基于低空遥感的果树冠层信息提取方法研究

【目的】 果树冠层信息是反映果树生长状况的重要参数,准确提取果树的冠层信息对于果园的精细管理十分必要。【方法】 文章以苹果树和桃树为研究对象,利用无人机遥感获取果园影像数据,首先通过Mask R-CNN实例分割算法对果园果树冠层进行逐一分割,同时提取果树冠幅和冠层面积信息。然后利用果园正射影像结合QGIS软件,对果树冠层位置信息进行提取和可视化并通过目视解译对果树冠层参数信息提取结果进行评估。【结果】 当交并比为0.5时,模型检测分割结果最优,测试集语义分割精确度为66.3%,目标检测精确度达到63.9%。总体冠层面积实测值与模型预测面积之间的平均相对误差为12.44%,均方根误差为0.5 m²。冠幅实测值与模型预测的面积之间的平均相对误差为16.39%,均方根误差为0.39 m,在一定范围内验证了模型对冠层面积和冠幅信息提取的可靠性。【结论】 结合无人机遥感数据和Mask R-CNN实例分割算法可有效地将果树冠层分割出来,并且能够较为准确地提取果树冠层的相关参数信息,可为果园的精细管理提供一定的技术支撑。     

基于窄带光谱图像分析的小麦冠层植被指数测量方法研究

[目的]针对小麦生长早期植被指数易受土壤背景干扰的问题,提出了一种基于窄带光谱图像分析的小麦植被指数测量方法。[方法]构建了多镜头结构的窄带光谱图像获取装置,实时获取656和770 nm的田间小麦窄带光谱图像。运用简单线性聚类(simple linear iterative clustering, SLIC)和VGG16(visual geometry group network 16)全卷积神经网络对小麦近红外窄带光谱图像进行超像素聚类和分类,把交并比(Q_seg)、综合评价指标(F值)、精度(Precision)作为分割精度评价指标,分析传统阈值分割方法和本研究方法去土壤背景干扰的性能差异。去除土壤背景后的窄带光谱图像采用太阳光免白板标定方法计算植被指数,并与GreenSeeker RT200的实测数据进行对比分析,定性定量评价本研究方法去除土壤背景干扰的性能。[结果]试验共采集12个小麦品种、2个施氮水平、24块种植小区图像,Q_seg、Precision和F值的平均值分别为90.41%、80.82%和72.73%,分割性能均优于传统的阈值...     

田间水稻冠层图像分割算法的研究

水稻氮素状况是评价水稻长势、估测产量与品质的重要参考指标,对水稻氮素的精确诊断与高效管 理具有重要意义。用计算机图像处理技术能够精准、简便、实时无损地检测水稻的营养信息,在精准农业中得到 广泛应用。其中,水稻冠层分割的准确度和速度直接影响了模型的性能和效率。分析了3 种典型田间背景下水稻 图像的RGB 颜色通道特点,并从图像边缘、颜色、区域等方面对水稻冠层部分进行分割,提出了基于G-R 颜色 通道的最大类间方差分割方法,并与其他方法进行了时间开销和分割效果的对比。结果表明,该方法的分割成功 率达92.5%,时间开销最小。     

基于超像素分割的田间小麦穗数统计方法

【目的】 小麦穗数是产量构成的重要因素。通过图像处理技术快速准确地统计小麦穗数,为作物长势监测和产量估测提供重要依据。【方法】 本研究以经氮肥梯度处理后不同长势的小麦为研究对象,首先,通过简单线性迭代聚类算法（simple linear iterative cluster,SLIC）对田间小麦图像进行超像素分割的预处理;提取并分析图像的部分颜色特征参数,选择适宜的颜色特征参数训练分类器;选择准确率最高的分类器对图像进行分类处理,识别麦穗。其次,对麦穗识别结果进行二值化;经腐蚀、膨胀等一系列形态学计算提取麦穗主体并进行区域统计;提取麦穗骨架,检测骨架角点数,结合角点数与区域统计结果计算小麦穗数;最后,通过线性回归分析方法验证了无氮（0）、低氮（1/2常规施氮量）、正常氮（常规施氮量）、高氮（2倍的常规施氮量）4个氮水平麦穗统计结果。【结果】 （1）利用超绿值（E_g）和归一化红绿指数（D_gr）作为分类特征可以有效地识别麦穗、土壤和叶片;（2）相较于直接基于像素进行图像处理,经超像素分割处理后麦穗识别结果更理想,识别出麦穗主体清晰,形态更为完整;（3）经比较,高氮水平下小麦长势较好,穗数统计准确率最高,为94.4%,无氮水平下小麦长势较差,穗数统计准确率最低,仅为81.9%;排除无氮情况后,长势较均匀的氮水平混合样本中麦穗计数准确率达到92.9%,相较于长势差异较大的混合样本准确率提高了8.3%。【结果】 在一般环境下,利用超像素和颜色特征的麦穗自动统计方法可以快速准确地对大田小麦进行穗数计算,长势过弱以及差异过大区域不推荐使用,研究结果为小麦大田估产提供了新的参考。     

