基于模糊综合评判的可视化叶色模型数据标准化

为提高可视化过程中叶色模型数据的准确性,该文以玉米叶片叶色数据为对象,利用模糊综合评判法建立了叶绿素含量准确性评价体系,并对不同叶色数据进行了转换和验证,结果表明：采用模糊综合评价指标所测SPAD值转换后的叶绿素含量与RGB值转换后的叶绿素含量绝对误差小于0.111?mg/g;叶色模型数据准确程度偏向于2级,即比较准确;所建立的叶绿素含量准确性评价体系能有效规范叶色模型的数据采集,具有可行性。     

基于遗传神经网络的玉米叶色的自动测定研究

利用计算机图像处理技术和遗传神经网络技术,建立了一个多层前馈神经网络,实现了大田玉米和背景图像的正确识别,并且通过获取玉米叶的色度直方图提取了玉米叶表面颜色特征,进而求得了玉米叶色的测定值。实验结果表明,玉米叶色值自动测定系统,识别玉米的准确率可达91.6%,可以有效地测定玉米的叶色。该研究为实现大田玉米的化肥精确施用提供了理论依据。     

解释结构模型在中国疯牛病风险识别中的应用研究

疯牛病是一种严重危害牛类健康的疾病，它的感染因子可以传染给人类。因此这种疾病也威胁着人类的健康。我国目前还没有检测到疯牛病的存在。本文利用解释结构模型对疯牛病风险因素进行了定性评估。通过对模型进行运算求解得出清晰的结论：评估国反刍动物饲料中含有PrP^BS因子、评估国羊只患痒病和评估国牛患疯牛病包含在同一强连通域。     

基于属性识别模型的重庆市生态安全动态评价

根据“压力—状态—响应”模型构建生态安全评价指标体系,采用熵权法与属性识别耦合模型对重庆市九大主城区生态安全状况进行综合评价.评价结果表明:2006-2010年,重庆九大区中沙坪坝区、渝北区及巴南区生态安全状况略有所改善,具有较好的发展趋势,生态安全得分有所增加;但渝中区、江北区及九龙坡区生态安全状况有所下降,由较安全等级向不安全等级转变,生态安全得分下降;大渡口区、南岸区和北碚区生态安全处于波动状况,发展趋势不确定性较大.与其他模型相比,属性识别模型计算过程简单,评价结果精度较高,能进行有效识别和比较分析,为生态安全评价提供一种新的思路.     

基于机器视觉形状特征参数的祁门红茶等级识别

外形是评价茶叶质量的重要指标之一,目前主要依赖人工审评的方法,客观、准确的评价外形指标对茶叶加工、销售有重要的意义。该研究提出了一种基于形状特征直方图结合支持向量机的茶叶等级识别方法。以7个等级的祁门工夫红茶为研究对象,构建图像采集系统,标定相机参数,采集各等级的茶叶图像。对图像进行灰度化、二值化处理,提取叶片的6个绝对形状特征:长度、宽度、面积、周长、最小外接矩长、宽,在此基础上计算狭长度,矩形度2个相对形状特征,生成形状特征的直方图。以直方图分布为特征向量,构建了基于BP神经网络,极限学习机(extreme learning machine,ELM),支持向量机(support vector machine,SVM),最小二乘支持向量机(least squares support vector machine,LS-SVM)的等级识别模型,并对比了不同模型的识别效果。结果表明,该文构建的图像采集系统测量精度0.3 mm,能够准确提取形状特征参数;基于形状特征直方图的LS-SVM模型识别效果最好,识别精度为95.71%,测试集决定系数为96.2%,具有算法复杂度低,易于求解的优点。研究结果为实现茶叶的客观、数字化等级鉴定,提供了试验数据和参考方法。     

