基于语义分割与实例分割的玉米茎秆截面参数测量方法

茎秆微观结构与其力学性能密切相关,影响作物的抗倒伏性能。但作物茎秆微观表型参数难以通过人工方式获取,因此急需自动化的测量方法。本研究以玉米为材料,通过光学显微镜获得玉米茎秆横截面切片图像,基于深度学习架构融合ResNet和Unet构建语义分割Res-Unet网络模型,对截面表皮、周皮和髓区3个功能区域进行分割;针对维管束数量多、面积小、密度大的特点,以EfficientDet作为基础网络架构,根据维管束尺寸小的特性,减少双向特征图金字塔(BiFPN)的层数,达到提高推理速度、减少显存占用量的目的,同时添加掩膜分割分支,构造新的网络Eiff-BiFPN实现对维管束的分割。实验结果表明,功能区域分割的平均DICE达到88.17%;维管束分割的AP₅₀和AP_50:70分别达到88.78%和72.80%。根据分割结果,可以获得玉米茎秆截面尺寸、各功能区域尺寸和维管束数量、面积等微观结构参数。本文方法具有精确性、实时性和可用性,可用于玉米茎秆微观结构参数的自动化测定,为作物抗倒伏研究提供技术基础。     

基于改进Mask R-CNN的水稻茎秆截面参数检测方法

针对人工测量、统计作物茎秆显微切片图像中维管束数目、面积等关键参数主观性强、费时费力、效率低的问题,提出一种基于图像处理的水稻茎秆截面参数自动检测方法。首先构建了一个基于改进Mask R-CNN网络的水稻茎秆切片图像分割模型。网络以MobilenetV2和残差特征增强及自适应空间融合的特征金字塔网络为特征提取网络,同时引入PointRend增强模块,并将网络回归损失函数优化为IoU函数,最优模型的F1值为91.21%,平均精确率为94.37%,召回率为88.25%,平均交并比为90.80%,单幅图像平均检测耗时0.50 s,实现了水稻茎秆切片图像中大、小维管束区域的定位、检测和分割;通过边缘检测、形态学处理及轮廓提取,实现茎秆截面轮廓的分割提取。本文方法可实现对水稻茎秆截面面积、截面直径,大、小维管束面积,大、小维管束数量等6个参数的自动检测,检测平均相对误差不超过4.6%,可用于水稻茎秆微观结构的高通量观测。     

小麦茎秆截面参数显微图像测量系统

小麦的抗倒性与其茎秆截面显微结构密切相关,茎秆微观结构的观测和分析对小麦遗传育种具有重要意义。研究了一种显微图像测量系统,用于精确测量小麦茎秆截面的主要参数。使用计算机、图像采集室、光学显微成像系统等搭建了硬件平台,并开发了算法软件。系统针对茎秆截面的颜色和结构特点,对显微图像进行预处理得到髓腔、厚壁的轮廓,再进行椭圆拟合以计算截面整体、髓腔和厚壁的几何参数。根据维管束结构的一致性,提出了一种具有尺度、平移和旋转不变性的模板匹配方法,用于在目标图像中识别维管束并统计数量。实验表明该自动化测量系统具有高通量和高精确度的优点,在作物重要资源的挖掘和群体遗传等研究中具有重要的价值。     

基于扇环形区域图像分割的小麦秸秆截面参数测量方法

针对小麦秸秆截面显微图像中组织成分的结构和灰度特征,研究了一种扇环型分区域图像分割方法,用于精确分割厚壁、维管束等关键组织结构。小麦秸秆截面的内外侧轮廓构成了一个近似的环形区域。先粗略定位厚壁和维管束所属的圆环区域。依据定位信息,以截面中心为起点向圆环外轮廓画射线,将圆环划分为大量的扇环形小区域。用Otsu算法对各个小区域进行独立的阈值分割,再对分割结果进行拼接等后续处理,得到完整的厚壁或维管束,最后以此为基础精确测量秸秆截面的各种参数。实验结果表明,与传统的Otsu算法相比,该方法对显微图像采集过程中切片、染色、拍照等环节导致的低质量图像具有较高的分割准确性和鲁棒性,在提高了切片样本利用率的同时降低了人工劳动强度。该测量系统对各类参数的测量精度均大于94.6%。     

基于Mask R-CNN的柑橘主叶脉显微图像实例分割模型

针对目前植物解剖表型的测量与分析过程自动化低，难以应对复杂解剖表型的提取和识别的问题，以柑橘主叶脉为研究对象，提出了一种基于掩膜区域卷积神经网络(Mask region convolutional neural network, Mask R-CNN)的主叶脉显微图像实例分割模型，以残差网络ResNet50和特征金字塔(Feature pyramid network, FPN)为主干特征提取网络，在掩膜(Mask)分支上添加一个新的感兴趣区域对齐层(Region of interest Align, RoI-Align),提升Mask分支的分割精度。结果表明，该网络架构能够精准地对柑橘主叶脉横切面中的髓部、木质部、韧皮部和皮层细胞进行识别分割。Mask R-CNN模型对髓部、木质部、韧皮部和皮层细胞的分割平均精确率(交并比(IoU)为0.50)分别为98.9%、89.8%、95.7%和97.2%,对4个组织区域的分割平均精确率均值(IoU为0.50)为95.4%。与未在Mask分支添加RoI-Align的Mask R-CNN相比，精度提升1.6个百分点。研究结果表明，Mask R-CN...     

