基于改进K-means聚类算法的大田麦穗自动计数

单位种植面积的小麦麦穗数量是评估小麦产量和小麦种植密度的一个重要参量。为了实现高效、自动地麦穗计数,该文提出了基于改进K-means的小麦麦穗计数方法。该方法建立从图像低层颜色特征到图像中包含麦穗的一个直接分类关系,从而不需要再对图像进行分割或检测。以颜色特征聚类为基础的这种方法能够估计麦穗在空间局部区域中数量,并且在不需要训练的情况下更具有可扩展性。统计试验结果表明,该文算法能够适应不同光照环境,麦穗计数的准确率达到94.69%,超过了传统基于图像颜色特征和纹理特征分割的麦穗计数方法 93.1%的准确率。     

结合轻量级麦穗检测模型和离线Android软件开发的田间小麦测产

单位面积麦穗数是重要的产量构成因素之一，通过该性状和不同品种历史数据在田间完成对小麦产量的预估，对育种栽培和农业生产具有非常重要的意义。该研究基于小麦田间栽培试验提出了一套结合轻量级深度学习技术和小麦测产算法在Android（安卓）智能手机上离线分析单位面积穗数和田间测产的技术方案。首先介绍了手机标准化俯拍小麦冠层和手机端图像预处理算法，再根据灌浆期小麦冠层图像构建了MobileNetV2-YOLOV4深度学习模型对单位面积中的麦穗进行识别，然后结合迁移学习和TensorFlow.lite转换器完成了模型轻量化，最后通过Android SDK和SQLite构建了不同小麦品种在手机端的产量数据库和人机交互图形界面。开发的安卓软件"YieldQuant-Mobile"（YQ-M）可离线识别手机拍摄的麦穗数量，并在田间完成产量预测和结果输出等功能。基于从中国各小麦主产区中选择的80个代表性品种（共240个1 m2小区），使用YQ-M完成了这些品种的麦穗检测和小区测产研究。结果显示YQ-M的精确率、召回率、平均精确度和F1分数分别为84.43%，91.05%，91.96%和0.88。单位面积测产结果和实际产量的决定系数为0.839，均方根误差为17.641 g/m2。研究表明YQ-M对麦穗识别精度高，在田间环境下测产结果和算法鲁棒性良好。此外，YQ-M还具有良好的扩展性，可为其他作物的离线智能测产提供借鉴，并为小麦研究和生产实践提供低成本、便捷可靠的田间测产方法。     

基于深度卷积神经网络的田间麦穗密度估计及计数

小麦的最终产量可由单位面积的小麦麦穗数侧面反映，为了快速准确统计小麦麦穗数，该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理，以减少图像中光照及一些复杂背景对计数的影响；然后根据灌浆期田间小麦图像麦穗密集的特点，引入拥挤场景识别网络（Congested Scene Recognition Network，CSRNet）构建麦穗密度图估计模型，并采用迁移学习方法，利用小麦图像公开数据集对模型进行预训练，再用所采集的小麦图像数据集进行模型参数调整和优化；利用得到的模型生成单幅小麦图像的麦穗密度图，根据密度图中所有密度值的总和对图像进行麦穗计数。最后根据对单幅麦穗图像的试验数据，构建田间麦穗计数函数模型，实现田间小麦麦穗数估计。通过对所采集的安农170、苏麦188、乐麦608和宁麦24这4个品种共296幅小麦图像进行试验，平均绝对误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Squared Error，RMSE）分别为16.44和17.89，4个品种小麦的麦穗计数值与真实值的决定系数R2均在0.9左右，表明该方法对单幅图像小麦麦穗计数精度较高。此外，通过对田间小麦麦穗数进行估计试验，结果表明，随面积的增大麦穗估计的误差越小，研究结果可以为小麦的产量自动估计提供参考。     

改进YOLOX检测单位面积麦穗

单位面积麦穗数是估算小麦产量的重要指标,对于作物表型参数计算、产量预测和大田管理都具有重要的意义。目前的研究均未以单位面积麦穗图像为研究对象,为准确获取单位面积麦穗数,该研究提出了基于改进YOLOX的单位面积麦穗检测方法,利用采样框直接实现单位面积麦穗计数。首先,设计了一种简单的单位面积采样框,通过训练角点检测网络识别采样框,以提取单位面积小麦区域;其次,针对麦穗检测中存在的目标密集和相互遮挡问题,在麦穗检测网络的特征融合层,采用上下文信息进行特征重组的上采样方法（Content-Aware ReAssembly of Features,CARAFE）代替YOLOX-m模型中的上采样算法,同时结合迭代注意力特征融合模块（iterative Attentional Feature Fusion,iAFF）,增加对麦穗空间信息和语义信息的提取。试验结果表明,改进的YOLOX-m模型明显改善了对密集麦穗和遮挡麦穗的检测效果,其精确率、召回率、平均精确度和F1值分别为96.83%、91.29%、92.29%和93.97%,与SSD、CenterNet和原YOLOX-m模型相比,平均精确度分别提升了10.26、8.2和1.14个百分点。该研究方法能够直接对复杂大田场景下的单位面积麦穗进行准确检测和计数,为实际生产小麦产量预测中的麦穗智能化计数提供了一种方法参考。     

