基于摄影法的上喷式喷头水滴粒径测量

上喷式喷头喷洒的水滴粒径可达到毫米级别,且存在非球形的水滴,通常超出了基于光学衍射原理仪器的适用范围。为获取上喷式喷头水滴粒径数据,该文设计1种测试平台,基于摄影法,使用Canon EOS 7D Mark II相机进行照片采集,根据光学传播原理完成现实物体尺寸与照片像素之间的定标;应用Image Pro Plus软件进行照片处理,分析水滴粒径数据。对上喷式喷淋系统水滴粒径现场测试和数据分析,结果表明Canon EOS 7D Mark II相机能够对0.20 mm级别的物体进行准确成像,相对误差为4%;相机可以捕捉到运动的水滴并且清晰成像;Image Pro Plus软件可通过自适应灰度阈值和亚像素边缘检测算法分割脱焦的水滴成像,通过形态学参数的定量表征分割重叠、拖影的水滴成像;最终得到水滴粒径的概率密度数目分布和累计数目分布。该研究展现了基于摄影法进行上喷式喷头水滴粒径测量的新应用。     

基于彩色通道相似性图像分割方法的植物叶面积计算

为了快速、准确地测量植物叶面积,该文提出了基于彩色通道相似性图像分割的植物叶面积测量方法。该文基于彩色图像,利用像素彩色通道的相似性和自适应方法得到的阈值分割叶片区域,并分别统计叶片和参考矩形的像素数,进而计算植物叶面积。试验表明,该方法得到的植物叶片区域更准确,并且对叶片阴影、花斑等具有很强的鲁棒性,错分率为仅为1.23%,具有较高的精度。该方法是一种实用的通过拍照计算植物叶面积的方法,可嵌入到手机等移动设备中。     

基于图像的植物叶面积无损测量方法研究

为了研究植物的生长规律,应用计算机视觉技术对大豆叶片实现无损测量.该项研究针对大豆叶面积无损测量中校正图像和去除叶片纹理特征等问题上,提出了基于双线性映射的无损测量法.无损测量有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响,试验验证该方法能很好地校正叶片图像,提取叶片的有效面积,并去除植物纹理斑点的影响,应用该方法校正叶片图像,精度可达99%以上.采用计算机视觉技术测量叶面积,具有简单、准确、方便快捷的特点,这对数字农业的植物信息快速采集和利用具有重要的意义.     

数字图像处理技术在蔬菜叶面积测量中的应用

采用平台扫描仪获取叶片的数字图像，建立运用数字图像处理技术测定蔬菜叶面积的方法。同时与目前较常用的交叉网格法、CID仪器法、复印称重法和生产上常用的直尺法进行比较分析。结果表明：图像处理方法和上述传统的叶面积测定方法的测定结果呈极显著的线性相关关系，适用于叶面积的测量工作；和其它方法相比具有准确、快速、适用范围广、容易普及等优点，适用于科研和生产推广使用。试验还得出采用直尺法时，油菜和空心菜的叶面积的校正系数分别为0.792和0.818。     

基于改进Mask R-CNN的黄瓜叶面积测量模型

植物叶面积可以反映出植物的生长速率、养分吸收以及光合作用能力，针对锯齿状边缘的黄瓜叶片分割精度较低，叶面积测量误差较大等问题。该研究提出一种深度卷积网络模型Marm，在Mask R-CNN的基础上利用Sobel算子进行边缘检测，使模型生成的掩膜更接近叶片的边缘。另外，引入边缘损失以提升叶片边缘的分割精度。借助参照物标签，利用模型输出的掩膜图像进行面积计算，获得黄瓜叶片在不同生长周期的叶面积。试验结果表明，Marm模型精确率、召回率和交并比达到99.1%、94.87%和92.18%，比原始的Mask R-CNN分别提高1.28个百分点、1.13个百分点和1.05个百分点，面积误差率下降1.43个百分点。当图像中存在叶片遮挡和阴影等多种影响，黄瓜叶片的面积误差率仍然能保持在5.45%左右。该研究有效解决了锯齿状边缘的叶片分割问题，将为植物表型研究提供技术支撑。     

基于计算机视觉技术参考物法测量叶片面积

该研究利用计算机视觉技术采用参考物法测量叶片的面积,研制了无需采摘叶片测量其面积的活体采样光箱,并进行了光箱参数的优化,研究了用极值法求得阈值,并对图像进行阈值化,研究了去除图像中残留杂点的方法,最后验证利用计算机视觉技术参考物法测量叶片面积的可行性,且测量精度和效率都很高     

