基于区域生长均值漂移聚类的苗期作物行提取方法

为解决传统机器视觉方法检测苗期作物行时不同作物种类、不同生长背景和不同作物行数导致的作物行提取精度低的问题,该研究提出一种基于区域生长和均值漂移聚类的苗期作物行提取方法。首先,通过Lab颜色空间中a、b双颜色分量最大熵法选取最优阈值进行图像分割;其次,通过垂直投影获取均值漂移的聚类窗口带宽,均值漂移时以聚类窗口边缘为种子点进行区域生长来归类和标记每一行作物,之后遍历所有作物行获取聚类中心点;最后,通过最小二乘法拟合聚类中心点得到作物行直线。试验结果表明,该方法对大蒜、玉米、油菜、水稻和小麦5种作物的苗期作物行提取精度较高,5种作物的平均行识别率为98.18%,平均误差角度为1.21°,每张图片的平均处理时间为0.48 s。该方法的作物行提取性能明显优于Hough变换方法,为田间环境多因素影响下的苗期作物行提取提供了一种更具鲁棒性的方法。     

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、091、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。     

基于自动Hough变换累加阈值的蔬菜作物行提取方法研究

为解决机器视觉对生菜和绿甘蓝两种作物在整个生长时期内多环境变量对作物行识别影响的问题,同时提高机器视觉作物行识别算法的有效性,该文提出了一种基于自动Hough变换累加阈值的多作物行提取算法。首先,选用Lab颜色空间中与光照无关a分量对绿色作物进行提取,通过最优自适应阈值进行图像分割,并采用先闭后开形态学运算对杂草和作物边缘进行滤波。其次,采用双阈值分段垂直投影法对作物行特征点进行提取,通过对亮度投影视图中的目标像素占比阈值和噪声判断阈值设置,实现特征点位置判断和杂草噪声过滤,并对相邻特征点进行优化,剔除部分干扰特征。最后,采用Hough变化对特征点进行直线拟合,将不同Hough变换累加阈值获得的拟合直线映射到累加平面上,通过K-means聚类将累加平面数据聚类为与作物行数相同的类数,根据相机成像的透视原理提出基于聚类质心距离差和组内方差的最优累加阈值获取方法,将最优累加阈值下累加平面中的聚类质心作为识别出的真实作物行线。温室和田间试验表明,针对不同生长时期的生菜和绿甘蓝作物,该文算法均可有效识别出作物行线,最优阈值算法耗时小于1.5 s,作物行提取平均耗时为0.2 s,在田间和温室中作物行的平均识别准确率分别为94.6%、97.1%,识别准确率为100%的占比分别为86.7%和93.3%。研究结果为解决多环境变量影响因素下的算法鲁棒性和适用性问题提供依据。     

基于图像特征点粒子群聚类算法的麦田作物行检测

为了快速准确地提取麦田作物行中心线,提出了基于图像特征点粒子群聚类算法的麦田作物行检测。首先,对自然光照下获取的彩色图像运用"过绿颜色因子图像灰度化"、"Otsu图像二值化"、"左右边缘中间线检测提取作物行特征点算法"3步对图像进行预处理。然后,根据农田作物行中心线周围区域的特征点到该直线的距离均小于某一距离阈值的特征,运用粒子群优化算法对每一作物行的特征点分别进行聚类。最后,对每一类的特征点用最小二乘法进行直线拟合获取麦田作物行中心线。试验结果表明,该算法可以对作物断行、杂草、土块等复杂农田环境下的图像进行有效地作物行检测,识别率达95%,识别误差小于3°。与标准Hough算法相比,运行速率提升了一倍。该文可为实现农业机器人田间作业提供参考。     

