基于车载式冠层光谱传感器的玉米拔节期叶绿素含量诊断

CropspecTM是一种基于735 nm 和808 nm的车载式主动作物冠层光谱传感器,能够快速、无损地检测作物氮素营养状态。为了评价其检测精度,针对农大8号和京农科等2种玉米作物品种,使用该检测系统在拔节期采集作物冠层在808nm和735nm波段处的反射率。然后组合计算了DVI735, NDVI735, PVI735和 RDV735 等常规的植被指数,并基于RVI735构造了一种新的植被指数MRVI735。通过分析各植被指数与叶绿素含量指标SPAD值之间的相关关系得出 :对于农大8号,MRVI735、NDVI735和RVI735与叶绿素含量指标的相关性较好,相关系数分别是:-0.7482、-0.6763和-0.6786,达到强相关水平。对于京农科,NDVI735、MRVI735和RVI735与叶绿素含量指标的相关性较好,相关系数分别是:0.7270、0.7252和0.7245,达到强相关水平。对于2个玉米品种,都分别选取了相关系数最好的一个和两个植被指数为参数,分别建立了一元线性回归模型和二元线性回归模型。农大8号的一元模型和二元模型的R2     

玉米拔节期冠层叶绿素含量多光谱图像检测

为了探索大田玉米冠层叶片叶绿素指标的快速检测方法。采用自主研发的2-CCD多光谱图像成像系统采集了大田玉米拔节期冠层图像,并同步获取了样本叶绿素含量指标SPAD值。对多光谱图像进行了平滑滤波,并基于HSI颜色空间实现了冠层图像的分割。提取了玉米冠层可见光(blue(B),green(G),red(R);400~700 nm)和近红外(near-infrared,NIR,760~1 000 nm)4个波段平均灰度值并计算了平均灰度值计算比值植被指数(RVI,ratio vegetation index)、归一化植被指数(NDVI,normalized difference vegetation index)、修改型二次土壤调节植被指数(MSAVI2,modified soil-adjusted vegetation index)等8种常见植被指数作为图像检测参数。分析了这12个检测参数与叶绿素指标之间的相关性,讨论了图像检测参数的多种组合,建立了叶绿素指标的多元线性回归分析(MLRA,multiple linear regression analysis)模型。研究结果表明:R、G、B波段的平均灰度值与叶绿素指标成较高负相关,相关系数分别为-0.73,-0.71和-0.71,植被指数中相关性较好的是NDVI、MSAVI2和RVI,相关系数分别为0.83、0.81和-0.81。基于这6个参数组合建立的叶绿素指标估算模型拟合度最好,其建模集决定系数为0.79,验证集决定系数为0.71,研究结果为无损检测玉米拔节期叶绿素含量提供了支持。     

基于深度学习的番茄授粉机器人目标识别与检测

针对植物工厂中对番茄花朵授粉作业的自动化和智能化需求,为克服当前机器人在授粉作业过程中因番茄花朵小、姿态朝向各异而导致的检测精度不高和授粉策略不完善等难题,该研究提出了一种由目标检测、花期分类和姿态识别相结合的番茄花朵检测分类算法--TFDC-Net（Tomato Flower Detection and Classification Network）。在目标检测阶段,提出了一种改进的YOLOv5s网络模型ACW_YOLOv5s,通过在YOLOv5s网络中添加卷积块注意力模块（Convolutional Block Attention Module,CBAM）并采用加权框融合（Weighted Boxes Fusion,WBF）方法,使模型的准确率达到0.957,召回率达到0.942,mAP0.5为0.968,mAP0.5-0.95为0.620,各项指标相较于原YOLOv5s网络模型分别提高了0.028、0.004、0.012、0.066,并改善了目标漏检和误检的状况。进而,针对不同花期的花朵以及花蕊不同姿态朝向的授粉问题,采用EfficientNetV2分类网络分别对3种不同花期和5种不同花蕊姿态朝向的花朵进行训练,分别得到花期分类模型及姿态识别模型,通过选取300张花期图片和200张姿态图片对其进行测试,花期分类模型和姿态分类模型的总体准确率分别为97.0%和90.5%。将研究提出的TFDC-Net算法应用于自主研发的授粉机器人中进行试验验证,结果表明,该算法能够实现对番茄花朵的目标检测、花期分类和姿态识别。在此基础上,通过坐标转换对目标快速定位,利用机器人机械臂末端执行器对番茄花朵中的花蕊完成了精准授粉,验证了该算法的有效性。该研究可实现对番茄花朵的目标识别与检测,有助于进一步推动授粉机器人的研发与应用。     

