土地规模化经营对农业生态效率影响及城乡市场分割调节作用探析

土地规模化经营是农业生态效率改善的重要动力,但土地规模化经营作用农业生态效率受到城乡市场分割的门槛调节。该研究借助2001—2017年全国30个地区(因数据缺失,西藏及港澳台地区未涵盖,下同)面板数据,运用面板门槛模型,就城乡市场分割调节土地规模化经营作用农业生态效率过程展开研究。结果表明:(1)我国农业生态效率总体向好,但地区间差异悬殊;(2)土地规模化经营驱动农业生态效率改善,但存在城乡市场分割门槛调节,弱市场分割地区土地规模化经营促进农业生态效率,强市场分割地区作用相反;(3)城乡市场分割调节土地规模化经营作用农业生态效率主要通过限制农产品、劳动力、资本城乡合理流动,削弱农业新型经营主体绿色农业发展意愿和能力途径展开;(4)我国多数地区城乡市场分割水平偏高,区域发展中城市资源偏向和工业优先发展突出,需进行及时改革。该研究可为政府制定绿色农业发展策略提供参考依据。     

基于循环残差注意力的群养生猪实例分割

目的 在群养环境下，实现生猪粘连、杂物遮挡等不同条件下生猪个体的高精度分割。方法 对真实养殖场景下的8栏日龄20~105 d共45头群养生猪进行研究，以移动相机拍摄图像为数据源，并执行改变亮度、加入高斯噪声等数据增强操作获取标注图片3 834张。探究基于2个骨干网络ResNet50、ResNet101与2个任务网络Mask R-CNN、Cascade mask R-CNN交叉结合的多种模型，并将循环残差注意力(RRA)思想引入2个任务网络模型中，在不显著增加计算量的前提下提升模型特征提取能力、提高分割精度。结果 选用Mask R-CNN-ResNet50比Cascade mask R-CNN-ResNet50在AP_0.5、AP_0.75、AP_0.5-0.95和AP_{0.5-0.95-large}指标上分别提升4.3%、3.5%、2.2%和2.2%；加入不同数量的RRA模块以探究其对各个任务模型预测性能影响，试验表明加入2个RRA模块后对各个任务模型的提升效果最为明显。结论 加入2个RRA模块的Mask R-CNN-ResNet50模型可以更精确、有效地对不同场景群养生猪进行分割，为后续生猪身份识别与行为分析提供模型支撑。     

基于FCN的无人机玉米遥感图像垄中心线提取

为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully ConvolutionalNetworks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提取的数据集标注方法,采用滑动窗口法进行图像分块,利用深度学习语义分割网络FCN对垄中心线附近7～17像素宽度范围的垄线区域进行提取,模型在测试田块上精确率达66.1%～83.4%,召回率达51.1%～73.9%,调和平均值为57.6%～78.4%;对拼接后的图像使用影像分割投影法提取中心线,探究了垄线区域宽度对垄中心线提取精度的影响,训练采用9像素的垄区域宽度,可得到垄中心线在77 mm左右偏差范围准确率为91.2%,在31.5 mm左右偏差范围内为61.5%。结果表明,基于FCN对无人机玉米遥感图像进行处理,可得到整片田地的垄中心线栅格地图,方便农业机器人进行全局路径规划。     

基于红外热成像的夜间农田实时语义分割

农田环境实时语义分割是构成智能农机的视觉环境感知的重要环节，夜间农田语义分割可以使智能农机在夜间通过视觉感知农田环境进行全天候作业，而夜间无光环境下，可见光摄像头成像效果较差，将造成语义分割精度的下降。为保证夜间农田环境下红外图像语义分割的精度与实时性，该研究提出了一种适用于红外图像的红外实时双边语义分割网络（Infrared Real-time Bilateral Semantic Segmentation Network，IR-BiSeNet），根据红外图像分辨率低，细节模糊的特点该网络在实时双边语义分割网络（Bilateral Semantic Segmentation Net，BiSeNet）结构基础上进行改进，在其空间路径上，进一步融合红外图像低层特征，在该网络构架中的注意力提升模块、特征融合模块上使用全局最大池化层替换全局平均池化层以保留红外图像纹理细节信息。为验证提出方法的有效性，通过在夜间使用红外热成像采集的农田数据集上进行试验，数据集分割目标包括田地、行人、植物、障碍物、背景。经试验验证，提出方法在夜间农田红外数据集上达到了85.1%的平均交并比（Mean Intersection over Union，MIoU），同时达到40帧/s的处理速度，满足对夜间农田的实时语义分割。     

医学图像精细化分割方法研究

指出了深度学习方法在医学图像分割中取得较大的进展,但医学图像处理的复杂性使得全自动分割方法难以取得较好的分割效果。在卷积网络分割的基础上,结合应用场景使用适当的后处理手段来提升图像的分割效果是一种比较有临床意义的研究方法。主要研究了基于概率图的全连接条件随机场模型和基于用户交互的深度编辑网络,并分析总结了这两种方法的实现原理和各自优势,并对未来的研究工作进行了一些展望。     

