利用FL-DGCNN模型估测绿萝叶片外部表型参数

为了能够低成本、自动化批量获取植物叶片的外部表型参数,同时解决自然生长条件下的植物叶片存在遮挡而无法获取完整的外部表型数据的问题,该研究以绿萝叶片为研究对象,基于曲面参数方程建立叶片几何模型,提出一种基于特征分层的动态图（Dynamic Graph CNN based on Feature Layering,FL-DGCNN）和堆栈编码器模型的绿萝叶片外部表型参数估测算法。通过多层组合的编码-解码器模型对残缺点云进行形状补全,将不同尺度下的点云通过多层感知机提取分组点不同层的特征向量融合后获取特征信息,以决定系数和均方根误差评价模型结果。结果表明：多层组合的编码模型对残缺点云补全的鲁棒性更高,特征分层的动态图模型估测结果的叶长、叶宽、叶面积的决定系数分别为0.92、0.93和0.94,叶长、叶宽的均方根误差分别为0.37、0.34 cm,叶面积的均方根误差为3.01cm2。该方法对叶类植物叶片的外部表型参数估测效果较好,具有实用性。     

基于骨架的玉米植株三维点云果穗分割与表型参数提取

当前三维点云处理技术难以在玉米植株点云上对果穗进行识别和表型参数提取。针对该问题,该研究采用基于骨架的玉米植株器官分割流程对植株三维点云的果穗器官进行分割和表型参数提取。首先,优化基于骨架的玉米植株茎叶分割方法,在成熟期植株点云上实现植株骨架的提取、器官子骨架的分解以及器官点云的分割;再根据器官高度、子骨架长度、圆柱特征和点云数量4个约束条件从器官点云中识别出果穗点云;最后提取果穗相关的表型参数。试验结果表明,该研究方法对玉米果穗的识别率为91.3%;果穗点云分割的平均F1分数、精确度、召回率分别为0.73、0.82和0.70;穗位高、穗长、穗粗、株高穗位高比4个表型参数的提取值与人工实测值线性关系显著,决定系数分别为0.97、0.78、0.85和0.96,均方根误差分别为3.23、4.98、0.73 cm和0.07。该研究方法具备提取果穗器官点云和表型参数的能力,可为玉米高通量表型检测、玉米三维重建等研究和应用提供技术支持。     

基于三维点云的番茄植株茎叶分割与表型特征提取

针对当前温室番茄表型参数难以自动获取的问题,研究提出通过对三维点云进行配准、骨架提取以及分割从而自动获取苗期番茄植株株高、茎粗、叶倾角和叶面积参数的方法。首先通过机器人搭载机械臂在温室中自动获取多视角番茄点云,并通过配准得到完整植株点云;对番茄点云利用拉普拉斯收缩的骨架提取算法获取植株骨架,对骨架进行修正后分解为茎秆和叶片子骨架,实现茎秆叶柄分割;再通过基于区域生长的MeanShift聚类方法对叶片和叶柄进行分割;最后通过番茄点云获取株高、茎粗参数,通过骨架测量叶倾角,对叶片点云进行曲面拟合提取叶面积参数。试验结果表明,茎叶分割与叶片分割的精确率、召回率、F1分数和平均总体准确率分别为0.84、0.91、0.87、0.92和0.92、0.91、0.91、0.93。株高、茎粗、叶倾角和叶面积参数的提取值与人工测量值的决定系数分别为0.97、0.53、0.90和0.87,均方根误差分别为1.40 cm、1.52 mm、5.14°和37.56 cm2。结果表明该研究方法与人工测量值具有较强的相关性,可以为温室番茄的高通量自动化表型测量提供技术支持。     

