基于图像处理的叶面积测定方法的研究

以玉米叶片为例,介绍了一种基于像素点的计算叶面积的新方法。该方法采用计算机VB编程识别像素点颜色,进而求出叶片包含的像素点数及其面积值。通过理论分析及对比,可以证明利用像素点计数的方法来求区域面积,不仅简单,而且也是对原始模拟区域面积的无偏和一致的最好估计。     

基于ARM9的手持式叶面积仪的设计

为了快速、精确、无损地测量叶面积,设计了一种基于ARM9的便携式叶面积仪。以三星公司的ARM9微处理器S3C2440为硬件核心,以嵌入式Windows CE为操作系统,应用图像处理法,结合大容量的SDRAM及NAND FLASH,CMOS摄像头和带触摸功能的LCD等,设计了叶面积仪的硬件系统和软件系统,并对主要部分进行了详细介绍。该系统实现简单,成本低,具有良好的便携性、准确性和稳定性。     

基于Android系统手机的叶面积测量方法

为了快速无损测量植物叶片的面积,利用Java编写的软件,以Android智能手机为工作平台,使用图像处理技术对植物叶片面积进行测量。测量步骤分为:图像获取、图像分割、图像二值化、滤波去噪、叶片面积计算。采用该方法分别对面积为100mm2的三角形、100mm2的正方形、314.15mm2的圆、112.26mm2的正五角星在150mm和200~800mm之间间隔为100mm的8个距离段进行了面积测量,结果显示其测量误差范围在-0.62%~0.79%之间。应用该方法测量了代表不同植物叶片形状的番茄、茄子和枫叶叶片,当手机和叶片的距离在300~600mm时,测量结果与LI—3100型叶面仪测得的结果偏差在±1%以内,其他距离段偏差均大于1%。本研究设置图像为2560像素×1920像素,测量精度能达到0.001cm2,证明该方法具备精确测量叶片面积的能力。     

棉花冠层叶面积的动态模拟

根据试验资料,在系统分析棉花冠层叶面积时空分布规律的基础上,充分考虑叶面积空间垂直分布的异质性,以生育期内累积的每日相对热效应为预报因子,构建了棉花叶面积垂直分布和叶面积指数的动态模拟模型。利用不同年份不同播期的试验资料对模型进行了验证,累积叶面积指数L（z）的模拟结果与1∶1直线之间的R^2和均方根误差分别为0.969和0.257,叶面积指数LAI的模拟结果与1∶1直线之间的R^2和均方根误差分别为0.936和0.305。结果说明模型具有较好的预测性和实用性。模型的模拟结果可作为冠层结构参数,用于冠层辐射传输模型和光合作用模型。     

农田春小麦叶面积指数和覆盖度时空变异性研究

准确获取春小麦叶面积指数和覆盖度的时空变异特征,对春小麦生长参数时空分析至关重要,也是利用遥感准确反演春小麦叶面积指数和覆盖度必须解决的问题,对于尺度转换研究具有十分重要的意义。综合运用传统统计分析方法、地质统计分析方法及时间稳定分析方法,研究了春小麦叶面积指数和覆盖度在不同生育阶段的时空变异特征,并探讨了二者的关系,建立了综合考虑时空特征的春小麦叶面积指数增长模型。研究结果表明:在研究条件下,春小麦覆盖度和叶面积指数随时间的变化趋势相似,但二者变异系数(CV)的变化趋势明显不同,随着春小麦的不断生长,覆盖度CV不断减小,而叶面积指数CV则是先增加后减小;春小麦叶面积指数和覆盖度都具有空间结构,其中在播种-分蘖阶段(头水灌溉前)的空间相关距离最大(50~60 m),头水灌溉后,春小麦叶面积指数和覆盖度的空间相关距都减小,其中叶面积指数相对比较稳定(约20 m);春小麦叶面积指数和覆盖度均具有时间稳定特征,播种-分蘖阶段处于头水灌溉前,这个阶段的春小麦覆盖度对其在整个生育期的稳定性有显著影响,相比之下,这个阶段的叶面积指数对其在整个生育期的稳定性影响不明显;春小麦叶面积指数除了与生育期有密切的时间相关关系外,还在一定范围内与覆盖度有显著的空间相关关系,为此从时空变异角度,建立了一个以生育期和覆盖度为预报因子的叶面积指数增长模型,经检验,拟合模型方程在置信度0.01水平上表现显著。叶面积指数增长模型将不同时间的叶面积结合了空间上的变异特征,较之前的仅基于生育期的Logistic模型适应性更广。     

