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、0.91、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。     

基于三维点云的植物多任务分割网络

在植物表型研究中,植物器官分割是实现无损、高通量、自动化表型测量的重要步骤。然而,现有植物器官分割方法通常需要凭借经验设置合理的阈值参数,且很少同时执行语义分割和实例分割。该研究提出了一个基于三维点云的植物多任务分割网络（a multi-task segmentation network for plant on 3D point cloud,MT-SegNet）,结合多值条件随机场（multi-value conditional random field,MV-CRF）模型,同时实现茎、叶语义分割和叶实例分割。在MT-SegNet中,为解决用最大池化或平均池化方法来聚合邻域点特征可能会导致重要信息丢失的问题,该研究提出了一种基于注意力机制的多头注意力池化模块。它能自动学习到重要的邻域点特征,从而有利于提高网络的分割性能。同时,MT-SegNet分成两个不同的分支,分别用于预测点的语义类别和将这些点嵌入到高维向量,以便将这些点聚类为实例。最后,使用MV-CRF进行多任务的联合优化。在彩叶芋点云数据集上的试验结果表明,该方法的茎、叶语义分割的交并比、准确率、召回率和F1分数的平均值分别为84.54%、93.64%、91.39%、92.48%,叶实例分割的平均准确率、平均召回率、平均实例覆盖率和平均加权实例覆盖率分别为88.10%、78.44%、76.24%、76.93%,均优于PointNet、JSNet等现有的深度学习网络。该模型也适用于类似植物的点云分割类任务。这有助于为植物自动化表型测量提供必要的技术条件。     

基于多尺度几何感知Transformer的植物点云补全网络

对植物幼苗进行三维重建,常存在叶片间的遮挡、摄像头视野限制等因素导致植物幼苗点云出现缺失的情况,影响了植物表型分析的准确度。为了能获得完整的植物点云,提出了基于多尺度几何感知Transformer（Multi-Scale Geometry-Aware Point Transformer,MGA-PT）的植物点云补全网络。该网络首先通过降采样特征提取模块对原始点云进行邻域特征提取;然后利用Transformer提取语义信息,引入多尺度几何感知模块提取不同尺度下的几何信息,加强对植株不同器官的特征提取能力;最后使用双路稠密点云生成模块分别对输入部分和预测部分进行细粒度生成,避免输入点云特征的丢失,保证稠密点云贴近实际分布。试验使用基于运动恢复结构的方法对植物幼苗进行三维重建,通过旋转与固定视点缺失构建数据集。试验结果表明,该补全网络表现出色,比目前主流的补全网络更优,对植株数据集补全结果的倒角距离为0.79×10-4 cm,地面移动距离为0.11 cm,F1分数为70.77%,且对不同形态、不同比例的缺失均能补全,体现网络具有稳定性与健壮性。该网络对叶类植物补全效果好,为植物幼苗点云补全提供了新思路。     

基于点云的果树冠层叶片重建方法

精确的果树三维冠层结构是农业科研人员进行功能结构模型研究的重要载体,该文提出一种快速、精确、自动的果树冠层叶片重建方法。首先根据带叶果树点云的局部和全局特征,建立椭球分层的点云密度收缩方法实现器官点云分离,然后利用邻近传播主成分分析算法实现叶片特征参数的求解,利用Laplacian收缩算法实现冠层骨架点的连通,从而实现冠层叶片的快速自动重建。最后利用C++及Point Cloud Library(PCL)点云库,开发果树叶片点云冠层自动重建系统,对苹果树、柑橘树等不同类型果树进行算法验证,结果表明该方法能够正确识别出的叶片数占冠层总叶片数的90%以上,叶面积指数的正确率大于95%,叶片倾角偏离5?以内的叶片数占总叶片数的90%以上。该方法得到了较好的可视化效果和叶冠三维重建精度,可为后期树体冠层内光合作用的研究、整形修剪、农业仿真试验等提供参考。     

基于三维点云数据的苹果树冠层几何参数获取

针对果园环境下苹果树冠层参数获取精度较低的问题,提出了基于地面三维激光扫描仪高精度获取苹果树冠层参数的方法.选用Trimble TX8地面三维激光扫描仪作为苹果树冠层三维点云数据采集设备,提出了基于标靶球的KD-trees-ICP算法,用于高精度配准苹果树冠层三维点云数据.研究了平均风速小于4.5 m/s时,距离地面三维激光扫描仪不同远近条件下的标靶球配准残差和拟合误差的变化规律,分析结果表明,标靶球平均配准残差为1.3mm,平均拟合误差为0.95 mm,低于大场景测量配准误差要求(5mm).为了提高有风环境下提取苹果树冠层参数的精度,研究了0.9～4.5 m/s区间平均风速影响下的苹果树冠层枝干、果实、叶片的三维点云质量,建立了风速与叶片侧面厚度的曲线拟合模型,分析结果表明,在果园平均风速小于1.6 m/s时可以从苹果树冠层三维点云数据中提取高精度冠层参数.利用地面激光三维扫描仪获取距离苹果树12 000 mm以内冠层参数,测量精度高于人工测量,相对误差小于4％,为果树高通量信息获取提供了技术支持.     

