基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

基于粒子图像测速的坡面流水动力学特性

粒子图像测速(Particle Image Velocimetry, PIV)技术具有多点同时测量、对水流无干扰的优点,该研究利用高分辨率PIV(分辨率为64 pixels/mm),测量了7组坡面流(水深范围为0.5～1.1 cm,雷诺数范围为1 000～3 000),并测量1组深水明渠紊流作为对照,研究了流速轮廓线和修正系数、紊动强度和雷诺应力、偏态系数和峰度系数的变化规律。结果表明:1)PIV能够有效观测坡面流床面至水面的流速分布。当坡面流流态为过渡流时,流速修正系数随着雷诺数的增加呈对数增加,均值为0.77;2)对比深水明渠紊流的紊动强度,坡面流的流向紊动强度较大,而垂向紊动强度较小,且随着水深及雷诺数的增加,坡面流紊动强度逐渐与深水明渠紊流的特征吻合。深水明渠紊流中受雷诺应力影响的流体占比约80%,而坡面流中受雷诺应力影响的流体占比小于80%,随着雷诺数的增加坡面流中受雷诺应力影响的流体占比变大;3)对比深水明渠紊流的峰度系数,坡面流的峰度系数大部分大于3,表明坡面流较深水明渠紊流出现极端流速事件的概率小。PIV技术有利于实验室研究坡面水力侵蚀的力学机理机制问题。     

基于厘米级无人机影像的水土保持措施精准识别

基于厘米级高分辨率无人机影像,应用面向对象方法(Object-Based Image Analysis, OBIA)对吉林省伊通县椽子沟流域的横坡改垄、地埂植物带、生态恢复乔木林、生态恢复草地等水土保持措施进行自动精准识别。应用超绿指数(Excess Green Index,ExG)、超红指数(Excess Red Index,ExR)、归一化差异指数(Normalized Difference Index,NDI)等光谱指数,形状的主方向、形状指数等形状特征,均值(Mean)、方差(Variance)、对比度(Contrast)等纹理特征进行措施的特征提取。结果表明:研究区水土保持措施识别的总体精度可达91.24%,Kappa系数为0.87;对垄台、垄沟等线性水土保持措施总体精度可达72.33%,Kappa系数为0.63。基于厘米级无人机影像,应用面向对象方法基本可实现对黑土区水土保持措施的精准识别,也可对垄台垄沟等线性措施进行自动识别,研究结果可为水土保持措施实施范围及完好程度的动态监测提供参考依据。     

用遥感影像提取大别山区水稻种植面积——以Landsat 8为例

本研究选取安徽省安庆市大别山为研究区,包括太湖县、岳西县、宿松县和潜山县,选取2016年和2017年的6景Landsat 8卫星遥感影像,通过遥感影像提取水稻种植面积,分析大别山区的水稻种植面积分布,并对研究区域的水稻种植面积进行动态实时监测。用遥感解译方法分别提取了研究区内的晚稻种植面积,并利用随机点验证和Kappa系数验证结果精度。结果表明:2017年和2016年水稻种植面积的提取精度分别为93.44%、93.78%,Kappa系数分别为0.86、0.83,证明水稻提取效果精确;对比研究区域各个县内的2017年和2016年晚稻种植面积,发现安庆市大别山区太湖县、潜山县、岳西县的水稻种植面积变化率均在5%以内,属于正常变化,由于2016年宿松县遭遇了水灾,部分农田被淹没,故宿松县2017年水稻种植面积相比2016年增加了13.01%;对比传统的农作物种植面积统计方法,利用遥感的方法更省人力、物力、财力,并且能精确、快速地实现对农作物的实时动态监测。     

基于GF-1卫星数据与面向对象分类的达里诺尔湿地自然保护区土地覆盖信息提取

以达里诺尔湿地自然保护区为研究区，基于国产GF-1遥感影像，采用面向对象和传统目视解译的分类方法对研究区土地覆盖遥感信息进行提取，并对其结果进行对比分析，采取混淆矩阵对面向对象分类结果进行精度验证。结果表明：（1）充分利用了GF-1遥感影像的光谱信息，面向对象分类采取试错法确定最优分割尺度为550，形状和紧致度因子分别为0.6和0.5，各波段权重均为1。（2）面向对象分类总体分类精度达98.22％，KAPPA系数为0.96；（3）面向对象分类方法可快速准确提取类型较为复杂的土地覆盖信息，为内陆湿地精准快速提取研究区土地覆盖分类信息提供参考，以期为湿地遥感业务化监测提供技术规范。     

