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。     

基于多幅图像的黄瓜叶片形态三维重建

为了更加快速、便捷、精确和逼真地重构出植物叶片的三维形态,提出了基于多幅图像的黄瓜叶片建模方法。首先利用角点检测算法提取叶片边缘及主脉的特征点,通过结合极线约束和SIFT特征描述算子对特征点进行匹配,进而得到特征点的三维坐标;然后利用B样条曲线连接这些特征点,对叶片边缘和中脉进行拟合,再利用Delaunay三角化方法对叶片进行三角网格化;最后通过纹理映射增加模型的真实感。试验结果表明,通过该方法可以精确、快捷地重构出黄瓜叶片的三维形态,具有较强的真实感效果。     

小麦叶片CO2/H2O交换参数对不同供水条件的响应

在大田不同供水条件下,于小麦孕穗期和灌浆期对小麦叶片气体交换参数的日变化进行了连续测定,结果表明,小麦叶片光合速度,气孔导度,蒸腾速度,以及叶肉细胞间隙ＣＯ２浓度均有较明显的日变化。不同供水条件下,Ｐｎ的日变化趋势不同,充分供水时为典型的双峰曲线,中午有明显的“午休”现象;当非充分供水时,Ｐｎ午休现象明显,且持续时间长,第二高峰表现不明显。     

自适应加权算子结合主曲线提取玉米叶片点云骨架

为从玉米叶片点云数据（尤其是缺失点云数据）中准确提取骨架特征,该研究设计了一种考虑玉米叶片形状结构和数据完整性的自适应加权算子来计算玉米叶片点云的骨架约束点集,并引入主曲线对骨架约束点集进行拟合得到优化的玉米叶片点云骨架。首先使用K均值聚类将玉米叶片分为若干变化较为平缓的部分;然后通过改进的距离场方法提取点云的截面相关点集;再利用设计的包括空间距离、法向差异和点云完整性的自适应加权算子,提取骨架约束点集;最后计算骨架约束点集的主曲线得到最终的玉米叶片点云骨架。通过对30个具有典型形状特征的玉米叶片点云数据的测试结果表明,本文方法所提取的骨架能较好地反映玉米叶片的三维形状结构,利用所提取骨架计算的叶长与实测叶长的平均绝对百分比误差（Mean Absolute Percent Error,MAPE）为2.10%,均方根误差（Root Mean Square Error,RMSE）为2.21 cm,标准化均方根误差（Normalized Root Mean Square Error,NRMSE）为2.89%。该方法可实现玉米叶片点云骨架的自动提取,对缺失的点云数据具有较好的鲁棒性,无需后期手动调整,能够为表型大数据处理、自动化表型解析等提供技术支持。     

基于模糊顺序形态学的植物叶片脉络边缘提取

植物叶片是作物分类和识别的简单有效方法,叶片的脉络和边缘特征提取是识别叶片的基础步骤。植物叶片图像通常受噪声影响,提取清晰的脉络和边缘比较困难,该文提出了基于模糊顺序形态学的植物叶片脉络边缘特征提取方法。首先,根据像素邻域特性,利用植物叶片脉络边缘及内部区域的差异性,构造了隶属度函数;然后,依据Sugeno模糊模型,定义了能够增大叶片脉络边缘和内部区域差异的模糊规则,进行模糊推理;该文采用了抑制噪声特别有效的顺序形态学边缘检测算子,对图像进行脉络边缘提取,最终得到植物叶片脉络和边缘信息图像。试验结果表明,该文方法克服了自然环境中噪声的影响,提取的植物叶片脉络和边缘更加清晰、定位更加准确。     

基于改进Mask R-CNN模型的植物叶片分割方法

通过图像处理对植物叶片进行分割是研究植物表型性状的基础,但叶片间相互遮挡、叶片边缘特征不明显以及幼叶目标过小会对叶片分割效果造成很大的障碍。针对上述问题,该研究提出了一种基于改进Mask R-CNN模型的植物叶片分割方法,通过引入级联检测模块对模型检测分支进行改进,以提高遮挡叶片检测质量;利用注意力机制和一个2层3×3卷积模块对模型分割分支进行优化,以提高边缘特征表达能力;在模型测试过程中采用多尺度叶片分割策略,利用多个尺度上的最优目标以分割幼叶。测试结果表明,在CVPPP叶片分割挑战数据集中的对称最佳Dice得分Symmetric Best Dice（SBD）为90.3%,相比于利用域随机化数据增强策略并采用Mask R-CNN模型进行叶片实例分割的方法提高了2.3个百分点,叶片分割效果有显著提升。该研究提出的方法可以有效解决植物叶片分割效果不佳的问题,为植物表型研究提供技术支撑。     

