基于形态模型的小麦器官和单株虚拟生长系统研究

为更加直观的展示小麦的整个生长过程，同时为教学科研提供支持，将系统分析方法和数学建模技术应用于小麦植株的形态建成，通过对小麦形态数据的定量分析，并结合前人的研究成果，构建了小麦形态建成模拟模型，包括叶片形态建成子模型(包括叶长、叶形、叶面积、叶片空中伸展曲线、茎叶夹角、叶色和叶片衰亡)、茎形态建成子模型(包括茎长和茎粗)、叶鞘形态建成子模型(包括叶鞘长和叶鞘粗)和麦穗形态建成子模型(包括穗长和麦芒)等。并以此为基础，结合已有小麦生长模拟模型WheatGrow，在Microsoft Visual C＋＋平台上利用OpenGL构建了基于形态模型的小麦虚拟生长系统(WVGS)，初步实现了小麦生长过程的可视化表达。建立的模型库主要包括形态模型、生长模型、可视化模型以及场景控制模型四部分。所建数据库主要存储气象数据、土壤数据和品种参数。系统运行结果表明该系统能较好地模拟小麦形态特征，能较逼真的实现小麦生长过程的虚拟显示。     

基于网络GIS的作物品质监测与调优栽培系统

以实现小麦优质高效生产为目标，探讨了基于网络GIS的作物品质监测与肥水调优栽培系统的设计、实现与应用。系统以组件GIS、网络GIS和空间数据库技术等主流地理信息技术为支持，实现以遥感为主要数据源的多源数据融合分析、模型与知识的灵活管理。系统以小麦栽培农艺学知识为基础，明确影响小麦籽粒品质形成的主要因子，通过反演模型和评价模型从遥感影像中提取相关因子用以指导小麦栽培，并根据主要影响因子建立小麦品质综合评价模型，实现小麦品质预测。     

2,4,6—三氯酚在土壤—小麦生态系统中迁移、降解的灰色系统模拟

用灰色系统模型模拟了土壤—小麦生态系统，土壤和小麦中ＴＣＰ浓度随时间的变化值。结果表明此模型比二室模型更可靠。     

小麦水分利用效率研究进展

介绍了小麦叶片和冠层的水分利用效率估算模型，并阐述了小麦光合与水分利用效率关系的研究进展，为当前节水农业提供了大量信息．     

小麦和玉米秸秆热解反应与热解动力学分析

为了对生物质快速热解液化设备进行分析和计算，该文用热重、差热分析仪分别对小麦和玉米秸秆在不同升温速率下进行了热分析研究。结果表明：小麦和玉米秸秆的热解特性基本一致，热解过程可以用同一种模型描述；随升温速率的提高，热解最高速率时的温度和热解最高速率明显提高。分析了小麦和玉米秸秆热解反应过程，提出了平行一阶反应动力学模型并计算出模型中各参数，将该模型的计算结果、现有一阶反应模型的计算结果分别和试验数据进行了对比，结果表明，平行一阶反应模型的准确程度比现有一阶反应模型有很大的提高。     

小麦计算机优化模拟与增产对策子系统初步研究

以小麦生物学特性和土壤植物营养学为依据，在小麦生育模拟基础上，建立了小麦生育优化动态模式和最佳经济效益施肥模型。输入简单易测的生物，土壤，气象因子，可以模拟出小麦生育的最佳叶面积动态，最佳茎蘖动态和最佳经济效益施肥量。并结合小麦实际资料，提出获取高产的措施与对策，为大田生产管理提供了可靠的理论依据。     

基于图像处理的小麦叶片形态的三维重建

小麦叶片形态的复杂性使其很难在虚拟场景中真实表现，主要考虑叶片边缘、生长曲线和叶片空间扭曲及卷曲现象，提出一种基于图像的小麦叶片重建方法：采用边缘检测法提取小麦叶片边缘数据，根据小麦叶片生长曲线将边缘数据映射到三维空间，并在此基础上给出了不带约束的叶片模型和带约束的叶片扭曲及卷曲模型。结果表明，该方法采样精度高，便于保持叶片真实形状和实现多细节层次模型(LOD)技术，能较好模拟小麦叶片在空间的扭曲和卷曲现象。     

