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...     

玉米叶片几何造型研究

针对虚拟作物研究中的作物个体或器官几何造型问题,用三次B样条来拟合玉米叶片的三维形态,并用虚拟模型进行玉米叶片几何特征的计算.与其它方法相比,该方法具有精度高,参数少的特点,是一种适合于玉米叶片三维造型的好方法.     

基于最大正方形的玉米作物行骨架提取算法

为了满足现代农业精准施药技术中导航路径识别的需要,该文提出一种基于最大正方形的玉米作物行骨架提取算法。首先对采集到的田间玉米作物行图像进行灰度变换,采用改进的过绿灰度化算法使作物行与背景明显分割开来;然后通过滤波、阈值分割得到二值图像;而后对经过预处理后的二值图像进行形态学中的闭运算操作,得到玉米作物行的轮廓;最后利用最大正方形准则提取玉米作物行骨架。为了验证该算法的准确度,对提取的玉米作物行骨架进行直线拟合操作,利用拟合出的中央作物行线与实际导航线偏差的大小来判断骨架提取的精准度。试验结果表明,该算法能保持骨架像素的单一性,对边缘噪声具有很强的抗干扰能力,提取骨架的误差小于5 mm,能够满足玉米对行精准施药的需求。     

基于骨架提取算法的作物表型参数提取方法

作物育种表型分析研究中,株型参数的获取多以人工测量为主,比较耗时费力。该文基于最小二乘法和遗传算法相结合,提出了一种用于计算作物表型参数的骨架提取方法。以玉米作物为例,首先为去噪后的作物二值图像进行单像素细化,利用角点检测归类算法,检测出特征点;依据骨架图像茎叶角点,利用图像分割将作物茎和叶分离,并对应图像中作物的茎和叶骨架,得到玉米作物空间离散点的实际三维坐标;融合最小二乘法和遗传算法,绘制出离散点的空间拟合曲线,即茎和叶的平滑骨架,从而提取出玉米作物的表型参数。田间试验分析表明,使用该算法能够有效地得到玉米作物的平滑骨架,而且与前人方法相比,测量得到表型参数中,株高误差减小了35%,叶长误差减小了70%,叶倾角误差减小了20%,有效地提高了作物表型参数的测量精度。该研究为提高作物表型参数尤其是株型参数精度提供了参考。     

基于无人机遥感影像的玉米苗期株数信息提取

准确、快速地获取玉米苗期株数对于育种早期决策起着至关重要的作用。该文利用2017年6月于北京市小汤山镇采集的无人机影像,首先对比分析RGB、HSV、YCbCr及L*A*B 4种色彩空间,变换优选HSV颜色模型对无人机影像前景(作物)与后景(土壤背景)进行分割,得到分类二值图。然后利用骨架提取算法及多次去毛刺处理等数学形态学流程提取玉米苗形态,得到高精度作物形态骨架,结合影像尺度变换剔除噪声影像,将影像分为多叶、少叶2类,经Harris、Moravec和Fast角点检测识别结果对比,Harris角点检测算法可以较好地提取玉米苗期影像的株数信息。结果表明,少叶类型识别率达到96.3%,多叶类型识别率达到99%,总体识别率为97.8%,将目前传统影像识别精度提高了约3%。同时在多个植株叶片交叉重叠覆盖的情况下,该文的研究方法有良好的适用性。通过无人机影像提取玉米苗期作物准确数目是可行的。该文采用了数学形态学的原理,通过HSV色彩空间变换得到的二值图,从无人机影像中识别提取玉米苗期形态信息,利用影像尺度缩放变换去除噪点,优化骨架识别算法使得识别精度大大提高,最后采用角点检测从无人机影像中直接读取玉米材料小区内的具体数目,该方法节省了人力物力,为田间大面积测定出苗率及最终估产提供了参考。     

基于叶面积指数构建滴灌玉米营养生长期临界氮稀释曲线

明确宁夏引黄灌区基于叶面积指数(leaf area index,LAI)的滴灌玉米临界氮稀释曲线模型及其适用性,探讨以氮营养指数(nitrogen nutrition index,NNI)为监测指标对滴灌水肥一体化模式下玉米氮素营养状况诊断的可行性。该研究于2017-2018年开展了不同施氮量(0~450 kg/hm^2)下4个田块的试验,采用系统分析和统计建模的方法,分析了LAI和植株氮浓度(plant nitrogen concentration,PNC)的定量关系,构建和验证基于LAI的临界氮稀释曲线模型,并建立理论框架,将基于LAI的临界氮曲线与基于植株干物质(plant dry matter,PDM)的临界氮浓度曲线关联,比较基于LAI和PDM的临界氮曲线之间的差异。结果表明,玉米营养生长期临界氮和LAI符合幂函数关系,拟合模型的评价指标均方根误差(root mean square error,RMSE)和标准化均方根误差(normalized RMSE,n-RMSE)的结果分别为0.09和4.13%,模型具有较好的稳定性。在试验氮素水平范围内,不同生育时期NNI随施氮量的增加而增加,变化范围为0.53~1.34,NNI可以准确地反映滴灌玉米氮素营养状况。在非限氮处理下,玉米植株氮素吸收与LAI成正比,LAI与PDM的异速生长参数接近理论值2/3。构建的基于LAI的临界氮曲线可以有效地识别玉米拔节期至吐丝期植株所需的氮状态,为宁夏滴灌玉米氮肥精确管理提供了一种新的评价方法。     