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。     

基于Kinect V3深度传感器的田间植株点云配准方法

准确建立植物的三维点云是以点云方式高通量获取植株各部位物理参数的前提。为实现田间复杂环境下的植株三维点云配准,该研究提出了一种基于多标定球的田间植株点云自动配准方法,并分别在室内简单场景及大田复杂场景下从不同角度对多种作物采集的点云数据进行验证。该方法采用随机抽样一致性算法（Random Sample Consensus, RANSAC）结合点云减法的概念从下采样后的点云中实现多标定球的自动提取,弥补了RANSAC一次只能提取单个物体的缺点。然后基于各标定球的球心距离信息实现三维点集的自动匹配。最后使用奇异值分解算法解算旋转平移矩阵,实现点云的自动配准。不同场景下各作物的配准结果表明,各植株的水平90°、180°、270°以及垂直方向上的点云配准到水平0°点云下的平均轴向误差在6～17 mm之间,平均点位误差在13～30 mm之间,与手动配准的商用同类软件LiDAR360的配准结果相当,但配准过程的自动化程度明显提高,效率提高了67%。该文所提出的方法可在田间复杂环境下对低成本深度相机获取的植株点云实现高精度的自动配准,为田间植物表型参数的提取提供了低成本的可行方案。     

基于模糊C均值聚类的作物病害叶片图像分割方法研究

为提高作物病害图像的分割效果,根据作物病害图像的特点,提出了一种基于模糊C均值聚类算法(FCM)的作物病害图像自适应分割方法.该方法将像素的灰度与其邻域均值作为FCM的输入特征,变换FCM的隶属度函数使其包含图像的局部邻域特性;通过聚类有效性验证分析和试验确定模糊C均值聚类算法(FCM)的最优聚类数、模糊加权指数.运用该方法对棉花病害叶片图像进行分割.结果表明:该方法能较好将病斑部分和正常部分分割开,平均分割误差率小于5%,对作物病害图像的分割处理非常有效.     

基于颜色系数反向粒子群模型的田间作物分割方法

针对复杂多变的农田环境下,田间作物分割既要保留农田作物完整外部形态信息,又要满足农田作业速度的要求,该文提出一种基于反向变异粒子群优化(reverse mutation-particle swarm optimization,RM-PSO)算法提取最优颜色系数的田间作物分割方法。该分割方法分为离线和在线2个部分,离线部分采用反向变异策略提高了初始粒子群群体质量及算法的搜索效率,避免算法早熟收敛,陷入局部最优,引入满意度函数对最优颜色系数进行评价,提取全局最优颜色系数。在线部分采用离线提取的最优颜色系数对作物图像灰度化,进而对灰度化后图像进行阈值分割得到最终的分割结果。试验结果表明,该文方法平均错分率(error distinguish rate)仅为4.8%,低于HSI算法、EXG法以及Mean-shift神经网络分割算法的11.3%、19.5%、5.7%;标准差值为3.1%,相较于HSI算法的7.2%、EXG法的14.7%、及传统PSO方法的7.9%,该文算法具有更高的稳定性;平均处理时间为0.311 s,而HSI方法为0.908 s,Mean-shift神经网络分割算法为1.942 s。该方法不仅能够保证不同光照及不同景物干扰下作物外部形态信息完整,同时处理速度快,鲁棒性好,具有较高的实际应用价值。     

基于K-means聚类和椭圆拟合方法的白粉虱计数算法

为了能够对害虫的准确计数,该文以白粉虱为例,提出了一种基于K-means聚类和椭圆拟合方法的白粉虱计数算法。该方法首先利用K-means聚类算法对白粉虱图像进行分割,使白粉虱从背景图像中分离,然后利用基于最小二乘法的椭圆拟合方法对分割结果进行椭圆拟合,统计椭圆的个数,提取椭圆中心点的颜色特征值,将其作为新的分类中心,重新对白粉虱图像进行分割和椭圆个数的统计,最后将算法收敛时的椭圆个数作为当前白粉虱的个数。对辣椒、黄瓜、番茄和茄子4种作物叶片上附着的白粉虱进行了计数试验,该算法在这4种作物上的平均计数错误率依次为2.80%,8.51%,5.00%,1.56%,并且分别比阈值化方法和K-means聚类方法的平均计数错误率降低了11.65%和70.18%。试验结果表明:所提方法能够实现对不同作物上白粉虱的准确计数,且算法具有很好的泛化性。该研究结果可为虫害的检测以及采取正确的防治措施提供重要依据。     

