大田农业节水物联网技术应用现状与发展趋势

物联网技术与农业领域应用的结合是推动传统农业向现代农业转型升级的重要驱动力,农业节水是中国农业发展长期关注的重点。以物联网技术感知层、传输层、应用层架构为主线,针对大田主要粮食作物水分需求,总结物联网技术在大田农业节水关键环节中的应用发展现状以及存在的局限性,并在大数据、云计算等现代信息技术发展基础上,结合新时期互联网+战略,对物联网技术快速发展态势下农业节水技术、服务、模式的未来发展趋势进行探讨,提出技术向服务转变、决策向预测转变、微观向宏观转变的发展思路。     

基于遗传BP算法的温室无线传感器网络定位方法

针对温室移动节点定位的需求,提出了一种基于遗传BP算法的温室无线传感器网络定位方法。该方法主要包括路径损耗指数确定、定位模型训练、未知节点定位3个阶段。首先,锚节点间相互通信,通过高斯校正模型增强定位信息的准确性后,利用最小均方误差估计法确定路径损耗参数;然后,应用遗传BP算法建立未知节点坐标和未知节点至锚节点的距离向量之间的映射关系模型;最后将未知节点接收各锚节点的RSSI值转换为距离向量,输入定位模型中,估算未知节点的位置。试验表明,该方法充分考虑环境对信号传输模型的影响,定位误差≤2m的比例达24%,定位误差≤3.5m的比例达86%,相对定位误差低于4.8%,具有较高的稳定性和定位精度,能够满足实际温室环境的定位需求。     

基于矩阵变换的车载玉米叶绿素含量快速预测系统偏差分析

为了对车载玉米叶绿素含量快速预测系统偏差进行分析,优化车载系统测量结果,该文提出一种空间插值和多维矩阵分析相结合的思想,阐述了基于矩阵变换和GIS空间分析手段的预测偏差分析策略,提高了车载系统快速预测空间分布的预测效果。研究结果表明：使用BP神经网络模型和RBF神经网络模型对车载系统动态预测单点位置叶绿素含量具有一定预测效果,平均决定系数R2约为0.8,2类模型的预测效果相近。RBF神经网络预测结果矩阵经反距离加权法插值后,其空间分布预测偏差度小于10%的数据量占总数据量的85%。表明该方法具有较好的空间预测效果,可以为车载系统动态测量平台预测玉米冠层叶片叶绿素含量的提供决策支持。     

基于ZigBee和Internet的温室群环境远程监控系统设计

针对当前国内温室群环境智能测控研究现状以及黑龙江省寒地日光温室建设实际,研发了一种基于ZigBee和Internet的温室群环境远程监控系统。该系统由数个独立温室监控系统组成,各独立温室监控服务器将数据汇总至总服务器,由总服务器提供远程监控接入管理服务。各独立温室监控系统传感网部分基于ZigBee网络设计,通信模块采用TI公司新一代片上系统CC2530,ZigBee网络通过RS232-RJ45协议转换器接入局域网。软件算法设计参考了大系统理论,对温室环境因子进行综合调控。通过日光温室实地试验,测试了ZigBee网络通讯稳定性,通讯丢包率控制在4.9%以内,远程监控系统稳定,满足了工程设计需要。     

田间冬小麦抽穗期长势分析——基于可见-近红外光

为了快速估测大田冬小麦叶绿素含量指标,指导冬小麦抽穗期追肥管理,基于光谱分析技术在可见光和近红外波段(325~1 075 nm)处,对陕西省杨凌区揉谷镇粮食基地的冬小麦进行长势检测、分析。试验在1 000 m×600 m区域内划分为30个采样区进行数据采集,使用ASD Field Spec Hand Held光谱辐射仪(Analytical Spectral Devices.,USA)采集冬小麦的冠层光谱反射率数据,使用SPAD-5 0 2 Plus便携式叶绿素仪测量小麦倒一叶和倒二叶的叶绿素指标(SPAD值),使用G738 CM型手持式GPS记录采样点的位置信息。分别进行冠层光谱反射率小麦倒一叶和倒二叶的预处理,结果表明:冠层反射光谱倒二叶的SPAD值相关系数高于倒一叶。基于相关性分析,选取4个敏感波段538、661、740、850 nm分别与预处理前后的光谱数据进行多元线性回归分析,结果表明:预处理后的模型精度较高,建模精度R2=0.8 3,验证建模精度R2=0.7。同时,绘制了大田作物长势分布图,可为冬小麦抽穗期追肥提供支持。     