基于点云的作物地下变态根可视化模拟

为研究作物地下变态根的可视化模拟,以肉质直根和块根为模拟对象,采用体着色三维重建的方法获取变态根点云,提出并实现了去除变态根点云噪声、离群点和修补孔洞的预处理通道,并对预处理后的点云进行曲面重建,构建曲面模型,进而提取变态根的构型参数,最后对重建后的曲面模型进行可视化模拟。以胡萝卜和马铃薯为试验对象进行了可视化模拟,结果表明,去除变态根点云噪声、离群点和修补孔洞的预处理通道,能有效得到完整、均匀和光顺的点云模型,从曲面模型提取的体积误差小于10%,利用重建得到的曲面模型可平滑逼真的可视化变态根形态。该文研究为植物变态根构型模拟提供了一种新方法。     

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...     

黄土沟壑区切沟植被的激光点云滤波及地形构建

为了获取黄土沟壑区切沟的高精度地面高程模型(DEM),该文针对其植被特点,提出一种基于激光回光强度衰减模型的植被滤波方法。首先建立回光强度随距离的衰减模型,通过得到的衰减系数,对点云作回光强度补偿。其次提出融合回光强度的自适应分块拟合法,在Matlab7.6中对甘肃天水桥子沟切沟点云数据应用该方法进行滤波。滤波后植被点数为160 517,占点云总数的34.04%。对比滤波前后切沟数据,地面点集的高程均方根误差由0.1430降到0.1324,滤波后等高线毛刺基本消除,地面特征保持良好。对比该文方法、回光强度分类法、曲面拟合法的均方根误差分别为0.1324、0.1398、0.1412,说明该文方法降低了切沟DEM的误差。通过计算滤波前后DEM高程差的累积概率,得到桥子沟试验区一条典型切沟的植被盖度分布,沟底植被平均盖度为0.274,左侧A区和右侧B区沟壁植被平均盖度分别为0.802、0.583,得出了右侧沟壁侵蚀速度明显大于左侧且沟头前进速度较快的结论,与2002-2012十年间该切沟实际调查资料对比,沟长增长213.6%,沟宽仅增长83%,一定程度说明植被降低了沟壁的侵蚀速度。试验表明该方法适用于黄土沟壑区切沟点云的植被滤波处理,为建立高精度切沟DEM、切沟的发育监测和水土流失治理提供科学依据。     

基于深度强化学习的农田节点数据无人机采集方法

利用无人机采集农田传感器节点数据,可避免网络节点间多次转发数据造成节点电量耗尽,近网关节点过早死亡及网络生命周期缩短等问题。由于相邻传感器数据可能存在冗余、无人机可同时覆盖多个节点进行采集等特点,该研究针对冗余覆盖下部分节点数据采集和全节点数据采集,对无人机数据采集的路线及方案进行优化,以减轻无人机能耗,缩短任务完成时间。在冗余覆盖下部分节点数据采集场景中,通过竞争双重深度Q网络算法（Dueling Double Deep Q Network,DDDQN）优化无人机节点选择及采集顺序,使采集的数据满足覆盖率要求的同时无人机能效最优。仿真结果表明,该算法在满足相同感知覆盖率要求下,较深度Q网络（Deep Q Network,DQN）算法的飞行距离缩短了1.21 km,能耗减少27.9%。在全节点数据采集场景中,采用两级深度强化学习联合（Double Deep Reinforcement Learning,DDRL）方法对无人机的悬停位置和顺序进行优化,使无人机完成数据采集任务时的总能耗最小。仿真结果表明,单节点数据量在160 kB以下时,在不同节点个数及无人机飞行速度下,该方法比经典基于粒子群优化的旅行商问题（Particle Swarm Optimization-Traveling Salesman Problem,PSO-TSP）算法和最小化能量飞行控制（Minimized Energy Flight Control,MEFC）算法的总能耗最少节约6.3%。田间试验结果表明,相比PSO-TSP算法,基于DDRL的数据采集方法的无人机总能耗降低11.5%。研究结构可为无人机大田无线传感器节点数据采集提供参考。     

