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。     

融合多源图像信息的果实识别方法

光线变化与目标重叠是影响自然环境中果实正确识别的重要原因。为了降低两者的影响,研究了融合多源图像信息的果实识别方法。在图像配准的基础上,优选了H分量图与幅度图像作为待融合的源图像;由模糊推理系统(隶属度函数和模糊规则)决定权重,采用加权平均策略实现图像的像素级融合;根据融合图像中果实区域的分布规律,设计了一种基于直方图的首阈检测法以获得最佳的果实分割效果;利用深度图像的统计特性,设计了一种逐层分割图像的方法以解决重叠果实的分离问题。实验结果表明:多源融合图像用于果实识别与定位比单一图像具有更好的准确性与鲁棒性,对重叠果实的正确识别率在83.67%~94.22%之间。     

基于计算机视觉技术的玉米叶绿素含量检测研究

植株叶片中叶绿素浓度的高低与植株进行的光合作用效率、植株的整体生长状况息息相关,在农业生产过程中,常常根据叶片中叶绿素含量(SPAD)的多少来精确的判断植物的生长状态,也是控制植株长势的依据。传统的叶绿素含量检测方式分光光度法,存在耗时长、步骤多、操作要求高等问题,而采用计算机视觉技术处理图像的过程更加准确、高效,不会像人眼分析时受到主观因素的影响导致偏差。为此,基于计算机视觉技术来检测玉米叶片中叶绿素含量,利用扫描仪采集玉米叶片的图像,将图像输送至计算机,然后通过软件处理图像,分割出图像中有效像素的颜色特征值,将特征值转换就可以得到玉米叶片中叶绿素。试验结果显示:利用计算机视觉技术可以准确地测定玉米叶片中叶绿素含量,进而进行合理施肥,避免浪费,对增加玉米的产量具有极大的价值。     

升降式系统补光对弱光条件下日光温室番茄生长及产量品质的影响

在冬季日光温室弱光环境下,以番茄"金鹏1号"为试材,采用带有机械遥控升降系统的SON—TArgo,发光效率达130lm/W的植物生长钠灯对番茄植株进行不同光源配置高度及时间的补光处理,研究升降式系统补光对弱光条件下日光温室番茄生长及产量品质的影响。结果表明:通过可升降式补光系统实现对光照强度的机械调节,补光处理促进番茄植株光合作用及生长发育、提早成熟、提高果实产量及品质。     

基于腐蚀生长算法的不同活力玉米种子根系表型研究

针对图像法根系表型检测中因土壤遮挡而导致根系图像断裂的问题，提出一种基于腐蚀生长算法的玉米根系修复方法，并进行了不同活力玉米种子早期根系表型研究。首先，采用长方形扁平结构透明培养容器种植玉米，迫使其根系贴壁生长，可得到清晰的玉米根系图；通过偏振镜和单反相机采集图像，并采用灰度化、二值化、水漫算法等对图像进行预处理，可有效去除因设备反光和土壤色差造成的各类噪声。其次，基于玉米根系的向水性、向地性、连续性等生理特性，提出5条图像修补规则，即端点判定规则、分叉点判定规则、内部连续性规则、片段生长规则、近邻生长规则，在以上规则约束下，通过细化图像得到单像素连接的根系骨干，以各个根段的末端点为起点向中心腐蚀，并为属于不同根段的点集标记不同编号，根据不同根段间的端点导数值和平均导数值等参数，连接根段，实现根系的修补，从而得到完整根系图像。最后，基于所提图像修复算法对不同活力的玉米种子根系图像进行表型研究，发现在相同时间，根系数目、根系宽度、根系长度、根系延展长度与玉米种子活力均呈现明显负相关；以上4个生理参数的增速与种子活力呈现明显正相关。研究表明，本文所提的根系修复算法可用于作物根系高通量表型无损检测。     

基于多光谱成像和卷积神经网络的玉米作物营养状况识别方法研究

水肥一体化自动装备的使用能够有效提高水肥资源利用率，但需要在作业前获知作物的营养状况及水肥需求量，而通过人工手持测量仪器来获取这些信息，存在着时效性差和劳动强度大等缺点。针对以上问题，本研究以常见的作物玉米为研究对象，使用大疆精灵Ⅲ无人机携带RedEdge-M多光谱相机在田间上空采集玉米多光谱图像，同时使用YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息，根据这些信息将采集的图像分为3个等级（每个等级共包含530幅五通道图像，其中480幅作为训练集，50幅作为验证集），提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型，通过向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像，能够输出玉米的营养状况等级和GPS 信息，识别彩色图像模型在验证集的正确率为84.7%，识别多光谱图像模型在验证集的正确率为90.5%，模型训练平均时间为4.5h，五通道图像识别平均用时为3.56s。该识别方法可快速无损地获取玉米作物的营养状况，为有效提高水肥资源利用率提供了方法和依据。     