改进YOLOv5测量田间小麦单位面积穗数

单位面积穗数是决定小麦产量的主要因素之一。针对人工清点小麦穗数的方法容易受主观因素影响、效率低和图像处理方法鲜有进行系统部署等问题,提出一种注意力模块（Convolutional Block Attention Module,CBAM）与YOLOv5相结合的CBAM-YOLOv5网络结构,通过对特征图进行自适应特征细化,实现更准确的单位面积穗数测量。该研究以本地采集小麦图像数据和网络公开小麦图像数据为数据集,设置输入图像分辨率为1 280,得到CBAM-YOLOv5模型,可以达到0.904的F1分数和0.902的平均精度,测试集计数的平均相对误差为2.56%,平均每幅图像耗时0.045 s,综合对比,CBAM-YOLOv5模型具有显著优势。模型放置于服务器,结合手机端软件和辅助装置,形成单位面积穗数测量系统,实现育种小区麦穗图像实时采集、处理和计数,计数的平均相对误差为2.80%,抗环境干扰性强。该研究方法与装置可以实现田间小麦单位面积穗数的实时在线检测,降低主观误差,具有较高的准确率及较强的鲁棒性,为小麦单位面积穗数快速、准确估测提供一种新的技术和装备支撑。     

多通道深度可分离卷积模型实时识别复杂背景下甜菜与杂草

针对实际复杂田间环境下杂草与作物识别精度低和实时性差的问题,为减少弱光环境对分割识别效果的影响,实现甜菜与杂草的实时精确分割识别,该文首先将可见光图像进行对比度增强,再将近红外与可见光图像融合为4通道图像;将深度可分离卷积以及残差块构成分割识别模型的卷积层,减少模型参数量及计算量,构建编码与解码结构并融合底层特征,细化分割边界。以分割识别精度、参数量以及运行效率为评价指标,通过设置不同宽度系数以及输入图像分辨率选出最优模型。试验结果表明:本文模型的平均交并比达到87.58%,平均像素准确率为99.19%,帧频可达42.064帧/s,参数量仅为525 763,具有较高分割识别精度和较好实时性。该方法有效实现了甜菜与杂草的精确实时识别,可为后续机器人精确除草提供理论参考。     

基于形状因子和分割点定位的粘连害虫图像分割方法

单个害虫的分割是进行害虫特征提取和识别的前提。针对害虫识别过程中出现的粘连等问题,提出了一种基于形状因子和分割点定位的害虫图像分割方法。该方法首先利用形状因子对图像中的每个区域进行粘连判定,然后对判定为粘连的区域进行逐层轮廓剥离和局部分割点的确定,接着根据局部分割点在原区域中搜索边界轮廓的两个分离点,最后连接局部分割点与分离点线段进行害虫分割。通过实验室人工随机散落桃蛀螟Conogethes punctiferalis(Guenée)和田间粘虫板诱捕梨小食心虫Grapholitha molesta(Busck)2种场景采集图像,验证算法的有效性,并与分水岭分割算法进行对比,采用分割率、分割错误率和分割有效性3项指标进行评价,结果表明:针对实验室环境下采集的2组桃蛀螟害虫图像,该文方法平均错误率为7%,约为分水岭分割方法的1/2,平均分割有效率为92.65%,比分水岭算法提高了5.7个百分点;在2组田间梨小食心虫图像分割中,该文方法平均错误率为2.24%,平均分割有效率为97.8%,分别比分水岭方法降低了4.29个百分点和提高了3.95个百分点,说明该文方法在分割准确性和有效性方面都可以获得更好的分割性能,应用于害虫多目标分割与自动识别系统中,可以有效地提高识别精度。     

基于TPH-YOLO的无人机图像麦穗计数方法

在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法，它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象，针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点，设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型，提高无人机图像麦穗计数的精度。首先，为了减小光照不均匀对无人机图像质量造成的影响，该研究采用Retinex算法进行图像增强处理。其次，在YOLOv5的骨干网络中添加坐标注意力机制（coordinateattention,CA），使模型细化特征，更加关注麦穗信息，抑制麦秆、麦叶等一些背景因素的干扰。再次，将YOLOv5中原始的预测头转换为Transformer预测头（transformer prediction heads,TPH），该预测头具有多头注意力机制的预测潜力，可以在高密度场景下准确定位到麦穗。最后，为了提高模型的泛化能力和检测精度，采用了迁移学习的训练策略，先使用田间采集的小麦图像数据集对模型进行预训练，接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练，...     

