基于3-D图像的植物亏水胁迫萎蔫体态辨识方法

萎蔫现象是植物亏水胁迫环境下表现出的一种生命特征。为了定量辨识植株的萎蔫体态,在应用激光扫描装置快速获取植株3-D图像基础上,定义了4种萎蔫指数,即叶面卷曲统计指数、叶片形心的高斯曲率、基于形心切平面的叶尖投影以及叶片边缘投影求和平均。实验方法将叶片萎蔫程度分为5个等级水平(LS1~LS5),通过逐一检验每种定义的萎蔫指数是否具有单调性得出可应用性结论。实验结果表明距离投影算法满足萎蔫指数的单调要求,尤其是叶片边缘投影求和平均萎蔫指数具有更好的鲁棒性。     

基于机载LiDAR数据的林木冠层投影面积与体积测量

机载激光雷达系统能够采集反映林木三维结构的点云,利用点云分类及林木冠层投影面积和体积计算方法获得林木信息。通过不规则三角网法和平面拟合过滤算法分别提取地面和建筑物点云,并将建筑物点云过滤得到林木点云,将树冠点云投影到x-y平面,采用角度法搜索边界,提取林木点云边缘,并在与其相对应的CCD影像上显示。利用任意多边形面积算法计算各个连通区域的面积,将它们求和得到冠层投影面积,通过台体的体积计算得到冠层体积。在研究区域随机选出10个外业样地进行传统的人工测量,实验结果表明,基于Li DAR的激光测量与人工测量测得的投影面积和体积的相关系数分别为0.957和0.944。本文提出的方法准确有效,为高精度定量估算林木冠层生物量提供了依据。     

基于计算机视觉技术的玉米植株高度检测的研究

玉米植株高度的检测对于玉米生长期间的营养调控有着非常重要的意义,玉米植株高度也是玉米种植密度的重要参数,更是玉米产量的影响因素之一。大范围地种植玉米,在玉米植株长势的整体控制上就会存在空白区,而引用计算机视觉技术可以全面、快速地检测玉米植株高度,提高检测数据的正确率,减轻测量工作需要的劳动强度和缩短测量时间。为此,基于计算机视觉技术来检测玉米植株高度,利用事先安装在田间的带有红外照明的摄像头采集白天和夜晚的玉米植株图像,通过图像分割、边缘轮廓计算、图像增强等方法处理图像后,测得玉米植株白天和夜晚两个时间段的高度,分析出植株的生长情况,控制其长势。研究结果表明:相较于人眼粗略的判断或是人工采用直尺测量,利用计算机视觉技术来测量玉米植株高度,可以大范围测量,且测量的速度快、测量结果误差小,最大程度地降低了人工的投入。     

基于运动恢复结构的玉米植株三维重建与性状提取

针对传统的玉米植株性状测量方法存在主观性强、劳动强度大、有损伤等问题,提出了基于运动恢复结构(Structure from motion,Sf M)的户外玉米植株三维重建方法,并提取了株高、单株最小包围盒体积、茎粗、叶面积、叶片数、叶夹角等11个性状参数。采用前期研制的小车,在户外采集不同视角下的玉米植株图像(采集间距为5～6 cm),基于Sf M算法获取玉米植株三维点云;运用直通滤波、圆柱拟合和条件欧氏聚类算法自动分割单株、茎秆和叶片等点云数据,基于距离最值遍历、三角面片化等算法实现株高、茎粗、叶面积等11个性状的准确、无损测量。结果表明,与人工测量值相比,测得的株高、茎粗和叶面积的平均绝对百分比误差分别为3. 163%、4. 760%和19. 102%,均方根误差分别为3. 557 cm、1. 540 mm、48. 163 cm2,决定系数分别为0. 970、0. 842、0. 901。研究表明,本文方法适用于作物表型户外测量,为表型研究提供了一种新的作物表型户外测量方法,同时还证明,株高和单株最小包围盒体积可以显著区分低地上部生物量玉米植株和高地上部生物量玉米植株。     

