图像检索技术的基础上,针对农作物图像数据库的特点,提出了一种综合使用颜色、纹理和形状特征的新的检索算法,使检索的精确度得到了很大提高,并且通过合理设置特征库,大大提高了检索的效率。为此,通过编程构造了一个实验系统,组织了一个相对完备的农作物图像测试数据库和通用图像库,验证了新的检索算法的有效性,并对利用不同特征进行检索的性能进行了评测和比较,同时对出现的问题进行了分析。     

基于颜色特征与多层同质性分割算法的麦田杂草识别

针对杂草与小麦叶子交叠的情况,提出了一种利用改进的多层同质性分割算法,并综合颜色与形态特征的杂草识别方法。在颜色空间YIQ,选取I作为特征量并用改进的最大类间方差法分离植物与背景;在颜色空间HSI,选取I的同质性量和S作为特征量进行多层同质性分割分离小麦与杂草;最后结合形态学特征开闭运算滤波及二值逻辑与运算获得杂草图像;通过模拟化学除草系统,从理论上评价整个系统的除草效率。试验结果表明,杂草正确识别率达92.6%,单幅图像除草剂的减少率在35%~50%,小麦田的除草剂减少率超过78.7%。     

基于机器视觉的麦田边界检测

针对不同时期麦田场景，提出了基于机器视觉的边界（田埂）检测算法。将摄像机安装在农田作业机械前方，在作业过程中采集麦田场景图像。根据麦田和田外区域的不同颜色及亮度特征，判断出田埂的位置以及田埂线的方向候补点群，使用过已知点的哈夫变换计算出田埂线的斜率。经过对多幅不同时期麦田图像的处理，证明本检测算法可以适应不同时期的麦田环境，并且具有速度快、抗干扰、准确性高等优点。     

阴影环境下稻麦收获边界线实时提取方法研究

稻麦收获边界提取是联合收获机视觉导航的重要环节,针对现有收获边界提取过程中易受光照及阴影影响、处理速度较慢的问题,提出一种适用于阴影环境下的稻麦收获边界线实时提取方法。选用YCrCb色彩空间中的Cb分量进行后续图像处理,以降低光照影响,并对图像进行滤波、阈值分割、形态学操作及边缘检测处理。同时,采用累计概率霍夫变换算法提取收获边界线,在直线提取过程中通过两次筛选的方法提高阴影环境下稻麦收获边界检测的准确性。在此基础上,结合卡尔曼滤波算法、基于投影法的边界线位置预测方法,通过两次动态感兴趣区域选取的方式对算法进行改进,使得每幅图像平均处理时间由0.176087s缩短至0.064547s。该方法可为降低阴影对稻麦边界线提取的干扰、提高图像处理速度提供可行性论证及技术支撑。