地基激光雷达提取大田玉米植株表型信息

玉米个体表型信息对于玉米的高产高效发育规律研究、玉米遗传育种中基因型的确定具有重要意义,该文针对传统的玉米表型信息提取方法费时、费力、效率低下、主观性强等问题,提出一种基于TLS(terrestriallaserscanning,地面激光扫描)技术的大田玉米个体表型信息提取方法。利用地基激光雷达获取毫米级精度的玉米个体植株三维点云数据并进行海量点云数据预处理,构建玉米叶片三角网模型和叶片骨架点云;基于叶片三角网提取绿叶叶面积,基于叶片骨架点云提取叶长和叶倾角,基于未去穗的玉米植株点云提取株高。试验结果与实地手动测量值相比,真实叶面积、叶长、株高、叶倾角的均方根误差(RMSE)分别为12.69 cm~2、1.31 cm、1.30 cm和5.12°,平均绝对百分比误差(MAPE)分别为2.38%、1.32%、0.61%和8.96%。试验结果表明本文提出的基于TLS提取玉米个体表型参数的方法精度较高,具有可行性,为辅助玉米育种、生长监测等提供了一种有效手段。     

基于三维点云的田间香蕉吸芽形态参数获取

针对传统的香蕉吸芽形态参数手工测量方法效率低下、人为主观性强等问题,提出了基于三维点云的田间香蕉吸芽形态参数信息提取方法,并针对吸芽茎秆直径小,普通测量算法误差大的问题,使用曲面平滑和圆柱拟合算法提高了茎粗测量精度和准确性。使用Kinect V2、PMD CamBoard pico flexx、ZED双目视觉相机和Velodyne 16线激光雷达 4种深度传感器采集不同尺寸的香蕉吸芽点云,对比了不同深度传感器对于香蕉吸芽点云采集的效果和提取表型参数的精度。基于点云库开发了香蕉点云处理和表型参数提取算法,对从两侧获取的香蕉点云进行配准,提取了香蕉吸芽的株高、茎粗和叶面积参数。Kinect V2取得了最优的点云重建效果和表型参数获取精度,与人工测量值相比,测得株高、茎粗和叶面积的平均绝对百分比误差分别为4.79%、9.20%、16.59%,均方根误差分别为5.46 cm、4.44 mm、197.8 cm2,决定系数分别为0.96、0.87、0.92。研究表明,Kinect V2和该文的形态参数提取方法适用于香蕉吸芽的形态参数获取,可以为果园管理提供一种快速、准确的香蕉吸芽株高、茎粗和叶面积形态参数测量方案。     

自适应加权算子结合主曲线提取玉米叶片点云骨架

为从玉米叶片点云数据（尤其是缺失点云数据）中准确提取骨架特征,该研究设计了一种考虑玉米叶片形状结构和数据完整性的自适应加权算子来计算玉米叶片点云的骨架约束点集,并引入主曲线对骨架约束点集进行拟合得到优化的玉米叶片点云骨架。首先使用K均值聚类将玉米叶片分为若干变化较为平缓的部分;然后通过改进的距离场方法提取点云的截面相关点集;再利用设计的包括空间距离、法向差异和点云完整性的自适应加权算子,提取骨架约束点集;最后计算骨架约束点集的主曲线得到最终的玉米叶片点云骨架。通过对30个具有典型形状特征的玉米叶片点云数据的测试结果表明,本文方法所提取的骨架能较好地反映玉米叶片的三维形状结构,利用所提取骨架计算的叶长与实测叶长的平均绝对百分比误差（Mean Absolute Percent Error,MAPE）为2.10%,均方根误差（Root Mean Square Error,RMSE）为2.21 cm,标准化均方根误差（Normalized Root Mean Square Error,NRMSE）为2.89%。该方法可实现玉米叶片点云骨架的自动提取,对缺失的点云数据具有较好的鲁棒性,无需后期手动调整,能够为表型大数据处理、自动化表型解析等提供技术支持。     

