用于小麦多生长阶段倒伏边界精准检测的分层交互特征金字塔网络（英文）

[目的/意义]传统的小麦倒伏检测方法需要人工进行田间观测和记录,这种方法存在主观、效率低、劳动强度大等问题,难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上得到应用,但普遍局限于对小麦单一发育阶段的倒伏识别,而倒伏可能发生在小麦生长的各个时期,不同时期倒伏特征变化复杂,这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。[方法]用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像,通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former,该模型在Mask2Former的基础上加以改进,引入分层交互式特征金字塔网络(Hierarchical Interactive Feature Pyramid Network,HI-FPN),用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。[结果和讨论]所提出的Lodging2Former模型相较于现存的多种主流算法,如Mask R-CNN (Mask Region-Based Convolu...     

图像处理在割台高度控制系统中的应用

基于图像处理技术提出了一种倒伏小麦的检测方法.首先,对田间倒伏小麦进行图像采集,进而探讨了基于颜色特征的图像识别方法.通过对彩色图像灰度化以及灰度反色处理后,再选取中值滤波法去除噪声,最后用高斯-拉普拉斯算子边缘检测方法提取图像边缘,得出倒伏小麦与正常小麦之间的高度差,据此控制收割机割台的高度.此方法可降低倒伏小麦造成的颗粒损失,提高农业生产机械的自动化水平,降低劳动者的劳动强度.     

基于MHSA+DeepLab v3+的无人机遥感影像小麦倒伏检测

倒伏是影响小麦产量和质量的重要因素之一,及时准确获取倒伏信息有利于小麦良种选育中的倒伏损失鉴定。本文以小麦灌浆期和成熟期两个生长阶段的可见光无人机遥感影像为依据,构建多生长阶段小麦倒伏数据集,通过在DeepLab v3+模型中添加不同的注意力模块进行比较分析,提出一种基于多头自注意力（MHSA）的DeepLab v3+小麦倒伏检测模型。试验结果表明,提出的MHSA+DeepLab v3+模型的平均像素精度(Mean pixel accuracy, mPA)和均交并比(Mean intersection over union, mIoU),灌浆期分别为93.09%和87.54%,成熟期分别为93.36%和87.49%。与代表性的SegNet、PSPNet和DeepLab v3+模型相比,在灌浆期mPA提高了25.45、7.54、1.82个百分点和mIoU提高了36.15、11.37、2.49个百分点,在成熟期mPA提高了15.05、6.32、0.74个百分点,mIoU提高了23.36、9.82、0.95个百分点。其次,相比于CBAM和SimAM两种注意力模块,在灌浆期及成熟期基于多头自注意力的DeepLab v3+表现均为最优,在灌浆期其mPA和mIoU分别提高了1.6、2.07个百分点和1.7、2.45个百分点,成熟期提高了0.27、0.11个百分点和0.26、0.15个百分点。研究表明提出的改进的DeepLab v3+模型能够有效地捕获灌浆期和成熟期的无人机小麦遥感图像中的倒伏特征,准确识别不同生育期的倒伏区域,具有良好的适用性,为利用无人机遥感技术鉴定小麦倒伏灾害等级和良种选育等提供了参考。     

基于深度学习的无人机遥感小麦倒伏面积提取方法

为及时准确地提取小麦倒伏面积,提出一种融合多尺度特征的倒伏面积分割模型Attention_U2-Net。该模型以U2-Net为架构,利用非局部注意力（Non-local attention）机制替换步长较大的空洞卷积,扩大高层网络感受野,提高不同尺寸地物识别准确率;使用通道注意力机制改进级联方式提升模型精度;构建多层级联合加权损失函数,用于解决均衡难易度和正负样本不均衡问题。Attention_U2-Net在自建数据集上采用裁剪方式提取小麦倒伏面积,查准率为86.53%,召回率为89.42%,F1值为87.95%。与FastFCN、U-Net、U2-Net、FCN、SegNet、DeepLabv3等模型相比,Attention_U2-Net具有最高的F1值。通过与标注面积对比,Attention_U2-Net使用裁剪方式提取面积与标注面积最为接近,倒伏面积准确率可达97.25%,且误检面积最小。实验结果表明,Attention_U2-Net对小麦倒伏面积提取具有较强的鲁棒性和准确率,可为无人机遥感小麦受灾面积及评估损失提供参考。     

