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。     

基于改进Oriented R-CNN的旋转框麦穗检测与计数模型

为对干扰、遮挡等复杂的田野环境中麦穗进行精准定位与计数,该研究提出了一种改进的Oriented R-CNN麦穗旋转框检测与计数方法,首先在主干网络中引入跨阶段局部空间金字塔（SPPCSPC,spatial pyramid pooling cross stage partial networks）模块扩大模型感受野,增强网络感知能力;其次,在颈网络中结合路径聚合网络（PANet,path aggregation network）和混合注意力机制（E2CBAM,efficient two convolutional block attention module）,丰富特征图包含的特征信息;最后采用柔性非极大值抑制算法（Soft-NMS,soft-non maximum suppression）优化预测框筛选过程。试验结果显示,改进的模型对复杂环境中的麦穗检测效果良好。相较原模型,平均精确度均值mAP提高了2.02个百分点,与主流的旋转目标检测模型Gliding vertex、R3det、Rotated Faster R-CNN、S2anet和Rotated Retinanet相比,mAP分别提高了4.99、2.49、3.94、2.25和4.12个百分点。该研究方法利用旋转框准确定位麦穗位置,使得框内背景区域面积大幅度减少,为实际观察麦穗生长状况和统计数量提供了一种有效的方法。     

基于小麦群体图像的田间麦穗计数及产量预测方法

在田间小麦测产时,需人工获取田间单位面积内的麦穗数和穗粒数,耗时耗力。为了快速测量小麦田间单位面积内的产量,该文利用特定装置以田间麦穗倾斜的方式获取田间麦穗群体图像,通过转换图像颜色空间RGB→HSI,提取饱和度S分量图像,然后把饱和度S分量图像转换成二值图像,再经细窄部位粘连去除算法进行初步分割,再由边界和区域的特征参数判断出粘连的麦穗图像,并利用基于凹点检测匹配连线的方法实现粘连麦穗的分割,进而识别出图像中的麦穗数量;通过计算图像中每个麦穗的面积像素点数并由预测公式得到每个麦穗的籽粒数,进而计算出每幅图像上所有麦穗的预测籽粒数,然后计算出0.25 m2区域内对应的4幅图像上的预测籽粒数;同时根据籽粒千粒质量数据,计算得到该区域内的产量信息。该文在识别3个品种田间麦穗单幅图像中麦穗数量的平均识别精度为91.63%,籽粒数的平均预测精度为90.73%;对3个品种0.25 m2区域的小麦麦穗数量、总籽粒数及产量预测的平均精度为93.83%、93.43%、93.49%。运用该文方法可以实现小麦田间单位面积内的产量信息自动测量。     

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。     

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。     

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。     

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。     

基于多路卷积神经网络的大田小麦赤霉病图像识别

为了准确地识别小麦病害,及时采取防治措施,减少农药施用的成本,同时减少农业生态环境的污染,该研究以灌浆期感染赤霉病的小麦麦穗图像为研究对象,根据病变区域与健康区域的颜色分布特点,设计了一种多路卷积神经网络用于小麦赤霉病图像的识别。首先利用深度语义分割网络U-Net对大田环境下的小麦图像进行分割,去除小麦叶片及其他无关背景的影响,从而分割出麦穗图像。然后设计结构较为简单的多路卷积神经网络分别提取麦穗图像R、G、B 3个通道的特征,通过特征融合获得具有高辨识性的麦穗图像语义特征。最后,为了增大赤霉病和健康麦穗图像特征之间的可区分性,同时减小赤霉病麦穗图像类内特征的差异,采用联合损失函数进一步改善网络的性能。该研究对采集的大田环境下的510幅灌浆期小麦群体图像进行分割,选取2 745幅完整单株麦穗图像利用所设计的多路卷积神经网络进行赤霉病识别试验,结果表明该研究所提算法对单株麦穗赤霉病识别精度达到100%,能够为小麦病害的智能识别提供帮助。     

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，...     

