基于双卷积链Fast R-CNN的番茄关键器官识别方法

为提高番茄器官目标识别的准确率,提出一种基于RGB和灰度图像输入的双卷积链Fast R-CNN番茄器官识别网络。该方法通过番茄器官图像数据集训练基于VGGNet基本结构的特征提取网络,并用其参数初始化Fast R-CNN,通过再训练,用以识别植株图像中的番茄花、果、茎器官。首先分析了网络深度和宽度、图像输入类型、激活单元对特征提取及网络分类性能的影响。详细阐述了基于Fast R-CNN的番茄器官识别网络的设计及训练方法,基于试验观察,提出了基于双卷积链的Fast R-CNN,融合自动提取的RGB和灰度图像特征,由全连接层对Selective Search算法生成的候选区域进行分类识别。结果表明:针对番茄器官图像数据集,5个卷积层的网络即可具有较高的特征提取和分类性能,增加或降低卷积层数都会使网络性能下降;与ReLU激活单元相比,PReLU和ELU能够显著提高番茄特征提取网络的性能,而提高效果和具体的网络结构有关;基于Fast R-CNN的识别方法能够对番茄的花、果、茎器官进行识别,且能够识别不同成熟度的果和不同形态的花;单卷积链Fast R-CNN网络对花、果、茎的识别平均精度(AP)最高分别为64.79%、66.76%和42.58%,双卷积链Fast R-CNN识别网络对三种器官的识别AP最高分别为70.33%、63.99%和44.95%,相较于单链网络,双卷积链Fast R-CNN的mAP提高2.56%,说明该方法对提高番茄器官识别性能是有效的。     

病虫害状态下作物叶片表观模拟方法

为了解决农作物病害三维场景难以模拟的问题,该文提出一种病虫害条件下叶片表观的模拟算法。该方法首先利用细胞纹理基函数控制病斑的形状、分布及扩散方式;之后为了模拟病斑在叶片上的堆积效果,采用shell模型进行模拟,并针对病斑的特点,对病斑的颗粒感、高度变化以及周边叶色的变化情况均进行建模。试验结果表明,该方法可以真实地模拟植物叶片在病害状态下的表观,可以容易地与病害知识进行结合,实现基于环境数据驱动的白粉病病情变化过程模拟,为数字农业设计及农业科普培训动画的制作提供有力工具。     

数字植物研究进展:植物形态结构三维数字化

数字植物围绕农林植物生命、生产和生态系统的多维信息高效感知和认知的理论、技术和方法,通过多学科交叉合作,研究农林植物-环境3D数字化、高通量信息获取、情景感知、信息融合、结构和功能模拟、数字化设计和精准管理决策等数字农业的关键性、基础性以及共性理论和技术问题。植物形态结构的三维数字化是数字植物研究的重要组成部分,近年来很多学者从植物组织、器官、植株和群体等不同尺度,或者从植物根系和地上部等不同视角,围绕植物形态结构的参数测量、几何结构解析、三维模型构建、结构与功能建模,以及三维植物模型真实感展现等需要,开展了更深入的研究。在组织尺度方面,随着MRI、CT、显微成像等技术产品的不断成熟,使得利用这些先进测量仪器获取和测量植物组织内部结构数据成为可能,并被越来越多的研究者采用,成为进行植物内部形态结构测量和分析的有效手段。在植物根系的三维数字化方面,由于植物的根普遍生长在土壤里,观察和测量十分困难。虽然近年来XCT、MRI等穿透射线成像技术已越来越多地用于根系的形态结构探测,但这类技术往往仅能获取范围较小的根系局部数据,且价格昂贵。因此植物根系形态结构的准确、无损(原位)、快速测量仍然是一个挑战。在群体尺度方面,基于实测数据的三维重建逐渐成为植物群体三维重建的主要途径,研究者正试图从激光三维扫描仪获取的植物群体三维点云中提取群体的形态参数并实现群体的三维重构。而在三维植物模型的真实感绘制方面,如何准确地测量各种植物器官的光学特性并建立相应的数学模型是当前的研究重点,虽然已有不少研究者提出了相应的解决方案,但这些方法在便捷性和普适性方面仍然难以令人满意,有待更多深入研究。笔者最后结合相关领域的技术进展对数字植物的进一步研究进行了展望。     

基于像素空间的植物叶片干枯褶皱模拟

提出一种基于像素空间的植物叶片干枯褶皱模拟框架,可实时地对叶片的干枯现象进行真实渲染.首先基于植物的干枯叶片图像生成褶皱法向量纹理并对其进行无缝处理;其次将褶皱法向量纹理映射到叶片三维模型上;然后构建融合函数将褶皱法向量与叶片模型法向量进行插值,使叶片模型的法向量可在无褶皱和充满褶皱两种状态之间进行光滑过渡;最后从几何空间对植物叶片进行面积缩放仿真.结果表明,本文方法简单高效且真实感效果好,因此,适用于以交互浏览为目的的虚拟农业应用系统中.     

