基于深度神经网络的探地雷达杂波抑制和根参数预测方法

为解决探地雷达（ground penetrating radar, GPR）异质土壤环境下树木根系检测图像存在背景杂波,影响检测精度,并且其数据的解译自动化程度低、成本高的问题,该研究提出一种基于深度神经网络（deep neural networks, DNN）的探地雷达杂波抑制和根参数预测方法。首先引入注意力机制优化U-net模型构成杂波抑制网络,更好地关注目标根系的双曲线反射,去除土壤异质性和雷达天线之间耦合带来的杂波影响,然后将杂波抑制前后的两张图像并行输入根参数估计网络,利用inception的多尺度感受野,挖掘全局特征和局部特征,同时预测根深度和根半径。利用仿真数据和合成真实数据构成的数据集验证方法的可行性,并完成了实地埋根试验。基于数据集的试验结果表明,该方法对于根半径预测的平均绝对误差为1.7 mm,R²值为0.914,根深度预测的平均绝对误差为6.3 mm,R²值为0.989;埋根试验的结果证明该方法对于根半径预测的最大误差为1.85 mm,根深度预测的最大误差为13.6 mm,平均相对误差为6.55%,实现了对根半径和根深度的准确预测。研究结果有助于为果树健康管理以及为古树名木保护提供决策参考。     

基于生成对抗网络的抗阴影树木检测方法

森林遥感影像数据在采集过程中会因为光照的影响产生阴影区域,为了解决这些阴影区域对单棵树木检测的干扰问题,该研究在快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster RCNN)目标检测框架基础上,提出基于生成对抗网络的抗阴影树木检测方法(GenerativeAdversarialBasedFasterRegionConvolutionalNeural Networks,GA-FasterRCNN),通过采用基于对抗生成策略的树木生成器,提高分类网络对树木信息的敏感度,降低阴影的干扰。该研究对3块树木阴影与郁闭度各不相同的测试样地高分遥感影像进行了树木检测试验,并与现存的3种算法进行了对比。结果显示,基于生成对抗网络的抗阴影干扰树木检测方法在3块样地的综合性能指标F1值分别达到了78.4%、91.6%和81.7%,均高于另外3种算法,并且树木识别准确率比现有方法有了明显的提高,漏检数和误检数也均明显减少。此外,在采用不同特征提取网络时该算法依然能保持其检测的稳定性。研究结果表明通过对抗生成训练策略学习表征树木的最少特征信息可有效降低阴影对树木检测的干扰。     

改进YOLOv5识别复杂环境下棉花顶芽

为提高复杂环境下棉花顶芽识别的精确率,提出了一种基于YOLOv5s的改进顶芽识别模型。建立了田间复杂环境下棉花顶芽数据集,在原有模型结构上增加目标检测层,提高了浅层与深层的特征融合率,避免信息丢失。同时加入CPP-CBAM注意力机制与SIOU边界框回归损失函数,进一步加快模型预测框回归,提升棉花顶芽检测准确率。将改进后的目标检测模型部署在Jetson nano开发板上,并使用TensorRT对检测模型加速,测试结果显示,改进后的模型对棉花顶芽识别平均准确率达到了92.8%。与Fast R-CNN、YOLOv3、YOLOv5s、YOLOv6等算法相比,平均准确率分别提升了2.1、3.3、2、2.4个百分点,该检测模型适用于复杂环境下棉花顶芽的精准识别,为后续棉花机械化精准打顶作业提供技术理论支持。     