基于骨架提取算法的作物表型参数提取方法

作物育种表型分析研究中,株型参数的获取多以人工测量为主,比较耗时费力。该文基于最小二乘法和遗传算法相结合,提出了一种用于计算作物表型参数的骨架提取方法。以玉米作物为例,首先为去噪后的作物二值图像进行单像素细化,利用角点检测归类算法,检测出特征点;依据骨架图像茎叶角点,利用图像分割将作物茎和叶分离,并对应图像中作物的茎和叶骨架,得到玉米作物空间离散点的实际三维坐标;融合最小二乘法和遗传算法,绘制出离散点的空间拟合曲线,即茎和叶的平滑骨架,从而提取出玉米作物的表型参数。田间试验分析表明,使用该算法能够有效地得到玉米作物的平滑骨架,而且与前人方法相比,测量得到表型参数中,株高误差减小了35%,叶长误差减小了70%,叶倾角误差减小了20%,有效地提高了作物表型参数的测量精度。该研究为提高作物表型参数尤其是株型参数精度提供了参考。     

基于YOLOv5m和CBAM-CPN的单分蘖水稻植株表型参数提取

为快速获取单分蘖水稻植株的形态结构和表型参数,该研究提出了一种基于目标检测和关键点检测模型相结合的骨架提取和表型参数获取方法。该方法基于目标检测模型生成穗、茎秆、叶片的边界框和类别,将所得数据分别输入到关键点检测模型检测各部位关键点,按照语义信息依次连接关键点形成植株骨架,依据关键点坐标计算穗长度、茎秆长度、叶片长度、叶片-茎秆夹角4种表型参数。首先,构建单分蘖水稻的关键点检测和目标检测数据集;其次,训练Faster R-CNN、YOLOv3、YOLOv5s、YOLOv5m目标检测模型,经过对比,YOLOv5m的检测效果最好,平均精度均值（mean average precision,mAP）达到91.17%;然后,应用人体姿态估计的级联金字塔网络（cascaded pyramid network,CPN）提取植株骨架,并引入注意力机制CBAM（convolutional block attention module）进行改进,与沙漏网络（hourglass networks,HN）、堆叠沙漏网络模型（stacked hourglass networks,SHN）和CPN模型相比,CBAM-CPN模型的预测准确率分别提高了9.68、8.83和0.5个百分点,达到94.75%,4种表型参数的均方根误差分别为1.06、0.81、1.25 cm和2.94°。最后,结合YOLOv5m和CBAM-CPN进行预测,4种表型参数的均方根误差分别为1.48 、1.05 、1.74 cm和2.39°,与SHN模型相比,误差分别减小1.65、3.43、2.65 cm和4.75°,生成的骨架基本能够拟合单分蘖水稻植株的形态结构。所提方法可以提高单分蘖水稻植株的关键点检测准确率,更准确地获取植株骨架和表型参数,有助于加快水稻的育种和改良。     

基于三维点云的植物多任务分割网络

在植物表型研究中,植物器官分割是实现无损、高通量、自动化表型测量的重要步骤。然而,现有植物器官分割方法通常需要凭借经验设置合理的阈值参数,且很少同时执行语义分割和实例分割。该研究提出了一个基于三维点云的植物多任务分割网络（a multi-task segmentation network for plant on 3D point cloud,MT-SegNet）,结合多值条件随机场（multi-value conditional random field,MV-CRF）模型,同时实现茎、叶语义分割和叶实例分割。在MT-SegNet中,为解决用最大池化或平均池化方法来聚合邻域点特征可能会导致重要信息丢失的问题,该研究提出了一种基于注意力机制的多头注意力池化模块。它能自动学习到重要的邻域点特征,从而有利于提高网络的分割性能。同时,MT-SegNet分成两个不同的分支,分别用于预测点的语义类别和将这些点嵌入到高维向量,以便将这些点聚类为实例。最后,使用MV-CRF进行多任务的联合优化。在彩叶芋点云数据集上的试验结果表明,该方法的茎、叶语义分割的交并比、准确率、召回率和F1分数的平均值分别为84.54%、93.64%、91.39%、92.48%,叶实例分割的平均准确率、平均召回率、平均实例覆盖率和平均加权实例覆盖率分别为88.10%、78.44%、76.24%、76.93%,均优于PointNet、JSNet等现有的深度学习网络。该模型也适用于类似植物的点云分割类任务。这有助于为植物自动化表型测量提供必要的技术条件。     