基于图像拼接的苗期玉米植株缺失数量自动测量方法

为自动测量苗期玉米植株缺失数量,研究一种基于图像拼接的玉米早期缺苗数量自动测量方法。该方法首先在田间光照条件下,从植株顶部沿行向获取玉米图像序列,并将图像序列注册到同一坐标系下拼接为行向图像,然后将植株像素从土壤背景中分割出来,在植株细化骨架上标识茎秆中心点。最后以行向图像上各茎秆中心点拟合行向直线,将茎秆中心点向行向直线投影,从相邻投影点的距离计算植株平均株距,缺苗数量可由平均株距和两相邻植株的距离计算。在3个不同密度的试验小区上对比该方法与人工测量,每个小区进行10次重复,在低密度和中密度小区两种方法具有较高的相关性,在高密度小区两种方法的相关性有所下降。该方法可以替代人工测量,从而减少时间和人力投入,提高玉米早期植株缺苗数调查的自动化程度。     

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Kinect V3的单株作物自动化三维重建与验证

为高效、精确地对单株作物进行三维重建,以点云方式无损测量作物表型信息,该研究提出一种基于Kinect V3深度相机的三维重建系统。使用步进电机搭建了一个旋转台,并将旋转台面设计成多颜色同心圆,利用同心圆计算平面法向量及圆心两特征信息,用于点云水平校准以及获取点云间的旋转平移矩阵;将Kinect V3采集的多视角点云变换到同一坐标系下,并结合裁剪迭代最近点（Trimmed Iterative Closest Point,TrICP）算法实现了多视角点云的粗配准与精配准,完成了作物三维重建。为检验该研究的三维重建效果,选取菜心、黄瓜苗为试验对象,与多视图立体视觉-运动恢复结构（Multi-View Stereo and Structure From Motion,MVS-SFM）算法重建点云进行对比,并提取叶面积参数与人工测量值进行比较。结果表明,两种方法下重建后的菜心点云间平均距离误差为0.59 cm,黄瓜苗点云间平均距离误差为0.67 cm,具有较高的相似度,而相较于MVS-SFM算法,该研究提出的方法的重建速度提高了约90%;该研究提出的方法所重建点云,菜心叶面积提取与标准参考值相对误差均值为5.88%,均方根误差为3.83 cm2,黄瓜苗叶面积提取与标准参考值相对误差均值别为6.50%,均方根误差为2.08 cm2,都显现出较高的准确性。该研究提出的方法能对单株作物进行快速三维重建,能有效提取叶面积参数,可为作物育种、栽培和农业生产提供高效技术手段和数据支持。     

基于机载三维激光扫描的大豆冠层几何参数提取

为了实现大田大豆单株植株几何参数(高度、体积)准确获取,该文构建了基于机载激光雷达(LiDAR)的农作物表型探测系统,并开展了大田标定和探测试验。针对大田大豆垄上种植模式下地面平整度差异大、植株枝叶交接难以区分的问题,提出了一种LiDAR表型探测系统下的基于局部邻域特征分割与均值漂移算法的提取方法。在获取的点云中,首先使用基于局部邻域特征的语义分割方法提取一垄植株行,然后采用均值漂移算法提取单株植株,最后进行植株表面重建和植株几何参数统计。LiDAR表型探测系统在沿探测系统前进运动方向、垂直运动方向、垂直地面方向最大误差分别为0.58%(5.8 cm)、-1.75%(-7.0 cm)、-1.74%(-3.4 cm)。该文采用的基于局部邻域特征的分割方法,植株与地面分类的效果良好,人工统计植株数量相比,检测植株数量的平均相对误差为11.83%。相对于常用的RANSAC(random sampleconsensus)方法,使用该文提出的高度计算方法,大豆植株高度平均相对误差从9.05%下降到5.14%,利用alpha-shape算法重建后的冠层体积平均值为48.5 dm3。该文工作可为作物植株分割和体积统计提供借鉴。     