通量贡献区叶面积指数空间分布的测定

使用循环采样设计方案,对海北沼泽化湿地生态系统涡度相关通量观测塔的通量贡献区内叶面积指数进行了实地调查。根据样方叶面积指数的实地测量值和样方的GPS空间定位信息,利用空间插值方法绘制了通量贡献区内的叶面积指数空间分布图。并基于数字摄影与地理信息系统技术,提出了一种测量速度快、计算精度高、适合多种植物叶片叶面积测量的新方法。该方法在ArcGIS的GRID模块下对叶片图像进行格式转化和重新采样处理,使用自行编写的色阶诊断程序提取图像中叶片的叶面积。研究结果表明:此种方法叶面积测量结果与LI-3000A叶面积仪所测的结果具有很好的吻合性,两者的线性回归方程决定系数R2为0.98,叶面积的测量精度完全可以达到实际应用中的测量要求。     

基于机器视觉的冬小麦叶片形态测量软件开发

随着图像处理与识别技术的快速发展,作物表型识别技术日趋成熟。为实现不同品种、不同生育期冬小麦叶片面积和面积系数的精准快速测定,依托VB.net和OpenCV在.NET平台下的图像处理封装库,研发了基于机器视觉的冬小麦叶片形态测量算法并设计开发了软件,软件可实现数字图片的畸变校准并可以同时测量多个叶片长、宽和面积。为验证软件测定效果,选取冬小麦绿色展开叶100 片,通过与人工测量的叶片长宽、WinDIAS叶面积分析系统测量的叶面积结果对比,分析图像识别方法的准确性和稳定性。结果表明,图像识别法与人工和WinDIAS测量的冬小麦叶片长、宽和面积的相关系数均≥0.975,归一化均方根误差均≤0.10%;针对数字照片畸变校准功能进行测试,对叶片水平（垂直）缩放50%且垂直（水平）斜切30°的图像校准后,其测量结果与原始图像测量结果的最大相对误差仅为2%。说明基于机器视觉的冬小麦叶片形态识别方法,可对多种畸变图像进行准确的几何校准,可作为一种可同时准确测定多个叶片面积和长宽的新方法,在农业科学测量、农情信息业务、农业气象观测业务等领域推广应用。     

基于虚拟模型的水稻冠层叶面积计算方法

水稻冠层的叶面积是分析水稻生长状况的重要参数,传统叶面积统计方法效率较低且误差较大,难以对植株冠层不同高度层的叶面积进行测量。针对传统水稻冠层叶面积统计方法的薄弱点,该文提出一种基于虚拟模型的水稻冠层叶面积计算方法。该方法首先通过田间试验获取的水稻形态参数,建立虚拟水稻模型,然后基于该模型计算植株整体叶面积以及两株水稻在一定株距下不同高度层内叶片面积的大小,从而为水稻种植管理措施的优化提供参考。该文算法与长宽校正法相比,在整株叶面积统计结果上,二者相差在5%左右;每层叶片面积实际测定和仿真结果的比较,两者误差在10%之内。该方法对于水稻冠层叶片面积统计具有一定的实际意义。     

基于时间序列红外图像的玉米叶面积指数连续监测

针对受田间变化光照影响冠层图像参数计算的精度及自动化程度仍然不高的问题,该文提出了一种基于冠层顶视单角度红外图像序列的玉米叶面积指数(leaf area index,LAI)获取方法。首先,在玉米整个生育期内获取冠层顶部垂直向下红外图像序列,针对冠层图像背景分割易受田间变化光照影响,提出了一种基于绿色植物"红边"现象和冠层图像背景正态分布模型的分割方法,方法计算简便精度高于支持向量机分割。在冠层参数解析阶段,根据玉米叶片球形分布假设,简化了顶视冠层图像的叶片投影函数(G函数),利用Beer-Lambert定律推导了图像冠层孔隙度计算叶面积指数的方法。试验结果表明:该方法与间接测量原理的商业化设备测量值具有较高的相关性,叶面积指数测量的决定系数为0.94。方法应用于2个不同年代品种冠层结构动态变化监测,能够准确反映冠层结构差异,建立了冠层孔隙度与植株干质量(R2=0.95,R2=0.94)植株鲜质量(R2=0.96,R2=0.89)的关系模型,该方法简化了玉米冠层结构参数测量过程,可为田间环境下冠层参数的自动连续监测提供了解决方案。     