基于RGB-D点云的田间原位玉米株高测量试验研究

为满足田间原位玉米株高的测量需求,避免破坏性取样后进行株高测量难以捕捉植株在自然环境下生长的真实情况与表型的动态变化,提出了一种基于RGB-D相机的田间原位玉米株高的测量方法。首先,通过RGB-D相机同时获取可见光图像和其对应的深度信息,计算相机的内参,得到玉米植株的三维点云数据;其次,通过基于欧几里得距离的统计滤波算法和随机采样一致性算法(RANSAC)的阈值分割快速去除三维点云中的离群点、环境噪声及复杂的自然环境背景(包括土壤面和滴灌管等),并通过OBB包围盒验证滤波效果;最后,通过单株玉米植株分割,提出了一种基于俯视视角下玉米株高的测量方法,并计算出田间原位玉米的株高参数。试验中,在玉米快速生长期中选取两天的试验数据,其试验用5个品种的平均测量误差分别为1.47cm和2.70cm,均方根误差(RSME)分别为1.68cm和2.80cm,人工实测结果和算法测量结果进行线性拟合后得到待测系数R~2分别为0.9831和0.9797。试验结果表明:利用RGB-D相机对田间原位玉米的表型测量与株高分析具有可行性,所提出的测量与计算方法最后获得的玉米株高参数具有较高的准确性,可以为玉米表型参数提取提供更为有效地技术手段。     

基于深度相机的玉米株型参数提取方法研究

提出了一种基于骨架提取的改进算法,可实现在大田环境下,使用PMD深度相机快速、无损测量玉米株型参数。首先利用深度图像RGB伪彩色和深度距离信息,提取深度图像的骨架,排除复杂背景干扰,得到单株玉米的二值骨架图像;然后利用基于角点检测的改进归类算法提取骨架图像特征点;最后建立骨架图像中特征点与深度图像的对应关系,利用空间几何数学方法,结合特征点计算出玉米的3种株型参数,即株高、茎粗、叶倾角。农田实验对比分析表明,所提方法的株高测量结果与人工测量结果的相关系数 r 为0.986,最大相对误差小于2 cm,农田作物育种抗逆性分析还表明玉米株型参数与抗倒伏性具有显著相关性。     

玉米小斑病病害程度图像检测

为了实时获取作物病害程度信息,研究了一种基于RGB彩色模型的玉米小斑病图像的分割方法,并利用分割结果求得的玉米冠层危害程度来计算整株玉米的发病程度.由于图像中背景复杂,将叶片与病斑同时分离出来的可能性小,故该方法分为两步:首先从获取的RGB图像中提取R、G、B分量,利用2G-R-B图像采用迭代法自动选取阈值将玉米叶片从背景中分割出来;然后根据R-G图像将病斑从叶片上分离出来.30幅图像中玉米叶片、病斑基本上能提取出来,但没有黄化的少量侵染点无法有效分割.     

基于RGB-D相机的单株玉米株高测量方法

玉米株高是反映作物长势的重要指标。为了实现田间单株玉米株高的快速测量，提出了一种基于RGB-Depth（RGB-D）相机的玉米株高测量方法。以拔节期玉米为观测对象，首先利用RGB-D相机获取田间玉米的彩色图像和深度图像。对玉米彩色图像进行灰度化、二值化和去噪处理，提取出包含待测玉米的二值图像。利用改进的分水岭分割算法对玉米的灰度图像进行分割，对分割结果进行圆形拟合操作，定位玉米的中心区域。对玉米的二值图像进行骨架化处理，检测骨架的交叉点和末端点，确定玉米骨架的中心点，并检索其到末端点的最短路径。对各条路径的点云数据进行求差与比较，确定玉米的最高点，并对最高点附近的点云数据进行直方图统计，获得地面点。最后，通过计算玉米最高点和地面点的差值，实现单株玉米株高参数的测量。对玉米样本进行测试试验的结果表明：单株玉米株高的平均测量误差为1.62cm，均方根误差（RMSE）为1.86cm，测量精度满足实用要求。     

融合多光谱成像与深度学习的作物植株叶绿素检测系统研究

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared, NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm, SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression, ...     

基于车载三维激光雷达的玉米叶面积指数测量

为使用车载三维激光雷达快速获取作物的株高、叶面积指数(LAI)等作物形态参数,以玉米为研究对象,采用车载三维激光雷达点云数据,提出了一种基于玉米分层点云数量或分层点云数量与地面点云数量比值计算LAI的方法。使用车载平台获取京农科728和农大84玉米的三维点云数据;对点云数据进行预处理,获得已测量LAI真值区域的点云数据;进行玉米植株点云与地面点云分割,根据地面起伏程度,基于随机一致性平面分割算法,将距离阈值设置为0. 06 m;依据玉米垂直结构分布,将玉米植株划分为上、中、下3层,计算每层点云数量并分别标记为H、M和L,同时,将上、中、下每层的点云数量与地面点云数量的比值标记为Hr、Mr和Lr,分别建立H、M、L和Hr、Mr、Lr与LAI真值的线性回归模型。试验结果表明:采用Hr、Mr变量建立的LAI二元线性回归测量模型最优,京农科728玉米训练集R~2为0. 931,验证集R~2为0. 949;农大84玉米训练集R~2为0. 979,验证集R~2为0. 984,本文方法可为田间快速测量LAI提供解决方案。     

