基于几何模型的绿萝叶片外部表型参数三维估测

为快速高效获取叶类植物叶片的外部表型参数、掌握植株生长状况,以绿萝叶片为研究对象,提出一种基于几何模型的叶长、叶宽与叶面积的三维估测方法。利用微软Kinect V2相机,自80cm高度垂直位姿获取绿萝叶片局部点云,并进行直通滤波去噪与包围盒精简等预处理,测量得到点云外形参数,输入预先建立的SAE网络分类预测得到几何模型参数,并基于曲面参数方程建立叶片几何模型。采用粒子群优化算法计算几何模型离散点云和局部点云间的空间距离,进行空间匹配,利用遗传算法求解最优匹配模型的内部模型参数,输出最优匹配模型的叶长、叶宽与叶面积作为估测结果。实验共采集150片绿萝叶片的局部点云数据,将估测结果和真实值进行数学统计与线性回归分析,得出叶长、叶宽与叶面积估测的平均误差分别为0.46cm、0.41cm和3.42cm2,叶长估测R2和RMSE分别为0.88和0.52cm,叶宽R2和RMSE分别为0.88和0.52cm,叶面积R2和RMSE分别为0.95和3.60cm2。实验表明,该方法对于绿萝叶片外形参数的估测效果较好,具有较高实用价值。     

基于运动恢复结构的玉米植株三维重建与性状提取

针对传统的玉米植株性状测量方法存在主观性强、劳动强度大、有损伤等问题,提出了基于运动恢复结构(Structure from motion,Sf M)的户外玉米植株三维重建方法,并提取了株高、单株最小包围盒体积、茎粗、叶面积、叶片数、叶夹角等11个性状参数。采用前期研制的小车,在户外采集不同视角下的玉米植株图像(采集间距为5～6 cm),基于Sf M算法获取玉米植株三维点云;运用直通滤波、圆柱拟合和条件欧氏聚类算法自动分割单株、茎秆和叶片等点云数据,基于距离最值遍历、三角面片化等算法实现株高、茎粗、叶面积等11个性状的准确、无损测量。结果表明,与人工测量值相比,测得的株高、茎粗和叶面积的平均绝对百分比误差分别为3. 163%、4. 760%和19. 102%,均方根误差分别为3. 557 cm、1. 540 mm、48. 163 cm2,决定系数分别为0. 970、0. 842、0. 901。研究表明,本文方法适用于作物表型户外测量,为表型研究提供了一种新的作物表型户外测量方法,同时还证明,株高和单株最小包围盒体积可以显著区分低地上部生物量玉米植株和高地上部生物量玉米植株。     

基于Shuffle-ZoeDepth单目深度估计的苗期

株高是鉴别玉米种质性状及作物活力的重要表型指标,苗期玉米遗传特性表现明显,准确测量苗期玉米植株高度对玉米遗传特性鉴别与田间管理具有重要意义。针对传统植株高度获取方法依赖人工测量,费时费力且存在主观误差的问题,提出了一种融合混合注意力信息的改进ZoeDepth单目深度估计模型。改进后的模型将Shuffle Attention模块加入Decoder模块的4个阶段,使Decoder模块在对低分辨率特征图信息提取过程中能更关注特征图中的有效信息,提升了模型关键信息的提取能力,可生成更精确的深度图。为验证本研究方法的有效性,在NYU-V2深度数据集上进行了验证。结果表明,改进的Shuffle-ZoeDepth模型在NYU-V2深度数据集上绝对相对差、均方根误差、对数均方根误差为0.083、0.301mm、0.036,不同阈值下准确率分别为93.9%、99.1%、99.8%,均优于ZoeDepth模型。同时,利用Shuffle-ZoeDepth单目深度估计模型结合玉米植株高度测量模型实现了苗期玉米植株高度的测量,采集不同距离下苗期玉米图像进行植株高度测量试验。当玉米高度在15~25cm、25~35cm、35~45cm3个区间时,平均测量绝对误差分别为1.41、2.21、2.08cm,平均测量百分比误差分别为8.41%、7.54%、4.98%。试验结果表明该方法可仅使用单个RGB相机完成复杂室外环境下苗期玉米植株高度的精确测量。     

