日光温室番茄灰霉病的防治方法

近年来,随着保护地番茄种植面积的不断扩大,特别是连年栽植番茄、黄瓜的日光温室内灰霉病的发生越来越严重。灰霉病是日光温室栽培番茄作物上最主要的病害之一,该病可侵染番茄多个部位,造成叶片枯死、茎部腐烂、落花和烂果,严重时造成番茄减产30%-40%。     

基于改进YOLOv5s和多模态图像的树上毛桃检测

毛桃等果实的准确检测是实现机械化、智能化农艺管理的必要前提。然而,由于光照不均和严重遮挡,在果园中实现毛桃,尤其是套袋毛桃的检测一直面临着挑战。本研究基于改进YOLOv5s和多模态视觉数据提出了面向机械化采摘的毛桃多分类准确检测。具体地,构建了一个多类标签的裸桃和套袋毛桃的RGB-D数据集,包括4127组由消费级RGB-D相机获取的像素对齐的彩色、深度和红外图像。随后,通过引入方向感知和位置敏感的注意力机制,提出了改进的轻量级YOLOv5s（小深度）模型,该模型可以沿一个空间方向捕捉长距离依赖,并沿另一个空间方向保留准确的位置信息,提高毛桃检测精度。同时,通过将卷积操作分解为深度方向的卷积与宽度、高度方向的卷积,使用深度可分离卷积在保持模型检测准确性的同时减少模型的计算量、训练和推理时间。实验结果表明,使用多模态视觉数据的改进YOLOv5s模型在复杂光照和严重遮挡环境下,对裸桃和套袋毛桃的平均精度（Mean Average Precision,mAP）分别为98.6%和88.9%,比仅使用RGB图像提高了5.3%和16.5%,比YOLOv5s提高了2.8%和6.2%。在套袋毛桃检测方面,改进YOLOv5s的mAP比YOLOX-Nano、PP-YOLO-Tiny和EfficientDet-D0分别提升了16.3%、8.1%和4.5%。此外,多模态图像、改进YOLOv5s对提升自然果园中的裸桃和套袋毛桃的准确检测均有贡献,所提出的改进YOLOv5s模型在检测公开数据集中的富士苹果和猕猴桃时,也获得了优于传统方法的结果,验证了所提出的模型具有良好的泛化能力。最后,在主流移动式硬件平台上,改进后的YOLOv5s模型使用五通道多模态图像时检测速度可达每秒19幅,能够实现毛桃的实时检测。上述结果证明了改进的YOLOv5s网络和含多类标签的多模态视觉数据在实现果实自动采摘系统视觉智能方面的应用潜力。     

基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO2浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法（Cross-Validation）对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机（PSO-SVR）、布谷鸟优化极限学习机（CS-ELM）和北方苍鹰优化高斯过程回归（NGO-GPR）算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型（XGBoost）组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.5697μmol/（m2·s）,RMSE为0.7214μmol/（m2·s）。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。     

基于多模态多目标优化的端元束提取方法研究

为解决高光谱影像受传感器及分辨率的影响所产生的光谱变化给解混造成的困扰，提出基于多模态多目标优化的端元束提取方法(MOPSOSCD)。对高光谱图像进行标号编码，采用基于索引的环形拓扑结构进行邻域的个体交互，通过邻域最优改进粒子群速度更新方式并整数化粒子位置更新。同时，根据高光谱图像空间特征，通过改进决策空间拥挤距离提高决策空间的多样性，再结合目标空间的拥挤距离进行综合排序，实现多模态多目标优化的粒子筛选。当粒子定向移动概率p_m为0.2、粒子数P为30及迭代次数M为400时，算法在MUUFL数据集上均方根误差(RMSE)及平均光谱角距离(mSAD)分别为0.008 8、0.111 2。通过对比试验，本文方法相较于VCA、DPSO等方法具有更高的提取精度和效率，为高光谱解混提供了更加准确的端元束提取方法。     

基于多模态数据的水库三维模型构建与工程应用

针对库区早期单一测绘产品,已无法满足水库精细化管理这一问题,本文提出利用无人机倾斜摄影、无人船多波束测量技术分别获取库岸、水下海量数据,经过空三解算、匀光匀色、各项改正等一系列处理后,构建库岸、水下三维模型的方法,并通过图新地球软件一体化展示,供用户使用。以陈蔡水库为例,阐述了库岸、水域数据采集与处理的方法与特点,以及三维建模的流程。所构建的模型直观形象、系统全面地反映库区地物、地貌信息,既能应用于库区淹没范围计算、库容复核、库底坡度计算、泥沙淤积分析、绘制库区地形图等,也为后期库区运维管理系统、数字孪生库区建设提供了足够精准的时空数据。     