基于改进MobileNet-V2的田间农作物叶片病害识别

农作物病害是造成粮食产量下降的重要因素,利用智能化手段准确地识别农作物病害有利于病害的及时防治,该研究基于改进的MobileNet-V2识别复杂背景下的农作物病害,对未来覆盖各种作物的智能化病害识别工作具有重要意义。首先创建含有11类病害叶片及4类健康叶片的农作物数据集,采用数据增强操作构造不同的识别场景。其次在原始模型MobileNet-V2的基础上,嵌入轻量型的坐标注意力机制,建立通道注意力与位置信息的依赖关系。然后对网络中不同尺寸的特征图采取上采样融合操作,构建兼具网络高、低层信息的新特征图。此外,采用分组卷积并删除模型中不必要的分类层,减少模型参数量。试验结果表明：改进模型的参数量为2.30 MB,改进模型的识别准确率在背景复杂的农作物叶片病害数据集中达到了92.20%,较改进前提高了2.91个百分点。相比EfficientNet-b0、ResNet-50、ShuffleNet-V2等经典卷积神经网络架构,改进模型不仅达到了更高的识别准确率,还具有更平稳的收敛过程以及更少的参数。该研究改进的模型较好地平衡了模型的复杂度和识别准确率,为深度学习模型移植至田间移动病害检测设备提供了思路。     

采用改进YOLOv4算法的大豆单株豆荚数检测方法

大豆单株豆荚数检测是考种的重要环节,传统方法通过人工目测的方式获取豆荚类型和数量,该方法费时费力且误差较大。该研究利用大豆单株表型测量仪采集到的表型数据,通过融合K-means聚类算法与改进的注意力机制模块,对YOLOv4目标检测算法进行了改进,使用迁移学习预训练,获取最优模型对测试集进行预测。试验结果表明,该研究模型的平均准确率为80.55%,数据扩充后准确率达到了84.37%,比育种专家目测准确率提高了0.37个百分点,若不考虑5粒荚,该研究模型的平均准确率为95.92%,比YOLOv4模型提高了10.57个百分点,具有更强的检测性能。在简单背景的摆盘豆荚检测中,该研究模型预测的平均准确率达到了99.1%,比YOLOv4模型提高了1.81个百分点,研究结果表明该模型在不同场景下的大豆豆荚检测中具有较强的泛化能力,可为大豆人工智能育种提供参考。     

基于改进YOLOv7的复杂环境下红花采摘识别

针对光照、遮挡、密集以及样本数量不均衡等复杂环境造成红花机械化采摘识别不准问题,该研究提出一种基于YOLOv7的改进模型,制作红花样本数据集建立真实采摘的复杂环境数据,增加Swin Transformer注意力机制提高模型对各分类样本的检测精准率,改进Focal Loss损失函数提升多分类任务下不均衡样本的识别率。经试验,改进后的模型各类别样本的检测平均准确率达到88.5%,与改进前相比提高了7个百分点,不均衡类别样本平均精度提高了15.9个百分点,与其他模型相比,检测平均准确率与检测速度均大幅提升。改进后的模型可以准确地实现对红花的检测,模型参数量小,识别速度快,适合在红花采摘机械上进行迁移部署,可为红花机械化实时采摘研究提供技术支持。     

基于迁移学习和残差网络的农作物病害分类

作物病害对农业产品的质量和产量有重要影响,单一物种病害的分类模型难以应对复杂的农业生产环境。该研究对深度残差网络SE-ResNeXt-101模型进行改进,并基于迁移学习(TransferLearning,TL)提出了一种农作物病害分类模型TL-SE-ResNeXt-101,用于不指定农作物种类的病害检测分类。在重构的AI Challenger 2018农作物病害数据集上,将该模型与VGG-16、GoogLeNet、ResNet-50和DenseNet-121卷积神经网络模型进行比较。结果表明,相同试验条件下,本文模型对不同作物种类的不同病害分类平均准确率达到98%,分类效果优于其他模型;在真实农业生产环境下该模型的分类效果也优于其他模型,平均准确率达到47.37%。该模型具有较高的识别准确率与较强的鲁棒性,可为复杂农业生产环境下对不同作物种类不同病害的识别分类提供参考。     