基于机器视觉的玉米苗期土壤湿度检测试验研究

在玉米苗期进行土壤湿度动态监测是提供精准灌溉的重要依据,对于玉米在此阶段快速健康生长具有重要意义。本文模拟超低空图像采集设备的试验方式,通过试验平台采集玉米苗期土壤水分的变化情况,以期建立图像与土壤水分数据的联系。利用超绿特征(2G-R-B)对采集到的玉米苗期土壤图像进行分割以排除植株本身对图像的影响。对试验中分割处理后的土壤图像的均值、归一化方差特征参数与试验平台测得土壤水分数据进行分析比较,分析后对所处理图像采用4G-R-B颜色特征修正,通过计算归一化方差σ_(4G-R-B)作为特征参数与实测土壤湿度进行线性回归分析,二者相关性验证结果为:R~2=0.73,RMSE=3.2%。表明修正处理后图像归一化方差σ_(4G-R-B)图像特征参数能够较好的表征土壤的水分变化。     

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。     

基于图像处理与支持向量机的树上苹果早期估产研究

为了实现果树挂果期的精准管理,针对树上苹果早期估产问题,以"Gala"苹果为研究对象,开展了对定果后的果树进行产量估测的研究,提出了一种图像处理结合支持向量机的树上苹果早期估产方法。首先在苹果园内获取定果后的果树树冠图像,此时的树上苹果颜色为绿色(本文称此时期为果树青果期);采用分析图像各颜色分量值分布图法,确定在YCb Cr颜色空间中,以Cb≤100与Cr≥120作为分割树冠图像中苹果的条件;从果树树冠图像中提取果实个数、果实面积、果实树叶比、受遮挡果实个数比例及受遮挡果实面积比例;以上述5个特征参数作为输入,实际产量为输出,利用支持向量机方法建立树上苹果早期估产模型。本文利用训练集(含50个样本)训练模型,预测产量与实际产量的决定系数R2达到了0.724 2,均方根误差RMSE为1.71 kg,平均绝对百分比误差MAPE为9%,平均预测误差MFE为0.21。利用测试集(含15个样本)测试模型,得到RMSE为2.45 kg,MAPE为13%。结果表明该模型不仅具有较好的预测精度与无偏性,且具有较好的鲁棒性,所采用的树上苹果早期估产方法可行。     

基于归一化冠层覆盖系数的玉米果穗发育动态估算

为解析宁夏滴灌玉米冠层图像参数与果穗形态参数间的内在联系,提出了一种采用作物冠层图像特征参数拟合玉米果穗生长发育动态的数学方法,建立玉米灌浆期果穗发育动态估算模型,实现了基于作物冠层数字图像处理技术的玉米果穗形态无损监测。用手机相机获取不同氮素处理下滴灌玉米灌浆期的冠层图像,提取玉米灌浆期冠层图像特征参数,测定玉米穗长、穗粗和穗体积等形态参数;运用R语言进行相关性分析,其中归一化冠层覆盖系数(Cc)与玉米果穗形态参数相关性高,运用Origin软件建立Cc与果穗形态参数间的估测模型,通过R2、RMSE和nRMSE评价估测模型的精度。结果表明,Cc与玉米穗长、穗粗、穗体积等形态参数均满足指数函数关系,其中Cc与穗长的预测精度最高,决定系数R2达到0. 714,与穗粗的预测精度次之,R2为0. 601,与穗体积的R2为0. 575。由模型检验与评价结果可知,Cc与玉米果穗形态各参数间精度较高,其中R2均不小于0. 523,穗体积RMSE的值均不大于68. 986 cm3,nRMSE均不大于33. 621%。这表明基于冠层图像归一化覆盖系数的玉米果穗生长发育动态的估算具有一定的实用性,可为果穗形态参数估算和大面积玉米无损监测提供参考。     