基于改进Mask R-CNN的黄瓜叶面积测量模型

植物叶面积可以反映出植物的生长速率、养分吸收以及光合作用能力，针对锯齿状边缘的黄瓜叶片分割精度较低，叶面积测量误差较大等问题。该研究提出一种深度卷积网络模型Marm，在Mask R-CNN的基础上利用Sobel算子进行边缘检测，使模型生成的掩膜更接近叶片的边缘。另外，引入边缘损失以提升叶片边缘的分割精度。借助参照物标签，利用模型输出的掩膜图像进行面积计算，获得黄瓜叶片在不同生长周期的叶面积。试验结果表明，Marm模型精确率、召回率和交并比达到99.1%、94.87%和92.18%，比原始的Mask R-CNN分别提高1.28个百分点、1.13个百分点和1.05个百分点，面积误差率下降1.43个百分点。当图像中存在叶片遮挡和阴影等多种影响，黄瓜叶片的面积误差率仍然能保持在5.45%左右。该研究有效解决了锯齿状边缘的叶片分割问题，将为植物表型研究提供技术支撑。     

红边参数在作物营养诊断和品质预报上的应用

通过对红边参数与反映作物碳氮代谢典型的生物化学参数叶片全氮和叶片可溶性糖进行相关分析,结果表明,可运用红边位置来反演叶片可溶性糖含量,归一化最小振幅来反演叶片全氮含量。并建立了基于红边参数的生化组分统计回归模型和基于叶片全氮与可溶解性糖比值与籽粒蛋白品质指标间的回归方程,并对建模试验所建立方程进行了检验。表明利用运用红边参数反演叶片全氮和可溶性糖含量进而预测小麦蛋白品质是可行的。为生产上利用遥感手段大面积、无破坏、及时评价冬小麦生长状态和在开花期进行小麦品质的预测预报研究提供重要依据。     

轴流泵叶片设计协同优化算法

为满足轴流泵叶片的水力和结构性能,对轴流泵叶片采用基于i S I G H T的多学科设计优化。在确立叶栅稠密度及其沿展向变化规律、轮毂比和厚度比作为设计变量的基础上,建立了轴流泵叶片多学科协同优化模型,提出了协同优化算法在轴流泵叶片多学科设计优化过程中的改进方法,系统级采用约束松弛法,子系统级采用响应面法。经实例运行,证实了基于约束松弛的协同优化算法能够很好地解决轴流泵泵叶片设计中2个学科的耦合以及数据量大和数据关系复杂的问题。同时约束松弛法的引入又使得协同优化的计算收敛更快,可靠性更高。通过模型泵试验证实了多学科设计优化提高了轴流泵叶片的综合性能,可有效兼顾高效、轻量化的要求。     

基于球B样条函数的烟草叶片虚拟实现

植物三维形态的可视化模拟是数字植物研究的基础。该文综合应用球B样条曲线和插值B样条曲面实现了以脉序作为结构骨架的烟草叶片几何建模。首先利用三维数字化仪等数据获取装置获取烟草叶片脉序主要形态特征点的三维坐标和厚度,然后利用球B样条曲线对脉序进行三维建模,生成叶片的形态骨架,与由插值样条生成的叶片曲面合成,实现了烟草叶片的三维重建和真实感显示。结果表明,该方法得到的烟草叶片几何模型与传统方法相比具有较高的真实感,为植物叶片叶脉尺度的高真实感几何建模提供了新的手段。     

基于改进型模糊边缘检测的小麦病斑阈值分割算法

针对小麦病斑分割不准确、噪声大以及病斑边缘不清晰等问题,结合传统的作物病斑分割方法,提出一种基于改进的模糊边缘检测的图像阈值分割算法。图像预处理方面,在分析了传统模糊边缘检测缺点的同时对算法作了两个方面的改进,使用梯度倒数加权平均滤波方法去除小麦病斑噪声,然后对多层次模糊算法进行数值分层改进,增强病斑边缘信息;最后对传统的阈值分割方法进行了算法改进,采用一种改进的最大类间方差比阈值分割方法,在增强图像边缘的基础上进行阈值分割,改进阈值选取方法,在模糊增强后的小麦病斑图像上进行阈值分割提取出小麦病斑形状特征。对在大田环境下获取的小麦病害图像进行边缘增强和阈值分割试验,与传统固定阈值分割算法试验对比得出,基于改进的模糊边缘增强与阈值分割相结合的改进算法正确分割率达98.76%,相比传统固定阈值分割算法提高了8.35个百分点,漏检比增加了1.29个百分点,噪声比为1.86%,相比减少了8.36个百分点,在运算时间上减少了0.331 s,不仅突出病斑边缘信息,而且分割效率高、噪声小,可为图像分割方法的研究提供了可参考依据。     