基于图像处理与人工神经网络的小麦颗粒外观品质评价方法

综合利用计算机视觉、图像处理、人工神经网络技术，实现小麦品质评价自动化。通过比较不同背景，发现在黑色毛面纸板背景下，使用数码像机获得容易处理的小麦图像。应用分水岭算法自主开发了图像分割处理软件，分割小麦图像并识别提取出完整的小麦颗粒，针对每个小麦颗粒，计算了其12个形态学特征、12个色泽参数等图像特征参数。利用所提取的24个小麦图像特征参数，采用人工神经网络BP算法建立起小麦粒径外观品质评价模型，并应用于小麦的品质识别，取得了良好的试验结果。多次建模运算证明，该方法具有较好的稳定性，对小麦粒径外观品质评价的平均识别准确率可达93%。     

ATR-FTIR技术在小麦籽粒识别上的探索

为探索衰减全反射傅里叶变换红外光谱技术(ATR-FTIR)在小麦籽粒品种(系)识别和籽粒性状突变体鉴别上的应用,本研究采集了91个小麦品种(系)和576个小麦M₅突变体及235个对照株系籽粒的ATR-FTIR光谱,其中71个小麦品种(系)用于建立小麦籽粒ATR-FTIR识别模型,20个小麦品种(系)用于外部验证;对建模光谱数据进行7种预处理,在3 600~1 000 cm^-1波段内建立小麦籽粒品种(系)识别模型,外部验证检验该模型的准确性;并应用该模型从M₅突变株系中鉴定籽粒性状突变体。结果表明,使用多元散射矫正+Norris平滑(MSC+ND)预处理方法建立的小麦籽粒ATR-FTIR识别模型能完全鉴别71个小麦品种(系)的籽粒,且外部验证也证实了该模型的准确性;应用建立的小麦籽粒ATR-FTIR识别模型,从突变株系中鉴定了4个籽粒性状潜在突变体,突变率为0.69%。本研究建立了小麦籽粒ATR-FTIR识别模型,实现了对不同小麦品种(系)籽粒的区分,并将该模型应用于突变体鉴别,拓宽了ATR-FTIR光谱技术在小麦上的应用领域,同时为筛选小麦籽粒性状突变体提供了新的途径。     

基于无人机图像的多尺度感知麦穗计数方法

小麦是世界上重要的粮食作物，其产量的及时、准确预估对世界粮食安全至关重要，小麦穗数是估产的重要数据，因此该研究通过构建普适麦穗计数网络（Wheat Ear Counting Network，WECnet）对灌浆期小麦进行精准的计数与密度预估。选用多个国家不同品种的麦穗图像进行训练，并且对数据集进行增强，以保证麦穗多样性。在原始人群计数网络CSRnet基础上，针对小麦图像特点构建WECnet网络。在网络前端，通过使用VGG19的前12层进行特征提取，同时与上下文语义特征进行融合，充分提取麦穗的特征信息。后端网络使用不同空洞率的卷积加大感受野，输出高质量的密度图。为了验证模型的可迁移性与普适性，该研究通过基于全球小麦数据集训练好的模型对无人机实拍的麦田图像进行计数。试验结果表明：在全球小麦数据集上，WECnet训练模型的决定系数、均方根误差（Root Mean Square Error，RMSE）与平均绝对误差（Mean Absolute Error，MAE）分别达到了0.95、6.1、4.78。在无人机拍摄图像计数中，决定系数达到0.886，整体错误率仅为0.23%，平均单幅小麦图像计数时间为32 ms，计数速度与精度均表现优异。结果表明，普适田间小麦计数模型WECnet可以对无人机获取图像中小麦的准确计数及密度预估提供数据参考。