基于不同平台的小麦病虫害遥感监测研究进展

小麦病虫害的频发不仅会造成产量的巨大损失,病虫害防治农药的过度使用也会提高生产成本,增加农产品有毒残留的风险,而传统监测方法费时费力,具有主观性和滞后性。小麦病虫害遥感监测技术可实现快速、实时无损的监测,从而有针对性的提早防治病虫害。介绍作物病虫害光谱响应生理机制的基础上,重点从不同平台的角度入手概述近年来小麦病虫害遥感监测研究进展。最后提出目前遥感监测小麦病虫害尚存的问题,如对病虫害光谱特征的专属性认识不足、缺乏多种小麦病虫害危害类型的比较研究及病虫害监测模型普适性较差等,并探讨遥感在监测小麦病虫害方面的发展趋势,建议通过综合多时相遥感数据、建立小麦病虫害光谱库、构建全国性病虫害遥感监测信息服务系统以及加强国际间的交流与合作来进一步开展小麦病虫害的研究,从而实现小麦病虫害大面积、实时、科学有效的防控。     

基于无人机RGB图像颜色及纹理特征指数的小麦产量预测

利用无人机获取小麦孕穗期和开花期的RGB图像,通过图像处理获取小麦图像颜色指数和纹理特征指数,并在小麦收获后测定实际产量.通过分析各颜色指数、纹理特征指数与小麦产量之间的相关性,筛选出各生育期与小麦产量相关性最高的颜色指数和纹理特征指数,建立小麦产量预测模型并进行验证.结果表明:小麦孕穗期和开花期图像颜色指数与产量相关性均较好,纹理特征指数与产量相关性不够理想.孕穗期与产量相关性最高的颜色指数为VARI,相关系数达0.862,利用单一颜色指数VARI构建小麦产量预测模型验证的决定系数(R2)为0.725,模拟均方根误差(RMSE)为494.52 kg·hm-2;开花期与产量相关性最高的颜色指数为ExR,相关系数为-0.851,利用单一颜色指数ExR构建小麦产量预测模型验证的R2为0.709 2,模拟RMSE为499.72 kg·hm-2;使用孕穗期颜色指数VARI和纹理特征指数CON相结合构建的产量预测模型验证得到R2和RMSE分别为0.740 6和489.19 kg·hm-2,较单一颜色指数模型分别提升2.15％和减小1.08％.使用开花期颜色指数ExR和纹理特征指数ASM相结合构建的产量预测模型验证得到R2和RMSE分别为0.735 4和491.24 kg·hm-2,较单一颜色指数模型分别提升3.69％和减小1.70％.上述结果说明,用无人机图像颜色指数可以建立有效的产量估测模型,将颜色指数和纹理特征指数相结合建立的估产模型较单一颜色指数建立的模型精度高.     

图像处理技术在小麦生产中的应用与展望

计算机图像处理技术是人工智能与模式识别的一个重要领域,其应用已扩展到农业领域的诸多方面.通过广泛查阅文献,分析了数字图像处理技术在小麦生产方面的研究和应用进展情况,概述了图像处理技术在小麦生产过程中各阶段的应用成果,如在小麦叶面积指数测定、病虫害识别、叶绿素含量测定以及产量预测等方面的应用,提出了尚待研究解决的关键问题,并展望了图像处理技术在小麦生产上的应用前景.     

利用无人机图像颜色与纹理特征数据在小麦生育前期对产量进行预测

为了实现基于无人机的小麦产量快速预测，通过不同种植密度、氮肥和品种的田间试验，应用无人机航拍获取小麦生育前期（越冬前期和拔节期）的RGB图像，通过图像处理获取小麦田间颜色和纹理特征指数，并在小麦收获后测定实际产量。通过分析不同颜色和纹理特征指数与小麦产量的关系，筛选出适合小麦产量预测的颜色和纹理特征指数，建立小麦产量预测模型并进行验证。结果表明，小麦生育前期图像颜色指数与产量的相关性较好，而纹理特征指数相关性较差。对越冬前期利用单一颜色指数NDI构建的产量预测模型验证时，R为0.541，RMSE为671.26 kg·hm^-2；对拔节期用单一颜色指数VARI构建的产量预测模型验证时，R为0.603，RMSE为639.78 kg·hm^-2，预测结果比较理想，但不是最优。对越冬前期颜色指数NDI和纹理特征指数ENT相结合构建的产量预测模型验证时，R和RMSE分别为0.629和611.82 kg·hm^-2，比单一颜色指数模型分别提升16.27%和减小8.85%；对拔节期颜色指数VARI和纹理特征指数COR相结合构建的产量预测模型验证时，R和RMSE分别为0.746和510.29 kg·hm^-2，较单一颜色指数模型分别提升23.71%和减小20.24%。上述结果说明，将无人机图像颜色和纹理特征指数相结合建立的估产模型精度较高，可在小麦生育前期对产量进行有效预测。     

基于图像和改进U-net模型的小麦赤霉病穗识别

为了快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,利用深度学习网络U-net来对人工标记好的发病麦穗图像进行训练。通过深度学习数据集的构建与测试,建立了基于RGB图像和改进U-net网络模型的小麦赤霉病识别与监测模型,并对模型识别结果进行了验证。结果表明,U-net可以很好地提取图像波段信息,但对于比较复杂的麦穗图像,在使用Keras方法进行图像语义分割时,需要对U-net网络结构进行改进,即在下采样部分加入Dropout层。与人工标记结果相比,模型识别结果的一致性较好,具有较高的监测精度。该模型平均精度为0.969 4,损失函数值为0.075 9,平均交并比MIoU为0.799。上述结果说明改进的U-net模型可以很好地识别和监测小麦图像中的发病麦穗,并在发病麦穗的分割上具有很好的效果     

利用数字图像颜色特征指数识别小麦赤霉病

小麦赤霉病是对小麦生长过程有较大影响的病害。为了实现小麦赤霉病的快速识别,本研究利用数码相机获取小麦生长过程中赤霉病发病前期和发病中期的RGB图像,并对RGB图像的三基色分别进行归一化,然后计算得到与赤霉病相关性最好的颜色特征指数(共计12个)。通过对小麦赤霉病前期和中期各20张发病麦穗颜色特征指数值与健康麦穗比较分析。结果表明,12个颜色特征指数值在不同麦穗类型之间均有差异,其中ExG、ExGR、GLI和MGRVI等4个颜色特征值差异显著,可用于受到赤霉病感染的麦穗提取。利用人工标记的发病麦穗对颜色特征指数识别提取发病麦穗进行验证,在小麦赤霉病发病前期的平均检测率为90.5%,在小麦赤霉病发病中期的平均检测率为88.4%,上述结果表明基于颜色特征指数识别小麦赤霉病发病麦穗是可行的。