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。     

基于形态学图像处理的麦穗形态特征无损测量

小麦穗部形态参数是直接反应小麦生长状况的重要参数,是育种和考种专家关心的重要参数。为了实现小麦穗部形态特征的无损测量和基于这些特征的快速品种分类,该文提出了基于形态学的穗部性状：芒个数、平均芒长、穗长和穗型的自动提取方法。首先通过小麦图像的形态学运算将麦芒去除得到只有小麦主部的图像,通过寻找主轴方向角和旋转计算外接矩形长度的方法计算穗长,通过对麦芒图像的细化和角点检测方法计算芒长和芒个数,通过宽度系数比例判断穗型,然后利用提取的其中8个特征参数,设计了一个3层的BP神经网络,对4个小麦品种240张图片进行分类识别,识别准确率达到88%。该方法可为小麦快速品种分类提供参考。若能将小麦的其他外部参数同时作为品种识别的输入数据,将会大大提高品种识别的准确性。     

雨养条件下不同筋力小麦品种籽粒形态、品质性状及产量要素分析

为明确雨养条件下不同筋力类型小麦品种品质性状、产量要素构成和籽粒形态间的关系,于2017—2020年小麦生长季开展田间试验,选用黄淮海地区主推的5个强筋小麦品种和11个中筋小麦品种为材料,采用近红外光谱分析技术测定籽粒吸水率、硬度、容重、沉降值、蛋白质含量、湿面筋含量、面团形成时间、面团稳定时间、延伸性、最大抗延阻力,并采用种子图像分析技术测定籽粒长度、宽度、厚度、面积等主要形态指标,分析不同品种籽粒形态、品质性状及产量要素的相关性。结果表明,对16个供试小麦品种的综合品质进行聚类分析,共划分为5种类型,三年度中Ⅴ类小麦品种(师栾02-1、济麦20和泰科麦33)品质指标显著高于其余类小麦品种,其中,强筋小麦品种济麦20产量显著高于其余强筋小麦品种,中筋小麦品种烟农999、泰麦1918、烟农173产量显著高于其余中筋小麦品种,且泰麦1918品质较好且较稳定。小麦籽粒形态(籽粒长度、宽度、厚度、面积)和千粒重呈显著正相关关系,而二者与小麦品质性状呈显著负相关关系。综上考虑,强筋小麦品种济麦20和中筋小麦品种泰麦1918是适宜半湿润偏旱的鲁东地区雨养条件下种植的高产优质小麦品种,近红外光谱分析技术与种子图像分析技术的综合利用可作为小麦品质检测的有效技术方法。本研究结果可为鲁东地区高产优质小麦品种的筛选与品质分析鉴定提供理论依据。     

黄淮冬麦区南片气象因子对不同品种小麦籽粒特性的影响

2020/2021年度在黄淮冬麦区南片的4个省份分别设置大田试验,选择周麦18、周麦36及爱民蓝麦1号3个不同品质类型的冬小麦品种,分析比较不同气象因子对3个品种小麦产量及品质的影响。结果表明：不同小麦品种特性和试验点生态环境对小麦籽粒长宽、产量及品质的影响均达到显著水平,其中籽粒长度、株高及产量受环境条件的影响大于品种基因型,而籽粒宽度、产量三要素、籽粒淀粉、蛋白质和纤维素含量受品种基因型的影响大于环境条件。从不同试验点气象因子来看,籽粒长宽和千粒重表现一致,主要受抽穗−灌浆中期水分的正向调控和拔节−成熟期气温的负向调控;株高主要受拔节期水分和气温的正向调控;产量和穗粒数主要受抽穗期水分和气温、灌浆中期水分的正向调控;有效穗数主要受拔节−抽穗期日照时数的正向调控。籽粒淀粉含量受拔节后气温、水分的正向调控,受扬花后期日照时数的负向调控,籽粒蛋白质含量则与其相反,纤维素主要受抽穗−灌浆中期水分的正向调控。综上所述,不同小麦品种特性和试验点生态环境对小麦籽粒长宽、产量及品质均存在显著影响;拔节后的平均气温、总供水量及总日照时数对小麦籽粒表型、产量及品质性状的影响存在差异。     