棉花叶片厚度的高光谱测试方法

植物叶片厚度的变化能够指示植物生长状态的改变,为了实时、活体、无损地获取叶片厚度,该研究以棉花叶片为研究对象,利用DPS、Origin统计分析软件分析84组光谱数据与叶片厚度的相关性。研究表明,光谱反射率与叶片厚度在可见光350～369 nm及664～689 nm 2个较窄区域达到了极显著正相关关系,在红外917～1 884、2 048～2 380 nm 2个区域呈极显著负相关关系,总体相关程度红外波段高于可见光波段。红边参数与叶片厚度的相关性不高,24个形状参数与厚度达到了极显著相关水平,其中,中心为980 nm的吸收谷面积与叶片厚度相关度最高,相关系数为0.848。分别用反射率、植被指数、光谱形状参数建立并测试3个估算模型,相对误差最高为7.4%,均方根差最高为0.051 mm。结果表明利用高光谱分析技术,可以实现叶片厚度的快速、活体测量。     

Development of a technique for the measurement of root geometry in the soil using resin-impregnated blocks and image analysis

A method is described that permits the measurement of roots in situ in the soil using computerized image analysis to process images obtained from planar faces cut from a resin-fixed pot. Soil sample pots are initially impregnated with rapid-curing epoxy resin. Blocks are then cut from the impregnated pot with a diamond saw to expose a planar face. Modification of the present resin-impregnation procedure is necessary as impregnation results were mostly unsatisfactory. Roots are contrasted from the soil matrix by enhancing autofluorescence using longwave ultraviolet light and appropriate filters. After image capture and segmentation to show regions of root material, measurements of volume fraction of roots, volumetric surface area, horizontal root length and horizontal root separation, were made with a larger resolution with soil depth than previously.     

无人机热红外图像计算冠层温度特征数诊断棉花水分胁迫

针对当前无人机热红外遥感诊断作物水分胁迫状况精度不高的问题,该文以4种水分处理的花铃期棉花为试验对象,利用六旋翼无人机搭载热红外传感器,连续5 d采集中午13点的棉花冠层高分辨率热红外影像,通过Canny边缘检测算法将热红外图像中的土壤背景有效剔除,应用温度直方图验证剔除效果,然后计算棉花冠层温度特征数,包括冠层温度标准差(standard deviation of canopy temperature,CTSD)和冠层温度变异系数(canopy temperature coefficient of variation,CTCV);分别研究棉花冠层温度特征数与棉花叶片气孔导度Gs、蒸腾速率Tr、水分胁迫指数(crop water stress index,CWSI)和土壤体积含水率(soil volumetric water content,SWC)的相关关系,并分析冠层温度特征数对诊断棉花水分胁迫的适用性。研究结果表明:棉花冠层温度特征数与表征棉花水分胁迫的生理指标和物理指标都具有较高的相关性,最大的决定系数R2为0.884;棉花冠层温度标准差CTSD和变异系数CTCV与Gs、Tr、CWSI、SWC的决定系数R2分别为0.884、0.625、0.673、0.550和0.853、0.583、0.620、0.520,冠层温度标准差CTSD对作物水分胁迫的敏感程度更高,可以作为诊断作物水分胁迫的新指标。该研究提出冠层温度特征数的计算方法仅需要无人机热红外影像数据,相比其他诊断作物水分胁迫状况的温度指标具有较大的应用潜力。     

基于像素块和机器学习的播前棉田地表残膜覆盖率检测

由于农用地膜的长期使用,棉田残留地膜造成了严重的耕地环境污染。为了快速准确地检测播前棉田地表残膜污染,该研究提出一种基于像素块和机器学习的播前棉田地表残膜覆盖率检测方法。将原始图像通过不同尺寸分割的方法得到像素块,提取像素块的一阶、二阶、三阶颜色矩和灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）纹理特征,通过像素占比判别方法提取标签。采用随机森林（Random Forests,RF）、极端梯度提升（Xtreme Gradient Boosting,XGBoost）、支持向量机（Support Vector Machine,SVM）和人工神经网络（Artificial Neural Network,ANN）4种算法构建残膜识别模型,计算棉田地表的残膜覆盖率。结果表明,20×20像素块下采用人工神经网络算法,残膜覆盖率检测值与真实值的相对误差最小,为0.51%,检测时间最短,为0.29 s。相比于像素点,像素块识别方法减小了样本数量,增加了像素点之间的相互特征,可快速准确检测残膜覆盖率,对农田残膜污染监测具有一定借鉴意义。     

应用数字图像技术诊断苎麻氮素营养的研究简报

为了实现苎麻氮素营养快速诊断,通过盆栽培养3个施氮水平的苎麻,使用信息技术和常规方法,分别获取了不同生育时期两个苎麻品种叶片的图像和氮营养元素含量。通过自主开发的苎麻叶片数字图像处理系统软件对叶片图像进行处理,并提取颜色特征值,分析叶片颜色特征值与叶片全氮营养含量之间的关系。结果表明,大部分颜色特征都与叶片全氮含量呈极显著相关。根据筛选的能有效预测苎麻叶片全氮营养的颜色特征,建立预测苎麻叶片全氮含量的6个模型,预测精度在75.95%～91.50%之间。说明应用数字图像技术诊断苎麻氮素营养是可行的。     

