基于OpenCV的大豆籽粒多表型参数获取算法

大豆籽粒的表型参数获取对大豆育种具有重要的作用。现有的深度学习算法获取的大豆籽粒表型性状较少，且识别表型的神经网络模型训练成本高。本研究基于OpenCV图像处理库，提出了一种提取大豆籽粒多表型参数的算法，从大豆图像中一次性获取籽粒的多种表型性状参数，同时能识别大豆的优劣品质。将每个待测大豆单株的所有籽粒拍成一张图像，首先对大豆籽粒图像进行二值化、去噪等预处理，然后采用分水岭算法和改进的目标分割算法提取图像中的大豆籽粒轮廓。根据大豆籽粒的轮廓信息，调用OpenCV图像处理函数计算大豆籽粒的个数、长轴长度、短轴长度、面积、周长等多个表型性状参数。引入圆形度识别残缺大豆籽粒，使用RGB阈值判断识别病变大豆籽粒。测试结果表明，采用本文算法计算的颗粒总数识别率为98.4%，大豆籽粒正确识别率为95.2%，破损大豆和病变大豆的识别率分别为91.25%和88.94%，籽粒的长轴长度与短轴长度的测量精度分别为96.8%、95.8%；引入多进程并行计算，该算法的 处理215张图片时间为248.9 s，相对于单进程计算缩短了约2/3，实现了低成本高通量的高精度大豆籽粒多表型性状参数的自动获取，为大豆籽粒自动化考种提供有效的处理方法。     

CNN-ISS遥感影像分类的瓦片边缘效应及消除方案

应用卷积神经网络语义分割模型(Image Semantic Segmentation based on Convolutional Neural Network,CNN-ISS)进行遥感影像分类时,需将大幅影像分解为特定大小瓦片影像,并将其作为CNN-ISS处理对象,这一过程破坏了位于瓦片边缘处地物的完整几何及纹理特征,从而影响瓦片边缘处地物的识别效果,即瓦片边缘效应。该研究以DeepLab V3为CNN-ISS核心模型,对唐山农村地物进行语义分割,定量分析了分类结果的瓦片边缘效应,并提出了5个消除此效应的后处理方案。结果表明:像素分类精度与像素到瓦片边缘距离正相关,瓦片边缘处错误率最高达6.93%,中央处错误率最低为3.52%,存在瓦片边缘效应;采用该研究提出的瓦片边缘效应消除方案后,整幅影像的总精度(Pixel Accuracy,PA)、均交并比(Mean Intersection over Union,mIoU)和Kappa系数均有提升,最高分别提升0.40、1.97个百分点和0.0122。在不改变CNN-ISS核心模型条件下,通过该研究的瓦片边缘效应消除后处理方案,可有效提升遥感影像分类精度,尤其针对复杂异构体和线状地物精度提升效果更好。     

腾格里沙漠东北缘飞播植物群落土壤水分特征

[目的]研究腾格里沙漠东北缘1992年飞播造林区主要植物群落土壤水分特征,为区域人工固沙植被合理建设与管理提供理论依据。[方法]采用环刀法测定研究区4种不同植物群落不同坡位200 cm深度土壤含水量,分析其土壤水分分布、变异性及土壤贮水亏缺度。[结果](1)不同植物群落土壤平均含水量呈现：花棒群落(0.57%)>沙拐枣群落(0.55%)>花棒+沙拐枣群落(0.51%)>沙拐枣+花棒群落(0.51%),花棒群落土壤含水量与花棒+沙拐枣群落和沙拐枣+花棒群落之间具有显著差异(p<0.05),不同坡位平均土壤含水量均呈现出：坡底>坡中>坡顶的趋势。花棒和沙拐枣组合的植被群落土壤水分垂直变异性以及随坡位的变异性小于花棒群落和沙拐枣群落。(2)不同植物群落200 cm深度土壤总贮水量变化范围为15.45～17.79 mm,土壤贮水量随土层深度变化趋势与土壤含水量一致。(3)不同植物群落土壤贮水亏缺度呈现：花棒+沙拐枣群落(97.74%)>沙拐枣+花棒群落(97.62%)>花棒群落(97.48%)>沙拐枣群落(97.44%)。[结论]研究区土壤...     