无人机可见光遥感和特征融合的小麦倒伏面积提取

倒伏是造成小麦减产和品质下降的主要原因之一。为快速准确地提取小麦倒伏面积,给农业保险理赔及灾后应急处置提供数据支持,该研究采用无人机遥感平台获取小麦倒伏后的冠层红绿蓝(Red-Green-Blue, RGB)可见光图像,并进行数字表面模型(Digital Surface Model,DSM)图像提取,计算了过绿植被(Excess Green, EXG)指数,利用Arc GIS中的镶嵌工具将不同图像特征进行融合,得到DSM+RGB融合图像和DSM+EXG融合图像,利用最大似然法和随机森林法对2种特征融合图像进行监督分类提取小麦倒伏面积,并与仅基于RGB可见光图像和DSM图像提取倒伏面积结果对比。结果表明,2种方法对4种图像进行小麦倒伏面积提取的整体趋势一致,且最大似然法提取效果整体优于随机森林法,基于最大似然法对RGB图像、DSM图像、DSM+RGB特征融合图像、DSM+EXG特征融合图像提取倒伏小麦面积的整体精度分别为77.21%、93.37%、93.75%和81.78%,Kappa系数分别为0.54、0.86、0.87和0.64,对比分析发现DSM+RGB特征融合图像提取小麦倒伏面积精度最高。该研究表明通过图像特征融合的方法能够有效提取倒伏小麦信息,为快速提取小麦倒伏面积提供参考。     

基于无人机图像混合像元分解模型提高小麦基本苗数的反演精度

及时、精确地获取小麦基本苗数在田块内部的空间差异信息，有利于实施精准变量追施氮肥，实现化肥减量增效。传统的无人机农业遥感仅关注植被与土壤2类特征而忽略混合像元的影响，导致小麦基本苗数反演精度差、可靠性低。为解决上述问题，该研究利用大疆Mini 无人机获取麦田图像，基于不变目标法完成图像的相对辐射标定，并利用像元纯净指数提取植被端元与土壤端元。根据端元光谱特性建立混合像元的线性分解模型，求解混合像元中植被组分的丰度，基于像元统计法计算植被覆盖度，进而建立植被覆盖度与小麦基本苗数地面真值的线性回归模型。该研究方法获得的模型，决定系数R2为0.87，均方根误差为1.97株/m2。而基于传统植被指数法分别利用可见光波段差分植被指数、绿红差分指数、绿红比值指数获取的相应植被覆盖度与小麦基本苗数地面真值的线性回归模型决定系数R2及均方根误差分别为0.79、0.56、0.47及6.06、7.04、4.43株/m2。由此可知，基于混合像元分解模型定量反演小麦基本苗数的方法具有较高的精度，研究成果可为小麦精准减量追施氮肥作业提供数据支持。     

基于RGB图像与深度学习的冬小麦田间长势参数估算系统

为准确、快速获取冬小麦田间长势信息,该研究设计并实现了一种基于深度学习的冬小麦田间长势参数估算系统。该系统主要包含长势参数估算模块和麦穗计数模块。长势参数估算模块基于残差网络ResNet18构建长势参数估算模型,实现了冬小麦苗期叶面积指数（Leaf Area Index,LAI）和地上生物量（Above Ground Biomass,AGB）的估算,并基于迁移学习进行泛化能力测试;麦穗计数模块基于Faster R-CNN并结合非极大值抑制（Non Maximum Suppression,NMS）构建麦穗计数模型,实现了开花期麦穗准确计数。结果表明,针对2017-2018和2018-2019两个生长季数据,基于ResNet18的长势参数估算模型对LAI估算的决定系数分别为0.83和0.80,对AGB估算的决定系数均为0.84,优于基于传统卷积神经网络（Convolutional Neural Networks,CNN）、VGG16和GoogLeNet构建的估算模型,并且泛化能力测试表明该模型对数据的季节性差异鲁棒。基于Faster R-CNN的麦穗计数模型,在利用NMS优化后决定系数从0.66增至0.83,提升了25.8%,NRMSE从0.19降至0.05,下降了73.7%。相较于基于CNN构建的分类计数模型,基于Faster R-CNN+NMS的麦穗计数模型表现更优,决定系数为0.83,提升了33.87%,单个麦穗识别时间为1.009 s,效率提升了20.55%。综上所述,该系统能够满足冬小麦田间长势参数估算需求,为冬小麦田间精细化管理提供支撑。     

盐碱地条件下施氮量和栽插密度对水稻产量和品质的影响

在盐碱地条件下,以南粳9108为材料,设置6个施氮水平和2个移栽密度,研究施氮量和移栽密度对盐碱地条件下水稻产量和品质的影响。结果表明,随着施氮量的增加,产量呈现先上升后下降的趋势,低氮处理下,密度大的产量高,高氮处理则相反。施氮量的增加提高了单位面积穗数和每穗粒数并降低了结实率和千粒重,密度的提高增加了单位面积穗数。施氮量的增加在提升稻米碾磨品质的同时降低了外观品质和蒸煮食味品质,移栽密度对稻米品质影响不大。在每公顷施氮300 kg,移栽密度为12 cm×25 cm时,可以获得相对优质的最高产量。