基于智能手机的玉米冠层叶面积指数测定

作物冠层在降雨分配与水土保持中具有重要作用,叶面积指数(leaf area index,LAI)是常见的作物冠层量化指数.本研究根据玉米冠层特征,模拟不同生育期(拔节期、小喇叭期、大喇叭期、抽穗期和成熟期)玉米植株冠层模型,通过手机图像获取,冠层阴影面积提取及修正、模型构建与验证等流程进行玉米冠层LAI的测定实验.试验...     

基于冠层上下部温差的冠层阻力计算

为了研究交替隔沟非充分供水下玉米冠层阻力的计算方法,于2009—2010年在中国农业科学院农田灌溉研究所作物需水量试验场进行了田间试验.根据实测资料分析了玉米气孔阻力与各环境因素的关系,基于 Jarvis (1976)多因子冠层阻力模型,引入冠层上、下部温差变量(ΔTc),提出了交替隔沟非充分供水下玉米冠层阻力的计算方法,即基于ΔTc的冠层阻力法,并分别与Jarvis(1976)、Ortega-Farias(2004)和Brisson et al(1998)法作对比研究,验证其准确性.结果表明,Javias(1976)、Ortega-Farias(2004)、基于ΔTc的冠层阻力法和Brisson (1998)的日平均冠层阻力计算结果分别为355.93、318.75、300.61和253.42 sm-1.其中,Ortega-Farias(2004)法和Javias(1976)法模拟结果分别偏高9.70%和22.50%;Brisson(1998)法模拟结果偏低12.78%;基于ΔTc的冠层阻力法计算结果比实测值偏高3.46%,二者的相关性最好,其计算结果与实测值间的平均绝对误差(MAE)、标准差(SD)和拟合度(d1)值分别为2.42、6.77和0.89,R2为0.86,计算精度优于Jarvis(1976)、Ortega-Farias (2004)和Brisson et al(1998)模型.基于冠层上、下部温差的冠层阻力计算法,考虑了作物、土壤、气候3大因素,模型的模拟范围、数据获取和精度都优于其他方法,能够较准确地表达交替隔沟非充分供水下的玉米冠层阻力.     

基于深度学习的玉米籽粒破损在线检测技术

玉米籽粒破损是制约中国玉米籽粒直收技术推广应用的瓶颈问题,如何快速准确地获取玉米收获过程中籽粒损伤情况是玉米智能化收获的关键。为了解决这一问题,该研究提出一种基于深度学习的玉米籽粒破损检测装置及方法,该方法采用籽粒单层化装置不断获取高质量玉米籽粒集图像数据,并通过深度学习分割、分类两阶段模型实现破损玉米籽粒检测。图像分割阶段通过深度学习经典实例分割模型（Mask R-CNN）完成区域内玉米籽粒单体分割;而图像分类则由该研究基于残差模块提出的新型网络模型（BCK-CNN）实现。为了评价BCK-CNN分类模型的有效性,将其和其他典型深度学习分类模型进行对比测试,并利用可视化的技术评估了不同模型对玉米籽粒的分类性能。结果表明：BCK-CNN模型对完整、破损玉米籽粒的分类准确性分别达到96.5%、94.2%。另外,选取平均相对误差为评价指标,通过模拟试验对比验证了该检测方法对破损玉米籽粒的检测性能。结果表明：相较于人工计算籽粒破损率,该研究提出的破损玉米籽粒检测方法计算得到的平均相对误差仅4.02%;且将其部署在移动工控机上对单周期玉米籽粒集图像检测时间可以控制在1.2 s内,研究结果为玉米收获过程中破损籽粒高效精准检测提供参考。     