融合注意力机制的小麦赤霉病语义分割网络

小麦赤霉病是导致小麦大幅度减产的病害之一,对其开展自动识别研究具有重大意义。然而,传统方法一般通过阈值、色彩直方图等在农田复杂背景下开展小麦赤霉病的分割识别研究,其分割识别精确度较差并且泛化能力也不尽如意。为了在节省大量人力成本的同时对小麦赤霉病病斑进行快速、准确地分割从而辅助农业工作者对小麦患病的严重程度进行确认并开展后续的针对性研究,提出一种融合卷积神经网络和注意力机制的小麦赤霉病语义分割网络模型UNetA。该模型依据小麦赤霉病数据集的特点,使用融合了位置自注意力和空间注意力的注意力机制模块,并将注意力机制模块融入改进了的UNet结构中,再利用加权交叉熵损失函数来衡量预测值与实际值的差距同时缓解样本不均衡问题。试验结果表明,与现有的经典网络模型相比,UNetA模型的分割精度和实时性明显占据优势,其MIoU值达到83.90%,分割单张图像所用平均时间仅为0.588 0 s。     

基于DeepLab v3+的葡萄叶片分割算法

为解决自然光照环境下复杂背景葡萄叶片图像的自动分割问题,使用一种DeepLab v 3+语义分割算法,完成对葡萄叶片分割.该算法采用ResNet 101作为主干网络进行特征抽取;采用空洞卷积和编码模块进行多尺度特征融合,将ResNet的中间信息和编码模块的特征组合作为解码输入;采用上采样的方式进行尺度还原,得到语义分割...     

基于SE-ResNet网络的油茶果果壳与茶籽分选模型

油茶果脱壳后果壳与茶籽混合在一起,采用传统的机械分选仍会出现掺杂果壳的情况,清选率有待提高。比较ResNet不同层数模型,发现在当前壳籽实验样本下ResNet18与其他模型相比每次迭代的平均训练时间最少,并且验证集平均准确率最高,同时均优于其他CNN分类模型。为进一步提升分选效率,在ResNet18网络中引入注意力机制,结果表明,SE-ResNet18模型与改进前的模型相比,训练过程中每次迭代的平均时间由1.31 s下降到1.13 s,缩短0.18 s,验证集平均准确率为98.88%,提升1.4个百分点。经过测试后得出,测试集整体准确率为98.43%,与原模型相比提升1.3个百分点,说明使用ResNet18模型结合注意力机制的方法在油茶果果壳与茶籽的分选上是可行的,为油茶果在分选方法提供一种新的理论基础与思考方向。     

小麦茎秆力学性能与微观结构研

测定了小麦成熟期茎秆的力学性能,研究了茎秆的应力-应变规律.试验观察了茎秆的微观组织结构,得到了茎秆扫描电镜下的解剖构造图像.分析了小麦茎秆承载能力与微观组织结构的相互关系,建立了茎秆横截面的力学模型.结果表明:小麦茎秆是一种典型的多相、筛状、不连续、不均匀和各向异性的复合材料,茎秆具有较高的强度和良好的弹性,其承载能力取决于机械组织的厚度、维管束的数量以及各组织及其细胞之间的连接形式和连接强度,小麦茎秆的抗拉强度为30.36～52.65 MPa,弹性模量为1.14～2.05 GPa.     

基于深度学习的无人机土地覆盖图像分割方法

编制土地覆盖图需要包含精准类别划分的土地覆盖数据,传统获取方法成本高、工程量大,且效果不佳。提出一种面向无人机航拍图像的语义分割方法,用于分割不同类型的土地区域并分类,从而获取土地覆盖数据。首先,按照最新国家标准,对包含多种土地利用类型的航拍图像进行像素级标注,建立无人机高分辨率复杂土地覆盖图像数据集。然后,在语义分割模型DeepLab V3+的基础上进行改进,主要包括:将原始主干网络Xception+替换为深度残差网络ResNet+;引入联合上采样模块,增强编码器的信息传递能力;调整扩张卷积空间金字塔池化模块的扩张率,并移除该模块的全局池化连接;改进解码器,使其融合更多浅层特征。最后在本文数据集上训练和测试模型。实验结果表明,本文提出的方法在测试集上像素准确率和平均交并比分别为95. 06%和81. 22%,相比原始模型分别提升了14. 55个百分点和25. 49个百分点,并且优于常用的语义分割模型FCN-8S和PSPNet模型。该方法能够得到精度更高的土地覆盖数据,满足编制精细土地覆盖图的需要。     

基于无人机图像以及不同机器学习和深度学习模型的小麦倒伏率检测

小麦在生长过程中发生倒伏会严重影响其产量,因此实时且准确地对小麦倒伏状况监测有很重要的意义.传统的方法采用手工方式生成数据集,不仅效率低、易出错,而且生成的数据集不准确.针对这一问题,本研究提出了一种基于图像处理的自动数据集生成方法.首先利用无人机在15、46和91 m三个高度采集图像数据;采集完数据后,根据无倒伏、倒...     

