基于机器视觉的玉米施肥智能机器系统设计概述

分析了采用机器视觉识别大田玉米的生长状况进而实现大田玉米定时、定点、变量精确施肥和实现农业机组的视觉自主导航和无人驾驶的机理。重点介绍了开发研制的玉米施肥智能机器系统的总体设计和所采取的相关技术的概况。     

基于玉米冠层原位监测的全生育期叶色建模及其应用

针对田间玉米冠层叶色变化难以定量描述问题,该文利用田问原位冠层监测系统,在摄像机自动曝光模式下连续采集多个玉米品种的冠层图像,揭示了复杂天气条件对图像和玉米冠层颜色的影响.利用概率密度统计分析方法分别计算玉米6个关键生育期的冠层亮度-色度分布,并针对冠层色度具有明确变化趋势且分离度较高的冠层亮度区间,建立了全生育期玉米冠层叶色模型.进而,基于该模型建立了适合不同玉米生育期的冠层图像自动分割方法,将玉米全生育期的冠层图像分割精度提升到82.6％,并揭示了不同品种玉米在叶片发育过程中冠层叶色与叶龄的相关性,利用登海605和农大108的冠层叶色预测出的生育期叶龄均方根误差RMSE (root mean squared error,RMSE)分别为1.14和1.41叶.试验结果表明,该文建立的玉米冠层叶色模型能够较好描述玉米关键生育期的冠层叶色变化规律,对玉米冠层图像分割、生育期估计、玉米品种表型鉴定具有重要意义.     

玉米不同叶位叶片SPAD值的变化及其与生物量的相关性

用大田试验研究了平展型玉米农大364和紧凑型玉米郑单958不同叶位叶片SPAD值的变化规律及不同生育时期功能叶片的SPAD值与生物量的相关关系。结果表明:(1)同一品种玉米叶片的SPAD值随叶位的升高而增加,至植株中间部位叶达到最大值,之后降低。品种间无差异;(2)2个品种相同叶位叶片的SPAD值随生育进程的变化趋势一致,均随叶片生长增加,中期稳定一段时间后又随叶片的衰老而下降。紧凑型玉米下部叶片生育中后期SPAD值显著低于平展型玉米;而平展型玉米顶部叶片在生育中后期及中部叶片在生育后期的SPAD值显著低于紧凑型玉米;(3)苗期至吐丝期,玉米功能叶片的SPAD值与单株生物量呈显著正相关,但吐丝期以后无明显关系。     

基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选

制种玉米田在高空间分辨率遥感影像上呈现的明显条带状纹理,是有效区分光谱值相近的大田玉米和制种玉米的重要信息.该文在新疆维吾尔自治区奇台县玉米种植区以高空间分辨率的无人机遥感影像为数据源,针对制种玉米识别的纹理特征计算尺度问题,首先采用最近邻内插法对制种玉米和大田玉米样本田块的无人机影像进行重采样,得到不同分辨率的样本;然后用融合Uniform-LBP(local binary pattern)和GLCM(gray level co-occurrence matrix)方法得到提取玉米田块纹理特征合理GLCM参数,其中方向参数为0°、45°、90°和135°这4个方向上的纹理特征值的平均值、距离为5~7像元、灰度级为8;通过多尺度对比分析,得到最适宜区分制种玉米与大田玉米的纹理辨率为0.6~0.9m.最后采用奇台县的0.7m分辨率的Kompsat-3遥感影像进行验证,在多时相EVI(enhanced vegetation index)光谱信息识别玉米的基础上,利用本文确定的纹理分析方法,通过决策树建立规则识别制种玉米,识别精度达90.9%.通过该文的研究,可为高空间分辨率遥感制种玉米田监管提供支撑.     

基于BP神经网络和概率神经网络的水稻图像氮素营养诊断

【目的】实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。【方法】本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮(N)水平:0、210、300、390 kg/hm^2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。【结果】1)幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。【结论】幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。     