基于改进Mask R-CNN模型的植物叶片分割方法

通过图像处理对植物叶片进行分割是研究植物表型性状的基础,但叶片间相互遮挡、叶片边缘特征不明显以及幼叶目标过小会对叶片分割效果造成很大的障碍。针对上述问题,该研究提出了一种基于改进Mask R-CNN模型的植物叶片分割方法,通过引入级联检测模块对模型检测分支进行改进,以提高遮挡叶片检测质量;利用注意力机制和一个2层3×3卷积模块对模型分割分支进行优化,以提高边缘特征表达能力;在模型测试过程中采用多尺度叶片分割策略,利用多个尺度上的最优目标以分割幼叶。测试结果表明,在CVPPP叶片分割挑战数据集中的对称最佳Dice得分Symmetric Best Dice（SBD）为90.3%,相比于利用域随机化数据增强策略并采用Mask R-CNN模型进行叶片实例分割的方法提高了2.3个百分点,叶片分割效果有显著提升。该研究提出的方法可以有效解决植物叶片分割效果不佳的问题,为植物表型研究提供技术支撑。     

基于骨架和最优传输距离的玉米点云茎叶分割和表型提取

针对当前三维点云分割方法难以精确分割玉米植株顶部新叶的问题,该研究提出一种基于点云骨架和最优传输距离的玉米点云茎叶分割方法.首先利用拉普拉斯骨架提取算法获得植株骨架;其次根据玉米形态结构特征将植株骨架分解成器官子骨架,并实现器官粗分割;再以最优传输距离作为点云距离度量,采用从上到下的顺序对未分割点云进行精细分割;最后自...     

海藻肥对菜心抗旱性的影响及其机理探究

  【目的】  结合田间试验和盆栽试验,研究海藻肥对干旱胁迫条件下菜心产量和品质的影响,探讨其提高菜心抗旱性可能存在的机理,为海藻肥在叶菜上的应用提供理论支撑。  【方法】  1) 田间试验以‘碧清菜心’为材料,于2017年分别在广州 (华南主产区) 和宁夏 (供港澳有机蔬菜种植基地) 开展,土壤水分设为正常供水 (70%～75%田间土壤最大持水量) 和干旱 (50%～55%田间土壤最大持水量) 两个水平,设置清水对照 (CK)、海藻提取物 (SE)、水溶化肥 (NPK)、海藻肥 (NPK+SE) 4个处理。在菜心移栽7、14和21天时进行冲施,每次用量10 L/m2。移栽28天后收获,测定海藻肥对菜心经济产量和品质的影响。2) 盆栽试验于2018年在华南农业大学遮荫网室开展,正常供水只设清水对照 (CK),干旱条件下施肥处理同田间试验,施肥量改为100 mL/株。在移栽后14、21和28天时,测定菜心最大叶长、最大叶宽、株高,移栽后28天（收获时）测定叶片相对含水量,叶绿素和自由基含量,抗氧化酶活性和养分吸收量。3) 利用不同孔径的醋酸纤维超滤膜将海藻提取物分为分子量 > 10 kDa、5～10 kDa、3～5 kDa和 < 3 kDa等4种海藻提取物组分,测定其体外自由基清除能力及其对菜心抗旱性的影响。  【结果】  1) 田间试验结果表明,广州试验点正常供水条件下,与NPK处理相比,NPK+SE处理的菜心经济产量差异不显著,但干旱条件下显著增产;宁夏试验点在干旱和正常供水条件下,NPK+SE处理的菜心经济产量均显著高于NPK处理。广州试验点干旱和正常供水条件下,NPK+SE处理的各品质指标均高于NPK处理。宁夏试验点正常供水条件下,NPK+SE处理的菜心可溶性糖和可溶性蛋白含量较CK增加显著,而干旱条件下所有品质指标均显著增加。2) 盆栽试验结果显示,干旱条件下,SE处理的部分菜心品质指标值高于正常供水对照。收获时与NPK处理相比,NPK+SE处理显著提高了菜心株高、最大叶长和叶宽,鲜重显著增加12.60%,菜心叶绿素含量提高了10.24%,抗氧化酶活性提高27.84%～43.40%,叶片自由基含量降低了24.88%～41.56%。此外,NPK+SE处理的菜心氮、磷和钾吸收量分别较NPK处理增加了14.48%、16.41%和35.37%。3) 4个分子量不同的海藻提取物组分中,主要活性成分海藻酸、褐藻多酚、甘露醇在 < 3 kDa组分中的含量高于其他3个分子量组分。对超氧阴离子和羟基自由基的清除能力由大到小依次为< 3 kDa、> 10 kDa、5～10 kDa、3～5 kDa,以 < 3 kDa组分对干旱条件下菜心的促生作用最强。  【结论】  两个试验点的结果都表明,海藻提取物与水溶肥配合冲施可以显著提高菜心的经济产量和品质,干旱条件下的效果更显著。海藻提取物能够提高菜心的叶绿素含量、降低叶片自由基累积、增加氮磷钾的吸收,从而提高菜心抗旱性。< 3 kDa海藻提取物中的活性成分含量最高,因此,分子量 < 3 kDa的海藻提取物的自由基清除能力最强,对菜心的抗旱性提高效果最好。     

