田间小麦叶片无损监测方法的实现及旗叶几何表型定量

[目的]对田间小麦叶片进行无损监测,从数字图像处理的途径探讨田间小麦旗叶几何表型的测试方法,以期建立小麦旗叶几何表型与氮肥管理的关系。[方法]以宁麦13为试验材料,对其进行不同的氮肥处理,并采用数码相机及辅以数字图像处理的技术手段,探讨小麦旗叶的叶面积、长度和平均宽度与施氮量的关系。[结果]肥料处理是影响小麦旗叶几何表型的重要环境因子,不同的氮处理可令旗叶面积变化达4倍,小麦旗叶长度也可从15.87 cm增长到25.33 cm,因此小麦旗叶几何表型是鉴定前期肥料供应量的显著特征。旗叶表型与氮处理之间的高精度拟合关系表明该无损检测技术是研究小麦田间表型、氮肥及环境因子响应规律的可靠技术手段。[结论]该研究表明使用带标尺刻度的动态背景板数字图像处理技术是获取田间无柄及小叶作物几何表型的有效手段,其为田间条件下作物叶片器官生长动态的无损监测提供了一个可行的技术方案。     

基于小麦穗部小穗图像分割的籽粒计数方法

[目的]小麦穗部小穗数及籽粒数能够直接反映小麦产量,也是小麦穗表型研究中2个非常重要的参数。[方法]为了快速测量这2个参数,针对小麦穗部正视图像,提出了一种基于图像处理技术的小麦小穗抛物线分割方法,并实现了小穗数及籽粒数的同步识别计数。首先采用图像预处理算法获得麦穗二值图像,然后将二值图像沿穗轴方向的像素按行求和,根据行像素求和曲线图中波峰波谷确定所需要的小穗3个位置点,由小穗3个位置点在二值图像上确定三点拟合抛物线,最后运用抛物线位置分割出各小穗,同时通过阈值法确定各小穗面积值与其籽粒数之间的关系。[结果]使用3个品种小麦穗图像对小穗数及籽粒数识别方法进行验证,结果表明:采用该方法 3个品种小麦穗部小穗数识别的平均零误差率为68.16%,平均绝对误差为0.46,平均相对误差为2.99%,对比已有文献识别小穗数方法,识别精度显著提高;3个品种小麦穗部籽粒数识别的平均绝对误差为2.11,平均相对误差为5.62%;3个品种单株麦穗平均测量时间为7.99 s。[结论]运用本方法可以快速高精度地对小麦穗部小穗数及籽粒数进行自动计数。     

表型检测中用于小麦株型研究的快速三维重建方法

植物表型自动化检测技术在农业研究和作物育种的过程中发挥了重要作用,但目前受限于二维技术三维特征很难被提取。株型是影响多分蘖作物产量的重要表型特征之一,它包括分蘖数、分蘖角、和茎粗等参数。传统方法中获取这些特征参数需要大量的人工测量,而人工测量具有耗时,主观性强,不准确等缺陷,因此用人工的方法进行大批量的表型分析是不现实的。为了使作物育种研究中株型参数提取实现自动化,提出一种用于高通量植株株型性状参数获取的快速三维重建方法,为了提高重建效率,研究中使用了图形处理单元(GPU)并行处理技术,在统一计算设备架构(CUDA)下进行重建的并行计算,使单株重建时间缩减到10秒左右,适合使用于高通量表型检测平台。     

田间小麦叶片无损监测方法的实现及旗叶几何表型定量(英文)

[目的]对田间小麦叶片进行无损监测,从数字图像处理的途径探讨田间小麦旗叶几何表型的测试方法,以期建立小麦旗叶几何表型与氮肥管理的关系。[方法]以宁麦 13 为试验材料,对其进行不同的氮肥处理,并采用数码相机及辅以数字图像处理的技术手段,探讨小麦旗叶的叶面积、长度和平均宽度与施氮量的关系。[结果]肥料处理是影响小麦旗叶几何表型的重要环境因子,不同的氮处理可令旗叶面积变化达 4 倍,小麦旗叶长度也可从 15.87 cm 增长到 25.33 cm,因此小麦旗叶几何表型是鉴定前期肥料供应量的显著特征。旗叶表型与氮处理之间的高精度拟合关系表明该无损检测技术是研究小麦田间表型、氮肥及环境因子响应规律的可靠技术手段。[结论]该研究表明使用带标尺刻度的动态背景板数字图像处理技术是获取田间无柄及小叶作物几何表型的有效手段,其为田间条件下作物叶片器官生长动态的无损监测提供了一个可行的技术方案。     