基于组合型L-系统的单树建模工具的设计与实现

该文依据植物形态学和树木生长过程的生理生态学原理,提出由器官尺度上升单树尺度的L-系统文法规则组合拼接方法,该方法有利于L-系统树木形态和生长规则的重用,实现对树木形态拓扑结构的本真还原和科学模拟。该文设计了基于L-系统的单树建模工具软件的功能体系结构,并在VC++开发环境下采用OpenGL图形标准、VRML虚拟现实建模语言开发完成了单树建模工具软件-LSTree。LSTree具有模型输入输出、树木三维可视化、生长过程模拟等业务功能,以及良好的人机交互性能和灵活、科学的单树模型组织管理方式。该软件可用于精准农业,以及植物学和生态学方面的教研、宣教等专业研究与应用。     

基于深度度量学习的茶叶相似性评价方法

在眉茶拼配过程中,为了客观定量的评价试拼小样与标准样之间的相似性,该研究提出了一种基于深度度量学习的相似性评价方法,采用7种等级的眉茶标准样作为训练集,并在标准样中加入不同含量半成品茶构建具有不同相似性的测试集。采集茶样的高光谱数据并获取光谱特征与图像特征,分别以光谱数据、图像数据、图谱融合数据3种数据类型作为模型的输入。为了构建距离特征空间,该研究提出了基于三元组损失的深度特征提取网络,并设计了Center Anchor Triplet Loss损失函数,通过样本在特征空间的距离,表征相似程度,达到定性判断相似性和定量度量相似度的目的。结果表明：图谱融合数据结合Center Anchor Triplet Loss的方法精度最高,相似性判断准确率为98.89%,相似度度量准确率为100%。该研究采用未经训练的独立样本评价模型,可以获得较好的结果,说明算法具有较好的泛化能力。研究结果为眉茶的相似性评价提供了理论依据。     

基于近红外光谱和深度学习数据增强的大米品种检测

近红外光谱和深度学习结合的思路是大米品种检测的重要研究方向,其准确检测模型的建立依赖大规模的样本数据,然而采集和预处理样本耗时巨大,对准确性的提升造成限制。为解决上述不足,便于深入探究近红外光谱结合深度学习方法在大米品种检测领域应用的可行性,该研究提出基于近红外光谱结合改进型深度卷积生成式对抗神经网络（deep convolutional generative adversarial network,DCGAN）数据增强的大米品种检测方法。首先,在相同环境下采集4种大米品种的近红外光谱并对原始光谱数据进行预处理,使用去趋势校正（detrend correction,DC）和无信息变量消除算法（uninformative variable elimination,UVE）消除无用光谱特征点。然后,建立改进型DCGAN模型对预处理后的光谱数据进行数据增强,对比试验结果表明,改进型DCGAN相比与传统数据增强方法,改进型DCGAN生成数据的结构相似度指标更优。最后,研究不同数据增强方法结合不同分类方法建立大米品种分类模型的性能,对比试验结果表明,改进型DCGAN数据增强结合一维卷积神经网络（one-dimensional convolution neural network,1D-CNN）分类算法所建模型面向测试集的准确率最高,为98.21%,为简便准确的大米品种检测方案提供了新思路。     

基于高光谱图像和深度学习的菠菜新鲜度检测

针对传统机器视觉在实现菠菜新鲜度检测精度偏低的问题,该文提出了一种基于高光谱和深度学习技术的圆叶菠菜新鲜度识别新方法。以10℃常温贮存的圆叶菠菜为研究对象,以天为单位,综合考虑影响菠菜新鲜度的6个因素:贮藏天数、外观、含水率、叶绿素a、叶绿素b和胡萝卜素,将菠菜划分为新鲜、次新鲜和腐败3个等级。拍摄菠菜叶片的高光谱图像,计算ROI(region of interest)反射率均值后,基于分组精英策略遗传算法,结合2种分组策略,筛选出含6个波长的组合。定义训练集R和测试集合T,使用SVM分类器,基于波长对应的反射率,分别进行基于光谱特性界定菠菜的新鲜度分类试验。找出了识别率均值最高的3个波长,分别是389.55、742.325和1 025.662 nm。由于基于光谱特性进行菠菜新鲜度检测时识别率偏低。尝试基于菠菜的高光谱图像特征进一步进行菠菜新鲜度识别研究。从高光谱图像集中抽取这3个波长对应的菠菜图像,构成菠菜图像样本库(Norm Img389、Norm Img742、Norm Img1025和Norm Img_merge),基于深度学习技术建立菠菜新鲜度识别模型,对图像样本库中4类图像进行识别试验,平均识别准确率79.69%、68.75%、69.27%和80.99%。而Norm Img389测试集识别正确率接近80%,Norm Img_merge测试集识别正确率最高达到了80.99%,说明融合3个波长对应的图像进行等级识别效果最好。该研究实现了圆叶菠菜新鲜度的无损检测,具有实践和理论意义。     