基于移动云计算技术的农用天气预报服务平台研发 ——以宁夏酿酒葡萄农事活动预报为例

传统TCP/IP 协议的FTP 文件传输方式和服务产品一次性制作、统一分发的服务方式已无法满足现有服务针对性、多样性、高时效性的要求。为减少冗余农用天气预报服务产品的产生，提高运算效率及服务针对性，本研究以宁夏酿酒葡萄为例，采用移动互联网与云计算技术，研发了基于用户地理位置及关注农事活动的宁夏农用天气预报云服务平台，实现了在线实时制作并发布服务产品。平台主要由资料加工软件、产品云制作软件、农气服务APP三部分组成。通过将气象业务网内的基础数据及必要的中间数据上传至云服务器数据库，利用资料获取、指标比较、预报制作等子程序，通过已建立云服务网站API接口方式，获取相关农用天气预报。其次，还可利用开发的APP获取具有很强专业性、时效性和针对性的、基于用户地理位置的农用天气预报产品。平台有力提升了宁夏农用天气预报业务的客观化、自动化水平及业务产品质量，可为国内农用天气预报技术向专业化和精细化发展提供参考。     

基于云计算与RBF神经网络集成的玉米精准施肥模型研究

针对玉米精准施肥模型与土壤多个参数有复杂的关系，且动态性数据量庞大、维度高、具有非线性强的特点，本文基于云计算技术的数据存储、分析、共享的功能，运用神经网络较强的处理非线性问题的能力，对玉米土壤养分数据进行处理，构建玉米土壤实时监控云平台，进行基于优化RBF神经网络的玉米土壤养分施肥模型研究，明确模拟施肥量与玉米产量、土壤养分含量的关系，将该模型在农安县陈家店村应用，为玉米的精准施肥提供决策依据。结果表明，基于云计算与RBF神经网络集成的玉米精准施肥模型与传统网络进行比较减少了误差，节约了时间，可为玉米精准施肥提供咨询指导，促进对玉米精准农田管理的实施。     

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。     

基于机器视觉的松林天牛远程智能监测系统

松墨天牛和褐梗天牛是松树上两种重要蛀干害虫，及时获取松林天牛的数量变化趋势是松林害虫精准防治的重要前提。为此，该研究构建一款基于机器视觉的松林天牛远程智能监测系统。系统主要由诱捕器模块、天牛检测模块和系统Web端三部分组成。诱捕器模块通常放置于松林重点区域来诱捕天牛害虫，并通过摄像头定时采集天牛图像；天牛检测模型部署于边缘端，以深度学习YOLOv5s模型为基础搭建轻量化检测模型，实现边缘端的天牛实时检测统计；检测结果经无线传输在系统Web端进行呈现，实现天牛数据可追溯。试验结果表明，智能监测系统对天牛监测效果良好，模型的准确率为94.4%，召回率为93.6%,IoU阈值为0.5下的平均精度均值(m AP0.5)为96.2%，单张推理耗时为1.40 s，模型大小为9.3 MB；用户可通过系统Web端查看天牛数量变化趋势。该系统可实现诱捕器场景下的天牛远程智能监测，对提高森林害虫防控智能化水平具有重要意义。     

风扰模拟力加载器控制系统设计

基于GPU高性能并行计算，在CUDA编程环境中实现边界面法正则积分的并行加速.在NVIDIA GTX680 GPU和英特尔(R)酷睿(TM)i7-3770K CPU的计算平台上与传统的正则单元积分对比.数值算例表明，在保证相同精度的前提下，加速比可达到8.3.     

基于边缘检测算法的坡面薄层水流深度测量系统研制

为了准确高效地测定坡面薄层水流断面位置上的水深，该研究利用"一"字线激光器、高分辨率工业摄像机获取激光线边缘像素点坐标数据，基于Python语言与OpenCV计算机视觉库进行边缘检测算法编程，通过分析、计算薄层水流表面激光线偏移量与水深间的函数关系，构建坡面薄层水流深度测量系统，并利用人工测量方法（测针法与染色法）对该系统测定结果的精确性与稳定性进行验证。结果表明，坡面薄层水流深度测量系统对标准水深进行标定的变异系数均值为6.64%，具有较高的稳定性；在光滑床面上的测定结果与人工测量方法相比，相对均方差误差、平均相对误差与平均绝对误差均不超过0.2，水深测量系统与测针法、染色法对比所得纳什效率系数分别达到了0.922与0.972，说明水深测量系统与人工测量方法具有较好的一致性与相关性，能够满足定床测量坡面薄层水流深度的需求，在坡面水动力学研究中具有较好的应用前景。