基于机器视觉的大田植株生长动态三维定量化研究

高通量植物三维表型的研究对判定植株表型特征至关重要。基于机器视觉的植株三维表型获取方法在温室中已广泛应用,能够动态监测植株生长过程,但在大田复杂环境中应用较少。以大田生长的玉米、大豆植株为研究对象,基于机器视觉分析方法对不同生长时期玉米、大豆植株进行个体和群体的三维重建,并基于手动测量值对叶长、叶最大宽进行精度评估。研究结果表明,叶长、叶最大宽的计算值与手动测量值的R2均大于0.97,精度较高,表明大田环境下此方法可以满足作物表型三维构建参数提取的精度要求,但是当冠层遮挡较严重时,三维重建精度将明显下降。进一步自动提取了株高、冠幅和器官生长动态,结果可为与基因型相关的表型高通量分析提供方法,并可进行株型与冠层辐射的精确评价。     

利用多时序激光点云数据提取棉花表型参数方法

当前,能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象,采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据,针对棉花植株主干的几何特性,利用随机抽样一致算法（RANSAC）结合直线模型完成主干提取,并对剩余的点云进行区域增长聚类,实现各叶片的分割;在此基础上,完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据,采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时,对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据,分别完成了主干提取、叶片分割,以及表型参数测量和动态量化。试验结果表明,本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时,本研究实现了棉花表型参数的动态量化过程,为三维表型技术的实现提供了一种有效的方法。     

基于多源数据的马铃薯植株表型参数提取

作物具有结构多样、生长环境复杂等特征。RGB图像数据能真实地反映植株的纹理特征与颜色特征,三维点云数据包含了作物的体量信息。将RGB图像和三维点云数据结合,实现作物的二维和三维表型参数提取,对表型组学的方法研究具有重要意义。本研究以马铃薯为研究对象,使用RGB相机和激光扫描仪分别采集了50个马铃薯的RGB图像与三维激光点云数据。对比了OCRNet,UpNet,PaNet和DeepLab v3+四种深度学习语义分割方法的分割精度,并选择精度较高的OCRNet网络实现马铃薯顶视图像的语义分割。优化了Mean shift聚类算法流程,完成了马铃薯植株激光点云的单株分割,并结合欧式聚类和K-Means聚类算法对单株马铃薯植株点云的茎和叶进行准确地分割。同时,提出一种利用编号建立马铃薯单株RGB图像和激光点云间一一对应关系的策略,并以此为基础分别从RGB图像与激光点云中提取同一马铃薯植株包括最大宽度、周长、面积、株高、体积、叶长与叶宽在内的8个二维表型参数与10个三维表型参数。最后,选择了比较具有代表性、易测量的叶片数、株高、最大宽度三个表型参数进行精度评估,平均绝对百分比误差（Mean Abs...     

基于移动机器人平台的玉米植株三维信息采集系统

为了快速、无损、自动获取玉米植株的三维信息,设计了一种基于移动机器人平台的玉米植株三维信息采集系统。首先,通过四轮驱动移动机器人与升降平台配合,精准控制Xtion深度相机多视角采集盆栽玉米植株的三维点云数据;然后,对获取的点云进行配准拼接与滤波,实现玉米植株的三维重建;最后,对重建后的玉米模型进行叶片的分割与参数测量。该系统的移动机器人运动误差可以控制在1 cm之内,玉米植株叶片参数测量误差在1%～5%之间,证明了该系统进行玉米植株三维信息采集的可行性。     

基于激光雷达的枣树轮廓测量平台的设计与试验

针对枣树的三维轮廓信息重建,搭建了一种基于激光雷达的果树轮廓测量平台。通过在平台上的滑轨移动激光雷达获取果树的三维点云信息,采用MatLab软件对点云数据进行提取与处理。为了降低外部环境对点云数据处理的影响,采用高度统计直方图进行地面滤波实现地面点云的滤除,通过icp算法实现双侧点云的配准,应用欧氏聚类算法分割获取枣树点云数据。为验证研究方法的准确性,从点云轮廓数据中获取果树的冠幅数据与手工测量数据进行线性模型拟合对比,二者的相关系数R=0.91,均方根误差RMSE=0.06,相对误差RE=4.08%,拟合效果较好,说明此方法具有一定的可行性。     