小麦麦穗几何模型构建与可视化

作物器官几何建模是虚拟作物研究的关键技术之一。通过对小麦穗形态结构的观测分析,提出基于形态特征参数的麦穗几何模型及可视化实现方法。在已有麦穗形态模拟模型的基础上,结合麦穗拓扑结构,构建麦穗形态结构几何模型,包括穗轴、小穗（外麸、麦芒、花药等）、麦穗穗形等子模型。其中,穗轴节片使用底面为椭圆的圆柱体进行模拟,节片交错叠加构成穗轴。基于外麸曲面半径变化曲线,以三角面片构造近似半椭球体来模拟外麸;基于麦芒曲线,以三角面片重构横截面近似为等边三角形的麦芒;用非统一有理B样条曲面模拟开花期小花顶端的花药;采用分层模型控制麦穗穗形。然后根据麦穗拓扑结构组合以上各器官,即可构建出麦穗几何模型。进一步结合颜色渲染、纹理映射、光照渲染等真实感显示技术,基于.Net平台,借助CSOpenGL,实现麦穗生长动态的可视化。结果表明,重构出的麦穗具有一定的真实感,能够用于不同品种、不同处理条件下麦穗生长动态的可视化表达。研究结果将有助于实现小麦植株生长动态的数字化、可视化。     

不同尺度冬小麦氮素遥感监测方法及其应用研究

该文以航空影像、地面冠层光谱数据及同步观测的植被生化数据为基础，探讨了冬小麦冠层氮素监测的遥感方法。该方法应用于Lukina变量施肥模型，研究了基于遥感影像变量施肥量的计算方法。为实现以上目标，首先采用矩匹配和反射率转换方法，对获取的机载实用模块化成像光谱仪(OMIS)影像进行辐射校正；然后结合航拍相片及地面高精度差分GPS定位点坐标对高光谱影像进行几何校正。以预处理后的反射率影像和冠层光谱数据为数据源，采用倒高斯模型拟合冬小麦红边光谱曲线，并构建红谷位置、红边位置和红边宽度等光谱特征参量。通过对红边光谱特征量和实测氮素进行统计分析，寻找相关性显著、拟合误差小的最佳光谱特征量，并用于预测冬小麦冠层的氮素含量。统计相关分析结果表明：拟合曲线和图像反射率曲线面积差和实测的氮素含量有最高的相关性，且相关性达到极显著。最后，把该氮素预测方法集成到Lukina变量施肥模型中，结合反射率影像数据生成变量施肥处方图。文中探讨的最佳氮素预测方法改善了氮素预测的精度；基于影像的面状信息获取技术克服了点状信息的不足，使变量施肥技术更利于实用和推广。     

冬小麦叶面积指数地面测量方法的比较

该研究以冬小麦为对象,对叶面积指数测量的几种方法（比叶重法、照相法及SUNSCAN测量法）从测量难易程度、误差来源、适宜条件等方面做了比较分析与评价。研究表明比叶重法及照相法在整个生育期间均可使用,而基于SUNSCAN的仪器测量法在冬小麦封垄前的测量还需进一步研究。对SUNSCAN一天内不同时间测量的结果进行了比较,得出最适宜测量时间为13:00－15:00。照相法的测量精度最高,比叶重法次之,SUNSCAN测量需要根据作物生长特点做参数修正。针对SUNSCAN测量LAI提出了一种对叶倾角分布参数进行修正的方法,对3种冬小麦株型品种3个不同生育期进行了参数修正。该研究有助于地面测量叶面积指数的方法选择,同时对提高SUNSCAN测量精度具有参考意义。     

