基于改进K-means聚类算法的大田麦穗自动计数

单位种植面积的小麦麦穗数量是评估小麦产量和小麦种植密度的一个重要参量。为了实现高效、自动地麦穗计数,该文提出了基于改进K-means的小麦麦穗计数方法。该方法建立从图像低层颜色特征到图像中包含麦穗的一个直接分类关系,从而不需要再对图像进行分割或检测。以颜色特征聚类为基础的这种方法能够估计麦穗在空间局部区域中数量,并且在不需要训练的情况下更具有可扩展性。统计试验结果表明,该文算法能够适应不同光照环境,麦穗计数的准确率达到94.69%,超过了传统基于图像颜色特征和纹理特征分割的麦穗计数方法 93.1%的准确率。     

改进YOLOv5测量田间小麦单位面积穗数

单位面积穗数是决定小麦产量的主要因素之一。针对人工清点小麦穗数的方法容易受主观因素影响、效率低和图像处理方法鲜有进行系统部署等问题,提出一种注意力模块（Convolutional Block Attention Module,CBAM）与YOLOv5相结合的CBAM-YOLOv5网络结构,通过对特征图进行自适应特征细化,实现更准确的单位面积穗数测量。该研究以本地采集小麦图像数据和网络公开小麦图像数据为数据集,设置输入图像分辨率为1 280,得到CBAM-YOLOv5模型,可以达到0.904的F1分数和0.902的平均精度,测试集计数的平均相对误差为2.56%,平均每幅图像耗时0.045 s,综合对比,CBAM-YOLOv5模型具有显著优势。模型放置于服务器,结合手机端软件和辅助装置,形成单位面积穗数测量系统,实现育种小区麦穗图像实时采集、处理和计数,计数的平均相对误差为2.80%,抗环境干扰性强。该研究方法与装置可以实现田间小麦单位面积穗数的实时在线检测,降低主观误差,具有较高的准确率及较强的鲁棒性,为小麦单位面积穗数快速、准确估测提供一种新的技术和装备支撑。     

结合轻量级麦穗检测模型和离线Android软件开发的田间小麦测产

单位面积麦穗数是重要的产量构成因素之一,通过该性状和不同品种历史数据在田间完成对小麦产量的预估,对育种栽培和农业生产具有非常重要的意义。该研究基于小麦田间栽培试验提出了一套结合轻量级深度学习技术和小麦测产算法在Android（安卓）智能手机上离线分析单位面积穗数和田间测产的技术方案。首先介绍了手机标准化俯拍小麦冠层和手机端图像预处理算法,再根据灌浆期小麦冠层图像构建了MobileNetV2-YOLOV4深度学习模型对单位面积中的麦穗进行识别,然后结合迁移学习和TensorFlow.lite转换器完成了模型轻量化,最后通过Android SDK和SQLite构建了不同小麦品种在手机端的产量数据库和人机交互图形界面。开发的安卓软件\     

基于TPH-YOLO的无人机图像麦穗计数方法

在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法，它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象，针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点，设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型，提高无人机图像麦穗计数的精度。首先，为了减小光照不均匀对无人机图像质量造成的影响，该研究采用Retinex算法进行图像增强处理。其次，在YOLOv5的骨干网络中添加坐标注意力机制（coordinateattention,CA），使模型细化特征，更加关注麦穗信息，抑制麦秆、麦叶等一些背景因素的干扰。再次，将YOLOv5中原始的预测头转换为Transformer预测头（transformer prediction heads,TPH），该预测头具有多头注意力机制的预测潜力，可以在高密度场景下准确定位到麦穗。最后，为了提高模型的泛化能力和检测精度，采用了迁移学习的训练策略，先使用田间采集的小麦图像数据集对模型进行预训练，接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练，...     