小麦倒伏信息无人机多时相遥感提取方法

采用两期无人机可见光遥感图像,对灌浆期冬小麦倒伏图像特征及倒伏信息提取方法进行研究。从增强图像空间域方面,对图像进行二次低通滤波,获取地物散点图,以散点存在明显分界线为判定标准,选出小麦倒伏信息提取的单特征,对两单特征线性拟合构建倒伏小麦两时期提取特征参数F_1和F_2,再以两特征参数相似性构建综合特征参数F_3。将特征参数结合K-means算法提取冬小麦倒伏信息,整体精度(OA)达86. 44%以上,Kappa系数达0. 73以上,倒伏信息提取精度(F)为81. 07%以上,因此综合特征参数可作为两个时期冬小麦倒伏信息提取特征参数。分别用本文方法、支持向量机、神经网络法和最大似然法提取验证区域倒伏小麦信息,经验证,本文方法提取小麦倒伏信息整体精度(OA)达86. 29%以上,Kappa系数达0. 71以上,倒伏信息提取精度(F)达80. 60%以上;其他3种常用方法提取的整体精度(OA)为69. 68%～87. 44%,Kappa系数为0. 49～0. 72,倒伏信息提取精度(F)为65. 33%～79. 76%。结果表明,本文方法整体精度和倒伏信息提取精度均高于目前常用分类方法。因此,综合特征参数与K-means算法对冬小麦在灌浆期倒伏信息提取具有一定的准确性和适用性。     

小麦春季化控措施

小麦春季应用植物生长调节剂进行化学调控,不仅能有效地控制小麦旺长,防止倒伏,增强抗逆能力,而且能提高光合效率、结实率和千粒重,是夺取小麦丰产增收的关键性措施。 1.喷烯效唑:烯效唑的代号为S—3307,有防止小麦倒伏和提高产量的双重作用。使用方法是在小麦拔节前一周内,每亩用5％的烯效唑可湿性粉剂,以30～40ppm的浓度喷施,每亩喷药液50公斤,可防止高密度、高肥水条件下的小麦倒伏。 2.喷多效唑:在小麦起身期,每亩用15％多效     

收获作业时小麦倒伏检测方法

作物倒伏不仅会造成产量和质量的降低,还会影响农业机械的自动化收割。为此,提出了一种收获作业时小麦倒伏检测方法,根据不同反射面介质对激光信号的反射特性不同,用实测的数据对激光回波信号强度信息进行统计界定;同时,基于界定结果,提出了一种融合激光距离的强度信息中值滤波算法,实现了结合激光距离信息和强度信息对小麦割茬区、倒伏区和未倒伏作物区的识别;最后,试验验证了方法的可行性,为联合收割机后续智能作业研究提供了理论依据。     

联合收割机收割倒伏作物的方法

一、普通收割机对倒伏小麦的机收方法。一般的倒伏小麦用常规方法收割会增加15％以上的损失，因此收获倒伏小麦时必须对联合收割机进行有效的改装和调整，并采取合理的作业方法，才能使损失降低到最小。     

小麦倒伏后扶好还是不扶好

小麦倒伏后扶好还是不扶好,几年来一直是人们争论的问题。近年来笔者做了大量的试验调查,认为小麦倒伏后扶好还是不扶好,并不是绝对的,不应一概而论。而应根据小麦倒伏时间、小麦品种、小麦密度以及天时地利等条件来决定。 一、小麦倒伏扶起来好 这种情况必须是小麦扬花灌浆前倒伏的,这期间小麦头轻,易直     

小麦倒伏的早期判断及预防

小麦倒伏的主要原因是由于肥水过多,群体过大,光照不足,茎基部第一、二节间过长,茎秆软弱造成的。小麦倒伏后,产量明显降低,甚至影响籽粒的品质。 早期判断小麦倒伏不倒伏要从两方面进行,一是从密度上看,小麦播种过多或主茎出叶和分蘖出生速度过快,分蘖过多,封行过早,田间荫蔽,茎秆软弱就容易发生倒伏。二     

基于超分辨率重建与机器学习的油菜苗情监测方法

为优化养分管理和确保植株正常生长,以无人机遥感技术高效且非破坏采集田间作物苗情信息,监测油菜苗期的叶面积指数（LAI）与叶绿素相对含量（SPAD）。针对无人机因飞行高度与图像分辨率相互制约,监测效率与监测精度难以兼顾的问题,采用超分辨率重建方法,融合较低飞行高度拍摄高分辨率影像,重建较高飞行高度拍摄影像,建模完成后可通过拍摄飞行影像监测LAI和SPAD。试验设置3个氮肥梯度、3个播期、3个种植密度处理,在苗期利用无人机分别采集20m及40m 2个飞行高度的油菜苗影像,采用SRRestnet方法,对40m影像进行超分辨率重建。基于20m、40m及40m重建影像中提取的3种特征组合,利用偏最小二乘回归（PLSR）、随机森林（RF）、支持向量回归（SVR）3种机器学习方法对LAI和SPAD进行监测。结果表明,超分辨率重建后的图像在表型苗情监测中表现出良好效果,PLSR监测LAI、RF监测SPAD的监测精度最高,且40m重建图像的作业效率相比于20m图像提高48.6%。     