基于图像处理技术的叶面积检测研究

介绍了基于图像处理技术的叶面积检测法.从单片叶面积检测、病虫害损伤叶分析与面积检测、植株总叶面积检测3个方面综述了国内外图像处理技术在叶面积检测中的研究进展情况,并指出了应用图像处理技术检测叶面积还需进一步解决的问题.     

基于Android手机平台的冬小麦叶面积指数快速测量系统

叶面积指数（Leaf area index,LAI）是衡量作物生长状况的重要参数,也是科学确定无人机喷药量的主要指标。为了建立一套作物叶面积指数实时测量方法,基于Android手机平台开发了一种冬小麦叶面积指数快速测量系统。在大田条件下选取长势均匀的10个试验区域,在不同生长期采用Android手机平台和ADC多光谱相机分别获取小麦冠层图像,同时手工测量小麦实际叶面积,根据不同测量结果计算3种叶面积指数： 将Android手机图像由RGB空间转换到HSV空间,在H-V双通道组合图像上进行图像分割后计算绿色叶片的面积IArea;由ADC多光谱相机自带软件获取的归一化植被指数（NDVI）和调节土壤植被指数（SAVI）数据反演的叶面积指数ALAI;实际手工测量的叶面积指数LAI。对以上3种叶面积指数的相关分析和建模分析结果表明,随着小麦不同生长期的变化,Android手机平台获取IArea与实际测量叶面积指数LAI的R2大于0.84(P小于0.01),ADC获取的叶面积指数ALAI与实际测量叶面积指数LAI的R2大于0.83。     

基于图像上冠层体积的叶面积指数测算方法

介绍了基于图像上冠层体积计算叶面积指数的原理和方法,并将田间实测数据与传统测定方法所获数据进行了比较,结果表明：两种测定方法所获得的数据没有显著差异,即基于图像上冠层体积测定叶面积指数的方法是可行的,同时具有良好的可靠性和准确度。由此为果树叶面积指数的测定提供了一种可靠而且易操作的方法。     

基于高速图像的雾滴尺寸分布统计与运动分析

针对植保机械雾滴尺寸分布统计及运动分析方法存在的不足,提出了利用高速摄像机结合数字图像处理技术对雾化场的空间雾滴尺寸分布和雾滴的运动进行分析的方法。实现了空间雾滴尺寸分布的快速统计分析,避免了对雾化场的干扰。利用图像序列中的时间差信息对雾滴在水平和垂直方向上的速率进行了分析,为进一步分析雾滴的沉降及漂移特性提供了有效方法。     

基于数字式光强传感器阵列的叶面积测量方法

为探索更实用的叶面积地面测量方法,以TSL2561为核心研制了一款数字式光强传感器阵列,制作了升降式平台进行试验。试验系统硬件采用"PC机-单片机"分布式结构,运用MatLab语言编写上位机数据采集和叶面积计算软件。在试验平台上3个不同的置物高度进行了100个细叶榕叶片样本的面积测定,分别运用多元线性回归、BP神经网络和支持向量机3种算法建立光强数据与叶面积的关系模型。结果表明:扫描图像的分辨率、目标形状对叶面积图像测算法得出的结果影响不显著;最佳置物高度为30cm;支持向量机算法效果最好,决定系数R2为0.973 3,平均相对误差为3.70%,均方根误差为0.587 2。此模型在系统中的运用可直接、快捷地测算出叶面积数据,为利用多波段透射光技术测量单叶片的叶面积提供了参考。     