土壤侵蚀磁性示踪剂对大白菜生理特性及产量和品质的影响

通过大田试验研究了不同浓度的土壤侵蚀磁性示踪剂对大白菜生理特性及产量、品质的影响。结果表明,在4个浓度(1%、3%、5%、10%)的示踪剂处理下,大白菜叶长、叶宽及产量均明显增大;低浓度(3%～5%)的示踪剂提高了大白菜的株高,促进了根的伸长,显著提高了叶绿素含量(p<0.05),同时对大白菜净光合速率、蒸腾速率也有促进作用。示踪剂处理使叶片中超氧化物歧化酶(SOD)活性显著降低(p<0.05),而根系中SOD活性则显著升高(p<0.05);示踪剂对过氧化物酶(POD)活性的影响与对SOD活性的影响恰好相反,对过氧化氢酶(CAT)活性影响较小,在低浓度条件下,叶片与根系中POD和CAT保持有较高活性;示踪剂还导致叶片中丙二醛(MDA)含量显著提高(p<0.05)。同时,示踪剂降低了大白菜可溶性糖含量,但不显著。示踪剂浓度大于5%时显著降低维生素C含量(p<0.05)。低浓度(1%～3%)处理时有效改善了大白菜品质。总之,低浓度的示踪剂用量对大白菜生长有促进作用,高浓度的示踪剂对大白菜生长有抑制作用。     

多功能保水剂对黄瓜生长及产量的影响

本文研究新型多功能保水剂对黄瓜生长,产量,品质及水分利用率的影响。试验结果表明,这种新型多功能保水剂可以提高土壤绝对含水量,有效的促进黄瓜营养生长,黄瓜产量、结果数、单果重和水分利用率,分别提高了13.12%、10.34%、2.52%、13.12%,但对品质影响不大。     

丛枝菌根真菌对烤烟生长及产值的影响

为有效评价菌根化苗在烤烟生产中的应用,对比研究了菌根化苗和常规生产烟苗不同生长期的农艺性状和主要经济性状。结果表明,菌根化烟苗根冠比均显著大于常规育苗组,株高、根长、茎围小于常规生产烟苗;移栽30 d的菌根化烟苗株高、茎围均小于常规育苗组;移栽60 d接种Gm.02和Gm.03的烟株株高大于常规生产烟苗,接种Gm.01和Gm.02的烟株茎围大于常规育苗组;移栽90 d的3种菌根化苗株高、茎围均大于常规育苗组。菌根化烟苗最大叶长在整个生育期内均小于常规生产烟苗;菌根化烟苗移栽30 d最大叶宽均小于常规育苗组,移栽60 d接种Gm.01菌根化烟株大于常规育苗组,移栽90 d,接种Gm.01和Gm.03菌根化烟株大于常规育苗组。菌根化苗均能提高烤烟产量、上等烟比例、均价及产值,但是不同的菌剂作用效果不同。     

Carbon dioxide enrichment by composting in greenhouses and its effect on vegetable production