耐盐小麦品种在干旱条件下的农艺性状分析

干旱、盐碱等逆境胁迫是影响小麦产量的主要自然灾害, 培育抗旱抗盐高产小麦品种是我国北方小麦育种的主要任务之一。本文对来自新疆的"新冬26"和来自河北沧州的"沧麦6001"、"沧麦6002"、"沧麦6003" 共4个小麦品种, 进行了苗期耐盐性初步鉴定, 了解4个耐盐小麦品种的耐盐能力差异, 并对2010-2011年2年中大田干旱条件下4个小麦品种的相关农艺性状进行了分析, 为小麦耐盐、耐旱品种改良与遗传育种提供参考信息。研究结果表明, 在100 mmol·L^-1 NaCl处理下, "新冬26"的根与苗的相对生长量高于3个沧麦品种; 在200 mmol·L^-1 NaCl处理下, "沧麦6003"根与苗的相对生长量较高; 同时经过100 mmol·L^-1 NaCl处理后, 4个品种的根苗长度比均有所降低, 但"新冬26"在200 mmol·L^-1 NaCl处理下, 较100 mmol·L^-1 NaCl处理下根苗长度比增大, 说明这个品种对高盐胁迫具有一定的耐受能力。在大田干旱条件下, 耐盐品种"新冬26"与沧麦"6001"表现耐旱高产。进一步分析干旱条件对耐盐小麦品种农艺性状的影响, 对农艺性状相关性分析表明: 单株籽粒产量与分蘖、穗粒数、小穗数、单株生物学产量呈极显著正相关, 与经济系数呈显著正相关。多元回归分析表明: 分蘖、小穗数、穗粒数、单株生物学产量4个农艺性状决定了单株产量75.9%的变异。以上试验结果说明, 在筛选耐盐耐旱小麦品种时, 应考虑选择分蘖、小穗数、穗粒数、单株生物学产量等指标比较高的品种。     

热胁迫对不同小麦品种灌浆速率的影响

为了给小麦高产稳产和耐热新品种选育提供依据,对北部冬麦区和黄淮冬麦区的12个推广小麦品种在正常及热胁迫下的产量、千粒重及灌浆过程进行了研究。试验于2014—2015年度在河北省辛集马兰农场进行,用大棚升温作为热胁迫处理,在小麦灌浆期对不同品种在正常及热胁迫处理下的灌浆速率进行测定,收获后测定产量和千粒重,并计算热感指数。结果表明,‘中麦175’、‘衡4399’、‘衡4444’、‘CA0816’和‘中麦875’在自然生长及热胁迫处理下有较高的产量。在小麦灌浆中后期的籽粒快增期及缓增期发生的热胁迫会通过影响灌浆速率显著影响小麦的千粒重及产量。根据千粒重热感指数对不同小麦品种的耐热性进行评估,发现‘京冬8号’、‘CA0816’、‘CA1062’、‘中麦875’、‘中麦895’及‘衡4444’的千粒重热感指数1,是耐热性较好的品种;其他品种的千粒重热感指数≥1,是热敏感品种。对不同品种在正常及热胁迫条件下的灌浆速率进行分析,发现热胁迫对不同耐热性品种灌浆速率产生影响的起始时间不同,耐热性好的品种的灌浆速率在灌浆后期才会受到热胁迫的影响,热敏感品种在灌浆中期即受到热胁迫的影响。总之,‘CA0816’、‘中麦875’和‘衡4444’是丰产性和耐热性都较好的品种;‘衡4399’和‘中麦175’的千粒重热感指数一般,但产量在自然生长及热胁迫下均较高;‘京冬8号’耐热性好,丰产性略差。以上品种均可作为优异的耐热资源在育种中加以利用,在育种实践中需联合使用品种的产量数据和千粒重热感指数来评估该品种在耐热性育种中的价值。     