基于改进Unet的小麦茎秆截面参数检测

针对小麦茎秆截面显微图像分割过程的复杂性,融合ResNet50和Unet网络构建维管束和背景区域的语义分割模型Res-Unet,搭建对小麦茎秆截面、髓腔、厚壁和背景的语义分割模型Mobile-Unet,可实现对小麦茎秆截面尺寸、髓腔尺寸和维管束面积等微观结构参数的检测。针对小麦样本数据集,通过深度学习中迁移学习的共享参数方式,将训练好的ResNet50网络权重应用到茎秆截面切片图像的网络模型上。结果表明,与同类方法相比,相关参数在精度上均有较大提升,全部参数的识别率超过97%,最高可达99.91%,平均每幅图像检测只需21.6s,与已有图像处理方法（110s）相比,处理速度提升了80.36%。模型评估的准确率、召回率、F1值和平均交并比均达到90%。本文方法可用于小麦茎秆微观结构的高通量观察和参数测定,为作物抗倒伏研究奠定了技术基础。     

基于Faster R-CNN的田间西兰花幼苗图像检测方法

为解决自然环境下作物识别率不高、鲁棒性不强等问题,以西兰花幼苗为研究对象,提出了一种基于Faster R-CNN模型的作物检测方法。根据田间环境特点,采集不同光照强度、不同地面含水率和不同杂草密度下的西兰花幼苗图像,以确保样本多样性,并通过数据增强手段扩大样本量,制作PASCAL VOC格式数据集。针对此数据集训练Faster R-CNN模型,通过设计ResNet101、ResNet50与VGG16网络的对比试验,确定ResNet101网络为最优特征提取网络,其平均精度为90. 89%,平均检测时间249 ms。在此基础上优化网络超参数,确定Dropout值为0. 6时,模型识别效果最佳,其平均精度达到91. 73%。结果表明,本文方法能够对自然环境下的西兰花幼苗进行有效检测,可为农业智能除草作业中的作物识别提供借鉴。     

基于校正光谱序列融合的小麦腥黑穗病籽粒分类方法

针对小麦腥黑穗病轻度患病籽粒易与健康籽粒混淆,人工识别难度大的问题,将校正光谱序列融合技术与深度学习模型相结合,实现小麦腥黑穗病籽粒快速、精准分类。以健康、轻度患病、重度患病各300粒小麦籽粒的高光谱数据为样本,通过多元散射校正算法(MSC)和标准正态变换算法(SNV)对原始光谱进行预处理,并利用二维相关光谱法(2D-COS)分析SNV与MSC算法处理后的光谱之间的互补性。使用校正光谱序列融合技术将原始光谱、SNV预处理光谱与MSC预处理光谱三者进行融合得到序列融合光谱,以充分利用不同光谱预处理数据间的互补信息。最终,利用序列融合光谱数据建立基于ResNet 50算法的小麦腥黑病分类模型。试验结果表明,序列融合光谱ResNet 50模型总体准确率最高为93.89%,F1值为93.87%,分类性能优于单一预处理光谱建立的ResNet 50模型。为进一步评估模型分类效果,使用序列融合光谱分别建立偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)以及集成学习算法模型随机森林(RF)与极端梯度提升树(XGBoost)模型,并进行对比,结果显示：SVM、PLS-DA、RF与XGBoost总体准确率分别为81.67%、84.44%、89.44%与90.55%,F1值分别为81.59%、84.04%、89.49%与90.59%,ResNet 50总体准确率与F1值优于传统光谱分析模型。因此,本研究表明校正光谱序列融合技术结合深度学习模型,能够实现对不同患病程度腥黑穗病籽粒的有效分类。     

基于深度学习与高光谱成像的蓝莓果蝇虫害无损检测

针对蓝莓果蝇虫害分类识别存在效率低、准确度差等问题,采用深度学习方法对采集的蓝莓高光谱图像进行数据处理与分析,以实现蓝莓果蝇虫害的无损检测。首先蓝莓高光谱图像采用PCA进行降维,优选数据集PC2与PC3并进行拼接得到最佳数据集PC23,对数据集中图像进行旋转90°、旋转180°、模糊、高亮、低亮、镜像和高斯噪声共7种增强操作,使各数据集容量扩增为原始容量的18倍。然后采用VGG16、InceptionV3与ResNet50深度学习模型对蓝莓果蝇虫害图像进行检测,均取得了较高的识别准确率。其中ResNet50模型效率最高,且ResNet50模型的准确率最高,达到92.92%,损失率最低,仅有3.08%,因此ResNet50模型在蓝莓果蝇虫害无损检测方面整体识别效果最佳。为了进一步提高蓝莓果蝇虫害无损检测性能,从ECA注意力模块、Focal Loss损失函数与Mish激活函数3方面对ResNet50模型进行了改进,构建了改进的im-ResNet50模型。得出im-ResNet50模型识别准确率达95.69%,损失率为1.52%。试验结果表明, im-ResNet50模型有效提升了蓝莓果蝇虫害识别能力。采用Grad-CAM分析了im-ResNet50模型可解释性,能够快速、准确地无损检测蓝莓果蝇虫害。     