基于自监督学习的温室移动机器人位姿跟踪

为实现温室环境下机器人行进过程中的位置及姿态跟踪,该研究提出一种基于时序一致性约束的自监督位姿变换估计模型。模型用软遮罩,处理视频帧间静止造成的位姿预测值收缩现象,进一步用归一化遮罩,解决非刚体场景和目标遮挡问题。设计了一种星型扩张卷积,并基于该卷积,为模型构建自编码器。在采集自种植作物为番茄的日光温室视频数据上开展训练和测试试验。结果表明,与不采用遮罩处理的模型相比,采用软遮罩的模型,位置和姿态估计相对误差分别减少5.06个百分点和11.05个百分点,采用归一化遮罩的模型,这2项误差则分别减少4.15个百分点和3.86个百分点,2种遮罩均可显著提高模型精度;星型扩张卷积对降低模型误差是有效的,在网络参数不变的前提下,该卷积使姿态估计相对误差减少7.54个百分点;时序一致性约束使姿态估计均方根误差下降36.48%,每百帧累积姿态角误差降低54.75%,该约束可用于提高模型精度及稳定性;该研究的位置及姿态估计相对误差分别为8.29%和5.71%,与Monodepth2相比,减少了8.61%和6.83%。该研究可为温室移动机器人导航系统设计提供参考。     

基于卷积神经网络的草莓叶部白粉病病害识别

针对计算机视觉下草莓叶部白粉病病害的识别,提出了一种基于卷积神经网络的病害识别模型。首先,设计了3种网络深度(经过3、4和5次卷积操作)与3种卷积核(5×5、3×3,5×5、3×3混合)交叉组合共9种不同网络深度与卷积核尺寸的卷积神经网络结构;其次,分别选择了4种采样层构建方法(均值池化、最大值池化、中间值池化和混合池化);最后,进行了9组训练集与测试集不同比例的模型识别。结果表明,基于混合池化的CNN-9模型(卷积核尺寸5×5,3×3;卷积神经网络深度11)表现最好,对草莓叶部白粉病病害的正确识别率达到98.61%。该方法可较好地实现草莓叶部白粉病病害的识别,且图像预处理步骤简单,易推广,可用于草莓白粉病病害的实时监测。     

北方日光温室智能监控系统的设计与实现

建立日光温室智能监控系统,能够推动我国北方日光温室设施园艺现代化,对日光温室的智能监控有助于提高设施园艺的产量,实现对日光温室的现代化管理。针对中国北方日光温室设施农业环境数据的监测与环境控制需要,设计了一套以ST公司的STM32单片机为控制核心并符合北方日光温室环境的智能监控系统,该系统综合运用传感器技术,自动检测技术和通讯技术等实现对日光温室温度、湿度、光照度、CO2浓度的采集、存储、显示、监测和控制,并对采集到的温室环境因子数据进行了线性回归分析。完成了对环境温室的实时遥测,遥调和遥控,同时能提供各温室环境因子的历史记录和数据。运行结果表明:该智能监控系统运行稳定,测量结果准确可靠,扩展性强,可以满足控制要求,具有良好的应用前景。     

“问题驱动教学法”在《C语言程序设计》课程教学中的应用

本文针对《C语言程序设计》课程的教学现状及存在的问题,提出在该课程教学中引入"问题驱动教学法",将理论知识融入到具体"问题"中,通过解决"问题"来讲解理论知识,并通过一个具体的案例来介绍如何利用"问题驱动教学法"来开展教学。     

基于叶绿素相对值的植物叶片颜色模拟方法

提出了一种基于叶绿素相对值(SPAD)的植物叶色模拟方法。首先利用自制的叶色数据采集装置,在外部环境恒定的条件下采集叶色数据,跟踪监测叶片不同生理时期的叶色变化。再基于数据对叶色进行分析,构建SPAD值与特定光环境下叶片颜色值的关系函数,并利用该函数推导出叶片的漫反射计算公式;最后采用基于SPAD纹理的方法对叶片表面的颜色差异以及随着时间发生的老化现象进行模拟。结果显示在确定的恒定外部环境下,SPAD值与叶片漫反射红绿蓝三通道关系函数呈指数关系,决定系数分别为0.972、0.968、0.509,表明SPAD与叶片漫反射颜色之间存在相关性,因此可利用SPAD作为驱动因子进行叶色仿真。同时,从视觉角度加以分析,基于SPAD的叶色模拟结果与真实图像对比,叶色的变化趋势一致,结果较真实。     

基于数据约束的植物叶柄三维形态交互建模方法

提出了一种基于真实数据并保持原始参数不变的植物叶柄器官建模方法。首先通过叶柄长度、叶柄半径参数建立柄的三维模型,并加入表面绒毛的模拟以增强真实感;为了丰富模型的形态,提出了基于交互的形态调整方法,该方法以关节链及逆向运动学为基础,辅以误差补偿算法,使交互调整过程中模型的原始参数(长度、半径)保持不变。试验结果表明,该方法可以快速、灵活地构建出叶柄器官的三维形态,具有较好的真实感效果,且变形过程中参数的变化很小。