应用改进遗传神经网络识别种蛋蛋形试验

针对人工检测种蛋蛋形劳动强度大,缺乏客观性,检测效率低,研究了自动快速、准确地识别鸡种蛋蛋形的方法。以蛋形指数和蛋径差为形状特征参数,利用机器视觉技术、矩技术和提出的改进遗传神经网络算法剔除畸形蛋。基于机器视觉和矩技术提取种蛋的长短径,剔除蛋形指数不合格种蛋后,再通过构建合理的遗传神经网络模型,以蛋径差作为神经网络输入参数,根据网络输出值识别种蛋蛋形。对过圆蛋、过尖蛋、畸形蛋和正常蛋检测准确率分别达到了97.10%、95.59%、94.87%和95.75%。研究种蛋蛋形自动识别方法对提高种蛋蛋形检测准确率和工作效率具有重要意义,试验结果表明提出的种蛋蛋形评价指标合理,用于识别种蛋正常蛋形,剔除畸形蛋准确率高,速度快,算法具有鲁棒性。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

基于支持向量机的玉米根茬行图像分割

玉米根茬行的准确识别是实现玉麦轮作机器视觉式小麦自动对行免耕播种技术的前提。针对华北一年两熟区联合收获机玉米留茬收获后根茬行较难准确分割的问题，该研究以直立玉米根茬为研究对象，提出一种基于支持向量机（Support Vector Machine，SVM）的玉米根茬行分割方法。首先，利用主成分分析（Principal Components Analysis，PCA）对提取的目标（直立根茬）与背景（行间秸秆及裸露地表）的颜色和纹理特征进行分析，优选出21个特征，构成特征向量作为训练直立根茬SVM识别模型的输入；然后，根据图像坐标设置图像中间包含完整玉米根茬行的矩形区域为感兴趣区域（Region of Interest，ROI）；最后，使用训练好的直立根茬SVM识别模型以25×25（像素）的窗口在ROI内滑动检测，采用阈值法分割根茬行并通过形态学处理优化得到最终的玉米根茬行二值图像。利用在农业农村部河北北部耕地保育农业科学观测实验站采集的100幅玉米根茬行图像进行试验，结果表明，本文方法对于不同行间秸秆覆盖量和不同光照条件下的根茬行分割表现出较好的准确性和鲁棒性，直立根茬平均识别准确率、平均分割准确率、平均召回率、平均分割准确率和平均召回率的加权调和平均值（F1avr值）分别为93.8%、93.72%、92.35%和93.03%，每幅图像的平均分割时间为0.06 s，具有较好的实时性。基于SVM的分割方法可实现联合收获机玉米留茬收获后根茬行图像的分割，为下一步检测玉米根茬行直线并将其作为导航基准线进行视觉导航的研究提供良好基础。     

冀西北地区白桦根系-土壤界面摩擦性能

林木根系通过摩擦锚固作用实现对土体的固持。以冀西北地区白桦的根系为对象,通过垂直拉拔试验,探究根径、根系土中埋深、土壤含水率、海拔、根系生长方向等因素对根系-土壤界面摩擦性能的影响。结果表明:根土摩擦力随着埋深、根径的增大而增大,同根系直径满足幂函数关系,决定系数大于0.82,拟合良好;土壤含水率由11.85%增大至17.85%,根土摩擦力先增后减,最大拔出力对应土壤含水率范围在13.85%～17.85%之间;不同海拔位置、不同生长方向的根系,其根土界面摩擦力也有所差异。冗余分析结果表明,根系直径和海拔对根土摩擦力贡献接近且较高。研究结果对冀西北地区林木树种的选择和生态环境的保护具有重要的意义。     

Mineralisation of C and N from root, stem and leaf residues in soil and role of their biochemical quality

The influence of biochemical characteristics of 15 crop residues on C and N mineralisation in soil was investigated by following the decomposition of roots, stems and leaves of four subtropical species and one temperate species buried into the soil. The C, N and polyphenols contents were measured in different biochemical pools obtained from residues of the different organs. The mineralisation of root C was significantly lower than that of leaves and stems. Chemical analysis showed a higher polyphenol content in the leaves and a higher ligninlike content in the roots. Carbon and N mineralisation were simulated with the STICS decomposition submodel and tested against the data set. The model predicted leaf and stem C mineralisation for all five species fairly accurately, but failed to predict root C mineralisation, indirectly revealing the more complex composition of the root tissue. The results showed the interest of separately considering the different plant parts when studying plant residue decomposition and the need to develop other methods of residue quality characterisation to improve the prediction of residue decomposition.     