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...     

小麦茎秆变刚度模型与临界载荷

在对麦类作物茎秆整体抗倒性的研究中,针对作物茎秆结构参数如弹性模量、惯性矩、节间长度以及载荷分布等在不同节间的变化情况,建立了变刚度杆件模型,采用初参数法对该模型的临界载荷作了分析.通过对乳熟期的小麦品种晋农190的测试,得到了其在不同节间位置处的结构参数,采用变刚度模型对该品种的承重能力作了计算,得到该品种的安全系数为1.97,表明该品种有较强的抗倒伏能力.针对该品种茎秆各节间局部失稳的分析表明,该品种在自重及穗重作用下很难发生Brazier屈曲.     

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。     

基于注意力机制和边缘感知的田梗提取模型

田埂精确提取是数字化农业管理的重要前提。针对由于遮挡、斑秃等因素干扰,给基于语义分割方法提取田埂带来困难问题,提出一种基于注意力机制和边缘感知模块的U-Net网络实现田埂提取。首先,将多信息注意力引入U型分割网络的下采样中,增强相邻层之间的上下文信息,提升对田埂区域语义特征的表示能力。其次,将边缘感知分割模块应用至U-Net解码部分的每一层,在不同语义特征层提取田埂边缘信息,提高田埂区域语义分割精度。最后,联合边缘感知损失与语义分割损失构建联合损失函数,用于整体网络优化。通过对安徽省淮北市濉溪县小麦基地采集的无人机麦田数据集进行训练和模型验证,实验结果表明,本文模型语义分割像素准确率高达95.57%,平均交并比达到77.48%。     

基于MobileViT模型的小麦收获机喂入密度分类方法

基于喂入量的作业速度智能化控制技术是优化联合收获机作业效率和质量的重要手段。本文针对传统喂入量自动控制技术时滞明显,在喂入量调整时无法及时适应实际情况的问题,采用基于图像的深度学习方法开展了成熟期小麦植株密度等级分类识别方法研究,通过预先感知作物密度,实现联合收获机作业参数的自动调整。首先基于车载相机和无人机图像构建了小麦植株图像数据集,并细分为低密度、中密度、高密度和特高密度4类;其次构建了基于MobileViT-XS轻量化网络的密度等级识别模型,利用建立的数据集进行模型的训练和测试;最后将其与VGG16、GoogLeNet和ResNet进行了比较。结果表明,MobileViT-XS模型的总体识别准确率达到91.03%,且单幅图像推理时间仅为29.5ms。与VGG16、ResNet网络相比,总体识别准确率分别高出3.51、2.34个百分点,MobileViT-XS模型可以较好的完成小麦不同密度等级的分类识别任务,为实时预测小麦喂入密度提供了技术支持。     

秸秆覆盖和播前灌水量对夏玉米抗倒伏特性的影响

【目的】研究秸秆覆盖和播前灌水量对成熟期夏玉米茎秆抗倒伏特性的影响。【方法】设置2种覆盖处理(秸秆覆盖处理和不覆盖处理,秸秆覆盖处理为小麦秸秆覆盖0.6 kg/m~2)和3种播前灌水量(低灌溉量30 mm、中灌溉量70 mm和高灌溉量110 mm),测定了成熟期夏玉米茎秆主要物理性状参数、倒数第3节间茎秆机械强度、抗倒伏指数和产量等指标。【结果】与不覆盖相比,秸秆覆盖增加了夏玉米穗位高、重心高度和茎秆抗折力,提高了玉米抗倒伏能力和籽粒产量(2017年增产7.6%)。播前灌水量显著影响夏玉米成熟期穗位高系数和倒数第3节间茎长、长粗比和茎秆机械强度,播前灌水量越高籽粒产量越高。秸秆覆盖下播前灌水70 mm玉米抗倒伏能力最优,不覆盖处理播前灌水70 mm玉米抗倒伏能力最差。茎秆长粗比和茎秆抗折力与玉米抗倒伏指数相关系数(r)2016年分别为:-0.458 7、0.434 6,2017年分别为:-0.315 7、0.375,穗位高系数不能作为评价玉米抗倒伏特性的指标。【结论】秸秆覆盖+播前灌水70 mm是实现抗倒高产的最优组合方案。