基于数字化植物表型平台（D3P）的田间小麦冠层光截获算法开发

冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（D3P）模拟生成了100种冠层结构不同的小麦品种在5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（GAI）、平均倾角（AIA）和散射光截获率（FIPAR_dif）信息作为真实值,进一步利用上述三维小麦场景开展了虚拟的激光雷达（LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（H）和绿色分数特征（GF）。最后，利用人工神经网络（ANN）算法分别构建了从不同LiDAR点云特征（H、GF和H+GF）输入到FIPAR_dif、GAI和AIA的反演模型。结果表明，对于GAI、AIA和FIPAR_dif，预测精度从高到低对应的点云特征输入为GF+H > H > GF。由此可见，H特征对提高目标表型特性的估算精度起到了重要作用。输入GF + H特征，在中等测量噪音（10%）情况下，FIPAR_dif和GAI的估算均获得了满意精度，R²分别为0.95和0.98，而AIA的估算精度（R²=0.20）还有待进一步提升。本研究基于D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了D3P协助表型算法开发的能力，展示了高通量LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。     

基于机器视觉的大田植株生长动态三维定量化研究

高通量植物三维表型的研究对判定植株表型特征至关重要。基于机器视觉的植株三维表型获取方法在温室中已广泛应用,能够动态监测植株生长过程,但在大田复杂环境中应用较少。以大田生长的玉米、大豆植株为研究对象,基于机器视觉分析方法对不同生长时期玉米、大豆植株进行个体和群体的三维重建,并基于手动测量值对叶长、叶最大宽进行精度评估。研究结果表明,叶长、叶最大宽的计算值与手动测量值的R2均大于0.97,精度较高,表明大田环境下此方法可以满足作物表型三维构建参数提取的精度要求,但是当冠层遮挡较严重时,三维重建精度将明显下降。进一步自动提取了株高、冠幅和器官生长动态,结果可为与基因型相关的表型高通量分析提供方法,并可进行株型与冠层辐射的精确评价。     

利用多时序激光点云数据提取棉花表型参数方法

当前,能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象,采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据,针对棉花植株主干的几何特性,利用随机抽样一致算法（RANSAC）结合直线模型完成主干提取,并对剩余的点云进行区域增长聚类,实现各叶片的分割;在此基础上,完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据,采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时,对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据,分别完成了主干提取、叶片分割,以及表型参数测量和动态量化。试验结果表明,本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时,本研究实现了棉花表型参数的动态量化过程,为三维表型技术的实现提供了一种有效的方法。     

作物生长过程模拟模型与形态三维可视化关键技术研究

针对作物产量形成、品种适应性分析的数字化解析和可视化表达需求,以提高作物模拟模型的时效性、协同性和真实感为目标,结合物联网技术与作物模拟模型,进行了田间数据实时采集;应用多智能体技术进行了作物协同模拟方法研究与框架设计;开展了作物生长过程模拟模型及基于作物模型的形态三维可视化关键技术研究,以小麦作物为例,进行了田间试验,阐述了小麦三维形态模拟可视化系统的设计实现并进行了试验验证;构建了Logistic方程模拟小麦叶长、最大叶宽、叶片高度、株高等的生长变化,采用基于曲线、曲面的参数化建模方法和3D图形库OpenGL构造了小麦器官几何模型。结果表明小麦叶长、最大叶宽、叶片高度和株高模拟模型R ²值在0.772~0.999之间,回归方程的F值在10.153~4359.236之间,且Sig.小于显著水平0.05,模型显著性较好,模型的拟合度较高。本研究将作物模拟模型结果和形态结构模型有效结合,实现了以小麦为代表的作物在不同管理措施条件下的生长过程形态三维可视化表达,为作物生产数字化系统应用提供了更有效的途径,该技术体系与方法同样适用于玉米、水稻等作物。     