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;最后自动提取株高、冠幅、茎高、茎粗、叶长和叶宽6种表型参数。研究结果表明,茎叶分割的平均精确度、平均召回率、平均微F1分数和平均总体准确率分别为0.967、0.961、0.964和0.967;6个表型参数的提取值与实测值具有较强的相关性,决定系数分别为0.99、0.99、0.96、0.97、0.93和0.96。该研究方法能对茎叶器官进行精确分割,为玉米高通量表型检测、三维几何重建等提供了一种有效技术手段。     

利用无人机可见光遥感影像提取棉花苗情信息

为提高棉花苗情信息获取的时效性和精确性,该文提出了基于可见光遥感影像的棉花苗情提取方法。首先,利用自主搭建的低空无人机平台获取棉花3~4叶期高分辨率遥感影像,结合颜色特征分析和Otsu自适应阈值法实现棉花目标的识别和分割。同时,采用网格法去除杂草干扰后,提取棉花的形态特征构建基于SVM的棉株计数模型。最后,基于该模型提取棉花出苗率、冠层覆盖度及棉花长势均匀性信息,并绘制棉花出苗率、冠层覆盖度的空间分布图。结果显示,模型的测试准确率为97.17%。将模型应用于整幅影像,计算的棉花出苗率为64.89%,与真实值误差仅为0.89%。同时基于冠层覆盖度、变异系数分析了棉花长势均匀情况。该文提出的方法实现了大面积棉田苗情的快速监测,研究成果可为因苗管理的精细农业提供技术支持。     

作物相对耐盐性的研究──Ⅱ．不同栽培作物的耐盐性差异

本文通过盆栽生物试验,对小麦、大豆、棉花、玉米等栽培作物的苗期耐盐性进行了研究.结果表明:棉花较为耐盐,玉米、小麦次之,大豆耐盐性最差.不同作物各组织中钠的浓度和累积量随盐度增加而剧增.小麦、大豆、棉花根系吸收钠后,不同程度地向地上部分转移;玉米根系吸收钠后,多累积在根系中.不同作物各组织中钾的浓度随盐度增加变化不大.但累积量剧减;钙的浓度和累积量随盐度增加都有不同程度的减少.作物根系吸收钾、钙后,向地上部分运输,因而地上部分组织中钾、钙累积量多于根系中钾、钙累积量.作物体内K/Na比随盐度增加而降低.本文还对不同栽培作物耐盐性差异的机理进行了探讨.     

不同作物秸秆在旱地和水田中的腐解特性及养分释放规律

以水稻、小麦、玉米秸秆和油菜、蚕豆青秆为研究对象,采用尼龙网袋法,研究了不同秸秆翻埋入旱地和水田后的腐解特性及养分释放规律,以期为紫色丘陵区农业秸秆循环利用和秸秆还田技术提供理论依据。结果表明:秸秆翻埋还田后,5种供试秸秆腐解速率均表现为前期(0~60 d)快、后期(60~360 d)慢。经过360 d的腐解,旱地秸秆累积腐解率为52.88%~75.80%,表现为油菜水稻玉米小麦蚕豆趋势,且蚕豆青秆累积腐解率显著低于其余秸秆;水田中秸秆累积腐解率为45.01%~62.12%,表现为水稻玉米小麦油菜蚕豆趋势。5种秸秆在旱地和水田中养分释放率均表现为钾磷氮碳,在试验终点,旱地中秸秆碳、氮、磷和钾释放率分别为65.50%~87.37%、54.64%~69.72%、89.65%~98.96%和79.92%~96.63%,且油菜秸秆养分释放率高于其他4种秸秆;水田中秸秆碳、氮、磷、钾释放率变幅分别为49.95%~69.57%、32.89%~77.11%、90.70%~96.80%、77.45%~90.47%。总体表现为秸秆在旱地土壤中的累积腐解率和养分释放率均大于水田,旱地油菜和水稻秸秆较易腐解,水田水稻和玉米秸秆较易腐解释;秸秆中钾素释放速率较高。