基于多视图特征融合的植物病害识别算法

近年来,基于传统机器学习和深度学习的叶片病害识别算法取得显著进展。然而现有病害识别模型大多采用单一类型特征,即对叶片病害图像提取颜色纹理等传统特征或采用深度学习自动学习特征。一方面采用深度学习自动学习特征需要大量样本,计算开销较大;另一方面传统特征往往应用于小规模病害数据集。因此提出基于多视图特征融合的病害识别算法,首先提取病害叶片图像的Gist特征以及基于深度学习预训练模型VGG16的深度特征,通过深度典型相关分析(DCCA)发掘传统特征与深度特征的相关性,获得更加鲁棒的特征子空间,从而提高识别效果。在Plant Village上的试验结果表明,采用DCCA融合传统特征和深度特征的识别方法比单类型特征识别法的识别精度要高,其平均识别精度可达88.45%。     

基于多源图像融合的自然环境下番茄果实识别

蔬果采摘机器人面对的自然场景复杂多变,为准确识别和分割目标果实,实现高成功率采收,提出基于多源图像融合的识别方法。首先,针对在不同自然场景下单图像通道信息不充分问题,提出融合RGB图像、深度图像和红外图像的多源信息融合方法,实现了机器人能够适应自然环境中不同光线条件的番茄果实。其次,针对传统机器学习训练样本标注低效问题,提出聚类方法对样本进行辅助快速标注,完成模型训练;最终,建立扩展Mask R-CNN深度学习算法模型,进行采摘机器人在线果实识别。实验结果表明,扩展Mask R-CNN算法模型在测试集中的检测准确率为98.3%、交并比为0.916,可以满足番茄果实识别要求;在不同光线条件下,与Otsu阈值分割算法相比,扩展Mask R-CNN算法模型能够区分粘连果实,分割结果清晰完整,具有更强的抗干扰能力。     

农机农艺融合的日光温室番茄栽培模式试验研究

针对日光温室番茄生产通常采用南北垄向、宽垄窄沟的栽培模式,不利于机械化作业及管理效率低的问题,以东西垄向能够实现机械化作业为前提,在一栋日光温室内进行南北垄向和东西垄向番茄栽培对比试验,试验共设计4种栽培模式,其中东西向机械化作业的3种,南北向人工作业对比的1种,试验内容包括番茄植株生长、产量、品质三方面指标.试验结果...     

基于分层传感器信息融合的智能车辆导

针对智能车辆导航中传感器信息的不确定性,结合BP神经网络和模糊神经网络分别对传感器信息进行了数据层与决策层的两层融合.采用BP神经网络对多超声波传感器信息进行数据层融合,以减少超声波测距传感器信息的不确定性,提高对障碍物距离探测的准确率;采用模糊神经网络融合障碍物距离信息和车体与标志线间偏差信息,实现智能车辆的导航决策控制,使之更适合系统的跟踪避障要求.该方法使智能车辆在跟踪与避障中具有较好的灵活性和鲁棒性.仿真和实车试验验证了方法的有效性.     

水肥减量对土壤硝态氮和番茄产量品质的影响

【目的】解决水肥一体化下水肥施用过量问题,合理调控土壤硝态氮积累量,保证番茄产量品质为目标,寻找适宜的水肥投入减量。【方法】采用日光温室小区试验,以当地农户水肥的平均投入量为对照(CK),设置了3个不同的水肥同步减量处理(H:80%CK、M:60%CK、L:50%CK),研究了水肥一体化条件下不同梯度的水肥投入减量处理对土壤含水率、土壤硝态氮、番茄果实产量品质和水肥利用效率的影响。【结果】全生育期0~20 cm和20~50cm间土壤含水率和0~50 cm土壤硝态氮积累量呈现为CK>H处理>M处理>L处理;番茄产量表现为:CK>H处理>M处理>L处理,且各处理之间差异显著;各处理水肥利用效率差异显著;其中,H处理0~50 cm土壤层硝态氮积累量和番茄果实产量与CK差异显著,分别为71%CK和83%CK,H处理的水肥利用效率显著高于CK(p<0.05),H处理的糖酸比为CK的1.18倍。在当地水肥管理条件下,水肥减量20%时,土壤含水率较高,可显著减小土壤硝态氮积累量,番茄减产最少(M和L处理的番茄产量分别为72%CK和67%CK)同时还可小幅改善番茄风味品质,显著提高水肥利用效率。【结论】综合以上分析,建议水肥减量小于20%为宜,否则可能造成大幅的番茄产量减产。     