基于纹理特征与植被指数融合的水稻含水量无人机遥感监测

含水量是表征水稻生理和健康状况的关键参数，精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前，利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数，针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长，并且这些参数随水稻生长呈现出了相似的动态变化趋势；（2）与RGB图像相比，多光谱图像评估水稻含水量具有更高的潜力，其中归一化光谱指数NDSI_771,611实现了更好的预测精度（R²=0.68，RMSEP=0.039，rRMSE =5.24%）；（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R²=0.86，RMSEP=0.026，rRMSE=3.51%），预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉和田间管理决策提供新思路。     

番茄植株三维形态精确重构研究

为实现番茄形态的数字化设计与可视化模拟,通过对番茄进行长期的观察测量与分析,提出了对实测数据统计分析的基础上进行器官模板分类的几何建模方法.对叶片和侧枝进行了分类,每种分类都建立模板库.依据番茄器官的主要形态特征,提取器官几何模型的主控参数.结合模板技术实现了番茄主要器官和植株三维形态结构的交互式设计软件.所提出的基于番茄器官几何模型的植株结构交互式设计方法所构建的模型呈现多态性,并且对模型和对应的真实植株的垂直投影叶面积与总叶面积的比值进行了计算,分别为0.478 8和0.483 2,其误差为0.91％,具有较高的真实感效果.该设计方法易于结合农学知识,且满足番茄形态多样化的数字化设计要求,对形态结构复杂的园艺作物几何建模具有一定的参考价值.     

基于神经辐射场的苗期作物三维建模和表型参数获取

苗期作物三维结构的精准高效重建是获取表型信息的重要基础。传统的三维重建大多基于运动恢复结构-多视图立体视觉（Structure from motion and multi-view stereo,SFM-MVS）算法,计算成本高,难以满足快速获取表型参数的需求。本研究提出一种基于神经辐射场（Neural radiance fields,NeRF）的苗期作物三维建模和表型参数获取系统,利用手机获取不同视角下的RGB影像,通过NeRF算法完成三维模型的构建。在此基础上,利用点云库（Point cloud library,PCL）中的直线拟合和区域生长等算法自动分割植株,并采用距离最值遍历、圆拟合和三角面片化等算法实现了精准测量植株的株高、茎粗和叶面积等表型参数。为评估该方法的重建效率和表型参数测量精度,本研究分别选取辣椒、番茄、草莓和绿萝的苗期植株作为试验对象,对比NeRF算法与SFM-MVS算法的重建结果。结果表明,以SFM-MVS方法重建点云为基准,NeRF方法重建的各植株点云点对距离均方根误差仅为0.128~0.395cm,两者重建质量较接近,但在重建速度方面,本文研究方法相比于SFM-MVS方法平均重建速度提高700%。此外,该方法提取辣椒苗株高、茎粗决定系数（R2）分别为0.971和0.907,均方根误差（RMSE）分别为0.86cm和0.017cm,对各苗期植株叶面积提取的R2为0.909~0.935,RMSE为0.75 ~3.22cm2,具有较高的测量精度。本研究提出的方法可以显著提高三维重建和表型参数获取效率,从而为作物育种选苗提供更为高效的技术手段。     

玉米器官三维模板资源库构建

玉米器官三维模板资源库的构建能够为数字玉米技术体系的建立提供信息完整、具有高真实感的玉米器官三维模型。首先,对玉米植株进行结构单元划分,然后,通过分析玉米各器官的形态结构特征,从三维数据获取方式的角度制定玉米主要器官三维数据获取规范,按该规范开展玉米主要器官三维数据获取工作,并基于所获取的实测数据进行器官几何模型构建,最后,以所构建的玉米器官几何模型为内容,以品种、器官和生育时期等作为关键字构建玉米器官三维模板资源库。资源库包含了具有农学参数的多品种、多生育时期玉米器官几何模型,其构建将有利于数字玉米在玉米行业的各方面发挥作用,也为其他植物的三维模板资源库构建提供了参考。     