利用改进Faster-RCNN识别小麦条锈病和黄矮病

条锈病和黄矮病是严重威胁小麦生产的重大病害,病害的早期识别对病害防控具有重要意义。现有病害识别模型对相似表型症状识别困难,对早期病害的识别准确度低。为此,该研究构建了一种改进的快速区域卷积神经网络（Faster Regions with CNN Features,Faster-RCNN）的病害识别方法。该方法采用卷积核拆解和下采样延迟策略优化了深度残差网络（Deep Residual Neural Network,ResNet-50）,用优化后的ResNet-50作为主干特征提取网络以增强所提取特征的表达力,同时简化模型的参数;并采用ROI （Region of Interest）Align改进ROI迟化层以降低特征量化误差,提升识别的精度。在自建的涵盖200余种不同发病时期、不同抗感性的小麦叶部图像数据集上进行试验,结果表明：改进的Faster-RCNN识别方法比其他SSD （Single Shot Multi-Box Detector）、YOLO（You Only Look Once）和Faster-RCNN网络模型的平均精度均值（mean Average Precision,mAP）分别提升了9.26个百分点、7.64个百分点和14.97个百分点。对小麦条锈病、黄矮病、健康小麦和其他黄化症状小麦识别的平均精度均值可达98.74%;对小麦条锈病和黄矮病轻、重症识别的平均精度均值可达91.06%。同时,模型损失函数值降低更快,整体性能表现更优。进一步开发小麦病害智能识别系统部署研究模型,使用微信小程序进行田间小麦病害的识别。在最大并发100的条件下,小程序平均返回时延为5.02 s,识别返回成功率为97.85%,对两种小麦病害及其细分轻重症识别的平均准确率为93.56%,能够有效满足实际应用需求,可用于指导病害的科学防控。     

改进属性识别模型在秦巴山区土壤肥力评价中的应用

针对秦巴山区特点,选取安康市汉阴县作为研究区。利用GPS定位共在研究区内取得2420个耕层(0~20 cm)土壤样品。通过对土壤样品的全氮、有机质、碱解氮、有效磷、速效钾以及pH值等6项土壤肥力指标进行室内化验分析得到的结果,运用基于墒权和层次分析相结合的改进属性识别模型,对研究区内土壤肥力进行综合评价,并借助ArcGIS9.3绘制了土壤肥力空间分布图。结果表明:研究区肥力属中等偏上水平,其中北部及东南部低中山处肥力水平较好,中部及西南部低山丘陵地区肥力水平相对较差;改进的属性识别模型在进行评价时较为准确,且简单稳定,为土壤肥力的的综合评价提供有力的技术支撑。     

水稻叶色突变对虫害发生影响的研究初报

为明确叶色标记水稻在生产中可能引起的虫害发生变化,本试验在使用和不使用农药防治的情况下,以常规品种嘉禾218为对照,对龙特甫B及其2个叶色突变系黄玉B、翠玉B田间虫害情况进行了调查.龙特甫B为正常绿叶籼稻品种,黄玉B、翠玉B全生育期分别表现黄色和翠绿色,在苗期、分蘖期和抽穗期,黄玉B较龙特甫B的叶绿素含量分别下降58.O%,48.4%和40.8%,翠玉B则分别下降39.5%,36.0%和29.5%.结果表明,秧田期2个叶色突变体上的稻蓟马虫量显著高于其亲本龙特甫B;本田期灰飞虱和褐飞虱的虫口数在不同材料间或差异不显著,或存在显著差异,但没有一定的规律性.但是,2个突变体受稻纵卷叶螟的危害显著轻于龙特甫B,表现为盛发期突变体受稻纵卷叶螟危害产生的虫苞数显著少于龙特甫B,而龙特甫B与嘉禾218之间没有显著差异;相反,2个突变体植株上白背飞虱的虫量显著大于龙特甫B,龙特甫B也显著大于嘉禾218.根据植株的农艺性状和叶绿素含量,以及虫害发生动态变化,笔者推测,造成叶色标记水稻稻纵卷叶螟危害变轻的原因可能与植株叶绿素含量下降,影响幼虫生长发育有关,但引起白背飞虱虫口增加的原因尚需进一步研究.本试验为首次对叶色标记水稻虫害发生情况进行研究,所得结果不但对完善叶色标记水稻生产体系具有指导意义,同时对研究害虫与水稻叶色之间的关系也具有理论价值.     