融合高光谱图像技术与MS-3DCNN的小麦种子品种识别模型

小麦品种的纯度和小麦产量密切相关,为了实现小麦种子品种的快速识别,该研究利用高光谱图像技术结合多尺度三维卷积神经网络（Multi-Scale 3D Convolutional Neural Network,MS-3DCNN）提出了一种小麦种子的品种识别模型。首先,利用连续投影算法（Successive Projections Algorithm,SPA）对原始高光谱图像进行波段选择,以减少MS-3DCNN模型的输入图像通道数量,降低网络训练参数规模;其次,利用多尺度三维卷积模块提取特征图的图像特征和不同特征图之间的耦合特征;最后,以6个品种小麦共6 000粒种子的高光谱图像（400～1 000 nm）为研究对象,基于SPA算法选择了22个波段高光谱数据,利用MS-3DCNN、支持向量机（Support Vector Machine,SVM）分别构建了识别模型。试验结果表明,MS-3DCNN模型取得了96.72%的测试集识别准确率,相较于光谱特征SVM识别模型和融合特征SVM识别模型分别提高了15.38%和9.50%。进一步比较了MS-3DCNN与基于二维卷积核、三维卷积核、多尺度二维卷积核构建的多个识别模型性能,结果表明多尺度三维卷积核能提取多种尺度的信息,其识别模型的准确率提高了1.34%～2.70%,可为小麦种子高光谱图像品种识别提供一种可行的技术途径。     

融合多尺度特征的冬小麦空间分布提取方法

如何获取到高质量的特征是从遥感影像中提取高精度的农作物空间分布的关键，该研究针对如何利用哨兵2A（Sentinel-2A）影像提取高精度的冬小麦空间分布开展研究。针对影像中存在的数据空间尺度不一致的问题，以生成式对抗网络为基础建立了降尺度模型REDS（Red Edge Down Scale），用于将B5、B6、B7、B11 4个通道的空间分辨率从20 m降为10 m；然后利用卷积神经网络构建了逐像素分割模型REVINet（Red Edge and Vegetation Index Feature Network），REVINet以10m分辨率的B2、B3、B4、B5、B6、B7、B8、B11，以及提取出的增强植被指数、归一化植被指数和归一化差值红边指数组合作为输入，进行逐像素分类。选择ERFNet、U-Net和RefineNet作为对比模型同REVINet开展对比试验，试验结果表明，该研究提出的方法在召回率（92.15%）、精确率（93.74%）、准确率（93.09%）和F1分数（92.94%）上均优于对比方法，表明了该研究在从Sentinel-2A中提取冬小麦空间分布方面具有明显的优势。     

不同土壤培肥措施下农田有机物麦秸分解的数学模型研究

利用网袋法研究不同培肥措施和不同土壤生物对麦秸分解率的影响,并依据试验所得数据,采用DUD非线性数学模型的数据拟合方法,确立农田有机物分解的非线性数学模型。由拟合模型的回归平方和以及残差平方和可以看出,模型拟合精度很高,表明采用本研究中的非线性数学模型,可很好地描述农田有机物的分解情况。     

基于傅里叶描述子和共振频率的不规则果形梨果硬度评估指标构建

针对不规则果形梨果,为构建适用于评估果形不规则梨果硬度的硬度指标,该研究采用傅里叶描述子对梨果轮廓进行描述,并将试验模态分析和有限元模态分析相结合,研究果形变化对梨果振动频率的影响规律,基于振动频率和果形描述子构建硬度评估指标。结果表明,采用前15个傅里叶描述子可以准确描述啤梨果形轮廓特征,第1傅里叶描述子与啤梨低频弯曲、挤压、呼吸模态频率线性相关性较高,相关系数分别为-0.923、-0.922、0.700;挤压模态振动变形在赤道部较大,测试时易于提取共振频率,因此选取挤压模态频率构建含有第1傅里叶描述子的硬度指标,新指标评估硬度值与M-T穿刺硬度实测值决定系数为0.892。研究结果可为果形不规则梨果硬度评价提供参考。     

基于无人机高光谱遥感的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪(ASD Field Spec FR Pro 2500 spectroradiometer,ASD)和Cubert UHD185 Firefly成像光谱仪(Cuber UHD185 Firefly imaging spectrometer,UHD185)在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm(第3~96波段)的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明:12种参数中比值型光谱指数RSI(494,610)与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系(决定系数R2=0.737,参与建模的样本个数n=103),且lg(LAI)预测值和lg(LAI)实测值高度拟合性(R2=0.783,均方根误差RMSE=0.127,n=41,P0.001);该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。