基于RGB-D点云的田间原位玉米株高测量试验研究

为满足田间原位玉米株高的测量需求,避免破坏性取样后进行株高测量难以捕捉植株在自然环境下生长的真实情况与表型的动态变化,提出了一种基于RGB-D相机的田间原位玉米株高的测量方法。首先,通过RGB-D相机同时获取可见光图像和其对应的深度信息,计算相机的内参,得到玉米植株的三维点云数据;其次,通过基于欧几里得距离的统计滤波算法和随机采样一致性算法(RANSAC)的阈值分割快速去除三维点云中的离群点、环境噪声及复杂的自然环境背景(包括土壤面和滴灌管等),并通过OBB包围盒验证滤波效果;最后,通过单株玉米植株分割,提出了一种基于俯视视角下玉米株高的测量方法,并计算出田间原位玉米的株高参数。试验中,在玉米快速生长期中选取两天的试验数据,其试验用5个品种的平均测量误差分别为1.47cm和2.70cm,均方根误差(RSME)分别为1.68cm和2.80cm,人工实测结果和算法测量结果进行线性拟合后得到待测系数R~2分别为0.9831和0.9797。试验结果表明:利用RGB-D相机对田间原位玉米的表型测量与株高分析具有可行性,所提出的测量与计算方法最后获得的玉米株高参数具有较高的准确性,可以为玉米表型参数提取提供更为有效地技术手段。     

基于点云的谷粒高通量表型信息自动提取技术

在进行水稻的数字化考种、表型与基因关联分析和数字农业仿真模拟时,需要大量的谷粒表型信息作数据支撑。本文提出了一种基于三维点云的谷粒高通量表型信息自动提取方法,能同时自动获取谷粒的三维模型和40个表型参数,实现谷粒形状的定量和定性描述。首先,通过对谷粒点云数据进行聚类分析,完成谷粒点云的分类;其次,实现谷粒的三维重建,对谷粒离散点云进行柱面构网,获取谷粒点云的三维模型数据;最后,根据不同表型参数的特点,实现了谷粒的三维表面积和体积、长、宽、高、3个主成分剖面的周长和面积等11个基本参数与长宽比、长高比和体积比等11个衍生参数以及18个形状因子的自动提取。利用Handyscan 700型手持式激光扫描仪获取的谷粒高精度点云数据进行实验,成功实现了谷粒表型参数的自动提取,测量结果可达毫米级。基于主成分方法分析了各表型参数的权重。以游标卡尺测量值和Geomagic Studio测量值作为真值,长、宽、高的平均相对误差为1.14%、1.15%和1.62%,体积和表面积的相对误差为零,3个主成分剖面面积的平均相对误差为1.82%、2.12%和2.43%。本文方法与人工测量方法及软件测量方法相比,精度相当,且具有批量、自动、人工干预少(仅数据采集阶段需要人工操作)以及效率高的特点。     

基于脉序骨架的小麦叶精细建模研究

为了实现小麦叶形态结构的三维可视化,基于小麦叶的脉序特征,提出了基于脉序骨架的小麦叶片三维几何建模方法。用B样条曲线表示小麦叶片和叶鞘上的叶脉曲线,用球B样条模拟叶片和叶鞘上的叶脉骨架,再连接已生成的叶脉骨架上相应的点生成叶片和叶鞘上叶脉之间的叶肉,建立了具有明显的叶脉分布和厚度的小麦叶几何模型。该方法可用于其它平行叶脉植物叶片的精细建模,具有较好的真实感。     

面向植物抗旱性研究的多源表型信息采集和分析技术

利用表型信息采集系统获取不同生长环境下的植物形态结构和生理生化数据,研究植物体对不同胁迫的反应,从而进行抗性育种和筛选优质良种.本文构建了一套由双CCD相机、热成像仪、水分控制模块、称量模块、光源等组成的多源表型信息采集系统,采用YOLO v3目标检测算法和图像处理算法提取了植物投影叶面积、株高、叶片数量、冠层温度等表...     