玉米冠层内外风速变化周期特征的研究

应用Morlet连续小波变换对玉米冠层内外 4个高度风速数据的变化分析结果表明 ,1h平均风速的连续小波变换提供了不同高度风速数据所包含的多种周期分量的清晰图像 ,1d和 18d周期是 4组风速数据包含的主要周期分量。连续小波变换的平均谱显示了风速数据的时间变异性和能量在不同周期分量中的分布     

玉米冠层对喷灌水量空间分布的影响

作物冠层对喷灌水量分布的明显影响，为了弄清楚作物冠层对喷灌水量分布的影响作用，该文以春玉米为研究对象，进行了多组试验，初步探讨了在不同生育期玉米冠层上部与下部水量的分布情况。田间试验结果表明，玉米冠层对喷灌水量近地表附近分布均匀度有很大影响。喷灌水量到达玉米冠层后，通过4种途径落向地面，即：秆径流水量、叶尖水量、叶下水量和行间水量。这4部分水量在其分布点上的均匀程度很高，但作为一个整体，其水量的连续分布均匀性则很差。可见冠层对喷灌水量分布的影响不容忽视，有必要进一步弄清它们之间的影响机理，这将为喷灌制度的设计提供重要依据。     

夏玉米冠层叶片表观自由空间的差异研究

叶片自由空间在环境与冠层养分交换间具有重要作用,是目前植物营养学研究的重要领域之一。通过盆栽试验,以不同株型夏玉米为试材,研究了不同施氮水平（N 0、0.15和0.30 g /kg）下玉米冠层叶片表观自由空间（AFS）的差异。结果表明,不同生育期叶片AFS差异极显著（P0.01）,表现为随生育期推进,叶片AFS、生物量和全氮含量均逐渐降低;除成熟期,其它各生育期品种与施氮水平对叶片AFS的影响均存在显著的交互作用。施氮对叶片生物量的影响不显著,但施氮后叶片全氮含量显著增加。不同施氮水平下,植株冠层叶片AFS也存在显著差异,中量施氮处理（即N 0.15 g /kg）植株叶片AFS值（9.49 %）明显高于与不施氮处理（9.03 %）,但随施氮量进一步增加,叶片AFS下降,施氮量为N 0.30 g /kg时,叶片AFS为8.62 %;不同施氮水平各生育期不同叶层间叶片AFS、生物量和全氮含量差异显著（P0.05）。不同品种间叶片全氮含量和AFS存在显著差异（P0.05）,以紧凑型品种陕单902叶片AFS最大,平均为9.24 %,显著高于其它品种;中间型品种农大108与平展型品种陕单9号间差异不显著,二者平均分别为9.06 %和8.85 %;不同株型品种各生育期不同叶层间叶片全氮含量和AFS缺乏规律性。相关分析表明,叶片全氮与叶片AFS存在极显著正相关（R=0.9481）,说明植物冠层叶片AFS大小除受遗传特性影响外,植物体和介质氮素营养水平不同,AFS也存在差异,且这些差异随生育期变化而不同。     

玉米叶片纤维素含量与冠层光谱特征的研究

以株型相近的高赖氨酸玉米“中单9409”、粮饲兼用型玉米“中原单32”和高油玉米“高油115”为供试材料,研究了不同生育时期和冠层中不同高度叶片中纤维素、半纤维素含量的差异及其冠层水平的光谱响应。结果表明：在相同栽培密度和施肥水平下,不同品玉米品种叶片的纤维素、半纤维素含量存在差异,其中以中、上层叶片相差较大,不同品种间同层叶片纤维素含量相差可达34.9%,下层叶片相差较小。通过对同步获取的冠层近红外光谱与叶片中纤维素、半纤维素含量进行相关分析,分别筛选出1420、1450、1490、2100和2270 nm可作为反演纤维素含量的特征波长;而2270、2280和2340 nm可作为反演半纤维素含量的特征波长,达到了显著或极显著水平。     