基于特征降维和机器学习的覆膜冬小麦LAI遥感反演

为进一步提升无人机遥感快速监测覆膜条件下冬小麦叶面积指数(Leaf area index, LAI)的能力,以垄沟覆膜冬小麦为研究对象,利用无人机搭载五通道多光谱传感器获取2021—2022年冬小麦出苗期、越冬期、返青期、拔节期、抽穗期和灌浆期的遥感影像数据,使用监督分类剔除背景并计算50种可见光和近红外植被指数,采用主成分分析、相关系数法、决策树排序和遗传算法进行特征降维,结合偏最小二乘、岭回归、支持向量机、随机森林、梯度上升和人工神经网络6种机器学习算法建立不同输入特征变量下的覆膜冬小麦LAI反演模型,并进行精度评价。结果表明,剔除覆膜背景使冬小麦冠层反射率更接近真实值,提高反演精度。采用适宜的特征降维方法结合机器学习算法能够提高覆膜冬小麦LAI的反演精度和稳定性,对比特征降维前的反演精度,主成分分析和相关系数法无法优化反演效果,决策树排序只适用于基于树模型的随机森林和梯度上升算法,遗传算法优化效果明显,遗传算法-人工神经网络模型反演效果达到最优(决定系数为0.80,均方根误差为1.10,平均绝对值误差为0.69,偏差为1.25%)。研究结果可为无人机遥感监测覆膜冬小麦生长状况提供...     

基于残差网络和小样本学习的鱼图像识别

针对鱼种类多、数据采集难度大,且需要细粒度图像识别等问题,提出了一种基于度量学习的小样本学习方法.采用基于度量学习的小样本学习网络以及ResNet18的残差块结构,提取鱼图像的深层次特征,并将其映射至嵌入空间进而在嵌入空间判断鱼的种类.为了进一步提升识别准确率,利用小样本学习模型在mini-ImageNet数据集进行预...     

基于迁移学习的温室番茄叶片水分胁迫诊断方法

为实时诊断番茄叶片水分胁迫程度,提出一种叶片水分胁迫程度的诊断方法,该诊断方法包括2部分：叶片分割和水分胁迫程度分类。采用以ResNet101为特征提取卷积网络的Mask R-CNN网络对背景遮挡的番茄叶片进行实例分割,通过迁移学习将Mask R-CNN在COCO数据集上预训练得到的权重用于番茄叶片的实例分割,保留原卷积网络的训练参数,只调整全连接层。利用卷积网络提取的特征,可将番茄叶片分割视为区分叶片与背景的一个二分类问题,以此来分割受到不同水分胁迫的番茄叶片图像。利用微调后的DenseNet169图像分类模型进行叶片水分胁迫程度分类,通过迁移学习将DenseNet169在ImageNet数据集上预训练得到的权重用于番茄叶片水分胁迫程度的分类,保持DenseNet169卷积层的参数不变,只训练全连接层,并对原DenseNet169全连接层进行了修改,将分类数量从1.000修改为3。试验共采集特征明显的无水分胁迫、中度胁迫和重度胁迫3类温室番茄叶片图像,共2000幅图像,建立数据集,并进行模型训练与测试。试验结果表明,训练后的Mask R-CNN叶片实例分割模型在测试集上对于单叶片和多叶片的马修斯相关系数平均为0.798,分割准确度平均可达到94.37%。经过DenseNet169网络训练的叶片水分胁迫程度分类模型在测试集上的分类准确率为94.68%,与 VGG-19、AlexNet这2种常用的深度学习分类模型进行对比,分类准确率分别提高了5.59、14.68个百分点,表明本文方法对温室番茄叶片水分胁迫程度实时诊断有较好的效果,可为构建智能化的水胁迫分析技术提供参考。     

LiDAR单木分割辅助的无人机影像CNN+EL树种识别

为研究激光雷达单木分割辅助条件下无人机可见光图像树种识别应用潜力,提出联合卷积神经网络(CNN)和集成学习(EL)的树种识别方法.首先利用同期无人机激光雷达数据和可见光影像数据进行单木树冠探测并制作单木树冠影像数据集;其次引入ResNet50网络并结合引入有效通道注意力机制、替换膨胀卷积、调整卷积模块层数搭建出4个卷积...