基于深度卷积神经网络的田间麦穗密度估计及计数

小麦的最终产量可由单位面积的小麦麦穗数侧面反映,为了快速准确统计小麦麦穗数,该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理,以减少图像中光照及一些复杂背景对计数的影响;然后根据灌浆期田间小麦图像麦穗密集的特点,引入拥挤场景识别网络（Congested Scene Recognition Network,CSRNet）构建麦穗密度图估计模型,并采用迁移学习方法,利用小麦图像公开数据集对模型进行预训练,再用所采集的小麦图像数据集进行模型参数调整和优化;利用得到的模型生成单幅小麦图像的麦穗密度图,根据密度图中所有密度值的总和对图像进行麦穗计数。最后根据对单幅麦穗图像的试验数据,构建田间麦穗计数函数模型,实现田间小麦麦穗数估计。通过对所采集的安农170、苏麦188、乐麦608和宁麦24这4个品种共296幅小麦图像进行试验,平均绝对误差（Mean Absolute Error,MAE）和均方根误差（Root Mean Squared Error,RMSE）分别为16.44和17.89,4个品种小麦的麦穗计数值与真实值的决定系数R2均在0.9左右,表明该方法对单幅图像小麦麦穗计数精度较高。此外,通过对田间小麦麦穗数进行估计试验,结果表明,随面积的增大麦穗估计的误差越小,研究结果可以为小麦的产量自动估计提供参考。     

基于无人机图像的多尺度感知麦穗计数方法

小麦是世界上重要的粮食作物,其产量的及时、准确预估对世界粮食安全至关重要,小麦穗数是估产的重要数据,因此该研究通过构建普适麦穗计数网络（Wheat Ear Counting Network,WECnet）对灌浆期小麦进行精准的计数与密度预估。选用多个国家不同品种的麦穗图像进行训练,并且对数据集进行增强,以保证麦穗多样性。在原始人群计数网络CSRnet基础上,针对小麦图像特点构建WECnet网络。在网络前端,通过使用VGG19的前12层进行特征提取,同时与上下文语义特征进行融合,充分提取麦穗的特征信息。后端网络使用不同空洞率的卷积加大感受野,输出高质量的密度图。为了验证模型的可迁移性与普适性,该研究通过基于全球小麦数据集训练好的模型对无人机实拍的麦田图像进行计数。试验结果表明：在全球小麦数据集上,WECnet训练模型的决定系数、均方根误差（Root Mean Square Error,RMSE）与平均绝对误差（Mean Absolute Error,MAE）分别达到了0.95、6.1、4.78。在无人机拍摄图像计数中,决定系数达到0.886,整体错误率仅为0.23%,平均单幅小麦图像计数时间为32 ms,计数速度与精度均表现优异。普适田间小麦计数模型WECnet可以对无人机获取图像中小麦的准确计数及密度预估提供数据参考。     

联合国预测2011年全球小麦产量将增长

联合国粮食及农业组织2011年3月25日发表了《农作物前景与粮食形势》报告预测,2011年全球小麦产量将出现增长,但由于国际价格上升,经济落后的缺粮国家进口谷物的费用将会上涨。该组织表示,由于粗粮和水稻等作物尚未开始播种,现在预计谷物的总产量还为时过早。     

氮肥运筹对四川丘陵区机播套作小麦群体质量及产量的影响

以四川大面积推广应用的中筋小麦品种川麦42为材料,采用两因素裂区试验设计,研究了不同施氮量和施氮方式对带式机播套作小麦（播幅为净作的50%）群体质量和产量的影响。结果表明,套作小麦拔节后的叶面积指数（LAI）、干物质积累量均随施氮量的增加而提高,粒叶比则在中等偏高施氮量（N 180 kg /hm2）时最大;底肥:拔节肥=7:3的施氮方式有效地提高了花后LAI、干物质日积累速率及粒叶比。对产量影响方面,有效穗和穗粒数随施氮量的增加而提高,成穗率和千粒重则在N 180 kg /hm2时最高,底肥:拔节肥=7:3的施氮方式提高了成穗率。相关分析表明,孕穗后的LAI、孕穗期的干物质积累以及拔节至孕穗期的干物质日积累速率与产量呈显著或极显著正相关。本试验条件下,在施氮量为N 180 kg/hm2、施氮方式为底肥:拔节肥=7:3时,套作小麦产量构成因素协调好,产量最高,达4800.4 kg/hm2,与生产上大面积净作小麦产量相当。其群体质量指标为:基本苗184.5万株/hm2,成穗数225.3万穂/hm2,成穗率72.8%,孕穗期LAI 4.68,灌浆期LAI 2.11,花后干物质积累量1600.6 kg/hm2,结实粒数9652.5万粒/hm2,粒叶比11.501mg/cm2。     