基于多层感知神经网络的水稻叶瘟病识别方法

为实现水稻叶瘟病的快速诊断,综合利用图像处理技术和神经网络来进行叶瘟病斑的识别研究。该文设计了3个多层感知分类器来进行病斑识别准确率的对比验证,分别采用叶片正常区域和病斑区域的纹理特征、颜色特征以及纹理和颜色的组合特征作为不同分类器的输入单元;输出层采用1个单元用于输出病斑区域和正常区域的识别结果。首先,该文将采集到的RGB图像转换成灰度图像,利用灰度共生矩阵分别提取叶片正常区域与病斑区域的能量、对比度、熵、逆差距作为纹理特征;紧接着,将RGB彩色空间转换至HIS和Lab空间,分别提取病斑区域和正常区域的L、a、b值作为颜色特征。最后,采用不同的BP神经网络分类器进行病斑区域识别。该文共采用120副图像作为待测对象,试验结果表明,采用颜色和纹理的组合特征进行识别,准确率要比单独使用纹理特征和颜色特征高10%～15%。本文的研究结果为进一步实现水稻病害自动诊断打下了基础。     

单子叶作物叶片气孔自动识别与计数技术

为实现作物叶片气孔的自动识别与快速计数,该研究采用卷积神经网络中高计算效率的YOLOv3算法,开发了一种全自动气孔识别和计数解决方案。该算法优化了物体检测性能,可准确识别显微图像中的气孔。其中,对指甲油印迹法获得照片的气孔检测精确率、召回率和F1值分别为0.96,0.98和0.97,便携式显微镜拍摄法照片气孔检测精确率、召回率和F1值分别为0.95,0.98和0.96,具有很好的鲁棒性。该算法检测速度快,可实现对30帧/s的视频文件进行快速气孔识别,实现了实时检测。此外,采用拍摄的小麦叶片照片进行训练得到的气孔识别模型,还可同时实现对大麦、水稻和玉米等单子叶作物叶片气孔的识别,其中,大麦的检测精确率、召回率和F1值分别为0.94,0.83和0.88;水稻的检测精确率、召回率和F1值分别为0.89,0.42和0.57;玉米的检测精确率、召回率和F1值分别为0.91、0.76和0.83;显示出模型良好的泛化能力。     

基于卷积神经网络提取多尺度分层特征识别玉米杂草

为提高作物与杂草识别的准确率、稳定性和实时性,该文以幼苗期玉米及杂草为研究对象,提出了基于卷积神经网络提取多尺度分层特征的玉米杂草识别方法。首先建立卷积神经网络模型,以从图像的高斯金字塔中提取多尺度分层特征作为识别依据,再与多层感知器相连接实现图像中各像素的识别;为了避免目标交叠所带来的问题,对图像进行超像素分割,通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别,再将相同类别的相邻超像素合并,最终实现图像中各目标的识别。试验结果表明:该方法的平均目标识别准确率达98.92%,标准差为0.55%,识别单幅图像的平均耗时为1.68 s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.72 s。该方法实现了精确、稳定和高效的玉米与杂草识别,研究可为精确除草的发展提供参考。     

基于压力和图像的鲜玉米果穗成熟度分级方法

为实现鲜玉米果穗成熟度等级的客观评定,提出了基于压力传感器和计算机视觉技术的综合分析方法。研制了玉米果穗成熟度检测装置,提取纹理信息所得惯性矩和压力检测装置所得最大压力值作为鲜玉米果穗成熟度等级评定的特征参数,通过系统聚类分级研究,确定成熟度等级为3级。采用主成分分析法对11个颜色特征进行优化筛选,用第一、二主成分可综合反映11个颜色特征的分级信息,实现了参数的降维。试验结果表明：以最大压力值、惯性矩、颜色特征主成分分析第一、二主成分值作为构建概率神经网络的输入,进行鲜玉米果穗成熟度等级评定,正确率为96.67%。结合压力传感器和计算机视觉技术可实现对鲜玉米果穗成熟度的准确分级。     

基于无人机遥感影像的玉米苗期株数信息提取

准确、快速地获取玉米苗期株数对于育种早期决策起着至关重要的作用。该文利用2017年6月于北京市小汤山镇采集的无人机影像,首先对比分析RGB、HSV、YCbCr及L*A*B 4种色彩空间,变换优选HSV颜色模型对无人机影像前景(作物)与后景(土壤背景)进行分割,得到分类二值图。然后利用骨架提取算法及多次去毛刺处理等数学形态学流程提取玉米苗形态,得到高精度作物形态骨架,结合影像尺度变换剔除噪声影像,将影像分为多叶、少叶2类,经Harris、Moravec和Fast角点检测识别结果对比,Harris角点检测算法可以较好地提取玉米苗期影像的株数信息。结果表明,少叶类型识别率达到96.3%,多叶类型识别率达到99%,总体识别率为97.8%,将目前传统影像识别精度提高了约3%。同时在多个植株叶片交叉重叠覆盖的情况下,该文的研究方法有良好的适用性。通过无人机影像提取玉米苗期作物准确数目是可行的。该文采用了数学形态学的原理,通过HSV色彩空间变换得到的二值图,从无人机影像中识别提取玉米苗期形态信息,利用影像尺度缩放变换去除噪点,优化骨架识别算法使得识别精度大大提高,最后采用角点检测从无人机影像中直接读取玉米材料小区内的具体数目,该方法节省了人力物力,为田间大面积测定出苗率及最终估产提供了参考。     