多对象特征提取和优化神经网络的玉米种子品种识别

为了实现机器视觉代替人的视觉,对玉米种子品种进行实时、客观、准确和无损伤识别,研制了玉米品种识别硬件系统和软件系统。针对玉米种子及种子图像的特点,对玉米种子品种识别技术与算法进行了深入地研究和探索,提出了一种基于多对象有效特征提取和主成分分析优化神经网络的玉米种子品种识别方法,提取了玉米种子的几何特征和颜色特征参数,优化了基于机器视觉的玉米种子图像处理策略和品种识别算法,提高了玉米品种识别的速度和准确率。对农大108、鲁单981、郑单958、五岳18共4个品种玉米种子进行了品种识别试验,每粒种子识别的平均耗时为 0.127 s,综合识别率达到97%以上。研究表明,基于机器视觉的玉米种子品种识别与检测方法是可行的,该方法可提高玉米种子品种识别效率和正确率。     

基于变化光源方向多图像的植物叶片表观三维模拟

为了真实准确地模拟植物叶片表观颜色,提出一种基于多图像的叶片表观模拟方法。首先搭建基于线性光源的表观图像采集系统,用以获得400张视线角度固定、光源方向变化的叶片图像集合;采用拟合方法自动地从400张图像中获得整个叶片表面的表观特征参数,包括漫反射强度、高光反射强度和粗糙度;利用该拟合方法对线性光源移动条件下理想物体的各种反射特征的变化情况进行仿真计算,然后针对叶片图像中的每个像素寻找与仿真计算结果最接近的表观模型参数作为拟合结果。通过该拟合方法,可将叶片表面上各个位置的表观参数合成3张表观参数图像,采用基于点光源的实时光照方法测试最终的可视化模拟效果。从模拟结果中可以看出利用该文方法得到的结果能够真实地表现叶片自身的表观质感特性,相对于传统方法更加真实准确。     

基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法.首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集.然后,构建堆叠沙漏网络架构实...     

基于三维点云的田间香蕉吸芽形态参数获取

针对传统的香蕉吸芽形态参数手工测量方法效率低下、人为主观性强等问题,提出了基于三维点云的田间香蕉吸芽形态参数信息提取方法,并针对吸芽茎秆直径小,普通测量算法误差大的问题,使用曲面平滑和圆柱拟合算法提高了茎粗测量精度和准确性。使用Kinect V2、PMD CamBoard pico flexx、ZED双目视觉相机和Velodyne 16线激光雷达 4种深度传感器采集不同尺寸的香蕉吸芽点云,对比了不同深度传感器对于香蕉吸芽点云采集的效果和提取表型参数的精度。基于点云库开发了香蕉点云处理和表型参数提取算法,对从两侧获取的香蕉点云进行配准,提取了香蕉吸芽的株高、茎粗和叶面积参数。Kinect V2取得了最优的点云重建效果和表型参数获取精度,与人工测量值相比,测得株高、茎粗和叶面积的平均绝对百分比误差分别为4.79%、9.20%、16.59%,均方根误差分别为5.46 cm、4.44 mm、197.8 cm2,决定系数分别为0.96、0.87、0.92。研究表明,Kinect V2和该文的形态参数提取方法适用于香蕉吸芽的形态参数获取,可以为果园管理提供一种快速、准确的香蕉吸芽株高、茎粗和叶面积形态参数测量方案。     

基于无人机多光谱影像的夏玉米叶片氮含量遥感估测

利用无人机平台搭载多光谱相机组成的遥感监测系统在农业上已取得了一些成果,但利用无人机多光谱影像开展作物氮素估测研究少有尝试。基于此,该文利用国家精准农业基地2017年夏玉米3个关键生育期无人机多光谱影像和田间实测叶片氮含量数据,开展夏玉米叶片氮素含量的无人机遥感估测研究。对该研究选用的15个光谱变量,通过相关性分析解析光谱变量与LNC的相关关系,筛选出对玉米叶片氮素含量敏感的光谱变量;应用后向逐步回归方法分析不同变量指数下估测精度变化,最终确定不同生育期夏玉米LNC估测的光谱变量,实现对夏玉米叶片氮含量的较高精度监测。研究发现:1)在3个生育时期,GRE和GNDVI与LNC都有很强的相关性,表明绿波段可以很好地进行夏玉米生物理化参数的反演;2)在喇叭口期和灌浆期,OSAVI、SAVI与LNC具有高度相关性,证明在夏玉米生长前期和后期选择控制土壤因素的光谱变量可以提高对氮素估测的能力。在筛选最优光谱变量建模过程中发现,喇叭口期选取5个光谱变量(GNDVI、GRE、OSAVI、REG、SAVI)建模效果最好,估测模型的R~2、RMSE和nRMSE分别为0.63、27.63%、11.62%;抽雄吐丝期选取6个光谱变量(REG、GRE、GNDVI、MNLI、RED、NDVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.64、20.50%、7.80%;灌浆期选取5个光谱变量(GRE、GNDVI、RED、NDVI、OSAVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.56、31.12%、12.71%;在不同生育期选取最优光谱变量进行夏玉米LNC估测具有很好的效果。应用无人机多光谱遥感影像数据可以很好地监测田块尺度夏玉米LNC的空间分布,可为玉米田间氮素精准管理提供空间决策服务信息支持。