基于改进的Deep Lab V3+网络模型的杂交水稻育种父母本语义分割研究

为解决杂交水稻育种授粉过程中父母本区分的精确性和实时性问题,本研究提出一种基于全卷积神经网络的、改进的DeepLabV3+杂交水稻育种父母本区分的语义分割模型。采用轻量化的主干网络Mobile Net V2结构替换原Deep Lab V3+的主干网络Xception结构,使之更适用于移动设备,并提出一种联系较为紧密的低层特征信息提取方法,将较低层次信息和较高层次信息初步融合作为原低层次信息的输入,使网络获得更加密集的信息,从而增强网络对于细节的提取能力。结果表明,改进的Deep Lab V3+网络模型较原Deep Lab V3+网络模型具有更高的杂交水稻制种父母本分割精度,并能够减少模型训练和图片预测时间。将改进后的Deep Lab V3+网络模型与其他主流网络和先进网络模型对比发现,各项参数精度均有所提高。本研究为深度学习在农业视觉机器人领域中的发展提供了参考。     

基于激光雷达和Kinect相机点云融合的单木三维重建

为了更好地建立单木三维彩色模型,获得准确表型参数,提出了一种基于Kinect v2相机和激光雷达的单木点云信息融合检测方法。首先由激光雷达采集樱树单木所在区域的完整环境点云,生成点云地图;由Kinect相机采集樱树单木多视角点云得到完整的三维彩色点云;然后以激光雷达点云位置为基准,通过选取对应同名点的方式对2种点云进行初始配准,使点云之间具有良好的初始位置关系,再使用最近点迭代（iterative closest point, ICP）算法对点云进行精配准;最后使用彩色点云对雷达点云进行点云着色融合处理,实现樱树单木的三维重建。结果显示：与只使用Kinect v2相机生成的樱树单木表型参数对比,融合后的樱树单木的株高、冠幅和胸径的平均相对误差分别降低了1.52、6.46和18.17个百分点。研究结果表明,Kinect v2深度彩色相机和激光雷达在单木三维重建上能实现优势互补,提升点云配准精度,同时,既能降低光照气候条件的影响,又能增加测量距离,单木表型参数更准确。     

植株自旋转多视角重建技术在小麦植株三维表型获取中的应用评估

基于多视角重建技术的作物三维表型高通量获取系统成本低、获取效率高,引起越来越多的关注。植物自旋转式拍摄平台易于搭建,但植物旋转过程中产生的抖动对点云三维重建和表型解析精度有一定影响。为评估旋转式多视角成像在小麦植株三维表型解析中的适用性,基于植物旋转设计了便携式小麦植株三维表型高通量采集系统,选取穗期不同品种的小麦植株作为实验样本进行点云重建,基于Hausdorff距离评价了重建点云的精度误差;并基于人工测量数据,对所提取的表型指标精度进行评价。结果表明,植物旋转式重建的点云与相机旋转式重建的点云有较高的一致性,点云精度差距基本控制在0.4 cm以下;获取的叶长、叶宽和株高的均根方误差分别为0.79、0.13和0.53 cm,平均绝对百分比误差分别为3.26%、7.63%和0.74%,表明该方式适合穗期的小麦植株表型重建,具有较高的点云重建和表型提取精度,并为小麦植株表型评价提供了一种低成本的解决方案。     

数字植物研究进展:植物形态结构三维数字化

数字植物围绕农林植物生命、生产和生态系统的多维信息高效感知和认知的理论、技术和方法,通过多学科交叉合作,研究农林植物-环境3D数字化、高通量信息获取、情景感知、信息融合、结构和功能模拟、数字化设计和精准管理决策等数字农业的关键性、基础性以及共性理论和技术问题。植物形态结构的三维数字化是数字植物研究的重要组成部分,近年来很多学者从植物组织、器官、植株和群体等不同尺度,或者从植物根系和地上部等不同视角,围绕植物形态结构的参数测量、几何结构解析、三维模型构建、结构与功能建模,以及三维植物模型真实感展现等需要,开展了更深入的研究。在组织尺度方面,随着MRI、CT、显微成像等技术产品的不断成熟,使得利用这些先进测量仪器获取和测量植物组织内部结构数据成为可能,并被越来越多的研究者采用,成为进行植物内部形态结构测量和分析的有效手段。在植物根系的三维数字化方面,由于植物的根普遍生长在土壤里,观察和测量十分困难。虽然近年来XCT、MRI等穿透射线成像技术已越来越多地用于根系的形态结构探测,但这类技术往往仅能获取范围较小的根系局部数据,且价格昂贵。因此植物根系形态结构的准确、无损(原位)、快速测量仍然是一个挑战。在群体尺度方面,基于实测数据的三维重建逐渐成为植物群体三维重建的主要途径,研究者正试图从激光三维扫描仪获取的植物群体三维点云中提取群体的形态参数并实现群体的三维重构。而在三维植物模型的真实感绘制方面,如何准确地测量各种植物器官的光学特性并建立相应的数学模型是当前的研究重点,虽然已有不少研究者提出了相应的解决方案,但这些方法在便捷性和普适性方面仍然难以令人满意,有待更多深入研究。笔者最后结合相关领域的技术进展对数字植物的进一步研究进行了展望。     

基于三维点云的苹果树冠层光照分布模型研究

为给果园精细管理中果树修枝整形、果实品质评价以及果实产量估算等提供科学的理论依据和技术指导,以果园自然开心形苹果树为研究对象,基于果树三维点云结构,进行果树冠层空间光照分布建模研究。用三维点云重构技术和点云分割技术获取果树不同高度的点云分层,分别使用像素占比和Graham扫描算法计算各高度点云分层垂直投影的有效投影面积和占地面积及有效叶面积指数。以果树冠层不同高度层的有效叶面积指数为自变量,对不同高度层平均相对光照强度进行线性回归,获得果树冠层光照分布模型,并对模型进行验证。结果表明:所建果树冠层光照分布模型的校正决定系数R2c为0.924,校正均方根误差RMSEC为0.05,验证决定系数R2v为0.955,验证均方根误差RMSEP为0.04,相对分析误差RPD为4.91。该模型具有较高的预测精度和较强的预测能力。     

基于三维激光点云的树木胸径自动提取方法

胸径是评价林木生长状况的重要参数之一。针对接触式人工测量自动化程度低和基于点云的现有算法提取树木胸径精度不高的问题,提出一种基于点云数据的自动准确获取树木胸径的新方法。该方法以树木点云数据为基础,运用蚁群算法和B样条曲线拟合技术,实现树木胸径的自动准确提取。对实验区树木测量计算,结果表明,利用该方法提取树木胸径的均方根误差为±0.19 cm,平均绝对误差为0.15 cm,相对于基于点云的传统算法提取精度分别提高了50%和60.7%。该方法基于高精度点云数据,实现了树木胸径的无损自动提取,在精准林业领域具有推广价值。