基于RGB-D点云的田间原位玉米株高测量试验研究

为满足田间原位玉米株高的测量需求,避免破坏性取样后进行株高测量难以捕捉植株在自然环境下生长的真实情况与表型的动态变化,提出了一种基于RGB-D相机的田间原位玉米株高的测量方法。首先,通过RGB-D相机同时获取可见光图像和其对应的深度信息,计算相机的内参,得到玉米植株的三维点云数据;其次,通过基于欧几里得距离的统计滤波算法和随机采样一致性算法(RANSAC)的阈值分割快速去除三维点云中的离群点、环境噪声及复杂的自然环境背景(包括土壤面和滴灌管等),并通过OBB包围盒验证滤波效果;最后,通过单株玉米植株分割,提出了一种基于俯视视角下玉米株高的测量方法,并计算出田间原位玉米的株高参数。试验中,在玉米快速生长期中选取两天的试验数据,其试验用5个品种的平均测量误差分别为1.47cm和2.70cm,均方根误差(RSME)分别为1.68cm和2.80cm,人工实测结果和算法测量结果进行线性拟合后得到待测系数R~2分别为0.9831和0.9797。试验结果表明:利用RGB-D相机对田间原位玉米的表型测量与株高分析具有可行性,所提出的测量与计算方法最后获得的玉米株高参数具有较高的准确性,可以为玉米表型参数提取提供更为有效地技术手段。     

基于运动恢复结构的无规则植物叶片面积三维测量方法

接触式测量植物叶片面积的方法会对叶片造成一定程度的伤害,为此本文提出一种仅利用智能手机的非接触式多类别无规则叶片面积三维测量方法.首先,采用运动恢复结构方法获取植株的三维重建点云,在HSV颜色特征空间去除叶片三维噪点;然后,利用模糊C均值聚类算法分割单个叶片,重建叶片表面三角网格;最后,通过网格法计算叶片面积.对5种不...     

遮挡条件下多视角甜椒果实点云三维重构方法

为进行表型原位自动化测量,实现甜椒数字化育种和管理,针对原位果实表型测量中的目标遮挡问题,提出一种多视角甜椒果实点云的三维重构方法。通过虚拟叶片的方法,创建增强数据集,建立基于YOLO v5算法的甜椒果实识别模型,实现对不同遮挡程度果实的识别,同时,构建考虑果实位置与遮挡程度的果实表型采集算法,实现多视角的果实三维数据采集。最后,配准甜椒果实三维点云,提取甜椒表型参数,并通过温室甜椒果实表型,对点云重构方法的有效性进行验证。相较手动测量数据,果实果宽平均相对误差为1.72%,果高平均相对误差为1.60%。试验结果表明,本文所提出的甜椒原位表型点云重构方法,可为遮挡条件下作物表型提供有效的解决思路和可行方法。     

蔬菜自动移栽机对置秧盘交替自动取投苗机构研究

针对现有蔬菜自动移栽机茎秆夹持式和钵体顶出式取苗方式的缺点,基于顶出-夹取结合式取苗方式,设计了一种适用于对称布置可弯曲秧盘的交替式取投苗机构。阐述了该机构工作原理、关键点运动轨迹和结构组成。分析了关键因素对秧苗夹持点运动轨迹的影响方式并优选了取值：驱动曲柄转速10r/min,取投苗摇杆长度为 309mm,驱动气缸伸出速度25mm/s,0.8s内完成拔苗,伸出时刻为提前0.4s。该参数组合下秧苗夹持点在拔苗阶段最大横向位移9.6mm,累计横向位移0mm,理论提升高度44mm,满足取投苗作业理论要求。以苗龄45d的辣椒秧苗为作业对象,进行了栽植频率70~120株/(min·行)的取投苗性能试验,试验结果表明,该交替取投苗机构在栽植频率100株/(min·行)时可实现取苗成功率93%,投苗成功率95%,总体成功率88%,满足取投苗作业要求,验证了该取投苗机构的可行性。     

稻田株间除草机构除草过程中伤秧影响的试验研究

稻田杂草是影响大米产量和质量的一个重要因素。鉴于化学除草的负面影响,机械除草技术一直是国内外科研攻关的重点,但如何降低除草过程中工作装置对秧苗的损伤和影响成为研究的难点。为此,对稻田机械式株间除草机构的主要因素的秧苗损伤情况进行了试验研究。试验在机插稻田进行,稻苗行间距28~31cm,株间距14~15cm。试验在秧苗移栽后7天左右进行,该时间为稻田第一个出草高峰期,试验采用二次旋转正交试验方法,应用Design-Expert进行试验分析,获得了株间除草主要工作因素机器前进速度、除草盘转速、除草深度之间单因子及交互作用对伤秧率的影响。移栽7天时,田间试验在保证除草率的前提下确定了低伤秧率株间除草机构的工作参数为机器前进速度为0.38m/s,除草盘转速162.75r/min,除草深度为43.9mm,此时除草率为80.5%、伤秧率为3.8%。     