拔节期追氮对鲜食糯玉米粉糊化和热力学特性的影响

以苏玉糯1号、苏玉糯5号和渝糯7号为材料,研究了拔节期追氮量（N 0、150和300 kg/hm2）对鲜食糯玉米粉糊化和热力学特性的影响。结果表明,随着拔节期追氮量的增加,峰值黏度和崩解值下降,糊化温度升高,而谷值黏度、终值黏度和回复值呈先降后升趋势; 热力学特征参数中,回生值、终值温度、糊化范围和峰值指数受拔节期追氮量影响较小。原样品热焓值和回生后样品热焓值均表现为随着拔节期追氮量的增加呈先降后升趋势。糊化和热力学特征值对拔节期追氮量的响应不同品种间存在差异。鲜食糯玉米粉的理化特性存在显著的基因型差异,峰值黏度以苏玉糯5号最高,苏玉糯1号最低; 峰值温度苏玉糯1号和苏玉糯5号无显著差异,但均高于渝糯7号; 热焓值、回生值、糊化范围和峰值指数不同品种间相对稳定。相关分析表明,峰值黏度与原样品热焓值和峰值指数呈显著正相关; 崩解值与糊化温度及转变温度,回生值与淀粉的终值黏度和回复值呈显著负相关。在本试验条件下,拔节期追氮总体上使糯玉米食用品质降低,其中以苏玉糯5号在不追氮处理下的糊化和热力学特性较优,即峰值黏度、崩解值和热焓值较高,回生值较低。     

拔节期追氮对春播和秋播糯玉米淀粉胶凝和回生特性的影响

以垦粘1号、苏玉糯1号和苏玉糯5号为材料,研究了拔节期追氮量(N 01、50和300 kg/hm2)对春播和秋播糯玉米淀粉胶凝和回生特性的影响,试验于扬州大学实验农牧场进行。结果看出,播期、品种和拔节期追氮量单因素及其互作对淀粉胶凝和回生主要特征值存在显著影响。糯玉米淀粉胶凝和回生特征值在拔节期追氮150 kg/hm2时和秋播条件下较优,即原淀粉具有较低的峰值温度、较高的热焓值,回生淀粉具有较低的回生值,且以垦粘1号表现较好。糯玉米淀粉胶凝和回生特征值之间存在一定的相关性。回生值分别与回生淀粉的热焓值、原淀粉的终值温度显著正相关,相关系数分别为0.82(P0.01)和0.47(P0.05);原淀粉的热焓值与峰值指数显著正相关,相关系数为0.53(P0.05),与原淀粉峰值温度、回生淀粉的终值温度显著负相关,相关系数分别为-0.53(P0.05)和-0.52(P0.05);回生淀粉的热焓值分别与回生淀粉起始温度、终值指数显著正相关,相关系数分别为0.46(P0.05)和0.66(P0.01)。综合考虑淀粉胶凝和回生特性在不同处理下的变化趋势,以秋播糯玉米淀粉在拔节期追N 150 kg/hm2处理下较优。     

基于YOLO＿X和迁移学习的无人机影像玉米雄穗检测

玉米雄穗表型信息的获取对研究玉米长势及产量起着非常重要的作用,为实现复杂田间环境玉米雄穗的精确识别和计数,该研究使用无人机采集试验田的玉米雄穗影像,基于FasterR-CNN、SSD、YOLO＿X目标检测模型,使用迁移学习方法实现玉米雄穗的高精度识别,并分析了模型对不同品种和不同种植密度的玉米雄穗检测效果。试验结果表明,基于迁移学习的FasterR-CNN、SSD、YOLO＿X的目标检测效果相比于未使用迁移学习的模型有明显提升,其中,迁移学习后YOLO＿X的识别精确度为97.16%,平均精度为93.60%,准确度为99.84%,对数平均误检率为0.22,识别效果最好;不同玉米品种对模型的适应性有所差异,其中郑单958对模型适应性最好,Faster R-CNN、SSD、YOLO＿X的决定系数R²分别为0.9474、0.9636、0.9712;不同种植密度下玉米雄穗的检测效果有所差异,在29985,44 978,67 466,89 955株/hm²种植密度下,模型对郑单958检测的平均绝对误差分别为0.19、0.31、0.37、0.75,随着种植...     