TM影像中基于光谱特征的棉花识别模型

为快速、准确地在遥感图像上从各种农作物中识别提取棉花作物的信息，满足大尺度、运行化棉花遥感监测系统的要求。作者在试验区的棉花主要生长期里，同期进行了棉花与其它主要农作物的地面光谱测量并采集了同期的Landsat TM图像。通过对各时期棉花及主要农作物的地面测量光谱与TM图像光谱特征的差异性及规律性分析，确定了试验区棉花遥感识别的最佳时相期为9月中下旬， 研究开发了基于光谱特征的棉花识别模型。经数学分析与实际应用验证，该模型简单、操作方便并且识别的准确度较高，适用于大尺度的“新疆棉花遥感监测运行系统”。     

改进Niblack算法的光照不均匀QR码识别研究

QR码作为农产品可追溯体系的信息载体,一直是农业领域的科研热点。在实际应用中,溯源环境的复杂多变易使设备采集到光照不均匀的QR码图像而增加解码流程中二值化的难度,影响后续解码。该文针对原始Niblack算法自适应性不足的缺陷,提出一种自适应邻域窗口和修正系数的Niblack算法,该算法依据QR码图像的分辨率和灰度值,动态调整修正系数和邻域窗口,进行自适应二值化处理。分别用改进Niblack算法,原始Niblack算法和Otsu算法处理设备无法识别的不同光照环境下、不同程度的光照不均匀QR码图像,试验数据表明经改进算法处理后的识别成功率为74.2%,高出原始Niblack算法18.4%,高出Otsu算法71.7%,具有较高的鲁棒性。这一结果对农产品在各种光照不均匀环境中的溯源提供了参考。     

采用双向流固耦合方法构建辅助气流作用下棉花叶片变形模型

气流辅助喷雾中,辅助气流能够使冠层叶片变形、拓宽雾滴输运通道,有助于提高雾滴在作物冠层内沉积均匀性.为进一步研究辅助气流作用下叶片变形机理,以棉花叶片为研究对象,首先,在测定叶片力学参数的基础上,建立了棉花叶片双向流固耦合模型,并利用高速摄像技术验证了模型的有效性;进一步,借助耦合模型,以辅助气流风速、叶倾角、叶柄及叶...     

基于计算机视觉技术的烟叶成熟度判定方法

快速定量检测烟叶成熟度可为烟叶成熟收割提供决策依据。通过对烟叶样品图像数据进行处理与变换,得到烟叶图像的HSV颜色值,使用线性回归分析法建立烟叶图像HSV颜色值与叶绿素含量之间的函数关系,以及烟叶叶绿素含量与SPAD值之间的函数关系;利用烟叶成熟度与SPAD值之间的函数关系,构建烟叶图像HSV颜色特征值与烟叶成熟度之间的关系模型TMDHSV,从而建立起基于计算机视觉技术的烟叶成熟度判定方法。试验结果表明,该方法具有较好的可行性,可为快速定量检测烟叶成熟度提供技术支撑。     

利用机器视觉识别麦粒内米象发育规律与龄期

研究麦粒内部粮虫生长规律,判断粮虫所处发育龄期,为制定合理的防治措施提供科学依据,具有重要的社会经济价值。该文提出一种基于机器视觉的麦粒内米象变态发育规律及龄期识别研究方法。试验利用Micro-CT获取侵染麦粒投影数据,应用z-FDK(z-Feldkamp-Davis-Kress)算法重建出侵染粒的二维图像,利用图像分割及形态学方法得到虫体图像。提取了虫体的8个二维特征、4个三维特征、7个不变矩特征和7个基于灰度共生矩阵的显著性纹理特征,构成26维原始特征空间。根据不同龄期虫体特征的变化,研究米象在麦粒内的变态发育规律。利用模拟退火算法(simulated annealing algorithm,SAA)优化虫体原始特征,构建了优化后的10维特征空间。运用人工蜂群算法(artificial bee colony,ABC)优化支持向量机(support vector machine,SVM)的惩罚因子和径向基核函数参数,实现对麦粒内米象所处发育龄期的自动判别。试验结果表明,米象变态发育规律与实际情况一致,且对米象龄期的识别率达到97%,可有效判别出侵染粒中米象所处发育龄期。     