Concentrations of CO₂ are commonly suboptimal for plant production in greenhouses. Here, a new strategy using crop‐residues and animal‐manure composting (CRAM) was developed to increase CO₂ concentration throughout the day. During the whole cultivation period, CRAM‐treated greenhouses had CO₂ concentrations that were more than twice that of the control greenhouses. This resulted in yields of celery (Apium graveolens L.), leaf lettuce (Lactuca virosa L.), stem lettuce (Lactuca saiva L.), oily sowthistle (Sonchus oleraceus L.), and Chinese cabbage (Brassica chinensis L.) that were 270%, 257%, 87%, 140%, and 227% higher than those in control greenhouses, respectively. The effect of CRAM on vegetable‐quality parameters was also examined. Nitrate concentrations deceased in celery, leaf lettuce, oily sowthistle, and Chinese cabbage by 8%, 36%, 30%, and 20%, respectively. The concentrations of soluble sugars in oily sowthistle and Chinese cabbage were significantly increased by the composting procedure. In addition, the ascorbic acid concentrations increased in all five species, with average increases of 13%, 39%, 25%, 72%, and 37% for celery, leaf lettuce, stem lettuce, oily sowthistle, and Chinese cabbage, respectively. It is concluded that CO₂ fertilization using CRAM in greenhouses increases yields and improves quality of common vegetables.     

基于机器视觉的植物群体生长参数反演方法

为实现植物群生长参数在线无损检测,采用机器视觉技术捕获植物群冠层图像,通过RGB空间超绿色-超红色指标(excess green minus excess red,ExG-ExR)、超绿色指标(excess green,ExG)和归一化差异指标(normalized difference indices,NDI)3种指标分割植物群冠层图像,提取植物群图像特征参数:覆盖率、冠层幅长和冠层幅宽,并结合人工测量植物群体参数:茎秆高度、茎直径、叶面数量、坐果数量和叶面指数(leaf area index,LAI)(拟合值),建立植物群5个生长参数的5种反演模型分别为覆盖率反演模型、冠层幅宽反演模型、冠层幅长反演模型、回归方程反演模型和均值反演模型。结果表明:采用ExG-ExR分割的植物群冠层区域与人工提取区域重合度大于99.5%,识别率大于98.2%,分割性能优于ExG+Otsu和NDI+Otsu分割方法。采用120幅反演模型验证图验证反演模型性能,结果表明植物群冠层覆盖率反演模型反演5个植物群生长参数时,其反演值与测量值间相关性决定系数大于0.958,性能优于冠层幅宽和幅长反演模型,而回归方程和均值反演模型在反演植物群5个生长参数时,都仅有2个参数反演性能优于覆盖率反演模型。茎秆高度、叶面数量、茎直径、坐果数量和LAI的反演模型反演值与测量值间线性相关决定系数最高分别为0.979、0.976、0.979、0.965和0.973,标准误差(standard error,SE)分别为10.55 cm、1.37、0.213 mm、0.672和0.055,其对应的反演模型分别为均值反演模型、覆盖率反演模型、覆盖率反演模型、覆盖率反演模型和均值反演模型。通过机器视觉技术及反演模型能够在线无损准确反演植物群生长参数,为温室环境调控及精准肥水一体灌溉控制系统提供具有代表性意义的决策依据。     

水稻4种农艺性状QTL的初步定位分析

本研究以粳稻品种＂藤坂5号＂与籼稻品种＂江西丝苗＂为亲本杂交构建的F2分离群体（137个单株）作为作图群体,对控制水稻株高、剑叶宽、剑叶长和剑叶长宽比4种农艺性状的QTL进行定位分析。分别在第1、3、4和7染色体上检测到7个QTLs,其中qPH-3、qFLLW-4和qFLW-3在其所控制的相应性状（株高,剑叶宽和剑叶长宽比）所定位到的QTL中的贡献率是最大的,是主效QTL。然而,在本研究中并未检测到控制剑叶长的QTL。这些分析结果为进一步的分析和精细定位奠定基础,为育种和种质创新提供理论依据。