基于WGAN和MCA-MobileNet的番茄叶片病害识别

针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络（Multi scale feature fusion and coordinate attention MobileNet, MCA-MobileNet）模型。采集10类番茄叶片图像,采用基于Wasserstein距离的生成对抗网络（Wasserstein generative adversarial networks, WGAN）进行数据增强,解决了样本数据不足和不均衡的问题,提高模型的泛化能力。在原始模型MobileNet-V2的基础上,引入改进后的多尺度特征融合模块对不同尺度的特征图进行特征提取,提高模型对不同尺度的适应性;将轻量型的坐标注意力机制模块（Coordinate attention, CA）嵌入倒置残差结构中,使模型更加关注叶片中的病害特征,提高对病害种类的识别准确率。试验结果表明,MCA-MobileNet对番茄叶片病害的识别准确率达到94.11%,较原始模型提高2.84个百分点,且参数量仅为原始模型的1/6。该方法较好地平衡了模型的识别准确率和计算成本,为番茄叶片病害的现场部署和实时检测提供了思路和技术支撑。     

基于WDNN的温室多特征数据融合方法研究

目前物联网监测产品在温室生产中大量应用产生海量数据,但现有用于温室数据融合算法对高维特征及混合特征(数据同时包含稀疏特征和连续特征)处理精度较低且泛化能力较弱,鲜有利用深度学习模型对温室数据进行顶层融合并提供准确的决策信息。本文提出了一种基于宽-深神经网络(Wide-deep neural network,WDNN)的两级温室环境数据融合算法。首先利用温室内多点多特征数据训练WDNN深度学习模型,输出形式为多点单特征,再将该输出数据按照少数服从多数原则进行融合,得到温室环境状态的整体评估结果。试验结果表明,该融合方法对预测集中混合特征的决策准确率达到98. 90%,融合特征类型的增加,可用于监测参数更多、环境更复杂的温室,将WDNN模型用于温室混合数据融合是可行有效的,在保证决策精度的同时丰富了可融合特征类别,进一步提升温室融合系统的智能化程度,对温室智能调控提供有效技术支撑。     

基于SOM-K-means算法的番茄果实识别与定位方法

为解决多个番茄重叠黏连时难以识别与定位的问题,提出一种基于RGB-D图像和K-means优化的自组织映射(Self-organizing map,SOM)神经网络相结合的番茄果实识别与定位方法.首先,利用RGB-D相机拍摄番茄图像,对图像进行预处理,获取果实的轮廓信息;其次,提取果实轮廓点的平面和深度信息,筛选后进行处...     

基于X-ray和RGB图像融合的实蝇侵染柑橘无损检测

实蝇侵染柑橘流入市场会造成巨大的经济损失,因此需要在商品化处理阶段对其全面筛除。针对柑橘在实蝇侵染早期没有明显外部特征,人工抽样检测效率低、筛除难的问题,探索了在生产线上同时搭载农业X光机与RGB相机进行无损检测的可行性,提出了基于X-ray(X光)和RGB图像的多模态数据融合方法,建立了CNN-LSTM检测模型,实现了实蝇侵染柑橘高精度无损检测。模拟了柑橘在生产线上滚动并被拍摄6幅X-ray和RGB序列图像的过程,构建了实蝇侵染柑橘的多源数据集,融合了不同模态的实蝇侵染特征信息,提升了实蝇侵染柑橘检测模型的检测能力,并对比了ResNet18-LSTM、GoogleNet-LSTM、SqueezeNet-LSTM、MobileNetV2-LSTM轻量化检测模型,验证了多模态数据融合方法的有效性。研究结果表明,提出的多模态数据融合实蝇侵染柑橘方法比单模态检测方法检测性能更加优异,其中ResNet18-LSTM检测准确率最高,多模态的图像融合和特征融合方法检测准确率分别达到97.3%和95.7%,单模态X-ray和RGB检测方法准确率分别为93.2%和89.3%。本研究可为实蝇侵染柑橘在线...     

