基于全景图像的玉米果穗流水线考种方法及系统

为提高玉米果穗考种效率和精度,该文提出一种基于全景图像的玉米果穗流水线考种方法和系统。利用托辊传送装置实现果穗自动连续推送,基于工业相机自动检测果穗运动状态并实时采集图像,获取覆盖果穗全表面的图像序列;建立果穗运动、摄像机成像、表面拼接关系,从图像序列中抽取果穗中心畸变最小区域拼接出果穗表面全景图像;最后,结合果穗边界检测、籽粒分割和有效性鉴定等技术提取出果穗表面上有效籽粒。试验结果表明,该文方法和系统较好地平衡了玉米果穗考种的效率和精度,图像采集和计算平均效率达15穗/min和4穗/min,穗长和穗行数指标计算精度可达99%和98.89%,可为研发全自动、高通量玉米果穗表型检测装置提供有益借鉴。     

基于时间序列图像的玉米植株干旱胁迫表型检测方法

为了快速准确获取植物表型数据,该文提出了一种基于时间序列多图像的玉米植株干旱胁迫表型检测方法。首先,以固定时间间隔获取干旱胁迫条件下玉米植株一天内的图像数据,采用统计学习方法对图像序列进行初始背景分割,非局部均值(non-local mean,NLM)滤波对初始背景分割进一步求精,去除变化光照条件对图像序列分割的影响。在植株器官分割阶段,融合植株形态先验知识,通过逐行扫描和邻域数量判断拆分植株器官像素。最后,提出了叶片角度比值的干旱胁迫表型参数计算方法。结果显示,耐旱植株的叶片角度比值一天内从0.63上升到0.70后再降到0.65,而非耐旱植株的叶片角度比值维持在0.65左右,随时间变化不大。研究结果为阐明玉米植株耐旱表型参数与环境参数的协同变化关系,以及不同基因型玉米植株环境应激反应的细微形态变化提供方法和技术解决方案。     

利用径向生长修复算法检测玉米根系表型

针对根系图像中的断根易导致根系表型信息难以精确获取的问题,该研究提出一种根系径向生长修复算法,并基于此进行不同抗性玉米种子根系表型对比研究。首先,采用自适应对比度增强、直方图灰度查找、椒盐去噪等对采集的根系图像进行预处理,从复杂背景中分离出根系图像;再通过YOLO-V3检测模型进行根系图像中主根根尖识别;最后,自根尖开始进行径向生长,通过分叉点主根提取策略、端点自适应修复策略实现主根图像修复,并提取主根和侧根表型信息。将普通、抗旱、抗涝、抗盐4种不同抗性的玉米种子种植于槽型扁平容器中培养14 d后取出,冲洗得到完整根系并进行图像采集。采用径向生长修复算法进行根系修复后提取根系长度和直径与根系图像修复前相比,根系长度和直径的提取精度分别由83.6%和84.4%提高至97.4%和94.8%,径向生长修复算法提取精度优于区域生长算法,适用于不同胁迫环境下玉米根系表型参数提取。在干旱环境和盐腌环境下,径向生长修复算法精度提升更明显。结果表明,该研究所提出的根系径向生长修复算法可有效提高根系图像表型信息精度,为根系表型快速提取提供参考。     

基于机器视觉的玉米植株数量获取方法与试验

获得田间的玉米植株数量对于优化不同玉米品种的种植密度有重要意义,玉米植株数量也是计算新玉米品种平均每株产量的重要参数。为了减轻人工获得玉米植株数量的劳动强度,提高数据的准确率,该文利用基于机器视觉的图像处理技术来获得玉米植株数量。被留高茬玉米收获机作业之后的地块,有一定高度的玉米秸秆站立在地表,摄录这样的图像信息可以大大简化图像处理的难度,提高结果的精确度,所以将图像采集装置安装在留高茬玉米收获机之后来获得视频流。后处理过程中,将视频文件分解为图片文件,然后将真彩色的RGB图片文件转化成灰度图像进行图片的配准,再将灰度图像转化为二值图像进行图像分割与边界提取,最后找到玉米秸秆断面的几何中心并进行标记,统计标记结果即获得玉米植株数量。试验结果显示,人工播种与机械播种在图像识别的误差上没有显著差异(P0.05);机器视觉识别出来的玉米植株数量与实际数量也没有显著差异(P0.05),其平均误差为6.7%;并且该误差不会随着图像中玉米植株数量的增加而产生积累。该文的设计可以降低机器视觉在识别玉米植株数量过程中的难度,提高图像识别的准确度,更好地服务生产实际问题。     