基于无人机数码影像的大豆育种材料叶面积指数估测

利用低成本的无人机(Unmanned aerial vehicle,UAV)高清数码影像获取系统,于2016年7—9月在山东省济宁市嘉祥县圣丰大豆育种基地,获取大豆育种材料试验区的R1-R2、R3、R5-R6共3个关键生育期的高清数码影像,首先利用高清数码影像中的黑白定标布,对数码影像的DN(Digital number,DN)值进行归一化标定,并构建标定的18个数码影像变量,然后基于900个育种小区的叶面积指数实测数据构建大豆育种材料叶面积指数的一元线性回归、逐步回归、全子集回归、偏最小二乘回归、支持向量机回归和随机森林回归模型,最后基于模型建立和验证的决定系数(R~2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标,筛选估测叶面积指数的最佳模型。研究表明,全子集回归模型中采用4个数码影像变量B、RGBVI、GLA和B/(R+G+B)的多元线性回归模型对大豆育种材料叶面积指数的解析精度最优,模型建立的R~2、RMSE和nRMSE分别为0.69、0.99和17.90%,验证模型的R~2、RMSE和nRMSE分别为0.68、1.00和18.10%。结果表明,以无人机为遥感平台,搭载低成本的高清数码相机,利用高清数码影像进行大豆育种材料LAI估测是可行的,可以快速、有效、无损地获取大豆育种材料的长势信息,为筛选高产大豆品种提供一种低成本的可行方法。     

基于三维点云的叶面积估算方法

为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。     

基于漫水填充算法的叶面积仪研制

叶片是植物进行光合和蒸腾作用的主要器官,叶片面积大小直接影响植物对光的利用效率。快速准确地测量叶面积能够有效提高植物光合和蒸腾作用研究的效率。测量叶面积的方法有很多种,其中以叶面积仪法最为广泛使用。但是国内现有叶面积仪开发的种类较少,误差比较大,且重复性较差。因此,提出一种基于漫水填充算法的手持式叶面积仪,并通过与传统方法测定不同形状叶面积进行比较。结果表明:该叶面积仪测量误差仅为0.55%,且多次测量变异性较小,最低变异系数仅为0.7%,平均变异系数为1.2%,测量效率高,适合推广使用。     

基于分数阶微分和最优光谱指数的大豆叶面积指数估算

高光谱遥感技术可对作物生长状况进行无损、高效地监测,是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象,对原始开花期大豆高光谱反射率数据进行0～2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明：0～2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率,分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性;相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为：TVI(687 nm, 754 nm)、DI(687 n...     

基于小波能量系数和叶面积指数的冬小麦生物量估算

生物量是评价作物长势及产量估算的重要指标,科学、快速、准确地获取生物量信息,对于监测冬小麦生长状况以及产量预测等具有重要意义.以冬小麦为研究对象,通过相关性分析,选取相关性较好的小波能量系数,同时耦合叶面积指数,基于支持向量回归算法、随机森林算法、高斯过程回归3种算法构建冬小麦生物量估算模型.结果 显示,基于小波能量系...     

基于高光谱数据的玉米叶面积指数和生物量评估

利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平.本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数(LAI)和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,...     

基于无人机多光谱遥感的夏玉米叶面积指数估算方法

无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下,利用无人机多光谱植被指数估算夏玉米LAI的可行性,本研究基于无人机多光谱遥感系统,结合同时期实地采集的夏玉米LAI,选择5种植被指数,包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI）,作为模型输入参数,使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型,并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明,在充分灌溉条件下,植被指数的多元线性回归模型可以较好地估算LAI（R² = 0.83）;在水分胁迫条件下,植被指数的随机森林回归模型可以较好地估算LAI（R² = 0.74~0.87）,水分胁迫因素对该模型影响较小,且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术,使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。     

不同覆膜处理下春玉米叶面积指数高光谱估算

为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数(Leaf area index,LAI),研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下...