基于统计直方图k-means聚类的水稻冠层图像分割

针对现有k-means聚类图像分割方法存在对初始聚类中心敏感、易错分割以及运行时效低等问题,提出了一种基于统计直方图k-means聚类的水稻冠层图像分割方法.该方法首先根据图像直方图蕴含的像素数量先验信息,选择像素数量差异较大的像素值作为水稻冠层图像的初始聚类中心;然后再利用图像直方图中像素值与图像像素数量的先验对应关...     

基于贝叶斯决策的果树害虫图像分割研究

由于果树害虫图像中会存在背景区域,而用户关注的是图像中的害虫,需要把害虫从背景区域中分割出来。针对这种情况,提出基于贝叶斯决策的果树害虫图像分割方法。算法首先将图像中的像素分为前景和背景两类,获取两类的先验概率,取得图像中蓝色通道的灰度图,统计每个灰度级中像素出现的个数,计算出正态分布函数的参数,得到类条件概率密度函数。利用贝叶斯公式计算后验概率从而确定每个像素在两类中的归属。经过试验,可以有效的把前景区域分割出来。     

基于冠层图像测算马铃薯群体叶面积的方法

为探索基于冠层数码图像测算马铃薯群体叶面积方法的可行性及准确性。本研究采用拍摄技术与图像处理技术相结合的方法,对比分析了马铃薯冠层投影面积与叶片系数法、叶片图像法所获马铃薯群体叶面积之间的定量关系。结果表明:马铃薯冠层投影面积(x)与叶片图像法所测株体叶面积(y)间存在极显著的二次项型正相关关系,?=-0.001x~2+7.620x–2827,R~2=0.901。该冠层图像法株体叶面积测算模型在马铃薯块茎形成期至块茎膨大前期偏差较小,块茎膨大前期精度最高;在苗期与块茎膨大后期偏差较大。基于冠层图像进行马铃薯群体叶面积的快速、无损测算,具有可行性。     

基于改进语义分割模型的无人机多光谱图像杂草分割

杂草与作物争夺肥料、阳光等养分,从而影响作物生长,快速有效地清除杂草危害对提高作物的产量和品质具有重要意义。传统的杂草防治方法常采取大面积喷洒除草剂等措施,无法满足智慧农业的精细化管理要求,精确、可靠的杂草检测是智能除草的关键。在卷积神经网络模型PANet的基础上进行改进,把原始特征提取网络ResNet替换为DenseNet-121,采用FPA模块提供像素级注意力信息,通过金字塔结构增加感受野。以无人机多光谱糖菜杂草图像为研究对象,分别构建近红外790 nm、红色690 nm和归一化植被指数NDVI的训练数据集进行网络训练。发现PANet的训练精度为97.38%,测试精度为93.41%;采用3通道（近红外790 nm+红色690 nm+NDVI）训练的模型F₁值最高为0.872。结果表明,该方法可以实现无人机多光谱图像杂草的有效分割,可为农田杂草精确检测和农作物生长状况监测提供参考和借鉴。     

基于H分量K-Means多种环境条件下谷子冠层图像提取

以谷子为研究对象,采集谷子阴天、背景复杂有阴影、光照不均、露水雨水反光4类环境条件下的冠层图像,分别采用超绿分割、Lab空间K均值聚类分割和基于H分量的K均值聚类分割3种算法进行冠层提取,探究不同条件下谷子冠层提取的最优方法.对于阴天和背景复杂有阴影的谷子冠层图像,3种算法均可以较完整地提取,分割准确率均达到93％以上...     

