利用叶绿素荧光动力学参数识别苗期番茄干旱胁迫状态

为实现作物干旱胁迫状态无损识别,该研究提出了基于叶绿素荧光动力学参数的苗期番茄干旱胁迫状态识别方法。首先利用叶绿素荧光成像系统采集不同干旱胁迫程度的植株冠层叶绿素荧光图像,并将顶层叶片图像像素均值作为该植株的叶绿素荧光参数值;然后,采用连续投影法(SuccessiveProjectionsAlgorithm,SPA)、迭代保留信息变量法(Iteratively Retains Informative Variables,IRIV)和变量空间迭代收缩法(Variable Iterative Space Shrinkage Approac,VISSA)分别提取与干旱胁迫高度相关的叶绿素荧光参数。并分析3种算法提取的5个公共荧光参数(光适应过程中L2时刻的实际光量子效率、光适应过程中L3时刻的非光化荧光淬灭、基于"Lake"模型光适应过程中L2时刻的光适应光化学淬灭、基于"Lake"模型的稳态光适应光化学淬灭和基于"Lake"模型暗弛豫过程中D3时刻的光适应光化学淬灭)在不同干旱等级下的变化趋势。最后,利用线性判别分析(Linear Discriminant Analysis,LDA)、支持向量机(Support Vector Machines,SVM)和k最近邻(k-Nearest Neighbor,KNN)建立干旱胁迫状态识别模型。其中,IRIV-LDA和VISSA-LDA建模效果最好,识别准确率均可达97.8%,且IRIV-LDA对干旱胁迫程度的区分度更好,对适宜水分、轻度干旱、中度干旱、重度干旱的识别率分别为100%、95%、98%、98%。仅用5个公共参数建立干旱识别模型的识别准确度最高可达83.7%,说明这5个荧光参数与番茄干旱胁迫高度相关。试验结果表明,利用叶绿素荧光动力学参数可以较准确的检测苗期番茄干旱胁迫状态。该研究为苗期番茄干旱胁迫早期监测和胁迫等级判定提供了一种新方法,也可为其他作物的干旱胁迫状态监测提供技术参考。     

基于改进U-Net网络的苹果叶部病害语义分割方法

针对自然条件下苹果叶部病斑分割与识别效果欠佳的问题,本文提出一种融合条件随机场和卷积块状注意力模块的苹果叶部病害语义分割模型,实现苹果叶部锈病、褐斑病、灰斑病及斑点落叶病的病斑准确分割和识别。本文在U-Net模型基础上,使用ResNet50为骨干网络防止梯度消失问题,并分别在跳跃连接分支与上采样层加入卷积块状注意力模块,减少训练过程中的分割精度损失,融合Dice Loss和Focal Loss降低损失波动,最后利用条件随机场优化分割结果,获取病斑掩模图像,实现对苹果叶部病害语义分割。本研究在自制苹果叶部病害数据集上进行试验,分析了光照、阴影及水滴等因素对分割结果的影响。试验结果表明：本文构建的语义分割模型相比传统U-Net模型,平均分割精度(mIoU)提升8.24百分点,平均分类精度(mPrecision)提升11百分点,类别平均像素准确率(mPA)提升6.09百分点,受光照不均、雨滴的影响更小,具有更好的鲁棒性和可靠性。