追氮量对黑小麦品种(系)籽粒产量和品质的影响

为探究追氮量对不同黑小麦品种(系)籽粒产量和品质的影响,本研究采用大田裂区试验设计,主区为11个黑小麦品种(系),副区为追施氮量0(N0,对照)、34.5(N1)、51.8(N2)、69.0(N3)kg·hm²,于小麦灌浆期测定旗叶叶绿素含量(SPAD值),成熟期测定籽粒产量及产量构成要素、籽粒氮素含量和品质指标。结果表明,旗叶SPAD值在追氮处理下均增加,除B145-2、L10056、L10058的旗叶SPAD值在N1最高,其余8个品种(系)的旗叶SPAD值均随追氮量增加而升高。追施氮肥均有利于增加黑小麦产量,与N0相比,N1、N2和N3的产量增幅分别为15.2%~99.7%、17.5%~80.9%和0.7%~69.9%。11个品种(系)获得最高产量的适宜追氮量因品种而异,其中L10056、B120-2、运黑14207籽粒产量随追氮量增加而增加,B145-2、L10058籽粒产量在N2最高,其余6个品种(系)籽粒产量在N1最高。追氮量、品种及二者交互均对产量及构成因素存在极显著影响。追施氮肥能够提高多数黑小麦品种籽粒氮素含量,其中B145-2、L10058和运黑14207在N2最高,18鉴46、临黑131、冬黑1号、临黑187、2002-4、运黑161在N1最高。追氮量与籽粒产量、氮含量、蛋白含量呈正相关(相关性不显著),而产量与籽粒蛋白含量及多数品质指标存在极显著负相关关系。综合考虑黑小麦产量及品质的提高,追氮量在34.5~51.8 kg·hm²之间较为适宜。本研究结果可为黑小麦合理施用氮肥提供参考。     

追氮量对黑小麦品种(系)籽粒产量和品质的影响

为探究追氮量对不同黑小麦品种(系)籽粒产量和品质的影响,本研究采用大田裂区试验设计,主区为11个黑小麦品种(系),副区为追施氮量0(N0,对照)、34.5(N1)、51.8(N2)、69.0(N3)kg·hm²,于小麦灌浆期测定旗叶叶绿素含量(SPAD值),成熟期测定籽粒产量及产量构成要素、籽粒氮素含量和品质指标。结果表明,旗叶SPAD值在追氮处理下均增加,除B145-2、L10056、L10058的旗叶SPAD值在N1最高,其余8个品种(系)的旗叶SPAD值均随追氮量增加而升高。追施氮肥均有利于增加黑小麦产量,与N0相比,N1、N2和N3的产量增幅分别为15.2%~99.7%、17.5%~80.9%和0.7%~69.9%。11个品种(系)获得最高产量的适宜追氮量因品种而异,其中L10056、B120-2、运黑14207籽粒产量随追氮量增加而增加,B145-2、L10058籽粒产量在N2最高,其余6个品种(系)籽粒产量在N1最高。追氮量、品种及二者交互均对产量及构成因素存在极显著影响。追施氮肥能够提高多数黑小麦品种籽粒氮素含量,其中B145-2、L10058和运黑14207在N2最高,18鉴46、临黑131、冬黑1号、临黑187、2002-4、运黑161在N1最高。追氮量与籽粒产量、氮含量、蛋白含量呈正相关(相关性不显著),而产量与籽粒蛋白含量及多数品质指标存在极显著负相关关系。综合考虑黑小麦产量及品质的提高,追氮量在34.5~51.8 kg·hm²之间较为适宜。本研究结果可为黑小麦合理施用氮肥提供参考。     

剪叶对不同土壤类型及不同品种小麦产量和品质的影响

为探究不同土壤条件下剪叶对不同品种小麦植株性状、籽粒产量和品质的影响,采用盆栽试验,在土壤肥力较高的黑土和土壤肥力较低的潮土条件下,以强筋春小麦品种津强8号和中筋春小麦农麦5号为供试品种,于小麦旗叶展开时,进行不同叶位剪叶处理。结果表明,在其他处理相同时,黑土条件下小麦株高、穗长、千粒重和籽粒产量均显著(P < 0.05)优于潮土条件下的小麦,其中产量提高44.8%,说明土壤肥力对小麦植株性状和产量有重要影响;剪叶处理的穗粒数、千粒重和产量均低于不剪叶(CK)处理,其中剪旗叶的产量较CK降低25.4%,剪倒2叶的产量较CK降低21.8%,且差异显著(P < 0.05),说明剪叶对小麦产量性状有不利影响。黑土条件下籽粒总蛋白质及组分含量均高于潮土,其中总蛋白质含量、球蛋白和醇溶蛋白含量分别较潮土条件下高出1.88个百分点、0.34个百分点、1.06个百分点,且均达到显著水平(P < 0.05),说明土壤肥力对小麦品质有重要影响;津强8号的总蛋白质含量、球蛋白、醇溶蛋白和谷蛋白含量均高于农麦5号,其中谷蛋白含量显著高出1.38个百分点(P< 0.05);而农麦5号的清蛋白含量较津强8号显著高出0.68个百分点(P< 0.05),说明强筋小麦品种并非每项品质指标都优于中筋小麦品种。本研究结果为进一步开展小麦优质高产栽培研究提供了理论依据。