基于俯视图像的玉米株心快速识别方法研究

单株玉米的株心识别是完成按株作业的关键，可用于对单株玉米进行变量施肥，提高施肥利用率。本文首先采用超绿因子增强苗期玉米植株，使玉米植株与土壤、阴影分离，将增强后的图像用Ostu法自动确定图像的最佳阈值，以便于在分割苗期玉米图像时不受阴影的影响，并能分割出苗期玉米植株。然后把分割的苗期玉米植株图像的亮度看作是一维坐标，绘制玉米植株的高程图，玉米植株的中心区域在高程图呈现为集水盆形状。采用水平集确定玉米植株的中心区域并对玉米植株中心进行定位，并结合分治法搜索玉米植株的极小值区域，降低了数据结构的规模。数据验证结果表明，算法识别率可达96%，保证了算法的实时性与可行性。另外，采用分治法与水平集法相结合确定玉米植株的中心区域，使该算法不受天气因素的影响，提高了该算法在田间作业时的鲁棒性。算法时间复杂度计算结果为O(lgn)，能够满足田间作业的实时性。     

基于超体素聚类和局部特征的玉米植株点云雄穗分割

针对当前三维点云处理方法在玉米植株点云中识别雄穗相对困难的问题,提出一种基于超体素聚类和局部特征的玉米植株点云雄穗分割方法。首先通过边连接操作建立玉米植株点云无向图,利用法向量差异计算边权值,并采用谱聚类方法将植株点云分解为多个超体素子区域;随后结合主成分分析方法和点云直线特征提取植株顶部的子区域;最后利用玉米植株点云的平面局部特征在顶部子区域中识别雄穗点云。对3种点云密度的15株成熟期玉米植株点云进行测试,采用F1分数作为分割精度判别指标,试验结果与手动分割真值相比,当点云密度为0.8、1.3和1.9个点/cm时,雄穗点云分割的平均F1分数分别为0.763、0.875和0.889,分割精度随点云密度增加而增高。结果表明,本研究提出的基于超体素聚类和局部特征的玉米植株点云雄穗分割方法具备在玉米植株点云中提取雄穗的能力,可为玉米高通量表型检测、玉米三维重建等研究和应用提供技术支持。     

田间玉米苗期高通量动态监测方法

目前对玉米出苗动态检测监测主要是依靠人工观测，耗时耗力且只能选择小的样方估算整体出苗情况。为解决人工出苗动态管理不精准的问题，实现田间精细化管理，本研究以田间作物表型高通量采集平台获取的高时序可见光图像和无人机平台获取的可见光图像两种数据源构建了不同光照条件下的玉米出苗过程图像数据集。考虑到田间存在环境背景复杂、光照不均等因素，在传统Faster R-CNN的基础上构建残差单元，使用ResNet50作为新的特征提取网络来对Faster R-CNN进行优化，首先实现对复杂田间环境下玉米出苗识别和计数；进而基于表型平台所获取的高时序图像数据，对不同品种、不同密度的玉米植株进行出苗动态连续监测，对各玉米品种的出苗持续时间和出苗整齐度进行评价分析。试验结果表明，本研究提出的方法应用于田间作物高通量表型平台出苗检测时，晴天和阴天的识别精度分别为95.67%和91.36%；应用于无人机平台出苗检测时晴天和阴天的识别精度分别91.43%和89.77%，可以满足实际应用场景下玉米出苗自动检测的需求。利用表型平台可获取时序数据的优势，进一步进行了玉米动态出苗检测分析，结果表明利用本模型得到的动态出苗结果与人工实际观测具有一致性，说明本研究提出的模型的具有鲁棒性和泛化性。     