Object‐Based Mapping of Karst Rocky Desertification using a Support Vector Machine

Accurate and cost‐effective mapping of karst rocky desertification (KRD) is still a challenge at the regional and national scale. Visual interpretation has been utilised in the majority of studies, while an automated method based on pixel data has been investigated repeatedly. An object‐based method coupling with support vector machine (SVM) was developed and tested using Enhanced Thematic Mapper Plus (ETM+) images from three selected counties (Liujiang, Changshun and Zhenyuan) with different karst landscapes in SW China. The method supports a strategy of defining a mapping unit. It combined ETM+ images and ancillary data including elevation, slope and Normalized Difference Vegetation Index images. A sequence of scale parameters estimation, image segmentation, training data sampling, SVM parameters tuning and object classification was performed to achieve the mapping. A quantitative and semi‐automated approach was used to estimate scale parameters for segmenting an object at an optimal scale. We calculated the sum of area‐weighted standard deviation (WS), rate of change for WS, local variance (LV) and rate of change for LV at each scale level, and the threshold of the aforementioned index that indicated the optimal segment level and merge level. The KRD classification results had overall accuracies of 85·50, 84·00 and 84·86 per cent for Liujiang, Changshun and Zhenyuan, respectively, and kappa coefficients are up to 0·8062, 0·7917 and 0·8083, respectively. This approach mapped six classes of KRD and offered a visually appealing presentation. Moreover, it proposed a conceptual and size‐variable object from the classification standard of KRD. The results demonstrate that the application of our method provides an efficient approach for the mapping of KRD. Copyright © 2012 John Wiley & Sons, Ltd.     

基于高斯自适应拟合的苹果目标分割方法研究

苹果目标的准确识别是苹果机械化采摘需要解决的关键问题之一。为此,基于YUV颜色空间模型,提出了一种结合色差分量与高斯自适应拟合算法的苹果目标分割方法。该方法采用首先将苹果目标由RGB颜色空间转换至YUV颜色空间,并利用色差分量V建立果实与背景分割的高斯分布拟合模型,根据拟合结果自动获取分割阈值,以实现自然场景下苹果目标的准确分割。为了验证文中算法的有效性,利用多幅图像进行了试验并与Otsu自适应阈值分割算法进行了比较。试验结果表明,采用文中算法得到的苹果果实的平均检出率达87.08%,识别率领先Otsu算法9.91%。因此,对于着色度较为均匀的苹果目标,采用高斯自适应拟合方法可以有效提高其识别率。     

基于MatLab和DSP的哈密瓜纹理分割与分类

以新疆特色水果哈密瓜为研究对象,提出一种利用Matlab辅助DSP提取哈密瓜纹理的方法。该方法首先利用Matlab把待处理的图像转换为数据文件(dat文件),然后利用DSP强大的运算能力分割哈密瓜表面纹理特征,并将分割结果同样以dat文件传递给Mat Lab,最后利用Mat Lab强大的数据分析与图像显示能力建立哈密瓜分类模型。实验结果表明,该方法能够有效地对哈密瓜表面纹理进行分割与分类,分类准确率为88.10%。该方法不但能够缩短DSP系统的开发周期,且能够为今后开发基于DSP的哈密瓜品质实时检测系统奠定基础。     

土地利用动态监测中多源影像融合方法的比较研究--以陕北黄土丘陵沟壑区为例

在陕北黄土丘陵沟壑区,采用单一传感器的遥感影像提取土地利用信息,存在着识别的土地利用类别少、某些类别混分现象较严重、分类结果的精度较低等问题。以TM多光谱数据和SPOT全色光谱数据的融合为例,提出了适宜于该地区的两种影像融合方法:主成分变换法和乘积运算法,并从影像的光谱质量、纹理信息和目视效果等方面对其进行了对比与评价。结果显示,主成分变换法为较理想的融合方法。以陕北无定河流域为实验样区的土地利用自动分类结果表明,该方法的应用使土地利用各类别的提取精度都有不同程度的提高;水体、水田和城镇用地等面积较小的类别分类正确率提高达到10%以上;坡耕地与林草地的混分明显减少,分类精度均提高了5%以上;分类总精度从82.0%提高到89.2%,取得了良好的分类效果。此研究对于遥感影像融合技术的评价与应用进行了有益的探索,同时为该地区的土地利用动态监测提供了关键技术。     

基于HIS颜色特征的田间成熟番茄识别技术

研究了一种基于HIS颜色特征的田间成熟番茄识别技术。将计算机视觉系统获取的番茄RGB图像转换成HIS图像，通过统计H、I、S分量的灰度分布找出成熟番茄、未成熟番茄和叶子(枝干)灰度分布差别；然后根据H分量的灰度分布用阈值法分割出成熟番茄区域；经过空洞填充后，计算出番茄质心坐标。该方法对田间成熟番茄之间相互分离的情况有很好的识别效果。