基于混合像元分解的分蘖期水稻基本苗数量估测方法研究

基本苗数量是反映水稻健康水平的重要依据,在分蘖期精准估测水稻基本苗数量可以指导后期的施肥量,从而调控水稻的最佳分蘖数。同时,对水稻长势监测和产量预测具有非常重要的意义。针对传统田间人工统计基本苗数量耗时长、成本高等问题,以江苏大学附属农场镇江润果农场分蘖期水稻为研究对象,利用大疆无人机（M600 Pro型）搭载多光谱相机（Rededge-MX型）获取水稻分蘖期多光谱数据,对原始图像进行图像拼接、辐射校正、几何校正等预处理操作,根据像元纯度系数提取土壤端元和植被端元,建立波谱库,然后按照完全约束最小二乘法的方法执行混合像元分解,构建植被覆盖度和水稻基本苗数量的回归模型。该研究方法获得的模型决定系数R2为0.891,均方根误差RMSE为4.6株/m2。而传统的像元二分法模型（基于NDVI、VDVI和GNDVI植被指数计算植被覆盖度）,其决定系数R2为0.834、0.744、0.642,其RMSE为5.7、7.1、8.4株/m2。试验结果表明,基于完全约束最小二乘法的混合像元分解模型评价指标均优于像元二分法模型。本文基于混合像元分解方法有效提高了水稻基本苗统计精度,并且生成了水稻基本苗数量反演图,可以直观统计基本苗数量,为分蘖期水稻补苗、间苗提供指导。     

基于机器视觉的穴盘幼苗分级移栽系统设计与试验

针对穴盘幼苗工厂化生产中人工分级移栽劳动强度较大的问题,提出了基于机器视觉和图像处理自动分级方法,设计了一套穴盘幼苗分级移栽系统。首先,运用图像分割、模板匹配等方法提取穴盘幼苗叶面积、地径、株高3个特征,并以此训练SVM自动分级模型;然后,开发了基于Opencv3.6、Qt5的软件,实现了穴盘幼苗的实时在线分级;最后,使用穴盘幼苗分级移栽样机对7~10天的番茄幼苗进行自动分级移栽试验。结果表明:在平均移栽速度为9.6株/min时,移栽成功率为96.88%,分级正确率为95.83%,可以连续稳定工作,有效解决人工费时费力问题。     

基于无人机遥感表型监测的苎麻优质种质资源筛选方法

苎麻是重要的纤维作物之一,由于土地资源紧缺及优良品种的推广应用等原因,苎麻遗传变异和遗传多样性减少,对苎麻种质资源多样性调查和保护的需求日趋加大。基于无人机遥感的作物表型测量方法可以对不同基因型作物的生长特性进行频繁、快速、无损、精准的监测,实现作物种质资源调查,筛选特异优质品种。为了实现苎麻种质资源表型的高效综合评价,辅助筛选优势苎麻品种,本研究提出了一种基于无人机遥感影像的苎麻种质资源表型监测及筛选方法。首先,基于无人机遥感影像,利用Pix4dmapper软件生成试验区的数字地表模型（Digital Surface Model,DSM）和正射影像;然后,对苎麻种质资源关键表型参数（株高、株数、叶面积指数、叶片叶绿素含量、含水量）进行估测。基于DSM采用“差分法”提取苎麻株高,基于正射图像采用目标检测算法提取苎麻株数,采用机器学习方法估测苎麻叶面积指数（Leaf Area Index,LAI）、叶片叶绿素含量（SPAD值）、含水量;最后,根据提取的各项遥感表型参数,采用变异性分析和主成分分析方法对苎麻种质资源进行遗传多样性分析。结果表明,（1）基于无人机遥感的苎麻表型估测效果较好,株高的拟合精度为0.93,均方根误差为5.65 cm;SPAD值、含水量、LAI的拟合指标分别达到0.66、0.79、0.74,RMSE分别为2.03、2.21、0.63;（2）苎麻种质资源的遥感表型存在较大差异,LAI、株高和株数的估测值变异系数分别达到20.82%、24.61%和35.48%;（3）利用主成分分析法将苎麻种质资源的遥感表型聚类为因子1（株高、LAI）和因子2（LAI、SPAD值）,因子1可用于苎麻种质资源结构特征评价,因子2可以作为高光效苎麻资源的筛选指标。本研究将为作物种质资源表型监测和育种相关分析提供参考。     

