基于深度卷积神经网络的水稻穗瘟病检测方法

穗瘟是一种严重影响水稻产量及品质的多发病害,有效地检测穗瘟是水稻病害防治的重要任务。该文提出基于深度卷积神经网络GoogLeNet模型的水稻穗瘟病检测方法,该方法利用Inception基本模块重复堆叠构建主体网络。Inception模块利用多尺度卷积核提取不同尺度穗瘟病斑分布式特征并进行级联融合。GoogLeNet利用其结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,实现穗瘟病害预测建模。为验证该研究所提方法的有效性,以1 467株田间采集的穗株为试验对象,采用便携式户外高光谱成像仪Gaia Field-F-V10在自然光照条件下拍摄穗株高光谱图像,并由植保专家根据穗瘟病害描述确定其穗瘟标签。所有高光谱图像-标签数据对构成GoogLeNet模型训练和验证的原始数据集。该文采用随机梯度下降算法(SGD,stochastic gradient descent)优化GoogLeNet模型,提出随机扔弃1个波段图像和随机平移平均谱图像亮度的2种数据增强策略,增加训练数据规模,防止模型过拟合并改善其泛化性能。经测试,验证集上穗瘟病害预测最高准确率为92.0%。试验结果表明,利用GoogLeNet建立的深度卷积模型,可以很好地实现水稻穗瘟病害的精准检测,克服室外自然光条件下利用光谱图像进行病害预测面临的困难,将该类研究往实际生产应用推进一大步。     

基于高光谱成像技术的水稻叶瘟病病害程度分级方法

为了快速、准确地对水稻叶瘟病病害程度进行分级评估,结合定性分析与定量估算,提出了一种基于高光谱成像技术的水稻叶瘟病病害程度分级方法。利用HyperSIS高光谱成像系统采集了受稻瘟病侵染后不同病害等级的水稻叶片高光谱图像,通过分析叶瘟病斑区域与正常叶片部位的光谱特征,对差异较大的550和680 nm波段进行二维散点图分析,提取只含病斑的高光谱图像;然后通过主成分分析（principal component analysis,PCA）方法得到利于褐色病斑和灰色病斑分割的第2主成分图像,采用最大类间方差法（Otsu）分割出灰色病斑;最后结合延伸率和受害率2个参数对水稻叶瘟病病害程度进行分级。试验结果表明：测试的166个不同稻叶瘟病害等级的叶片样本中,其中160个样本可被准确分级,分级准确率为96.39%。该研究为稻叶瘟病田间病害程度评估提供了基础,也为稻瘟病抗性鉴定方法提供了新思路。     

高寒地区粳稻穗颈瘟的无人机高光谱遥感识别

水稻穗颈瘟作为稻瘟病的一种发病形式常以褐色斑点性状出现在水稻穗颈节部位,对稻穗颈瘟病害快速、无损的识别与分级评估一直是备受关注的研究课题。该研究以高寒地区粳稻大田试验为基础,利用无人机高光谱平台获取不同病害等级的水稻穗颈瘟冠层数据;分别以不同处理的光谱数据作为输入量,使用随机森林（Random Forest,RF）的方法进行建模,并结合水稻生理对各输入量的特征关联加以解释。结果表明：随着稻瘟病病害等级的提升,水稻冠层反射率整体呈现下降的趋势;植被指数组合（Combination of Vegetation Indices,CVIs）作为输入量建立起来的预测模型具有最高的精度,预测集精度达到90%,Kappa系数为0.86,能够解释穗颈瘟发生时所引起的植株整体生理参数综合变化的过程。该研究结果可填补无人机高光谱遥感监测大田穗颈瘟病和实验室穗颈瘟病光谱理论研究之间的空缺,为无人机高光谱遥感实现穗颈瘟病定量遥感监测与预警分级提供支持。     

基于拉曼光谱分析寒地水稻叶瘟病害植株特征

稻叶瘟是影响寒地水稻产量的重要病害之一。为了减少病害受灾程度,增加早期检测的手段,该文利用拉曼光谱仪对正常水稻与感染稻叶瘟的水稻叶片进行拉曼光谱采集,指认出了水稻叶片的特征频率。通过对无病害叶片与病害叶片官能团的拉曼特性谱峰和特征频率偏移的对比分析,指出稻叶瘟水稻叶片的特征谱峰和稻瘟病敏感谱线为1 800~2 600 cm-1的频谱区域,分析得到984和994 cm-1的双峰连线的斜率以及828和851 cm-1的双峰连线的斜率随着病害程度的增加而逐渐增大。通过对随机抽取的50个拉曼光谱样本的分析,得到2 000~2 300 cm-1散射截面随着病害程度的加重而增加,说明散射截面的变化与稻瘟病害存在良好对应关系。研究表明拉曼光谱分析为早期检测水稻稻叶瘟病提供了一种有效的手段。     