基于图像颜色特征的密植冬小麦覆盖指数反演

为了快速获取大田冬小麦作物生长信息,对田间植被覆盖度(VCI)进行检测。采用开发的多光谱图像采集系统,在拔节期-扬花期获取冬小麦冠层可见光( B、G、R ,400～700 nm)和近红外(NIR,760～1 000 nm)图像。图像经自适应平滑滤波处理后,针对RGB图像,采用HSI色彩空间模型,设定 H 分量阈值［π/4,6π/5］进行分割,对NIR图像采用自动阈值分割法分割,进而提出了基于“ H +NIR”组合的冬小麦冠层多光谱图像分割方法,并计算VCI值。对未经分割的原始图像提取了9个图像检测参数,包括各通道图像灰度均值( A R、 A G、 A B、 A NIR )、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、比值植被指数(RVI)、差值植被指数(DVI)和冠层 H 分量均值 A H。图像检测参数与VCI相关性分析结果表明,各植被指数与VCI的相关系数绝对值均大于0.90。应用NDVI、NDGI、RVI和DVI建立了多元线性回归模型,其 R 2 c =0.948, R 2 v =0.884,可以用于快速反演VCI,为田间作物生长评价和管理提供支持。     

基于视觉伺服的温室番茄植株主茎跟踪与测量方法

根据温室番茄智能管理作业视觉信息获取需求，研究了番茄植株主茎动态跟踪与立体测量方法，以提高对叶、果和花等目标的搜索效率。结合工厂化番茄种植特征，采用二自由度双目云台摄像机采集植株主茎图像；在对摄像机与旋转云台之间坐标关系进行标定的基础上，提出针对番茄植株主茎图像跟踪采集的云台伺服控制方法，对作业区域内植株进行自下而上多视角图像动态采集；对相邻视场主茎重叠区域的图像匹配方法进行研究，实现了植株离散图像的拼接和形态恢复；基于主茎跟踪参考点的空间坐标信息，研究了作业区域主茎长度、高度和生长倾角等立体形态参数的测量方法；最后，通过现场试验对主茎拼接与测量方法进行验证。结果表明，在距地面高度600~1500mm作业区域内，视觉系统跟踪采集的主茎3个区域图像的平均拼接偏差为3.77°；以人工测量结果为对照，采用视觉系统测量主茎长度、高度和生长倾角的决定系数分别为0.9933、0.8426、0.9793，平均测量偏差分别为46.20mm、18.60mm和4.33°。本研究可为番茄智能化整枝、采摘和授粉等作业视觉信息获取提供技术支撑。     

基于改进LSTM的蘑菇生长状态时空预测算法

密集蘑菇簇会严重影响蘑菇质量和自动采摘成功率。为避免形成超密集蘑菇簇,提出一种蘑菇生长状态时空预测算法,对蘑菇生长状态进行预测以指导提前疏蕾。该算法采用编码器-预测器框架,将历史序列图像转换为3D张量序列作为模型的输入;编码器网络中将卷积和长短时记忆(Long short term memory, LSTM)网络融合实现对蘑菇生长的时空相关性特征的提取;在预测网络中加入扩散模型以解决预测图像的模糊问题;此外,在损失函数中增加了蘑菇面积差异损失函数来进一步减小预测蘑菇与实际蘑菇的形状和位置偏差。实验结果表明,本文算法峰值信噪比可达35.611 dB、多层级结构相似性为0.927、蘑菇预测准确性高达0.93,有效提高了蘑菇生长状态图像预测质量和精度,为食用菌生长预测提供了一种新思路。     

高精度视觉感应技术在水肥一体机中的应用

以农田水肥智能化管理为研究对象,构建了一种高精度视觉感应式水肥一体机。采用高精度视觉感应技术获取作物生长状态参数图像,基于超像素图像分割技术,对复杂的作物生长状态图像特征向量进行提取,采用模糊聚类算法对图像进行分割处理,根据目标图像的像素值统计结果进行生长状态预测,并结合环境参数信息,构建灌溉过程土壤电导率EC和pH预测模型。测试结果表明：水肥一体机控制系统能够有效预测作物对水肥需求,提高了灌溉过程混肥精度,可节约灌溉用水量、提升生产效率、降低人工成本。     

基于Python的双过滤水肥一体机智能控制研究

为了满足不同生长时期植株水肥需求,基于基于Python的双过滤图像处理方法及环境监测技术,设计了可以自适应调节的水肥控制系统,主要包括氮肥含量控制和浇灌量控制。氮肥含量控制:首先,CCD摄头采集植株图像,应用Python的双过滤图像处理方法得到植株高度;其次,建立不同生长时期最高植株对应的氮肥浓度的曲线;再次,采用色度分析的方法计算植株实际氮肥吸收浓度;最后,比对当前氮肥吸收浓度和最优浓度,从而调整混合液氮肥含量。浇灌量控制:在实现植株最优生长情况下,建立浇灌时间和温度、湿度、光照对之间的关系。对植株高度采集系统进行测试,结果表明:误差分布于3.9%~5.6%之间;采用本系统培养番茄植株,对比高氮肥对照组,在减少氮肥用量的情况提高了番茄生长高度。     