玉米抽穗期雄穗对冠层反射率辐射传输特征的影响

为分析玉米雄穗对冠层可见光、近红外波段辐射传输特征的影响,运用四维轨道塔吊系统获取连续2 a玉米抽穗期的冠层光谱,并在抽穗初期和末期分别进行了3个梯度的剪穗试验,分析玉米抽穗期冠层二向反射率特征以及雄穗干物质含量特征。结果表明：1）比较抽穗期不同时间冠层反射率的模拟值和实测值得出,在抽穗初期实测值高于模拟值,随着生育期的推进,模拟值逐渐高于实测值。但在可见光波段整个抽穗期实测值均高于模拟值,在近红外波段模拟值总体高于实测值。2）分析不同穗梯度冠层二向反射率特征发现,在可见光波段,太阳主平面和垂直太阳主平面方向上,2个散射方向的无穗反射率值在所有观测角度上均最高,1/2穗次之,全穗最低;近红外波段,在太阳主平面方向,3个穗梯度反射率差异不大,但在垂直太阳主平面方向,后向散射方向反射率值总体高于前向散射方向反射率值,且无穗反射率值依然总体高于1/2穗和全穗;在垂直观测条件下得到相同的结果。3）分析PROSAIL模型模拟值和农学参数相关性,得出模拟值与叶绿素含量、叶面积指数在全波段呈显著负相关,无穗实测值和模拟值分别与叶面积指数和叶绿素含量相关性表现一致。4）在玉米整个抽穗期雄穗鲜质量变化差异较大,而干质量变化差异不大。研究可为修正辐射传输模型、提高模拟精度,使之更好地应用于植被理化参数反演提供科学依据。     

改进帧间差分-深度学习识别群养猪只典型行为

群养猪行为是评估猪群对环境适应性的重要指标。猪场环境中,猪只行为识别易受不同光线和猪只粘连等因素影响,为提高群养猪只行为识别精度与效率,该研究提出一种基于改进帧间差分-深度学习的群养猪只饮食、躺卧、站立和打斗等典型行为识别方法。该研究以18只50～115日龄长白猪为研究对象,采集视频帧1 117张,经图像增强共得到4 468张图像作为数据集。首先,选取Faster R-CNN、SSD、Retinanet、Detection Transformer和YOLOv5五种典型深度学习模型进行姿态检测研究,通过对比分析,确定了最优姿态检测模型;然后,对传统帧间差分法进行了改进,改进后帧间差分法能有效提取猪只完整的活动像素特征,使检测结果接近实际运动猪只目标;最后,引入打斗活动比例（Proportion of Fighting Activities, PFA）和打斗行为比例（Proportion of Fighting Behavior, PFB）2个指标优化猪只打斗行为识别模型,并对模型进行评价,确定最优行为模型。经测试,YOLOv5对群养猪只典型姿态检测平均精度均值达93.80%,模型大小为1...     

群养猪侵略性行为的深度学习识别方法

为了解决因传统机器视觉和图像处理方法的局限性以及复杂的猪体姿态和猪舍环境导致对群养猪侵略性行为识别的有效性、准确率较低的问题,该文基于深度学习的方法,提出使用3DCONV的群养猪侵略性行为识别算法-3DConvNet。分3个批次采集18头9.6 kg左右的大白仔猪视频图像,选用第一批次中包含28 d内各个时段的撕咬、撞击、追逐、踩踏4大类,咬耳、咬尾、咬身、头撞头、头撞身、追逐以及踩踏7小类侵略性行为以及吃食、饮水、休息等非侵略性行为共计740段(27114帧)视频作为训练集和验证集,训练集和验证集比例为3:1。结果表明,3DConvNet网络模型在训练集上的识别准确度达96.78%,在验证集上识别准确度达95.70%。该文算法模型对于不同训练集批次的猪只以及不良照明条件下依然能准确识别侵略性行为,算法模型泛化性能良好。与C3D模型进行对比,该文提出的网络模型准确率高出43.47个百分点,单帧图像处理时间为0.50 s,可满足实时检测的要求。研究结果可为猪场养殖环境中针对猪只侵略性行为检测提供参考。     