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。     

基于深度信息的草莓三维重建技术

以盆栽和高架两种栽培模式生长环境下的草莓植株为研究对象,提出了一种基于深度信息分割聚类的草莓冠层结构形态三维重建算法。首先,以深度信息的不连续性特征作为草莓植株逐层分割的重要依据,以深度二维图像作为全局参考指标,提出深度信息步进方法,自动提取冠层点云;其次,改进密度聚类算法,有效滤除随机、跳边和背景噪声;最后,改进基于Harris算子的多源图像融合算法,实现彩色图像与强度图像的配准及点云颜色的映射,三维重建出具有颜色信息的草莓冠层结构形态。为验证该算法的有效性,将三维重建后冠层的平均单叶长度及A-B线距离作为评价指标,试验结果表明,模型的平均单叶长度计算正确率为93%左右,A-B线距离计算正确率为97%左右,研究结果可为草莓采摘机器人果实识别过程中枝叶空间结构关系的构建提供技术支持。     

基于SegNet与三维点云聚类的大田杨树苗叶片分割方法

准确分割单个杨树叶是无接触提取杨树苗叶表型参数的前提,针对大田杨树苗的复杂种植环境,本文提出一种基于SegNet与三维点云聚类的大田杨树苗叶片分割方法。首先对Kinect V2相机进行标定,对齐RGB与深度数据,滤除背景,获得RGB与深度数据融合数据;然后针对RGB与深度融合数据采用语义分割算法SegNet对杨树苗叶与杨树干进行分割;为了更好地分割出单个杨树叶,对分割的杨树叶区域重构出三维点云,采用基于几何距离的kd-tree对单个树叶进行分类。对采集的单株树苗与多株树苗数据进行了实验分析,采用SegNet与FCN分别对杨树苗叶区域与茎区域进行分割,结果表明,SegNet对叶、茎检测准确率分别为94.4%、97.5%,交并比分别为75.9%、67.9%,优于FCN;对叶区域采用不同距离阈值的kd-tree算法进行单叶分割分析,确定了适合杨树叶的分割阈值。实验结果表明,本文提出的分割算法不仅能分割出单株杨树苗的叶片,也能分割出多株杨树苗的单个叶片。     

基于SegNet与三维点云聚类的大田杨树苗叶片分割方法

准确分割单个杨树叶是无接触提取杨树苗叶表型参数的前提,针对大田杨树苗的复杂种植环境,本文提出一种基于SegNet与三维点云聚类的大田杨树苗叶片分割方法。首先对Kinect V2相机进行标定,对齐RGB与深度数据,滤除背景,获得RGB与深度数据融合数据;然后针对RGB与深度融合数据采用语义分割算法SegNet对杨树苗叶与杨树干进行分割;为了更好地分割出单个杨树叶,对分割的杨树叶区域重构出三维点云,采用基于几何距离的kd-tree对单个树叶进行分类。对采集的单株树苗与多株树苗数据进行了实验分析,采用SegNet与FCN分别对杨树苗叶区域与茎区域进行分割,结果表明,SegNet对叶、茎检测准确率分别为94.4%、97.5%,交并比分别为75.9%、67.9%,优于FCN;对叶区域采用不同距离阈值的kd-tree算法进行单叶分割分析,确定了适合杨树叶的分割阈值。实验结果表明,本文提出的分割算法不仅能分割出单株杨树苗的叶片,也能分割出多株杨树苗的单个叶片。     

基于全卷积神经网络的植物叶片自动分割及表型解析

为提高植物叶片图像中形态参数提取的效率和准确率,以全卷积神经网络为基础,对模型构架和关键函数进行优化,通过有监督的学习方法实现植物叶片图像分割效果。模型在测试集上的平均召回率r为0.95,MIoU为0.94。在分割结果中提取植物叶片的形态学参数与人工提取结果高度相关,r~2>0.96。该研究实现了植物叶片图像高通量地分割,并且在分割结果中提取的植物叶片形态参数可以用于作物长势监测等相关研究。