Measurement of root diameter in field-grown crops under a microscope without washing

The variation in the root diameter of field-grown crops was directly measured under a microscope by manually removing soil particles from roots without washing the roots. The frequency of the root diameter at the mode (about 10 μm, mainly of root hairs) was higher in wheat and maize (about 60%) than in soybean and sugar beet (about 30%), and it was the lowest in potato (21%). The diameter of 88 to 97% of the roots larger than 20 μm ranged from 21 to 160 μm. The finer the roots, the higher was the frequency, except for potato roots in which the frequency of roots with a diameter of 21 to 40, 41 to 80, and 81 to 160 μm was about 30%. Since fine roots and root hairs account for the largest proportion of the crop root system, they should appropriately be quantified whenever morphological and physiological aspects of roots are analyzed.     

蒙古栎根系单根抗拉力学特性

为探究蒙古栎根系的基本力学性质,对试验机夹具进行了改进并对根进行了预处理。选取直径范围为1~17 mm的蒙古栎根系在不同标距下进行了室内单根拉伸试验。结果表明,根系的抗拉力随直径的增大而增大,且呈显著的幂函数关系;抗拉强度随直径增加呈减小趋势;蒙古栎单根应力应变曲线在各个径级下皆为单峰曲线,呈弹塑性材料特征。说明蒙古栎通过其较强的抗拉性能和变形能力可对维持坡面稳定起到了积极作用。     

基于三维点云的甜菜根表型参数提取与根型判别

为挑选产糖量高且适合机械化收获的甜菜根型,该文基于多视角图像序列,构建了207个基因型甜菜根的三维点云模型。基于三维点云提取了描述甜菜根形态特征的10个表型参数:最大直径、根长、凸包体积、顶投影面积、紧凑度、凸起率、凸起角、根头比、根尾比和根体渐细指数。与人工测定的最大直径和根长值进行校验,决定系数R2均在0.95以上。其中根长、凸包体积及顶投影面积与生产指标呈极显著(P0.01)相关关系。采用稳定性较高的K-medoids聚类算法将甜菜根型分为4类,结合专家知识获取理想根构型的主要特征为根型中等长度、比例适中。采用线性判别、随机森林、支持向量机、决策树和朴素贝叶斯5种预测模型进行根型判别。结果表明5种根系判别模型预测准确率均在70.0%以上,随机森林判别准确率达到81.4%。研究结果将为培育高品质和适应机械化生产的甜菜品种提供依据。     

利用径向生长修复算法检测玉米根系表型

针对根系图像中的断根易导致根系表型信息难以精确获取的问题,该研究提出一种根系径向生长修复算法,并基于此进行不同抗性玉米种子根系表型对比研究。首先,采用自适应对比度增强、直方图灰度查找、椒盐去噪等对采集的根系图像进行预处理,从复杂背景中分离出根系图像;再通过YOLO-V3检测模型进行根系图像中主根根尖识别;最后,自根尖开始进行径向生长,通过分叉点主根提取策略、端点自适应修复策略实现主根图像修复,并提取主根和侧根表型信息。将普通、抗旱、抗涝、抗盐4种不同抗性的玉米种子种植于槽型扁平容器中培养14 d后取出,冲洗得到完整根系并进行图像采集。采用径向生长修复算法进行根系修复后提取根系长度和直径与根系图像修复前相比,根系长度和直径的提取精度分别由83.6%和84.4%提高至97.4%和94.8%,径向生长修复算法提取精度优于区域生长算法,适用于不同胁迫环境下玉米根系表型参数提取。在干旱环境和盐腌环境下,径向生长修复算法精度提升更明显。结果表明,本研究所提算法所提出的根系径向生长修复算法可有效提高根系图像表型信息精度,为根系表型快速提取提供参考。     