基于PLSA和颜色命名的小麦图像分割方法

为减少大田环境下光照不足对小麦图像分割的影响,以及提升小麦图像中偏黄叶片的提取效果,提出了将白平衡调整、局部同态滤波预处理和基于概率潜在语义分析(PLSA)模型的颜色命名算法相结合用于小麦图像分割的方法。首先,对大田采集的小麦图像进行白平衡调整,得到准确无偏色的图像;然后对光照不足的图像在HSI彩色模型下对亮度分量I进行局部同态滤波处理,以减少光照不足对图像的影响;最后在RGB彩色模型下基于PLSA模型构建的颜色名RGB值字典,提取图像中绿色和黄色像素点对应区域作为目标区域。结果表明,经白平衡调整后F1值提高1.61个百分点;光照不足图像经局部同态滤波处理后F1值提高12.43个百分点,分割效果明显提升;所提方法对绿色、叶片偏黄及光照不足的小麦图像分割的F1值分别为96.39%、97.29%和96.22%,均达到了较好的分割效果;所提方法与K-means聚类算法相比,虽点状噪音和细小孔洞相对较多,但在分割叶片偏黄小麦上F1值提高4.42%,整体分割效果较好,且稳定性强。     

基于YOLOv3网络的小麦麦穗检测及计数

小麦(Triticum aestivum L.)麦穗检测及计数对小麦产量估计及育种至关重要,但传统小麦麦穗数量统计都是基于人工统计的方法或遥感预测等方法,效率低且准确率差。为解决上述问题,提出了基于YOLOv3的深度神经网络小麦检测方法。结果表明,YOLOv3在3种常见的小麦品种上检测平均精度mAP值为67.81%,麦穗计数准确率为93%,该方法可快速高效地检测特定标注框中的小麦麦穗。     

基于多列空洞卷积神经网络的麦穗计数方法研究

田间麦穗计数因主要依靠人工而存在耗时长、成本高等问题,为提高麦穗计数的效率和准确性,提出基于人群计数卷积神经网络的麦穗计数方法,在图像基础上进行麦穗数量自动化计数.试验改进了现有人群计数模型中的多列卷积神经网络MCNN和空洞卷积神经网络CSRNet,并对MCNN和CSRNet进行融合,建立了多列卷积神经网络MCSRNe...     

基于超像素分割的田间小麦穗数统计方法

【目的】 小麦穗数是产量构成的重要因素。通过图像处理技术快速准确地统计小麦穗数,为作物长势监测和产量估测提供重要依据。【方法】 本研究以经氮肥梯度处理后不同长势的小麦为研究对象,首先,通过简单线性迭代聚类算法（simple linear iterative cluster,SLIC）对田间小麦图像进行超像素分割的预处理;提取并分析图像的部分颜色特征参数,选择适宜的颜色特征参数训练分类器;选择准确率最高的分类器对图像进行分类处理,识别麦穗。其次,对麦穗识别结果进行二值化;经腐蚀、膨胀等一系列形态学计算提取麦穗主体并进行区域统计;提取麦穗骨架,检测骨架角点数,结合角点数与区域统计结果计算小麦穗数;最后,通过线性回归分析方法验证了无氮（0）、低氮（1/2常规施氮量）、正常氮（常规施氮量）、高氮（2倍的常规施氮量）4个氮水平麦穗统计结果。【结果】 （1）利用超绿值（E_g）和归一化红绿指数（D_gr）作为分类特征可以有效地识别麦穗、土壤和叶片;（2）相较于直接基于像素进行图像处理,经超像素分割处理后麦穗识别结果更理想,识别出麦穗主体清晰,形态更为完整;（3）经比较,高氮水平下小麦长势较好,穗数统计准确率最高,为94.4%,无氮水平下小麦长势较差,穗数统计准确率最低,仅为81.9%;排除无氮情况后,长势较均匀的氮水平混合样本中麦穗计数准确率达到92.9%,相较于长势差异较大的混合样本准确率提高了8.3%。【结果】 在一般环境下,利用超像素和颜色特征的麦穗自动统计方法可以快速准确地对大田小麦进行穗数计算,长势过弱以及差异过大区域不推荐使用,研究结果为小麦大田估产提供了新的参考。     

小麦精准施氮技术试验与研究

扬麦15号小麦品种采用精准施氮技术,既能节约成本,又可提高经济产量。通过不同基础地力田块的多点试验,得出了小麦精准施氮技术的相关参数,为小麦大面积推广精准施氮技术提供依据。     

模拟土壤环境下测量小麦胚芽鞘长度的方法

土壤表层水分的不足直接影响着小麦播种质量,干旱可直接导致小麦减产。小麦深播可以使小麦种子吸收到土壤表层以下的水分,但短胚芽鞘的小麦种子深播后却无法出土,所以,选择长胚芽鞘的小麦品种可以作为小麦早期的抗旱性鉴定指标。介绍了如何模拟土壤环境下测量小麦胚芽鞘长度的方法,旨在通过测量苗期小麦胚芽鞘长度,为小麦生长早期对其抗旱性进行鉴选。     