基于分区域特征点聚类的秧苗行中心线提取

为了准确检测水稻秧苗行中心线,提出了基于分区域特征点聚类的秧苗行中心线提取方法。采用2G-R-B特征因子和Otsu法分割秧苗和背景;通过分区域统计秧苗像素点分布提取秧苗行的候选特征点,利用特征点间近邻关系对特征点进行聚类,确定秧苗行数和各秧苗行的起始点;基于秧苗成行栽植特点引入“趋势线”,利用点到该直线的距离与距离阈值作比较,筛选出远离各行趋势线的点,并将其去除;对筛选后的每一行特征点用最小二乘法进行直线拟合,获取秧苗行中心线。实验结果表明,该算法具有较强的抗噪性能,提取秧苗行中心线的准确率达95.6%,与标准Hough变换和随机Hough变换算法相比,处理一幅分辨率为320像素×237像素的彩色图像平均耗时短,能够实现水田秧苗行中心线的准确提取,可为插秧机自主行走提供可靠的导航信息。     

基于Kinect v2传感器的果树枝干三维重建方法

针对果树三维重构中存在建模精度低、成本高、拓扑结构差等问题,提出一种基于Kinect v2传感器的果树表型三维重建与骨架提取方法。首先,使用Kinect v2传感器采集不同视角下的果树点云数据;其次,对植株点云进行尺度不变特征变换的特征点检测,对关键点使用快速点特征直方图算法进行特征向量计算,通过随机抽样一致性方法提纯点云的初始位置,经初始变换后使用改进的迭代最近点算法进行精配准、拼接形成完整点云;最后,使用Delaunay三角剖分解构点云数据对缺失点云进行填充,使用Dijkstra最短路径算法对最小生成树进行求取,通过迭代去除冗余分量对骨架进行简化,使用圆柱拟合算法估算枝干骨架,将枝干骨架变为封闭凸包多面体,实现果树的枝干三维重建。实验结果表明：采用本文所提建模方法点云平均配准误差为0.52cm,枝干平均重构误差不超过3.52%,重建效果良好。研究成果可为果园评估作物状态、智能化修剪等研究提供数据支持。     

2ZSJ-4型挠性圆盘高速移栽机力学特性试验

根据挠性圆盘高速移栽机工作原理,选用西兰花、白菜花、辣椒3种蔬菜钵苗为试验对象,针对成排顶苗、垂直基质块夹持输送、圆盘茎秆夹持输送环节设计了力学特性试验,为顶苗杆顶出力、纵向输送带安装间距、栽植圆盘安装参数提供设计依据.采用质构仪分别进行钵体顶苗力试验、钵体柔性压缩试验、茎秆压缩特性试验,结果表明,西兰花、白菜花、辣椒...     

基于Kinect相机的穴盘苗生长过程无损监测方法

为实现工厂化穴盘苗的无损测量,提出一种基于Kinect相机的穴盘苗生长过程无损监测方法。以黄瓜穴盘苗为监测对象,在穴盘苗正上方架设Kinect相机,获取穴盘苗的彩色图像和深度图像,并进行彩色图和深度图之间的像素匹配;通过对彩色图像进行预处理、阈值分割、形态学运算和连通分量统计,获取穴盘发芽率;同时,由图像分割获取的幼苗轮廓和深度值计算得到叶片中心像素点坐标及其对应的深度,以此得到相机到幼苗叶片中心的高度,结合相机到穴盘格的距离和穴盘高度,实现对穴盘苗株高的监测;将深度图像进行直通滤波、条件滤波、边界保持滤波处理,有效去除穴盘苗周围的背景噪声以及波动幅度大的深度数据,获得幼苗叶片中像素点的有效深度,通过在深度图像中对叶片进行重建实现叶面积分析;基于获取的穴盘苗株高和叶面积建立壮苗指数评价模型。利用穴盘苗生长过程监测数据进行实验验证,结果表明,在发芽后5 d内,发芽率误差不大于1.567%;株高和实际株高之间的拟合优度R²为0.875,RMSE为1.395 mm;叶面积平均误差为2.15%;壮苗指数拟合优度R²为0.958。说明本文设计的穴盘苗监测方法可以实现对穴盘苗的发芽率、株高、叶面积和壮苗指数的无损监测,为工厂化穴盘苗生长过程监测提供了有效的解决方案。