基于无人机采集的视觉与光谱图像预测棉花产量

为了高效管理农田,该文提出了一种应用低空遥感视觉与光谱图像预测棉花产量的方法。盛花期前的棉花图像由无人机遥感平台在距地面50m的飞行高度下采集,采集的局部图像通过拼接处理得到棉花地的全景RGB图像与CIR(color-infrared,彩色红外)图像。基于全景图像提取并计算了色度、植株覆盖率与归一化植被指数(normalized difference vegetationindex,NDVI)3个特征参数,用于构建棉花产量的预测模型。包括产量与特征参数的原始数据集随机分为训练集(90%)与测试集(10%)。训练集数据首先基于产量概率分布特征去除了10%的离群值,然后通过均值滤波器滤波,处理后的数据用于构建预测模型。通过SAS软件对比分析了单变量、双变量以及三变量构建的线性回归模型,预测模型由P值、决定系数R2、每0.4 hm2面积下估计值与真实值之间的平均绝对误差百分比(mean absolute percentage error,MAPE)这3个参数进行评估。试验结果表明,单变量、双变量以及三变量构建的共7个线性回归模型,其P值均小于0.05,则7个线性回归模型均具有统计学意义(5%显著性水平)。其中,由三变量构建的多元线性回归模型具有最大的决定系数R2=0.9 773,因此适应性最优。基于测试集验证模型精度,试验结果表明,采用多元线性回归模型进行产量估计,估计值与实际值之间的平均绝对误差百分比为4.0%。因此,无人机搭载图像传感器采集提取视觉与光谱特征能够有效用于作物产量的预测。     

不同NPK配置对强筋小麦群体生物量与产量的效应研究

在关中川道灌区以强筋小麦陕253为材料,研究了不同NPK配置对其不同生育期生物产量、群体数量和产量的效应,结果表明提高施肥量可显著增加生物产量、群体数量及产量,处理平均值分别比常规处理增加11.9%~43.6%、4.1%~17.4%和8.3%,其最佳N、P、K配置依次为N135kg hm-2,P2O5和K2O各120kg hm-2、N135kg hm-2,P2O5225kghm-2,K2O120kg hm-2和N225kg hm-2,P2O5和K2O各120kg hm-2。在目前常规投肥水平下适度增加钾肥有利于生物产量的显著提高,增加磷肥和钾肥有利于群体数量的提高,增施氮钾肥有显著的增产效果。产量的最佳NPK配比较常规处理增产19.1%,其增加养分的平均产量4.44 kg kg-1,比各处理平均养分产量高1.6倍。     

采用边缘曲率进行图像分割的高密度鱼苗计数方法

鱼苗计数是水产养殖中的一个重要课题,在养殖、运输、销售等环节中均需对鱼苗进行定量计数。传统的估算计数方法由于其误差大、效率低等缺陷,已无法满足目前的鱼苗计数需求。为解决高密度、大批量的鱼苗准确计数难题,该研究通过自行搭建的图像采集装置,获取体长1～3 cm的鲢鱼苗在0.25、0.33、0.42、0.50、0.58和0.67尾/cm²等6组不同平面密度下的运动视频,每组鱼苗运动视频共截取3 000帧图像,对所有图像进行预处理,获取鱼苗的二值图像,并提取出图像中的单个连通域及其边缘图像。对含有单尾鱼苗的单个连通域采用直接计数的方法,对含有多尾鱼苗的单个连通域采用先分割后计数的方法。在分割连通域时,一方面计算连通域边缘各处的曲率特征,并标记边缘中的凹点群位置作为预分割位置;另一方面结合连通域的骨架图,根据交叉型、联结型和单凹点群型共3种不同鱼苗重叠类型的形状特征,在连通域中挑选合适的分割位置划取分割线。对鱼苗二值图像中的所有连通域进行依次处理,最后将图像中的连通域总数量作为鱼苗的数量。对18 000张鱼苗图像的计数结果表明,在鱼苗平面密度低于0.58尾/cm^2...     