番茄辣椒微型根系形态原位采集系统设计与实现

为实时获取浅根系作物的根系生长形态,设计了一种可用于多点测量的微型根系形态实时原位采集系统。系统主要由微型摄像头和光学放大元件等组成(体积1.5cm3),采集的图像通过无线模块发送至终端。采用基于区域生长的根系图像分析方法,以腐蚀图像为出发点,膨胀图像为终止点,结合相似性准则进行区域生长、区域标记和区域保留,来滤除土壤孔隙和杂质等对图像产生的干扰,从而提取根系轮廓,并通过图像形态学计算得到根长密度、根系平均直径等形态参数。以此系统采集樱桃番茄、辣椒根系形态参数,试验结果表明,根系长度测定值的绝对误差不超过1.5 mm,相对误差不超过5.3%;根系平均直径绝对误差不超过0.09 mm,相对误差不超过6.7%。与土壤采样法测定值相比,在0～10、10～20、20～30和30～40 cm 4个土壤层内2种测定方法根系平均直径决定系数R20.87(P0.01),根长密度在30 cm深度以内的土壤层决定系数R20.81(P0.01)。证明本文设计的微型根系形态实时原位采集系统具有较高的准确性,可用于浅根系作物形态的多点观测。     

不同生长期多花木兰根系抗拉拔特性及其根系边坡的稳定性

为研究不同生长期灌木植物根系抗拉拔特性,并分析其对护坡效应的影响,对生长期分别为3个月、6个月、9个月、12个月、15个月和18个月的典型护坡灌木植物多花木兰根系进行室内抗拉试验和现场抗拔试验,并采用二维有限元法模拟试验区不同生长期多花木兰根系边坡稳定性的增强作用。结果表明：受不同生长期的影响,多花木兰单根的抗拉力随着根径的增加呈幂函数增大,抗拉强度随着根径的增加呈幂函数减小,单根直径一定时,抗拉力和抗拉强度随着生长期的增长而增大;受不同生长期的影响,多花木兰植物根系的抗拔力随着地径、地下生物量和侧根数的增加呈指数函数增大,多花木兰根系的平均生物指标和平均抗拔力的增大幅度随着生长期的增长而减小,其中平均抗拔力增大幅度由102.78%减小到31.55%;边坡的安全系数随着植物生长期的增长而增大,等效塑性应变和最大位移随着植物生长期的增长而减小,其中最大等效塑性应变较裸坡减小了24%～72%,最大水平位移的减少程度约为最大竖向位移的一半。     

滴灌施肥对桃树细根生长及氮素吸收的影响

  【目的】  从桃树根系生长角度探讨滴灌施肥提高氮肥利用率的机理,为提高滴灌施肥技术提供理论依据。  【方法】  田间试验于2016年开始,在河南中牟综合试验站进行,供试材料为两年生桃树。设置滴灌施肥和传统施肥两个处理,滴灌施肥的氮磷钾用量为传统施肥的40%～60%。将微根管埋于距桃树60 cm远、40 cm深处,连续3年观测根系的生长状况。2018年桃树落叶后,利用15N示踪方法测定了桃树不同器官的氮素养分吸收和运转量,计算了氮肥利用率。  【结果】  滴灌施肥桃树的细根性状与传统肥水处理差异显著。传统肥水桃树细根褐变时间为38天,细根中值寿命为107天,细根现存量为82条,而滴灌施肥处理三指标依次为生长51天、147天、311条。细根年周转率各年份间差异大,但滴灌施肥处理显著低于传统肥水处理。8月下旬根系活力滴灌施肥处理最高达39.47 mg/(g·h),传统肥水处理仅为27.86 mg/(g·h),11月下旬两处理的根系接近休眠状态,根系活力差异不显著。滴灌施肥处理桃树各部位Ndff值显著高于传统肥水处理,滴灌施肥处理氮素吸收利用率达到17.89%,传统肥水处理氮素吸收利用率为9.75%,滴灌施肥处理显著高于传统肥水处理。  【结论】  滴灌施肥处理提高了根系细根数量,延长了至细根褐变时间,提高了细根中值寿命,提高了细根现存量,降低了细根周转率,生长季内提高了根系活力,因此提高了氮素吸收利用率。