改进帧间差分-深度学习识别群养猪只典型行为

群养猪行为是评估猪群对环境适应性的重要指标。猪场环境中,猪只行为识别易受不同光线和猪只粘连等因素影响,为提高群养猪只行为识别精度与效率,该研究提出一种基于改进帧间差分-深度学习的群养猪只饮食、躺卧、站立和打斗等典型行为识别方法。该研究以18只50～115日龄长白猪为研究对象,采集视频帧1 117张,经图像增强共得到4 468张图像作为数据集。首先,选取Faster R-CNN、SSD、Retinanet、Detection Transformer和YOLOv5五种典型深度学习模型进行姿态检测研究,通过对比分析,确定了最优姿态检测模型;然后,对传统帧间差分法进行了改进,改进后帧间差分法能有效提取猪只完整的活动像素特征,使检测结果接近实际运动猪只目标;最后,引入打斗活动比例（Proportion of Fighting Activities, PFA）和打斗行为比例（Proportion of Fighting Behavior, PFB）2个指标优化猪只打斗行为识别模型,并对模型进行评价,确定最优行为模型。经测试,YOLOv5对群养猪只典型姿态检测平均精度均值达93.80%,模型大小为1...     

基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

基于深度学习的水产病害可视化知识图谱构建与验证

知识图谱本质上是基于图的语义网络，表示实体与实体之间的关系，在知识问答、语义检索等领域起着至关重要的作用。针对目前水产病害领域存在实体关系交叉关联、多源异构数据聚合能力差、利用率低、知识共享困难等问题，该研究基于自然语言处理和文本挖掘提出了一个基于神经网络深度学习模型的水产病害专业领域知识图谱构建方法并进行试验验证。首先，构建水产病害专业领域本体，并预定义实体类型、属性和关系的集合，确定知识抽取边界；其次，在本体基础上，分别利用规则方法和深度学习方法对半结构化和非结构化知识进行抽取。对于非结构化知识，提出“水产病害+关系+BMES”文本标注体系，将关系抽取融合于命名实体识别任务中直接对三元组建模，将实体关系抽取转化为序列标注问题，不仅提高标注效率，还实现了实体和关系的联合抽取。同时通过标签匹配和映射对三元组建模获得RDF数据，解决了重叠关系抽取的难题。利用BERT-BiLSTM+CRF端到端模型进行试验，试验结果证明该三元组抽取方法具有较高的召回率（89.64%），准确率（94.04%）和F₁值（91.34%），优于CNN+BiLSTM+CRF和BiLSTM+CRF等模型，抽取效果有了显著提升，并将抽取到的知识存储到 Neo4j 图数据库中，实现知识可视化管理及知识推理分析。该研究构建的水产病害知识图谱精度高、粒度细，能够帮助机器理解数据、解释现象、知识推理，从而发掘深层关系、实现智慧搜索与智能交互。     

基于深度学习的作物病虫害可视化知识图谱构建

针对作物病虫害领域存在实体关系交叉关联、多源异构数据聚合能力差、知识共享困难等问题,利用知识图谱以结构化的形式描述实体间复杂关系的优势,该研究提出了一种基于深度学习的作物病虫害知识图谱构建方法。该方法在领域本体的基础上,以一种与领域语料相适应的新标注模式实现实体和关系的联合抽取。将实体和关系抽取任务转化为序列标注问题,对实体和关系进行同步标注,有效提高标注效率;为了解决重叠关系抽取问题,直接对三元组建模而不是分别对实体和关系建模,通过标签匹配和映射即可获得三元组数据。利用来自转换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers,BERT）-双向长短期记忆网络（Bi-directional Long-Short Term Memory,BiLSTM）+条件随机场（Conditional Random Field,CRF）端到端模型进行试验,结果表明效果优于基于普通标注方式的流水线方法和联合学习方法中的卷积神经网络（Convolutional Neural Networks,CNN）+BiLSTM+CRF、BiLSTM+CRF等经典模型,F1得分为91.34%。最后,将抽取到的知识存储到Neo4j图数据库中,直观地反映知识图谱的内部结构,实现知识可视化和知识推理。该研究构建的知识图谱可为作物病虫害智能问答系统、推荐系统、智能搜索等下游应用提供高质量的知识库基础。