基于高光谱成像技术的马铃薯外部缺陷检测

为了实现马铃薯的准确快速分级,提出基于高光谱成像技术的马铃薯外部缺陷检测方法。通过反射高光谱成像技术采集马铃薯干腐、表面碰伤、机械损伤、绿皮、孔洞以及发芽等6类外部缺陷样本及合格样本的高光谱图像。提取合格及各类缺陷样本感兴趣区域的光谱曲线并进行光谱特性分析,采用主成分分析法确定了5个特征波段(480、676、750、800和960nm),以5个波段的主成分分析的第二主成分图像作为分类图像,识别率仅为61.52%;为了提高识别率,提出波段比算法与均匀二次差分算法相结合的方法,使缺陷识别率提高到95.65%。试验结果表明:通过高光谱成像技术可以准确有效地对常见马铃薯外部缺陷进行检测,为马铃薯在线无损检测分级提供了参考。     

基于高光谱图像和遗传优化神经网络的茶叶病斑识别

为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。     

基于无人机多源图谱融合的水稻稻穗表型监测

稻穗表型是表征水稻生长状况和产量品质的关键参数,稻穗表型的准确监测对于大田精准管理和水稻智慧育种具有重要意义。无人机图谱数据已被广泛用于水稻生长监测,然而大部分研究主要集中在水稻的营养生长阶段,针对抽穗期和成熟期稻穗表型监测方面的研究非常有限。因此,该研究利用无人机多源图谱数据进行水稻稻穗表型监测研究,分析了不同氮肥梯度和生长时期对稻穗表型的影响,构建了稻穗覆盖度、生物量以及倒伏等监测模型。结果表明,不同生长时期和氮肥梯度的稻穗表型呈现显著差异,稻穗覆盖度与图像特征高度相关。利用粒子群优化算法（Particle Swarm Optimization,PSO）和支持向量机（Support Vector Machine,SVM）回归模型能够从可见光图像中准确识别稻穗,计算的穗覆盖度与实际标记值高度相关,决定系数（coefficient of determination,R2）为0.87,将此结果与多光谱图像反射率融合,利用随机森林（Random Forest,RF）回归模型可以提高稻穗覆盖度的评估精度,R2为0.93,相对均方根误差（relative Root Mean Square Error,rRMSE）为9.47%。融合可见光图像的颜色和纹理以及多光谱图像的光谱反射率改善了穗生物量的评估精度,R2高达0.84,rRMSE为8.68%,此模型能够在不同种植年间迁移,进一步利用模型更新添加10%新样本能够改善模型迁移能力。基于PSO-SVM分类模型,联合可见光图像的颜色和纹理以及多光谱图像的光谱反射率也准确地识别稻穗倒伏,准确率达99.87%。上述研究结果证明了无人机遥感用于水稻稻穗表型监测的可行性,可为作物精准管理和智慧育种提供决策支持。     

基于高光谱的春玉米大斑病害遥感监测指数选择

玉米大斑病是春玉米主要病害之一,采用地面光谱观测的方式构建遥感监测指数,是实施区域遥感监测的基础,也是卫星传感器谱段设计的主要依据。该文在陕西省眉县设计了人工控制小区试验,针对高抗、抗、感和高感4个品种,通过人工接种不同浓度大斑病分生孢子的方法,获得了正常、轻微、中度以及严重等4个病害感染梯度小区,并在春玉米抽雄、吐丝、乳熟以及成熟4个生长期进行了地面高光谱观测。为了实现对春玉米大斑病的遥感监测,该项研究在春玉米冠层光谱数据基础上,分析了不同种植区不同生长期春玉米冠层光谱反射率和光谱一阶微分特征,并以此确定了大斑病敏感波段位置以及病害适宜监测期,同时根据敏感波段位置的光谱特征构建了专门的春玉米大斑病的遥感监测指数,最后结合180个光谱观测样本,对比了所提指数以及其他病害指数与病害严重度之间的相关性,并通过聚类分析了所建遥感指数的稳定性。研究结果表明,乳熟期的春玉米大斑病在红边波谱内的响应较为敏感,尤其红边核心区(725~740 nm)的光谱一阶微分与病害严重程度间存在明显地单调变化关系,具有非常显著的负相关性;同时,该文所提病害监测指数与病情指数具有较高的相关性,其相关系数达到了0.995 0,最后结果表明利用红边一阶微分指数的对病害程度的聚类总体精度达到100.0%,指数值分布稳定性也更高,具有在遥感监测业务中应用的潜力。     