拔节期追磷对小麦生长及产量的影响

试验是在小麦氮肥充足、底磷不足,拔节初期表现严重缺磷的情况下进行的。结果表明,追施磷肥对促进小麦生长发育、增加根系数量、提高成穗率、增加产量效果显著。     

基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别

疏果前期苹果背景复杂、光照条件变化、重叠及被遮挡,特别是果实与背景叶片颜色极为相近等因素,给其目标识别带来很大困难。为识别疏果前期的苹果目标,提出基于区域的全卷积网络(region-based fully convolutional network,R-FCN)的苹果目标识别方法。该方法在研究基于ResNet-50和ResNet-101的R-FCN结构及识别结果的基础上,改进设计了基于ResNet-44的R-FCN,以提高识别精度并简化网络。该网络主要由ResNet-44全卷积网络、区域生成网络(RegionProposal Network, RPN)及感兴趣区域(Region of Interest, RoI)子网构成。ResNet-44全卷积网络为基础网络,用以提取图像的特征,RPN根据提取的特征生成Ro I,然后Ro I子网根据ResNet-44提取的特征及RPN输出的Ro I进行苹果目标的识别与定位。对采集的图像扩容后,随机选取23 591幅图像作为训练集,4 739幅图像作为验证集,对网络进行训练及参数优化。该文提出的改进模型在332幅图像组成的测试集上的试验结果表明,该方法可有效地识别出重叠、被枝叶遮挡、模糊及表面有阴影的苹果目标,识别的召回率为85.7%,识别的准确率为95.1%,误识率为4.9%,平均速度为0.187 s/幅。通过与其他3种方法进行对比试验,该文方法比FasterR-CNN、基于ResNet-50和ResNet-101的R-FCN的F1值分别提高16.4、0.7和0.7个百分点,识别速度比基于ResNet-50和ResNet-101的R-FCN分别提高了0.010和0.041 s。该方法可实现传统方法难以实现的疏果前苹果目标的识别,也可广泛应用于其他与背景颜色相近的小目标识别中。     

基于改进型YOLOv4-LITE轻量级神经网络的密集圣女果识别

对密集圣女果遮挡、粘连等情况下的果实进行快速识别定位,是提高设施农业环境下圣女果采摘机器人工作效率和产量预测的关键技术之一,该研究提出了一种基于改进YOLOv4-LITE轻量级神经网络的圣女果识别定位方法。为便于迁移到移动终端,该方法使用MobileNet-v3作为模型的特征提取网络构建YOLOv4-LITE网络,以提高圣女果果实目标检测速度;为避免替换骨干网络降低检测精度,通过修改特征金字塔网络（Feature Pyramid Networks,FPN）+路径聚合网络（Path Aggregation Network,PANet）的结构,引入有利于小目标检测的104×104尺度特征层,实现细粒度检测,在PANet结构中使用深度可分离卷积代替普通卷积降低模型运算量,使网络更加轻量化;并通过载入预训练权重和冻结部分层训练方式提高模型的泛化能力。通过与YOLOv4在相同遮挡或粘连程度的测试集上的识别效果进行对比,用调和均值、平均精度、准确率评价模型之间的差异。试验结果表明：在重叠度为0.50时所提出的密集圣女果识别模型在全部测试集上调和均值、平均精度和准确率分别为0.99、99.74%和99.15%,同比YOLOv4分别提升了0.15、8.29、6.55个百分点,权重大小为45.3 MB,约为YOLOv4的1/5,对单幅416×416（像素）图像的检测,在图形处理器（Graphics Processing Unit,GPU）上速度可达3.01 ms/张。因此,该研究提出的密集圣女果识别模型具有识别速度快、识别准确率高、轻量化等特点,可为设施农业环境下圣女果采摘机器人高效工作以及圣女果产量预测提供有力的保障。