基于多时相多参数融合的麦玉轮作小麦产量估算方法

为了进一步提高冬小麦产量预测的准确性,针对麦玉轮作体系缺乏直接把前茬作物信息纳入到当季作物的产量估算及管理中的研究状况,利用前茬玉米季中长势遥感信息及产量信息,融合小麦拔节期、灌浆期及成熟期长势遥感信息、播前施肥信息及土壤特性信息等多时相多模态数据,基于GPR算法,建立多时相多模态参数融合的麦玉轮作体系小麦产量估算模型,结果显示：基于多生育期的产量估算模型较单生育期最优产量估算模型性能有所提升,R²提高0.01～0.03。其中基于拔节期产量估算模型精度略低于多生育期产量估算模型,但精度相近。基于多模态参数融合的产量估算模型中,除玉米作物信息与土壤特性信息融合构建的产量估算模型,多模态参数融合的产量估算模型精度较相应低模态参数融合的产量估算模型精度高。四模态参数融合的GPR模型决定系数R²为0.92,RMSE为213.75 kg/hm²,较其他模型,R²提高0.02～0.41。对于小麦产量估算模型,各模态参数影响由大到小依次为施肥信息、小麦遥感信息、土壤特性信息、玉米作物信息。玉米作物信息对于多模态参...     

基于BP网络的膜下滴灌加工番茄墒情预报研究

针对加工蕃茄自动化滴灌系统下土壤墒情预报的问题,2011年在新疆生产建设兵团农八师国家农业科技园区,开展了土壤墒情预报的田间试验研究。通过观测得到的4个深度的土壤体积含水率以及日平均气温作为输入量,提出了一个基于BP网络的、可以对加工番茄在生育期内的墒情作出短期预报的模型。该模型分别以2d、7d为时间间隔,对自动化滴灌系统下的加工蕃茄墒情进行了预报,仿真结果显示预报效果较好。该模型用于加工番茄的土壤墒情预报是可行的,并且是一种简单、易于推广的墒情预报方法。     

基于多参数融合的土壤硝态氮检测方法

针对土壤悬液组分复杂以及单输入变量时电极预测精准度有限的问题,以提高离子选择电极预测土壤硝态氮含量精准度为目标,建立基于多参数融合的支持向量机(SVM)土壤硝态氮预测模型。采用灰色关联分析法对影响电极法测定土壤硝态氮的主要干扰因素进行排序,建立以主干扰因素及硝酸根电极检测电势的多参数融合SVM预测模型,并与传统Nernst模型和干扰因素全输入下的SVM模型作对比验证算法可行性。实验结果表明,土壤电导率、温度与Cl -电极检测电势为影响电极预测硝态氮精准度的主要干扰因素;输入参数为硝态氮电极检测电势、土壤电导率、温度与Cl -电极检测电势时,SVM土壤硝态氮预测模型效果最优,与光学法测定结果回归方程的调整决定系数为0.98,平均绝对偏差为3.38 mg/L,均方根误差为4.51 mg/L,基于多参数融合的SVM预测模型可显著提高电极法硝态氮检测精准度。     

基于改进多元宇宙算法的番茄病害图像识别

为提高卷积神经网络对番茄病害图像识别的效果,提出改进多元宇宙算法。首先设计、增加虫洞的端口,设置白洞侧的端口数量与黑洞侧的端口数量比值范围,使得宇宙的运动通过虫洞能够多方向进行;接着基于双向运动建立宇宙信息转移模型,宇宙能够正向、逆向进行的信息交流,加快宇宙的进化,使得宇宙都能够获得最优宇宙的信息,非线性调节对宇宙的膨胀率进行修正;然后对番茄病害提取纹理特征、颜色特征和形状特征,对卷积神经网络的激活函数与损失函数设计斯皮尔曼相关系数确定多元宇宙的优化卷积神经网络参数;最后给出算法流程。试验仿真表明：该改进算法对番茄各种病害识别正确率高于其他算法,细菌斑平均值为97.34%,早疫病平均值为97.03%,晚疫病平均值为97.08%,叶霉菌平均值为97.14%,叶斑病平均值为97.12%,蜘蛛螨平均值为97.20%,同时消耗时间小于其他算法。     

基于GICP算法的深度相机点云融合方法研究

深度相机能为机器人提供深度视觉信息,但单个深度相机视角范围小,使得机器人对外部障碍物的感知并不完全。对多深度相机点云进行融合,是扩展机器人视角的重要方法。本研究提出一种基于改进GICP(Generalized ICP)算法实现双深度相机点云融合的方法。该算法通过对双相机不同视角采集的点云数据进行匹配,以达到点云融合的目的。针对采集的数据集,对GICP算法添加剔除无效点及体素下采样方法,大大提高了配准速度,最终完成了点云数据的融合。