基于稀疏表示算法的高通量玉米果穗粒型识别系统

玉米籽粒粒型是评估玉米产量和品质的重要表型参数之一,为了提高籽粒粒型的识别率,同时满足高通量以及无损测量的要求,该文以果穗整体为研究对象,基于稀疏表示的方法构建了高通量玉米果穗籽粒粒型识别系统(果穗未脱粒)。以掉落抓拍法硬件采集平台采集3种不同粒型(硬粒型、马齿型、半马齿型)的玉米穗图像,首先使用帧差法获取果穗轮廓,再通过G通道分离、OTSU算法(最大类间方差法)得到籽粒轮廓信息,提取籽粒部分颜色、形状、纹理特征作为分类依据,每种粒型取200粒作为训练样本构成稀疏表示算法的判别字典,对每一个测试样本计算稀疏表示系数,根据最小重构误差判定籽粒粒型类别。结果表明,该方法不需要传统的果穗脱粒再进行籽粒类型统计,识别正确率达到94.8%,测量速度达到28穗/min,大大提高了玉米粒型统计的效率。     

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...     

基于阵列式ESP32-CAM的番茄根系表型原位测量方法

为原位采集番茄根系图像,解决番茄根系表型原位测量问题,该研究提出一种基于阵列式ESP32-CAM的番茄根系表型原位测量方法。通过4×4阵列式ESP32-CAM结合OV2640镜头模组实现土壤中根系图像原位自动化无线采集,并采用张正友标定法实现相机标定和畸变校正,利用尺度不变特征转换和最邻近分类的特征检测匹配算法实现图像配准,基于离线标定方法获取相机间变换矩阵实现根系图像拼接;通过引入多头自注意力机制改进U型卷积神经网络（Uarchitecture convolutional networks,U-Net）模型对根系图像进行语义分割,采用形态学处理和骨架提取测量根系长度、面积、平均直径、根深和根宽。研究结果表明：相机阵列图像的拼接迭代均方根误差小于1.11 mm,全局拼接图像的拼接融合质量评分大于0.85;改进后的U-Net模型应用于番茄根系分割的精度、召回率、交并比和F1值分别为86.06%、78.98%、71.41%和82.37%,相比于原始U-Net模型分别提高了18.97、13.21、21.67和16.30个百分点;与人工测量值相比,根系的面积、长度、平均直径、根深和根宽的平均绝...     

基于机器视觉的玉米果穗参数的图像测量方法

在玉米育种和品质研究中,经常需要对玉米的果穗长度、果穗宽度、穗行数、穗粒数等参数进行测量。该研究提出了一种基于机器视觉的玉米果穗参数图像测量方法。使用PC摄像头连续采集旋转台上的玉米果穗图像,经过图像处理,获得玉米穗的图像区域,进而得到玉米果穗的穗长和穗宽参数;通过对玉米果穗局部区域的x方向和y方向累计像素值曲线进行分析,提取出玉米穗行,获得每一穗行的穗粒数和穗行宽度;通过图像匹配,获得玉米果穗的穗行数。试验表明,使用该研究方法对玉米果穗的长度、宽度和穗行数的参数测量准确率可达98%以上,对穗行宽及总穗粒数测量准确率达95%以上,整穗的平均检测时间约102 s/穗。该研究实现了玉米果穗参数快速有效的自动检测,相对于目前采用的人工检测,大大提供检测效率,降低劳动强度,可应用于玉米千粒质量检测、产量预测、育种和品质分析等场合。     

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...     

基于立体视觉的玉米雄穗三维信息提取

玉米雄穗的表型信息对玉米育种研究具有重要的参考意义。该研究以自动获取玉米雄穗三维表型信息为目的。通过对雄穗样本进行多视角摄影处理来重建其三维模型。对重建的三维点云数据运用基于密度聚类的方法统计其分枝数信息,运用Delaunays三角网方法计算其外包络体积信息,并基于点云信息对雄穗主轴和最大穗冠的结构参数进行计算,同时定义了相关表型参数。用实测结果验证计算结果:分枝数统计结果的最大绝对误差为2,RMSE(root mean square error)为1.03,n RMSE(normalized root mean square error)为0.05;主轴长度,主轴最大/最小直径,最大穗冠高度和最大穗冠直径的R~2分别为0.99,0.82,0.83,0.97和0.93,均达到极显著相关水平。研究提出的相关表型参数和其提取方法在育种研究中具有应用潜力,为田间高通量雄穗信息的快速提取提供了参考。     