基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2提升7.21个百分点,相较Transformer网络PVT提升26.63个百分点,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。     

基于改进DenseNet和迁移学习的荷叶病虫害识别模型

病虫害的发生将会严重影响莲藕品质与产量,开展病害诊断与识别对藕田病虫害及时对症对病诊治、提升莲藕生产质量与经济效益具有重要意义。该研究以荷叶病虫害高效、准确识别为目标,提出了一种基于改进DenseNet和迁移学习的荷叶病虫害识别模型。采用分支结构对模型的浅层特征提取模块进行改进,并在Dense Block与Transition Layer中引入Squeeze and Excitation注意力机制模块和锐化的余弦卷积,最后基于Plantvillage数据集进行迁移学习,实现了91.34%的识别准确率。该研究实现了对荷叶腐败病、病毒病、斜纹夜蛾、叶腐病、叶斑病的识别,并将改进后的模型推广应用于基于无人机图像的藕田病虫害检测,实现了病害分布可视化,可对莲藕病虫害的智能化防治提供有益指导。     

利用计算机视觉技术实现对温室植物生长的无损监测

利用计算机视觉技术对温室植物生长进行无损监测，获取植物生长状态信息，对于提高温室的智能化控制水平具有重要意义。在实验温室中设计了一套计算机视觉系统，对黄瓜幼苗生长进行无损监测，同时利用VC++6.0编制的图像分析处理软件，提取植物的外部形态特征：叶冠投影面积和株高。通过对两组无土栽培的黄瓜幼苗叶冠投影面积的连续监测，发现叶冠投影面积的变化趋势可以较好的反映植物的缺肥情况。用图像处理方法测量植株的平均株高与人工测量结果的相关系数可以达到0.927。研究表明，计算机视觉技术应用于温室植物生长的无损监测是可行的，具有广阔的应用前景。     

公路绿化毛白杨群落光环境特征分析

生态绿化是重要的公路绿化方式,群落稳定性、生物多样性是生态绿化的基本特征和目标。以北京市顺平路顺义段两侧毛白杨（Populus tomentosa）群落为研究对象,应用加拿大Regent Instrument公司生产的WinSCANOPY For Canopy Analysis冠层分析仪及软件采集照片。通过资料分析和实地踏查,分析了不同径阶毛白杨群落冠上、林下的光环境特征和冠层结构特征指标如光合光量子通量密度（PPFD）、林隙分数（Gapfraction）、叶面积指数（LAI）、平均叶倾角（MLA）等,得出林隙分数随着胸径的增加下降,平均叶倾角随胸径增加下降,叶面积指数随胸径的变化虽然有些波动,但是总体上呈现增加趋势。     

基于多源无人机影像特征融合的冬小麦LAI估算

为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。     

Improving productivity and nutrients uptake of wheat plants using Moringa oleifera leaf extract in sandy soil

A field experiment was conducted on a sandy soil at Salhia El-Gdida, Al Sharqia government, Egypt, to study the effect of Moringa leaf extract on yield and nutrient uptake of wheat plants (Triticum aestivum cv.). Foliar spraying of Moringa leaf extract was done at 40, 70, and 90 days after planting at a rate of 0%, 1%, 2%, 3%, and 4%. Treatments of Moringa extract significantly increased straw and grain yield, biological yield, 1000 grain weight, yield efficiency, protein content, and nutrient uptake as compared to untreated plants in the both seasons. The highest values of straw and grain yield, quality yield, and nutrient uptake by plants were obtained with 4% of Moringa extract, while the lowest values were obtained with untreated plants. Also, the highest percentage increase in grain yield of 71% and 88% was recorded from the treatment 4% of Moringa extract in first and second seasons, respectively.