高光谱图像技术诊断温室黄瓜病害的方法

利用高光谱图像技术研究了诊断温室黄瓜病害的方法,以提高诊断的准确性和效率。试验以黄瓜霜霉病、白粉病为研究对象,利用高光谱图像采集系统获取黄瓜病叶的高光谱图像数据,在450～900 nm范围内的高光谱图像数据中,选出特征波长下的图像;然后,对该图像进行去除噪声的滤波处理,并提取黄瓜病叶的色度矩纹理特征向量;最后采用支持向量机分类方法对黄瓜病害进行诊断。研究结果表明,采用高光谱图像新技术与线性核函数对黄瓜霜霉病、白粉病的正确诊断率达100%,采用高光谱图像技术可以实现对温室黄瓜病害进行快速、精确的分类诊断。     

冬小麦灌浆期蚜虫危害高光谱特征研究

为了有效控制农业生产中麦蚜的危害,提高利用遥感技术对麦蚜监测预报的时效性,在冬小麦蚜虫发生的关键生育时期（灌浆期）,获取了26个地面调查点的蚜害等级和冠层光谱数据。对比分析了不同蚜害等级的冠层光谱,发现随着蚜虫危害程度的加重,在可见光、近红外和短波红外波段的冬小麦冠层反射率均逐渐减小。通过进一步筛选各波段范围的最敏感波段,初步构建了冬小麦蚜害高光谱指数,并建立了蚜害高光谱指数与蚜害等级的遥感反演模型。结果表明,该模型可以用来反演灌浆期冬小麦的蚜害等级,为高光谱遥感识别和监测冬小麦灌浆期蚜虫危害提供理论依据。     

中二软占空间诱变品系的主要农艺性状及稻瘟病抗性

对经抗性初筛的34个中二软占空间诱变4代（SP4）品系进行主要农艺性状分析及稻瘟病抗性评价,结果表明,诱变品系在株高、有效穗数、穗长、穗粒数等性状的变异都达到了极显著水平,其中变幅最大的是千粒重,其次是结实率,有效穗数的变异幅度最小。除Z34外,其余33个诱变品系的抗谱比原种均有明显拓宽,且田间均抗穗瘟,说明低世代进行抗性初筛是有效的。结合主要农艺性状考查和抗瘟性分析,可从这些诱变品系中选择既抗病又具备较好农艺性状的优良材料,实现抗病种质创新的目的。     

基于无人机可见光图像Haar-like特征的水稻病害白穂识别

实现稻田精准植保的关键是自然环境下病变区域的准确识别。为实现大面积稻田中白穗的精确识别,该文提出一种小型多旋翼无人机水稻病害白穂识别系统,该系统以无人机平台作为图像采集、处理和识别的基础,首先对白穗图像提取Haar-like特征,其次以Adaboost 算法进行白穗训练识别。以4类Haar-like特征及其组合构建弱分类器,用采集的稻田白穗和背景共700个样本点训练生成强分类器。所得强分类器对测试集中65幅图像中的423个白穗样本点进行识别验证,结果表明：白穗识别率可达93.62%,误识别率为5.44%,该方法可有效抑制一般的稻叶遮挡、稻穗黏连以及光照等复杂背景的影响,适合于自然环境下的稻田白穗现场识别。     

Effect of Rice Blast and Sheath Blight on Physical Properties of Selected Rice Cultivars

Observations in 1997 indicated a significant reduction in kernel bulk density and head rice yield of rice cultivar LaGrue due to blast (Pyricularia grisea). A more detailed study on rice cultivar M202 in 1998 confirmed such observations but it also showed negative effects of blast on other physical properties of rice. Rough rice from blast‐infected panicles was drier by 7–10 percentage points and 10% thinner than rough rice from blast‐free panicles. Blast also caused incidences of chalky, unfilled, and fissured kernels that were 21, 30, and 7 percentage points higher, respectively. The effects of sheath blight (Rhizoctonia solani) on kernel thickness and moisture content of rice cultivars Cocodrie, Cypress, Drew, and LaGrue were similar to the effect of blast on M202. Sheath blight generally reduced kernel bulk density but did not significantly affect head rice yield of the cultivars in 1997 and 1998 (except in one sample of Drew). There was a general trend toward higher incidences of unfilled, chalky, and fissured kernels in sheath‐blight‐infected samples. The data indicated that blast could be a significant preharvest factor in causing high variability in physical properties as well as in reducing the milling quality of rice. Sheath blight is also a potentially significant preharvest factor in affecting these properties in situations where sheath blight pressure is high.     