基于倾斜摄影的玉米种粒三维参数同步测量装置

为解决脱穗之后的玉米种粒三维特征的获取和分析这个重要而又困难的问题,该研究基于机器视觉技术开发了一种融合三维特征的玉米种粒考种装置。装置通过2块相互垂直的标定板来保留倾斜影像中的空间信息和标定数据,并据此计算三维数据。基于装置的标定数据,用图像处理的方法获取玉米种粒的长度、宽度和厚度数值。通过透视变换,从倾斜摄影图像分别得到水平正摄和垂直正摄的图像;玉米种粒轮廓的长轴和短轴以旋转盘的直径为参考进行计算;玉米种粒的厚度以垂直方向棋盘格标定数据为参考进行计算。按照10帧/s的帧率和1 280×720的图像分辨率启动图像记录系统。选取180粒不同品种的玉米种粒进行试验。种粒长轴、短轴和厚度测量的均方根误差分别为1.86、1.28和0.741 mm;决定系数分别是0.849 6、0.869 3和0.846 2。使用该装置并配合相应的方法能较为准确的一次性测量玉米种粒的三维参数,该研究可为玉米种粒的精细化考种提供参考。     

基于机器视觉的玉米果穗产量组分性状测量方法

玉米果穗的穗长、穗粗、穗行数、行粒数等性状是制约玉米产量的重要组分性状,目前主要采用人工测量方式,或通过截取果穗横断面图像自动计算穗行数等参数,操作复杂、测量效率低、主观误差大,且无法保留完整的原始考种材料。针对上述问题,该文基于机器视觉技术,通过可见光二维成像获取果穗三维表型性状参数,结合果穗颜色特征及果穗的生物学规律,分别建立投影修正模型、穗行数快速估算模型、行粒数计算模型等,精确计算穗长、穗粗、穗行数以及行粒数等性状参数。试验结果表明,该方法适用于粘连果穗处理,秃尖的识别率高,且对光照环境要求低,穗行数及行粒数的零误差率在93%以上,测量速度可达30穗/min以上,能够满足高通量考种的需求,特别是保留了原始果穗考种材料实现无损测量,对于实现高通量考种及精细化育种有重要的参考价值。     

基于深度掩码的玉米植株图像分割模型

随着深度学习技术在植物表型检测领域的应用,有监督深度学习逐渐成为植物表型信息的提取与分析的主要方法。但由于植物结构复杂、细节特征多,人工标注的成本和质量问题已成为制约技术发展的瓶颈。该研究针对玉米苗期植株图像分割问题提出一种基于深度掩码的卷积神经网络（Depth Mask Convolutional Neural Network,DM-CNN）,将深度图像自动转换深度掩码图像,并替代人工标注样本完成图像分割网络训练。试验结果表明,在相同的网络训练参数下,通过测试DM-CNN得到的平均交并比为59.13%,平均召回率为65.78%,均优于人工标注样本对应的分割结果（平均交并比为58.49%,平均召回率为64.85%）;此外,在训练样本中加入10%室外玉米苗期图像后,DM-CNN对室外测试集的平均像素精度可以达到84.54%,证明DM-CNN具有良好的泛化能力。该研究可为高通量、高精度的玉米苗期表型信息获取提供低成本解决方案及技术支持。     

基于支持向量机的玉米根茬行图像分割

玉米根茬行的准确识别是实现玉麦轮作机器视觉式小麦自动对行免耕播种技术的前提。针对华北一年两熟区联合收获机玉米留茬收获后根茬行较难准确分割的问题,该研究以直立玉米根茬为研究对象,提出一种基于支持向量机（Support Vector Machine,SVM）的玉米根茬行分割方法。首先,利用主成分分析（Principal Components Analysis,PCA）对提取的目标（直立根茬）与背景（行间秸秆及裸露地表）的颜色和纹理特征进行分析,优选出21个特征,构成特征向量作为训练直立根茬SVM识别模型的输入;然后,根据图像坐标设置图像中间包含完整玉米根茬行的矩形区域为感兴趣区域（Region of Interest,ROI）;最后,使用训练好的直立根茬SVM识别模型以25×25（像素）的窗口在ROI内滑动检测,采用阈值法分割根茬行并通过形态学处理优化得到最终的玉米根茬行二值图像。利用在农业农村部河北北部耕地保育农业科学观测实验站采集的100幅玉米根茬行图像进行试验,结果表明,本文方法对于不同行间秸秆覆盖量和不同光照条件下的根茬行分割表现出较好的准确性和鲁棒性,直立根茬平均识别准确率、平均分割准确率、平均召回率、平均分割准确率与平均召回率的加权调和平均值（F1avr值）分别为93.8%、93.72%、92.35%和93.03%,每幅图像的平均分割时间为0.06 s,具有较好的实时性。基于SVM的分割方法可实现联合收获机玉米留茬收获后根茬行图像的分割,为下一步检测玉米根茬行直线并将其作为导航基准线进行视觉导航的研究提供良好基础。     