无人机喷雾粒径对水稻冠层雾滴沉积效果的影响

为了解无人机喷雾粒径对水稻冠层雾滴沉积效果的影响,以丽春红2R为示踪剂,检测了粒径分别为218、200、178、145μm的雾滴在水稻冠层上、中、下部的沉积分布。结果表明:雾滴在水稻冠层上、中、下部的沉积量之间差异显著,下部的雾滴沉积量高于上部和中部;不同粒径雾滴沉积量之间差异极显著,即喷雾粒径显著影响雾滴在靶标上的沉积量。不同粒径雾滴的小区试验中,采样点平均单位面积药液沉积量具有随喷雾粒径减小而增大的趋势,粒径218μm喷雾的冠层中部单位面积平均沉积量最小,为0.52μL/cm~2,粒径145μm喷雾的冠层下部的平均单位面积沉积量最大,为0.99μL/cm~2。粒径145μm喷雾在植株上、中、下部冠层采样点沉积量变异系数最低,分别为8.40%、17.86%、14.92%,粒径218μm喷雾的冠层采样点沉积量变异系数最高,分别为33.86%、32.04%、34.06%。以上结果说明,雾滴在水稻冠层的分布均匀性和穿透性都较好,且雾滴粒径越小,水稻冠层单位面积药液沉积量越大,分布均匀性越好。     

基于改进的像元二分模型估测郁闭度

目的郁闭度是森林资源调查的一个重要因子,它不仅可以反映森林冠层的郁闭程度和树木利用空间的程度,并且能够指示林分密度。遥感为区域和全球尺度精确估测郁闭度提供了前所未有的契机,使得大面积郁闭度监测制图成为可能。本文旨在利用资源三号卫星影像数据结合模型对区域尺度上落叶松林进行郁闭度估测。方法以黑龙江省佳木斯市桦南县孟家岗林场落叶松人工林为研究对象,首先采用像元二分模型对植被覆盖度进行估算,通过探寻植被覆盖度与郁闭度的关系,对像元二分模型进行改进,通过计算不同累积频率归一化植被指数（NDVI）的值作为模型参数,对比不同参数取值时模型拟合效果得到最优模型,并利用模型估测郁闭度。结果拟合结果表明,2%累积频率下模型拟合效果最好,模型R2为0.838,RMSE为0.045,最后利用该模型得出孟家岗林场落叶松人工林郁闭度分布图。结论利用改进的像元二分模型可以较为准确地估测郁闭度。本研究对探索我国北方落叶松人工林郁闭度遥感估测提供了更有效的途径,同时也为森林资源和参数的调查提供一定的参考依据。      

果树树冠间距与树势关系的对比试验

通过测定单叶重来间接反映树势的方法,对高度为4～5 m的自然圆头形的树冠进行了不同树冠间距的树势对比观察。结果表明,在0～3 m间距范围内,树冠间距越宽,单叶重越重,树的长势越好。此外,还对合适的树冠间距进行了讨论,认为对于不同品种和地域,荔枝、龙眼等果树的树冠间距以0.5～1.5 m为宜,此密度范围内的果园产能可能是最高的。     

基于树冠面积与苹果数量的果树产量预估方法

【目的】 苹果产量的早期预测对于市场供需关系、果农、消费者都有重要的影响,准确预估苹果产量具有重要的理论和应用意义。【方法】 文章提出了一种利用卷积神经网络和长短期记忆网络进行苹果产量预测的方法。利用由果树图像数据中获得的果树苹果数量,和由果园无人机图像获取的果树树冠面积作为特征信息,再经过该文提出的卷积—长短期记忆网络,获得每棵果树的预估产量。【结果】 该文使用5种评价标准,分别是预测误差概率密度、预测绝对误差、均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）,经过实验验证,该文所述方法的均方根误差RMSE最优可以达到9.16。【结论】 该文所述方法依据果树的图像与果园的无人机图像,可以较好地预估苹果产量,为大规模果园产量预测提供技术支撑。     

基于可见光谱色彩指标Otsu 法的水稻冠层图像分割

水稻冠层数字图像分析技术在水稻生长监测、氮营养诊断及产量预测上具有应用潜力,而水稻像元精确分割、提取是水稻冠层数字图像分析结果准确、稳定、可靠的前提。最大类间方差法(Otsu法)具备分割质量稳定、自适应强的特性,分割效果较好,是一种常用的阈值分割方法。通过提取计算水稻冠层图像9种图像色彩指标R、G、B、CIEL*a*b*色彩空间的L*、a*、b*分量、HSV色彩空间的H分量、绿度叶片指数(GLD)以及植被指数(VIGreen),并以各种图像色彩指标的Otsu法对水稻冠层图像进行分割,比较其图像分割效果。结果表明,水稻和土壤像元的a*、b*、GLD、VIGreen色彩指标双峰性明显,且重叠性小,可作为分割水稻与土壤背景的候选图像色彩指标;基于a*、GLD、VIGreen色彩指标的Otsu法的分割精度较高,且基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低,其次是基于VIGreen色彩指标的Otsu法;基于CIEL*a*b*色彩空间的a*色彩指标是Otsu法的水稻冠层图像分割中较优的图像色彩指标。     