应用计算机图像处理技术识别玉米苗期田间杂草的研究

利用计算机图像处理技术分析了玉米苗期田间杂草的特征量，识别出田间杂草并确定了杂草的位置和生长状况。研究中采用双峰法滤除了土壤背景，根据投影面积、叶长、叶宽识别出了杂草，并且根据杂草投影面积确定出了杂草密度。实验结果表明，此方法可有效地识别出玉米苗期田间细长的单子叶杂草。     

基于BP神经网络模型的荔枝树叶面积测定方法

为了准确、快速地测定荔枝树叶面积，设计了一个BP神经网络模型，输入参数为叶片长度和叶片最大宽度，输出参数为叶面积。用LI-3000A型叶面积仪测量所得到的样本数据对网络进行训练，测试样本的网络输出与网络目标的相关系数达0.99609，网络模型是有效的。用训练后的网络模型对10组未参加建模的样本数据进行叶面积测定，误差平方和为1.2929，优于回归方程法的2.511。训练好的BP神经网络模型可以在不破坏叶片的情况下，简单、快速、经济地测定大量的荔枝树叶片面积。     

基于Hyperion影像的玉米冠层叶绿素含量估算

采用高光谱卫星数据进行玉米叶片和冠层尺度的叶绿素含量估算,对现代农业技术的发展有重要意义。首先,采用以α为倾斜度参数的双曲正切S型函数为基础的误差反向传播(back propagation,BP)算法前馈神经网络(hyperbolic tangent sigmoid function-back propagation,Htsf-BP)构建叶片尺度的叶绿素含量高光谱遥感估算模型;以几何光学辐射传输模型(4-scale模型)为理论依据,对叶片和冠层尺度的光谱转化函数进行推导,实现Hyperion影像冠层尺度光谱到叶片光谱的转化,同时获取叶片尺度叶绿素含量估算结果;最后,结合叶面积指数(leaf area index,LAI)进行冠层尺度叶绿素含量估算。结果表明:当隐含层结点数为6时,Htsf-BP神经网络法对叶绿素的估算精度最高,验证精度达78.68%;在波长750与980 nm处,采用光谱尺度转化方程进行模拟的冠层光谱与实测冠层光谱间的相关系数R2值分别达到了0.784和0.706;实测叶片尺度叶绿素含量与模拟结果间的相关系数R2值达0.726。该方法可为高精度快速估算叶片和冠层尺度玉米叶绿素含量提供参考。     

基于病斑形状和神经网络的黄瓜病害识别

为了研究基于图像处理的黄瓜病害识别方法,试验中采集了黄瓜细菌性角斑病和黄瓜霜霉病叶片进行图像研究。在黄瓜病斑的图像分割方面,尝试了边缘检测法和最大类间方差法进行图像处理。边缘检测法提取出来的病态部位轮廓不是很完整,而利用最大类间方差法的图像分割效果较好。试验中提取了10个形状特征,选取黄瓜细菌性角斑病和黄瓜霜霉病叶片的各50个样本,其中每个病害的前30个样本,共计60个样本作为训练样本输入神经网络,对2种黄瓜病害叶片的后20个样本,共计40个样本进行测试,正确识别率达到了100%,说明通过病斑形状和神经网络进行黄瓜细菌性角斑病和黄瓜霜霉病的识别是可行的。     

基于计算机视觉技术的烟叶成熟度判定方法

快速定量检测烟叶成熟度可为烟叶成熟收割提供决策依据。通过对烟叶样品图像数据进行处理与变换,得到烟叶图像的HSV颜色值,使用线性回归分析法建立烟叶图像HSV颜色值与叶绿素含量之间的函数关系,以及烟叶叶绿素含量与SPAD值之间的函数关系;利用烟叶成熟度与SPAD值之间的函数关系,构建烟叶图像HSV颜色特征值与烟叶成熟度之间的关系模型TMDHSV,从而建立起基于计算机视觉技术的烟叶成熟度判定方法。试验结果表明,该方法具有较好的可行性,可为快速定量检测烟叶成熟度提供技术支撑。     