基于高光谱技术的菌落图像分割与计数

在平板菌落计数过程中,菌落与背景区域类似的颜色会干扰菌落的准确计数。为了准确测定细菌数,该研究利用高光谱图像技术捕捉成分差异引起的菌落与背景区域光谱特征,并结合化学计量学方法对平板的菌落进行分割并实现计数。采集枯草芽孢杆菌菌落平板的高光谱图像,提取菌落、背景区域的高光谱信息;利用遗传算法结合最小二乘支持向量机建立菌落区域/背景区域判别模型;随后,将菌落平板高光谱图像中每一个像素点对应的光谱信息代入判别模型以判断属于菌落的区域,模型的识别率为97.22%;最后,利用特征波段下的高光谱图像实现菌落的分割及计数,计数平均相对误差值为4.2 %,用时约为10 min。相比较于计算机视觉计数法,菌落计数法的平均相对误差降低了49.4%,结果表明建立的方法有望成为一类新的准确平板菌落计数方法。     

基于图像处理的小麦条锈病菌夏孢子模拟捕捉的自动计数

利用孢子捕捉器进行气传植物病原真菌孢子捕捉,实现田间病原真菌孢子数量的监测,对于气传植物真菌病害的预测预报和防治决策具有重要意义。目前对捕捉到的孢子多采用传统显微镜孢子计数方法,由于孢子个体小、数量大,利用这种计数方法费时费力,易造成较大计数误差。为了获得一种孢子捕捉器捕捉孢子的自动计数方法,提高计数的准确性和工作效率,本研究利用透明胶带、凡士林玻片和Eppendorf离心管3种方法模拟捕捉小麦条锈病菌夏孢子,利用显微镜照相技术获得孢子图像,在MATLAB软件环境下,对图像进行基于最近邻插值法的缩放处理、基于K-means聚类算法的分割处理、形态学操作修饰和分水岭分割等一系列的处理,实现夏孢子的自动计数和标记。结果表明,3种模拟方法获得的孢子图像经过处理后,均可获得较好的孢子计数结果。透明胶带、凡士林玻片、Eppendorf离心管模拟捕捉条锈病菌夏孢子的平均计数准确率最低分别为98.5%、98.7%、99.9%,Eppendorf离心管模拟捕捉条锈病菌夏孢子和小麦白粉病菌分生孢子的平均计数准确率为99.8%。本研究为实现田间利用孢子捕捉器捕捉孢子的自动计数提供了一种简便、快捷、准确、高效的方法。     

基于显著和模糊检测的浅景深作物病害图像分割

大多数现有的基于图像的作物病害诊断方法往往对输入图像的质量具有很高的要求,例如要求背景简单、大景深等等。因此这些方法的预处理过程中需要去除复杂背景,然而这个预处理较难获得理想的结果。此外,当作物病斑面积较小时,会使得获取的图像景深较浅,也导致了这些方法难以抽取精确的病斑区域。为了解决上述问题,该文提出一种利用目标检测来分割病斑图像的方法。首先,该方法对抽取的结构特征和颜色特征进行整合并对特征空间进行量化,从而得到作物病害图像的显著区域。该方法不需要进行去除复杂背景的预处理过程即可得到病斑区域的图像;同时,为了处理浅景深的病害图像,引入了模糊检测方法用以进一步过滤背景和模糊区域的图像。试验中利用多种黄瓜和水稻病害的图片,将该方法与阈值法、图切割法进行了对比,结果表明该方法在效率不明显降低时,其分割效果明显优于阈值法;在分割效果差异不大时,其运行效率明显高于图切割方法;同时,该方法能够对浅景深的作物病害图像的病斑区域进行有效的分割。     