基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

基于DOM航空影像单木树冠提取

准确提取单木树冠边界是获取森林数量参数的重要基础，是高分辨率遥感图像林业应用的技术难题。基于DOM航空影像数据源，采用面向对象的方法对研究区内的2个树种的林分进行了单木树冠边界提取研究。首先利用桉树和杉木的空间分布矢量数据对DOM航空影像进行掩膜处理，在掩膜区域内进行多层次多尺度图像分割得到初步树冠分割结果，并剔除非树冠信息；再以树冠信息种子对象为基础，使用区域增长算法对树冠信息种子对象增长得到单木树冠范围；最后使用形态学滤波的方法优化单木树冠边界，完成林区内桉树和杉木两类树种的单木树冠边界提取。结果表明，由于不同树种的树冠存在尺度和形态差异，进行单木树冠分割时需要设置不同的参数才能到达较好的分割效果。本研究中桉树和杉木的单木树冠提取总体精度分别为86.75%与89.21%，可满足林业部门获取森林单木树冠的精度需求。     

基于SegNet模型的高原鼠兔的图像分割

针对高原鼠兔图像目标尺寸小、背景复杂、特征不显著、基于活动轮廓的图像分割模型无法有效分割的问题，采用基于卷积神经网络的SegNet语义模型对高原鼠兔图像进行分割：首先将采集的高原鼠兔图像进行预处理，尺度归一化后制作成与Pascal VOC数据集格式一致的数据集；然后将数据集分为训练集与测试集，采用训练集对SegNet模型训练，测试集对模型进行分割测试。对高原鼠兔图像分割的试验结果表明：与基于活动轮廓的Chan_Vese模型相比，基于卷积神经网络的SegNet模型对高原鼠兔图像分割时的交并比、平均像素精度、Dice相似性指数和Jaccard指数分别提高了68.33%、9.35%、30.61%和47.98%，过分割率和欠分割率分别降低了87.20%、16.52%。     

基于RNMU的多源星载SAR影像融合与土地覆盖分类

为充分利用多时相、多极化SAR数据在不同土地覆盖类型中的后向散射特性,将递归非负矩阵下近似(Recursive nonnegative matrix underapproximation,RNMU)算法引入多源SAR数据的融合,并利用融合后的SAR影像实现较高精度的土地覆盖分类。融合过程中,在根据不同模式SAR影像特点进行多源SAR影像预处理的基础上,基于RNMU算法通过对多个输入SAR影像进行矩阵分解及迭代最优矩阵求解,得到融合影像。为验证融合后SAR影像在土地覆盖分类中的应用效果,以吉林省大安市为研究区,对多时相Sentinel-1的VV/VH双极化SAR数据和高分三号(GF-3)的HH/HV双极化SAR数据进行了基于RNMU的影像融合,并利用融合后的SAR影像进行研究区主要土地覆盖类型分类。实验结果表明,基于RNMU融合影像的土地覆盖分类总体精度达93. 11%,Kappa系数为0. 86,与Gram-Schmid(G-S)融合方法相比,分类总体精度提高了6. 83个百分点,Kappa系数提高0. 12。多源SAR融合为SAR影像融合提供了有效手段,为土地覆盖分类提供了更多高精度的数据资源。     

油菜角果数量及关键表型参数的自动化检测方法研究

为有效替代人工方式考种油菜、观测角果,研究了一种用于测量批量角果的数量和关键表型参数的自动化检测方法。设计了角果散铺和图像采集装置,利用拨动加振动的方式将堆积角果均匀散开并拍摄视频;使用二维码作为标记块,以有效地提取关键帧并拼接为包含全部角果的整幅图像;提出了基于凹点提取与匹配的图像分割方法,分割各种形态下的重叠角果,准确率达到98%以上。在关键表型参数测量中,利用了最大类间方差法以判断角果的正置或侧置姿态,以此估计角果横切面的近似椭圆长短轴,再计算角果的长度、表面积和体积。实验结果表明该方法具有很好的检测精度,对不同品种的油菜适应性较好,长度、表面积和体积的估计误差分别不大于2.9%、4.8%和5.0%。该方法可以有效替代人工方式的油菜考种,为相关农业科研领域提供基础数据。