适宜机插株行距提高不同穗型粳稻产量

为探明不同穗型粳稻品种合理机插株行距配置、产量形成规律及其物质生产特征,以大穗型品种甬优2 640、甬优8号,中穗型品种武运粳24号、宁粳3号和小穗型品种淮稻5号、淮稻10号为材料,研究了机插株行距对不同穗型粳稻品种产量、叶面积指数、光合势、物质生产与积累、群体生长率和净同化率的影响。结果表明：大穗型行距30 cm机插,扩大株距,利于形成大穗而高产;中穗型2种行距机插平均产量相当,但行距30 cm机插生育后期透风透光条件好,利于提高千粒重和结实率,产量潜力高;小穗型行距25 cm机插显著增加穗数而高产。大穗型行距30 cm机插抽穗、成熟期叶面积指数大,粒叶比高,叶面积衰减率低,抽穗期群体质量优,生育中后期光合势大、群体生长率和净同化率高,从而物质积累量高;中穗型行距30 cm机插生物学产量略低,但收获指数高;小穗型行距25 cm机插群体基本苗多,叶面积指数和光合势大,生育中后期群体生长率和净同化率高,物质积累量高。因此,大、中穗型宜采用行距30 cm机插,小穗型宜采用行距25 cm机插,并配套相应株距,能充分发挥不同穗型粳稻品种产量潜力。     

基于高光谱成像的寒地水稻叶瘟病与缺氮识别

为进行水稻叶瘟病与养分缺失的区分、实现叶瘟病及时、准确的诊断,以大田试验为基础,利用高光谱成像仪获取2个品种的健康、缺氮、轻度感病和重度感病共4类水稻叶片的反射率光谱,对其光谱特性进行分析,并采用多种预处理方法、分别结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)和主成分加支持向量机(principle component analysis-support vector machine,PCA-SVM)方法构建水稻叶瘟病识别模型。试验结果显示6个判别模型都获得了较高的识别准确率,经标准正态变量(standard normal variate,SNV)变换预处理的PLS-DA模型获得了最佳的识别结果,预测准确率达100%,经多元散射校正(multiplicative scatter correction,MSC)预处理的PCA-SVM模型的预测准确率也达到97.5%。本研究为水稻叶瘟病的判别和分级提供了新方法,也为稻瘟病大范围遥感监测提供了基础。     

大穗型水稻品种抽穗开花期遭遇高温后的结实表现

培育大穗型水稻品种是进一步提高水稻产量的途径之一,但是大穗型水稻的颖花受精和籽粒灌浆易受环境影响而产生波动。以大穗型水稻品种BL006和R-农白为试验材料,中穗型品种黄华占为对照,利用人工气候室模拟湖北典型高温天气的昼夜温度变化,研究大穗型水稻在抽穗开花期遭遇高温（日平均气温30℃和33℃）后的结实表现。结果表明：高温处理后,各品种的颖花受精率显著降低;30℃处理后,BL006、R-农白和黄华占的颖花受精率分别下降10.37、10.05和7.24个百分点,33℃处理后,分别降低53.17、65.38和8.17个百分点;30℃高温处理后,弱势颖花受精率的降幅较大,33℃高温处理后,强势颖花受精率的降幅较大;颖花受精率的变化与品种的光合特征有关。与常温相比,30℃高温处理后,BL006和R-农白的千粒重均降低1.69%,黄华占升高2.45%;33℃处理后,BL006和黄华占分别降低18.38%和11.65%,R-农白升高3.10%。此外,千粒重的变化也受粒位影响。因此,选育强耐高温的大穗型水稻品种,要整体提升穗部颖花的高温耐性水平和品种的光合能力。     

Observation and Measurement of Residual Bran on Milled Rice Using Hyperspectral Imaging

Residual bran on milled rice is directly related to its quality. This study proposes a method to measure the residual bran patterns on a single rice grain by using hyperspectral imaging (HSI). HSI is a sensing technique that combines both spatial and spectral information and may be used for chemical compound identification and quantification. In this study, HSI was applied to assess rice bran residue nondestructively. In the experiment, rice samples were milled and scanned with an HSI system. Afterward, the rice samples were dyed to enable the residual bran to be identified with optical microscopy and image processing algorithms. Classifiers were then developed to predict the rice bran residue by using the HSI measurements as inputs. The predicted images were compared with the micrograph images for classifier performance evaluation. The proposed approach can estimate the residual bran distribution on milled rice surface with an accuracy of 93.5%.