基于改进全卷积网络的棉田冠层图像分割方法

针对传统的全卷积网络分割精度低、效果差等问题,该文提出一种结合条件随机场的改进全卷积网络棉田冠层图像分割方法。首先通过提取和学习图像特征对全卷积网络进行训练以优化其分割性能,得到初步分割结果和训练后的全卷积网络模型;接着将初步分割结果以像素和像素对应的分类向量形式输入到条件随机场中,同时结合像素间相对关系构建能量函数再进行训练,对初步分割结果进行优化得到训练后的条件随机场模型;进而通过验证过程对全卷积网络和条件随机场模型参数进一步调优,得到最优的全卷积网络和条件随机场;最后结合最优的全卷积网络和条件随机场实现棉田冠层图像分割并进行试验。试验结果表明:该方法的平均像素准确率为83.24%,平均交并比为71.02%,平均速度达到0.33 s/幅,与传统的全卷积网络分割性能相比分别提升了16.22和12.1个百分点,改进效果明显;与Zoom-out和CRFas RNN(conditional random fields as recurrent neural networks)分割方法进行对比,平均像素准确率分别提升了4.56和1.69个百分点,平均交并比分别提升了7.23和0.83个百分点;与逻辑回归方法和SVM(support vector machine)方法进行对比,平均像素准确率分别提升了3.29和4.01个百分点,平均交并比分别提升了2.69和3.55个百分点。该文方法在背景复杂、光照条件复杂等环境下可以准确分割出冠层目标区域,鲁棒性较好,可为棉花生长状态自动化监测提供参考。     

基于自适应密度峰值聚类的野外紫色土彩色图像分割

野外自然环境下采集的紫色土图像背景复杂,将紫色土区域从背景中分割出来是应用机器视觉对紫色土进一步分析处理的首要工作。该文提出基于自适应密度峰值聚类的野外紫色土彩色图像分割算法。该方法首先构造基于熵的相似度矩阵,从而建立基于类间方差最大化类内方差最小化准则的灰度变换优化模型,求解优化模型获得一个提升了紫色土与背景间分离特性的灰度图像。然后,构建无参的密度公式和一个中心决策度量来自动获取聚类中心,实现在密度峰值聚类算法框架下紫色土图像的自适应分割。最后,设计边界提取与区域填充的后处理算法获得完整的紫色土土壤区域图像。通过使用常规样本集、鲁棒样本集试验测试,结果显示:该文分割算法的初分割平均分割精度分别为93.45%和87.40%,比采用原始密度峰值聚类算法的平均分割精度分别提高3.16和12.47个百分点。经该文算法初分割、后处理,平均分割精度分别提高到96.30%和91.63%,平均耗时分别为0.36和0.35 s。研究结果为野外紫色土彩色图像的自适应分割提供参考。     

基于改进型模糊边缘检测的小麦病斑阈值分割算法

针对小麦病斑分割不准确、噪声大以及病斑边缘不清晰等问题,结合传统的作物病斑分割方法,提出一种基于改进的模糊边缘检测的图像阈值分割算法。图像预处理方面,在分析了传统模糊边缘检测缺点的同时对算法作了两个方面的改进,使用梯度倒数加权平均滤波方法去除小麦病斑噪声,然后对多层次模糊算法进行数值分层改进,增强病斑边缘信息;最后对传统的阈值分割方法进行了算法改进,采用一种改进的最大类间方差比阈值分割方法,在增强图像边缘的基础上进行阈值分割,改进阈值选取方法,在模糊增强后的小麦病斑图像上进行阈值分割提取出小麦病斑形状特征。对在大田环境下获取的小麦病害图像进行边缘增强和阈值分割试验,与传统固定阈值分割算法试验对比得出,基于改进的模糊边缘增强与阈值分割相结合的改进算法正确分割率达98.76%,相比传统固定阈值分割算法提高了8.35个百分点,漏检比增加了1.29个百分点,噪声比为1.86%,相比减少了8.36个百分点,在运算时间上减少了0.331 s,不仅突出病斑边缘信息,而且分割效率高、噪声小,可为图像分割方法的研究提供了可参考依据。     

基于稀疏场水平集的荔枝图像分割算法

为了给采摘机器人提供完整的荔枝果实轮廓,该文选择HSV彩色空间中色调H分量的旋转分量作为图像分割的特征;然后,通过模糊聚类算法自动获取合适的初始演化曲线轮廓,再利用稀疏场水平集方法对目标区域轮廓进行精确提取;最后,对分割的区域进行标记,并利用图像标记来恢复分割区域的原始图像。结果表明,该算法不仅很好地克服随机噪声的影响,而且很好地保持果实区域的完整性,使成熟荔枝分割的正确率达到了84.1%。