覆膜滴灌对玉米生长及苗期土壤温度的试验研究

为了探索河套灌区玉米不覆膜滴灌对其产量及土壤理化性质的影响,2015年在内蒙古河套灌区中游开展了玉米不覆膜滴灌试验研究。定株测试玉米不同生育期的株高、茎粗和产量对比分析,得出:在苗期和拔节期,覆膜滴灌玉米株高和茎粗显著优于不覆膜处理,抽雄期后对玉米植株生长性状影响差异不显著,但不覆膜处理玉米产量较覆膜处理下降了15.87%;在玉米苗期,0~40cm耕层土壤,覆膜处理较不覆膜处理土壤温度平均增加了5.62℃。土壤耕层温度的提高为玉米生长提高良好的土壤环境。     

基于无人机航拍图像的大田玉米冠层结构建模

针对目前采用三维数字化等方法获取大田作物冠层结构信息时需要手动干预、费时费力的问题,利用超微小型无人机分别获取了苗期大田玉米群体的航拍图像、去掉周边植株后成熟期单株及多株的玉米小群体航拍图像。基于伪极点Crust方法构建了玉米苗期和成熟期的冠层结构模型,并基于大田原位手动测量的株高、叶长、最大叶宽、叶面积等参数对所构建的冠层结构模型进行了精度评估。结果表明,苗期、成熟期玉米株高、叶长、最大叶宽的R^2均不小于0.91,RMSE、rRMSE、ME均较小;苗期叶面积的R^2为0.96,RMSE、rRMSE、ME均较小;成熟期叶面积的R^2为0.76,RMSE、rRMSE、ME稍大。本研究可为大田冠层结构、表型信息的高通量获取提供新的途径。     

不同生育期淹涝对夏玉米叶片叶绿素及产量的影响

为了探明淹涝条件对夏玉米生理生态特性及产量的影响规律,在防雨棚下开展了夏玉米不同生育阶段淹涝的桶栽试验.在苗期、拔节期、抽雄吐丝期和灌浆期分别淹涝1,3,5,7,9 d;以不淹水(适宜水分处理)为对照.结果表明,玉米株高和叶面积在苗期和拔节期受淹涝的影响最大,抽雄吐丝期次之,灌浆期淹涝的影响最小;叶绿素相对含量(SPAD)和气孔导度(Gs)在拔节期受淹涝的影响最大,苗期次之,灌浆期的影响最小;淹涝解除后,SPAD和Gs因补偿生长具有一定的恢复能力,苗期淹涝的恢复能力最强,并随淹涝时期后移呈减少趋势;拔节期淹涝对穗部性状及产量影响最大,苗期淹涝次之,灌浆期淹涝的影响最小.建立了玉米减产率与不同生育期淹涝历时的数学模型,依据其关系推算出苗期、拔节期、抽雄吐丝期和灌浆期的淹涝天数只要分别不超过1.5,2.0,1.5,6.5 d就可以把减产率控制在10%以内,分别超过4,5,4,10 d减产率可达20%以上.研究结果可为夏玉米涝渍灾害损失的评估和农田排水方案制定提供数据参考.     

基于机器视觉的自主插秧机导航信息的提取研究

针对基于机器视觉的插秧机的自主导航,提出了一种利用秧苗行分割线作为基准线提取导航参数的算法.根据秧苗在田间环境的特征,用EXG因子分割图像,将按列累加的灰度值所形成的曲线图,设定水平分割线找到秧苗区域,确定各苗区的起始列点和终止列点,找到定位点,拟合分割线.根据秧苗行分布呈平行线状的特点,利用分割线在图像平面上形成的灭点和成像的斜率来计算插秧机的位移偏差和角度偏差,为视觉导航提供必要的参数.实验结果表明该方法具有一定的可行性,能够用于插秧机器人的导航研究.     

基于计算机视觉的玉米果穗三维重建方法

提出了一种快速、准确、自动化的基于计算机视觉的玉米果穗三维重建方法。以一定角度间隔旋转果穗获取各视角下的图像,通过双目立体视觉技术重建各视角下的玉米果穗表面点云,计算重投影误差去除点云中的外点,寻找两相邻图像的对应匹配点,并由匹配点确定果穗表面点云中三维配准点的集合,计算两相邻视角下配准点的旋转矩阵与平移向量,采用RANSAC方法检验配准模型的一致性。依次对各视角下的点云配准拼接获得整个果穗表面点云,进行冗余点去除、网格简化、纹理贴图等后处理,获得最终果穗三维造型。实验结果表明:重建模型的体积与实测值不存在显著性差异,所述方法能够满足玉米果穗三维重建的需求。