Early sensing of peanut leaf spot using spectroscopy and thermal imaging

Early and late leaf spot are the most devastating, important fungal foliar diseases affecting peanut. The economic loss caused by peanut diseases justifies the necessity to develop more reliable detection methods. Point and image spectroscopy and thermal imaging were used in this study for the early detection of peanut leaf spot. The spectral reflectance factors differ significantly according to the health condition. The leaves of the healthy peanut showed a decreasing reflection in 1015 nm, whereas the heavily diseased leaves showed an increasing reflection. At the thermal infrared range, affected plants show a higher temperature than healthy ones. A presymptomatic decrease in leaf temperature using thermal imagery was found about 1.3°C lower than the healthy leaves. However, the diseased plant’s temperature was 2.2°C higher than that of the healthy one. The temperature difference allowed the discrimination between the infected and healthy leaves before the appearance of visible necrosis on leaves. Two simple indices, early leaf spot index (ELSI) and late leaf spot index (LLSI), were developed to allow early prediction of the peanut disease severity. The disease severity estimation using ELSI and LLSI has an overall accuracy of 78% and 89%, respectively. This demonstrates the efficiency of the proposed indices to estimate the peanut disease.     

基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别

籽棉杂质的分类识别是实现棉花生产线自适应加工的基础与重要依据。该文提出了一种基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别算法,该算法将含杂籽棉图像首先转换为局部二值模式图像,获取图像的微观结构,再用局部二值模式图像生成灰度共生矩阵并计算特征参数,获取图像宏观结构。使用支持向量机作为分类器,用不同尺度的图像结构进行训练,从而达到籽棉杂质的分类识别。试验结果表明,该文设计算法对各种杂质的平均正确识别率达到了94%,超过单独使用局部二值模式和单独使用灰度共生矩阵的正确识别率,为实现棉花自适应加工提供了技术基础。     

多尺度融合卷积神经网络的黄瓜病害叶片图像分割方法

黄瓜病害叶片中的病斑区域分割是病害检测与类型识别的关键步骤,分割效果将直接影响病害检测和识别的精度。针对传统方法对于黄瓜病害叶片图像分割精度低和泛化能力弱等问题,提出一种基于多尺度融合卷积神经网络(Multi-ScaleFusionConvolutionalNeuralNetworks,MSF-CNNs)的黄瓜病害叶片分割方法。MSF-CNNs由编码网络(EncoderNetworks,ENs)和解码网络(DecoderNetworks,DNs)两部分组成,其中ENs为一个多尺度卷积神经网络组成,用于提取病害叶片图像的多尺度信息;DNs基于九点双线性插值算法,用于恢复输入图像的尺寸和分辨率。在MSF-CNNs模型训练的过程中,使用一种渐进微调的迁移学习方法加速模型的训练,提高模型的分割精度。在复杂背景下的作物病害叶片图像数据库上进行病害叶片图像分割试验,并与现有的分割方法全卷积网络(FullyConvolutional Networks,FCNs)、Seg Net、U-Net、Dense Net进行比较。结果表明,该MSF-CNNs能够满足复杂环境下的黄瓜病害叶片图像分割需求,像素分类精度为92.38%、平均分割准确率为93.12%、平均交并比为91.36%、频率加权交并比为89.76%。与FCNs、Seg Net、U-Net、Dense Net相比较,MSF-CNNs的平均分割精度分别提高了13.00%、10.74%、10.40%、10.08%和6.40%。使用渐进学习训练方式后,训练时间缩短了0.9 h。该方法为进一步的黄瓜病害检测和识别方法研究提供了参考。     

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。     

利用无人机可见光遥感影像提取棉花苗情信息

为提高棉花苗情信息获取的时效性和精确性,该文提出了基于可见光遥感影像的棉花苗情提取方法。首先,利用自主搭建的低空无人机平台获取棉花3~4叶期高分辨率遥感影像,结合颜色特征分析和Otsu自适应阈值法实现棉花目标的识别和分割。同时,采用网格法去除杂草干扰后,提取棉花的形态特征构建基于SVM的棉株计数模型。最后,基于该模型提取棉花出苗率、冠层覆盖度及棉花长势均匀性信息,并绘制棉花出苗率、冠层覆盖度的空间分布图。结果显示,模型的测试准确率为97.17%。将模型应用于整幅影像,计算的棉花出苗率为64.89%,与真实值误差仅为0.89%。同时基于冠层覆盖度、变异系数分析了棉花长势均匀情况。该文提出的方法实现了大面积棉田苗情的快速监测,研究成果可为因苗管理的精细农业提供技术支持。