基于多视角立体视觉的拔节期玉米水分胁迫预测模型

针对现有采用生理特性指标的玉米水分胁迫检测方法影响玉米植株生长的问题,提出了一种基于多视角立体视觉的玉米水分胁迫预测模型。首先,利用RGB相机获取玉米拔节期-30°、0°(玉米叶片展开平面)和30°的3视角图像;然后,基于加速稳健特征点(Speeded up robust features,SURF)检测的双目立体视觉原理,建立-30°～0°、0°～30°2个玉米点云模型,采用基于KD树(K-dimensional tree,Kd-tree)的最近迭代(Iterative closest point,ICP)点云配准算法,将2个玉米点云模型数据合并到同一坐标系下;最后,用L1-中值法提取玉米点云骨架,在该玉米骨架基础上提取玉米节间高度、叶片长度及株高等参数,建立基于单一参数的玉米水分胁迫预测模型,并建立基于多参数纠错输出编码思想的支持向量机(Error correcting output codes-support vector machine,ECOC-SVM)水分胁迫预测模型。试验结果表明,玉米叶片长度、节间高度和玉米株高每日生长量与水分胁迫程度呈显著线性关系,故分别以节间高度、株高每日生长量和全展叶叶长为自变量,以土壤含水率为因变量,建立水分胁迫预测模型,得到相关系数分别为0. 892 2、0. 892 8和0. 817 6,RMSE分别为2. 92%、2. 53%和2. 76%。为了准确判断玉米水分胁迫程度,以上述3个玉米参数为特征向量,建立ECOC-SVM水分胁迫预测模型,该模型测试集预测准确率为93. 33%,具有较高的准确性。本研究可以快速检测拔节期玉米的水分胁迫情况,为农情信息精准获取提供技术支持。     

图像处理用于设施园艺管理系统的实践分析

以设施园艺管理系统精准化控制为研究对象，基于图像采集与分析处理技术对作物的生长状态进行感知，获取作物植株的特征参数，作为管理系统精准化控制输入参数。实践表明：采用这种方式能够有效提高作物生长过程的控制精度，提高过程管理的精准化控制水平。     

自然环境下桃子图像分割算法

成熟果实的识别是果蔬采摘机器人视觉系统的关键问题,要解决该问题,首先需要进行有效的图像分割.从复杂背景中分离果实一直是该领域的一个难题.为此,针对自然环境下的桃子图像进行了图像分割方法的研究.利用2R-G-B和L*a*b*的a*分量以及HSI的H分量分别对彩色图像进行了3种方法的灰度化处理,然后采用大津法对灰度图像进行了二值化处理,对二值化图像采用匹配去噪与匹配膨胀相结合的方法,去除了复杂背景噪声.试验表明,所提出的桃子分割方法具有很好的分割效果.     

不同水盐胁迫对番茄生长发育和产量的影响研究

【目的】探究番茄植株对不同水盐胁迫情景的响应,为合理制定盐碱化土壤下的灌溉制度提供科学依据。【方法】以粉欧宝番茄品种为研究对象,开展水盐对番茄生长发育影响的盆栽试验。试验采用完全随机布置,设置3个水分水平(W1-充分灌溉、W2-1/2的W1灌水量、W3-干旱复水)和2个盐分水平(S1-无盐和S2-0.3%含盐量),每个处理4个重复,测定了番茄耗水、干物质和产量指标,分析了不同水盐胁迫对番茄植株生长发育与产量的影响。【结果】与充分灌溉W1相比,W2水平的番茄植株耗水、干物质、植株含水率、叶质量、产量、单果质量显著减少。W3水平的植株耗水量和叶茎比显著减少,但单株干质量与鲜干比所受影响不大;单果鲜质量与干质量显著减小,但坐果率提高导致产量有所增加。盐分处理的番茄植株耗水量、单株干质量、鲜干比、叶茎比、果实总产量、单果鲜质量与干质量均小于无盐处理。水分胁迫显著影响叶片生长和单个果实发育,盐分胁迫抑制植株的生长发育及产量形成。【结论】干旱复水与无盐处理组合(W3S1)下番茄植株表现出了较好的生长发育状况和产量水平,可用于最优调亏灌溉制度的制定。     

玉米籽粒自动测量系统分析与设计

分析了玉米籽粒自动测量系统原理,设计了相应的机电结构。采用面阵列相机采集技术配合偏心电机振动摊种,选择翻板式卸料方式,并构建了测量装置结构。利用电容式水分测量作为种子测量模块,获取参数快速稳定且不需要对籽粒预处理。系统可以实现单穗玉米籽粒个数、籽粒长度和籽粒宽度的自动快速采集,大大提高单穗玉米籽粒外形信息的采集效率。