基于手机相机获取玉米叶片数字图像的氮素营养诊断与推荐施肥研究

本文利用手机相机获取玉米6叶期和9叶期的冠层图像,对图像进行色彩参数的提取与处理,分析了不同生长时期、不同品种间色彩参数的差异性,以及色彩参数与传统玉米氮素营养指标的相关性,选择出适宜的敏感色彩参数,对色彩参数与氮素营养指标进行拟合建模,建立了玉米氮素营养诊断体系,并推荐了不同产量目标下的施肥量,为实现利用智能手机田间拍照进行氮素营养诊断和精准推荐施肥提供参考。结果表明,在玉米6叶期,冠层图像色彩参数与传统氮素营养指标间的相关性优于9叶期,可作为应用数字图像分析技术进行氮素营养诊断的诊断时期;不同品种玉米的冠层图像色彩参数间无显著差异。B/(R+G+B)和G/(R+G+B)与传统氮素诊断指标——叶片SPAD值、第1完全展开叶叶脉硝酸盐浓度均显著相关,且B/(R+G+B)更为敏感,因此可作为玉米氮素营养诊断的色彩参数指标,诊断方程为:玉米叶脉硝酸盐浓度=1.73×10~(10)×[B/(R+G+B)]~(9.43)。并依此给出了不同B/(R+G+B)值下的玉米营养状况以及不同目标产量下的推荐施氮量。本研究结果可为基于手机相机开展玉米氮素营养诊断与推荐施肥技术的推广与应用提供技术支撑。     

基于计算机视觉的番茄缺素神经网络识别

提出了采用不受植株叶片大小和背景影响的色调域平均百分率直方图来提取番茄叶片的颜色特征，用于识别番茄是否缺乏营养元素；提出了采用基于最大差分算子的色调域百分率直方图法、灰度－梯度共生矩阵法和小波分析法提取番茄缺素叶片的纹理特征，用于识别番茄缺何种营养元素；设计了番茄缺N、缺Fe、缺Mg的BP神经网络系统，综合识别结果为：正常中叶、正常新叶、缺铁新叶，缺氮中叶、缺镁中叶的识别准确率依次为95％、92.5％、92.5％、87％、87％。     

玉米苗期杂草的计算机识别技术研究

利用计算机视觉技术和人工神经网络技术对识别玉米苗期田间杂草进行了研究。首先利用类间方差最大自动阈值法二值化杂草图像的超绿特征，再进行连续腐蚀与膨胀，然后根据长宽比、圆度、第一不变矩3个形状特征由BP网络识别出玉米幼苗，最后利用种子填充法从阈值分割结果中擦除玉米目标，剩余的就是杂草目标。研究表明，基于BP网络的杂草识别算法对玉米幼苗与杂草的正确识别率分别为87.5%和93.0%，处理一幅640×480像素的杂草图像平均耗时约为58 ms。     

地基激光雷达提取大田玉米植株表型信息

玉米个体表型信息对于玉米的高产高效发育规律研究、玉米遗传育种中基因型的确定具有重要意义,该文针对传统的玉米表型信息提取方法费时、费力、效率低下、主观性强等问题,提出一种基于TLS(terrestriallaserscanning,地面激光扫描)技术的大田玉米个体表型信息提取方法。利用地基激光雷达获取毫米级精度的玉米个体植株三维点云数据并进行海量点云数据预处理,构建玉米叶片三角网模型和叶片骨架点云;基于叶片三角网提取绿叶叶面积,基于叶片骨架点云提取叶长和叶倾角,基于未去穗的玉米植株点云提取株高。试验结果与实地手动测量值相比,真实叶面积、叶长、株高、叶倾角的均方根误差(RMSE)分别为12.69 cm~2、1.31 cm、1.30 cm和5.12°,平均绝对百分比误差(MAPE)分别为2.38%、1.32%、0.61%和8.96%。试验结果表明本文提出的基于TLS提取玉米个体表型参数的方法精度较高,具有可行性,为辅助玉米育种、生长监测等提供了一种有效手段。