基于籽粒RGB图像独立分量的玉米胚部特征检测

玉米胚部特征是重要的农艺性状之一,目前主要通过手工方法进行测量。为实现通过机器视觉图像处理的方法进行玉米胚部特征的自动检测,提出一种基于独立分量分析ICA的玉米胚部测量方法,并建立了检测模型。首先对玉米籽粒的RGB图像进行ICA分析,发现具有最大熵的独立分量IC代表着胚部与籽粒其他部分的对比。根据此IC能够实现玉米胚部的准确分割。然后,提取了玉米胚部面积等9个特征。和手工检测结果相比,面积误差为0.7%,决定系数达0.984,其他8个特征的误差总体也都在2%以下。与前人的基于颜色模型区域生长的检测结果比较,检测准确度有明显提高。表明采用基于ICA的方法检测的结果准确可靠,能够用于玉米胚部的自动检测。     

基于无人机RGB影像的玉米种植信息高精度提取方法

为探究易获取且成本低的超高分辨率无人机（Unmanned Aerial Vehicle,UAV）航拍 "红-绿-蓝"（Red-Green-Blue,RGB）彩色影像提取作物种植信息的方法,该研究选取植被指数、"色度-色饱和度-亮度"（Hue-Saturation-Intensity,HSI）色彩特征和纹理特征等3种特征,通过比较贝叶斯（Bayes）、K最邻近分类（K-Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）、决策树（Decision Tree,DT）和随机森林（Random Forest,RF）共5种监督分类算法及不同特征组合的分类效果,以实现玉米种植信息的高精度提取。结果表明,使用单一种类特征或使用全部3种特征均不能获得最优的分类精度;将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数获得的总体分类精度分别提高了4.2%和8.3%;在所有特征组合中,HSI色彩特征和纹理特征组合为最优选择,基于该特征空间的RF算法获得了最高的分类精度,总精度为86.2%,Kappa系数为0.793;基于RF算法进行降维并不能显著提高或降低分类精度（SVM除外）,但所保留的特征因子可给出符合实际背景和意义的解释,并可提高分类结果的稳定性。研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考。     

缺株玉米行中心线提取算法研究

无人驾驶农机自主进行行驶路径检测和识别系统需要具备环境感知能力。作物行的中心线识别是环境感知的一个重要方面,已有的作物行中心线识别算法在缺株作物行中心线提取中存在检测精度低的问题。该研究提出了一种能够在缺株情况下提取玉米作物行中心线的算法。首先采用限定HSV颜色空间中颜色分量范围的方法将作物与背景分割,通过形态学处理对图像进行去噪并填补作物行空洞;然后分别在图像底部和中部的横向位置设置条状感兴趣区（Region of Interest,ROI）,提取ROI内的作物行轮廓重心作为定位点。在图像顶端间隔固定步长设置上端点,利用定位点和上端点组成的扫描线扫描图像,通过作物行区域最多的扫描线即为对应目标作物行的最优线;将获取的最优线与作物行区域进行融合填充作物行中的缺株部位;最后设置动态ROI,作物行区域内面积最大轮廓拟合的直线即为目标作物行中心线。试验结果表明,对于不同缺株情况下的玉米图像,该算法的平均准确率达到84.2%,每帧图像的平均检测时间为0.092 s。该研究算法可提高缺株情况下的作物行中心线识别率,具有鲁棒性强、准确度高的特点,可为无人驾驶农机在作物行缺株的农田环境下进行作业提供理论依据。     

基于自生成标签的玉米苗期图像实例分割

在植物图像实例分割任务中,由于植物种类与形态的多样性,采用全监督学习时人们很难获得足量、有效且低成本的训练样本。为解决这一问题,该研究提出一种基于自生成标签的玉米苗期图像实例分割网络（automatic labelling based instance segmentation network,AutoLNet）,在弱监督实例分割模型的基础上加入标签自生成模块,利用颜色空间转换、轮廓跟踪和最小外接矩形在玉米苗期图像（俯视图）中生成目标边界框（弱标签）,利用弱标签代替人工标签参与网络训练,在无人工标签条件下实现玉米苗期图像实例分割。试验结果表明,自生成标签与人工标签的距离交并比和余弦相似度分别达到95.23%和94.10%,标签质量可以满足弱监督训练要求;AutoLNet输出预测框和掩膜的平均精度分别达到68.69%和35.07%,与人工标签质量相比,预测框与掩膜的平均精度分别提高了10.83和3.42个百分点,与弱监督模型（DiscoBox和Box2Mask）相比,预测框平均精度分别提高了11.28和8.79个百分点,掩膜平均精度分别提高了12.75和10.72个百分点;与全监督模型（CondInst和Mask R-CNN）相比,AutoLNet的预测框平均精度和掩膜平均精度可以达到CondInst模型的94.32%和83.14%,比Mask R-CNN模型的预测框和掩膜平均精度分别高7.54和3.28个百分点。AutoLNet可以利用标签自生成模块自动获得图像中玉米植株标签,在无人工标签的前提下实现玉米苗期图像的实例分割,可为大田环境下的玉米苗期图像实例分割任务提供解决方案和技术支持。