光谱指数测量中窄带图像的光强自适应分割方法

[目的]本文对作物冠层区域的光强自适应性分割算法进行了研究,旨在消除光谱指数测量过程中土壤背景的干扰,克服现有光谱检测方法对结构光的依赖性。[方法]采用加装窄带滤光片的2个相机组建测量系统,并对相机的几何安装参数进行标定;将窄带图像灰度直方图的波谷灰度值与最大灰度值的比值作为归一化阈值,实现窄带图像分割的光环境自适应性。在实现近红外窄带图像中土壤和冠层分割的基础上,通过几何变换推算出可见光波段窄带图像的冠层区域,从而实现可见光窄带图像的分割。[结果]在80～140 cm高度内,每隔10 cm设置1个测量高度,每个高度采集5组平均株高为25 cm的绿萝冠层窄带图像(770和660 nm),安装660 nm滤光片的相机在完成图像采集后,将滤光片换成770 nm重新拍摄5张照片,作为660 nm图像分割效果的参考图像。结果表明:660 nm图像的分割区域与参考图像的分割区域平均重合度大于99%。同时计算了光照度为10 000～26 000 lx时拍摄的50幅绿萝770 nm窄带图像的非归一化阈值和归一化阈值,其与光照度的相关系数分别为0.586 6和0.091 6。[结论]本文提出的基于归一化阈值的分割方法对光环境的变化具有很强的适应性,综合归一化阈值和几何变换可以实现窄带图像的分割,为构建消除土壤干扰的归一化植被指数(normalized difference vegetation index,NDVI)等光谱指数提供有效的基础数据。     

基于马氏距离的小麦彩色图像无监督分割研究

为了实现小麦彩色图像的自动分割,通过采集大田环境下6个品种的小麦图像样本,基于RGB颜色空间,采用马氏距离对图像的像素进行分类,并构建一个无监督分割模型.结果表明,该模型可以快速的分离出小麦图像与背景图像,与有监督的分割方法的分割效果相当,差异性在19%以下,可以应用于大田环境下小麦群体图像的自动分割.     

小麦穗离体培养的简化方法

开花前后的离体麦穗(带有穗下节间)可在适宜的液体培养基中正常生长并结实(Donovan and Lee),这为研究营养、激素物质和环境因素对穗粒发育的调控作用提供了一种有用的实验方法。然而,麦穗离体培养过程中,为避免微生物对培养基的侵染,要求将无菌培养瓶保持在1～2℃的冷水浴中,这在一般实验室难以做到,且难以进行多重试验处理。我     

生物图像阈值分割方法的研究

阈值法是最基本的图像分割方法之一,被应用于很多领域,特别是在图像相对简单的生物图像处理方面得到了广泛使用.本文对现有的各种图像阈值分割方法进行综述,重点介绍了基于图像灰度直方图的阈值分割方法.     

基于图像分割的苹果叶片几何参数计算

针对传统方法和叶面积仪法测定作物叶面积、叶长、叶宽等参数费时费力,成本高等问题,提出苹果叶面积、叶长、叶宽和周长的图像测定法。首先采用颜色空间转换法转换RGB(红、绿、蓝)图为HIS(色调、亮度、饱和度)图,并以大津法(Otsu)阈值色调(H)获取二值图像;再根据二值图中苹果叶边缘像素坐标分布特征,计算叶长、叶宽和叶周长,根据苹果叶片像素数计算叶面积;最后对叶长、叶宽和叶面积的计算值与实测值之间进行均方根误差(RMSE)和决定系数(R~2)计算,并以测定硬币周长的方式验证周长算法。结果表明:苹果叶面积、叶长、叶宽的RMSE值分别为0.58cm~2、0.46和0.10cm,R~2值分别为0.99、0.93、0.97,测定的1元、5角、1角硬币的周长分别为7.68、6.42和6.10cm。RMSE取值较小和R~2取值较高表明叶面积、叶长和叶宽算法结果可靠,周长算法验证结果表明周长计算值与实测值之间差异较小。     

基于深度残差网络的麦穗回归计数方法

单位面积的穗数是估算小麦产量的重要指标,针对传统麦穗计数方法效率低、主观性高等问题,将基于深度残差网络的密度回归模型引入麦穗的计数领域,建立原始图片与密度图的对应关系,以密度图像素值总和确定图像中麦穗数量.对ResNet34网络进行改进,提出了ResNet-16模型,实现端对端的麦穗计数.针对ResNet34网络复杂度...     

航空摄影测量像片的几何关系分析

本文以航空摄影测量像片为分析对象．根据中心投影的特性，论述了像片在倾斜条件下所引起的像点位移和像片因地面起伏而引起的像点位移，在对其进行分析的基础上总结出倾斜误差和投影误差的规律，从而说明了不能把像片当作地形图使用．这是使用航空像片时必须注意的基本问题