基于双目视觉的香蕉园巡检机器人导航路径提取方法

为实现移动机器人香蕉园巡检自动导航,研究提出了一种基于双目视觉的香蕉园巡检路径提取方法。首先由机器人搭载的双目相机获取机器人前方点云,进行预处理后对点云感兴趣区域进行二维投影并将投影结果网格化,得到网格地图;然后采用改进的K-means算法将道路两侧香蕉树分离,其中初始聚类中心通过对网格地图进行垂直、水平投影以及一、二阶高斯拟合确定;最后基于最小包围矩形提取导航路径,将道路两侧网格以最小矩形框包围,提取两包围框中间线作为期望导航路径。测试结果表明,改进的K-means算法聚类成功率为93%,较传统方法提高了12%;导航路径提取平均横向偏差为14.27 cm,平均航向偏差为4.83°,研究方法可为香蕉园巡检机器人自动导航提供支持。     

基于Kinect V3深度传感器的田间植株点云配准方法

准确建立植物的三维点云是以点云方式高通量获取植株各部位物理参数的前提。为实现田间复杂环境下的植株三维点云配准,该研究提出了一种基于多标定球的田间植株点云自动配准方法,并分别在室内简单场景及大田复杂场景下从不同角度对多种作物采集的点云数据进行验证。该方法采用随机抽样一致性算法（Random Sample Consensus, RANSAC）结合点云减法的概念从下采样后的点云中实现多标定球的自动提取,弥补了RANSAC一次只能提取单个物体的缺点。然后基于各标定球的球心距离信息实现三维点集的自动匹配。最后使用奇异值分解算法解算旋转平移矩阵,实现点云的自动配准。不同场景下各作物的配准结果表明,各植株的水平90°、180°、270°以及垂直方向上的点云配准到水平0°点云下的平均轴向误差在6～17 mm之间,平均点位误差在13～30 mm之间,与手动配准的商用同类软件LiDAR360的配准结果相当,但配准过程的自动化程度明显提高,效率提高了67%。该文所提出的方法可在田间复杂环境下对低成本深度相机获取的植株点云实现高精度的自动配准,为田间植物表型参数的提取提供了低成本的可行方案。     

基于深度学习的玉米拔节期冠层识别

为了满足田间玉米植株快速识别与检测的需求,针对玉米拔节期提出了基于深度学习的冠层识别方法,比较并选取了适于玉米植株精准识别和定位的网络模型,并研制了玉米植株快速识别和定位检测装置。首先拍摄玉米苗期和拔节期图像共计3 000张用于训练深度学习模型,针对拔节期玉米叶片交叉严重的问题,提出了以玉米株心取代玉米整株对象的标记策略。其次在Google Colab云平台训练SSDLite-MobileDet网络模型。为了实现田间快速检测,开发了基于树莓派4B+Coral USB的玉米冠层快速检测装置。结果表明,田间玉米冠层识别模型精度达到91%,检测视频的帧率达到89帧/s以上。研究成果可为田间玉米高精度诊断和精细化作业管理奠定基础。     

基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法。首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集。然后,构建堆叠沙漏网络架构实现叶片数固定和不固定的水稻关键点检测,引入沙漏结构整合图像的多尺度特征,结合中间监督机制整合不同沙漏模块信息。叶片数一致的情况,模型预测准确率最高可达96.48%;叶片数不一致的情况,预测准确率达到82.09%。最后,根据预测关键点及其对应的语义信息连接形成植株骨架,选取茎秆长、叶片长、穗长、叶片-茎秆夹角和茎节点位置5个表型参数对生成骨架模型的实际意义进行评估,其均方根误差依次为5.82 cm、3.09 cm、1.71 cm、3.22°和2.04 cm,证明了该方法能较好地识别水稻单分蘖关键点,为水稻骨架提取提供了一种新思路,有助于加快水稻育种速度。     

玉米冠层叶片光谱反射率与玉米长势空间变异的关系

为了寻找一种快捷获取玉米叶绿素空间分布信息的方法,研究了玉米苗期冠层叶片光谱反射率的变化特征,分析了不同生长阶段冠层叶片光谱反射率的空间分布和叶绿素质量浓度的空间分布.研究结果表明:玉米苗期冠层叶片叶绿素的质量浓度空间分布不均匀.冠层叶片的叶绿素质量浓度与光谱指数RVI的相关性较低,与归一化差异植被指数NDV1值和550 nm波段的反射率均有较高的相关性.分析550nm波段的反射率值与冠层叶片叶绿素质量浓度值的相关关系,显示二者成负相关变化趋势,相关系数绝对值在0.69～0.88范围随着生长期的变化而逐渐增大,五叶期前期的相关性系数绝对值达到苗期最大值,表明550 nm波段反射率值能够较好的反映玉米苗期叶绿素质量浓度的水平,分析和掌握550 nm波段反射率值的变化及其空间分布特性对快速监测玉米苗期生长状况,对指导田间施肥具有重要意义.