基于姿态估计和关键点特征向量的奶牛跛行识别方法

针对目前养殖场中自动检测奶牛跛行效率低、准确率不高等问题,设计了一种基于姿态估计和膝关节角度特征向量的奶牛跛行识别方法。鉴于奶牛行为具有随机停留的特点,制作奶牛在不同远近视场尺度和观测角度等条件下奶牛姿态估计数据集。将Faster RCNN卷积神经网络模型引入到奶牛关键点检测中提高跛行识别的可靠性;以ResNet101网络作为特征提取网络,构建奶牛姿态估计网络,并采用超参数微调训练方法,对网络模型进行迁移训练。通过视频中的奶牛姿态信息和关键点坐标信息,计算出奶牛行走时膝关节的角度特征,并利用1-D Convolution分类模型实现奶牛的跛行识别。实验结果显示：以ResNet101网络模型为基础的奶牛姿态估计网络的PCK@0.1值可以达到0.925 0;使用1-D Convolution模型对奶牛行为分类识别的准确率为97.22%,与LSTM、Bi-LSTM、GRU模型相比,分别提高5.55、2.78、11.11百分点。以上结果表明,所提方法对自然环境下奶牛跛行有较好的检测效果,可用于奶牛智能化养殖并为养殖管理提供技术参考。     

宽喷幅风送式喷雾机在果树冠层中喷雾有效性及雾滴穿透性试验研究

风送式喷雾可以有效地抵御自然风的干扰,减少雾滴的漂移,其喷雾有效性及雾滴的穿透性直接影响着喷雾机的喷雾性能.以宽喷幅风送式喷雾机为试验平台,用0.1％的罗丹明B为示踪剂,对靶标树进行了喷雾试验,研究宽喷幅风送式喷雾机雾滴沉积的有效性与穿透性.结果表明:喷雾雾滴在树冠前冠面及内膛均有较高的效率,在靶标树的前冠面、中膛、后冠面和距离树冠后方10 cm的外截面等4个截面上都有雾滴沉积,喷雾有效率分别为100％、86.2％、48.3％和62.1％;树冠前冠面、中膛、后冠面雾滴沉积量分别为0.028、0.007、0.003 mL,树冠前后地面上有明显的雾滴沉积,地面采样点上的沉积量分别为0.044、0.031 mL;喷雾过程中气流在靶标树两边存在绕流是引起树冠后方雾滴沉积的原因,关闭处于喷口下方的喷头可以减少雾滴在地面上的沉积.     

基于决策树的桔小实蝇防治方案选择

通过漳州平和县蜜柚生产基地实地调研,结合已有文献数据,对桔小实蝇不同防治措施的成本进行核算,总结各种防治手段的特点。制定平和?溪蜜柚桔小实蝇防治的5种方案,采用Excel软件建立桔小实蝇防治方案决策模型,以期望成本最小化为决策准则,对各防治方案进行了排序,选出最优的桔小实蝇防治方案:用性信息素诱杀,必要时进行二次诱杀,若防治效果不理想,则及时释放不育雄虫。     

基于三维激光扫描成像系统的树冠生物量研究

林业中对树冠进行准确量测一直都难以实现,对树冠体积、表面积的估测也多是将树冠近似为规则几何体,所得到的数据偏差较大,使与树冠相关的一些研究受到限制.该文将三维激光扫描成像系统运用于立木测量,建立立木三维模型,通过对模型进行量测获取包括树冠体积、表面积等各种测树因子.以此为基础,运用非线性回归方法建立树冠体积、表面积回归方程,相关系数都在0.95左右.利用树冠体积、表面积回归模型,可以用传统林业调查数据推算树冠的体积表面积,可以使与树冠相关的估测、研究得到较好的结果.同时该文将树冠因子引入生物量模型,建立包含树冠体积、表面积的生物量模型,获得了较传统CAR模型更好的效果,可作为生物量估测的基本模型.     

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。结果本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB + H通道 + LBP条件下,验证识别准确率最高,达到93.50%;RGB + HSV + LBP + HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。