基于信息熵特征选择的小麦冠层叶绿素含量估测方法

为运用图像颜色特征估测作物的叶绿素含量,以自然环境下的小麦冠层图像为研究对象,提出一种基于熵权法的颜色特征选择方法,并应用机器学习方法建立小麦冠层叶绿素含量估测模型。熵权法通过信息熵来衡量颜色特征指标权重,实现冠层图像特征排序,机器学习方法选用多元线性回归（Multiple linear regression, MLR）、岭回归（Ridge regression, RR）和支持向量回归模型（Support vector regression, SVR）估测小麦冠层叶绿素含量。试验结果表明,与皮尔逊相关系数法和主成分分析法选取的特征集进行对比,熵权法得到a*、R-G-B、R-G、（a*+b*）/L、a*/b*、(R-G)/(R+G+B)、(R-B)/(R+B)、H/S、(R-G)/(R+G)等9个特征组成的特征集,可以利用较少的特征指标达到最优的预测效果。在选取相同特征指标参数的情况下,SVR的预测能力优于其它模型,其R2和RMSE的平均值分别为0.80、1.89,相比于MLR和RR模型R2分别提升2.8%、1.1%,RMSE分别下降0.13和0.05。将基于熵权法建立的SVR模型应用到2021年采集的小麦冠层图像数据,结果表明模型具有很好的稳定性。     

基于高光谱图像的叶绿素荧光Fv/Fm图像预测方法

叶绿素荧光参数Fv/Fm在植物逆境胁迫研究中具有重要意义,当前获取方法需要对植物进行暗适应处理,难以实现实时测量。为实现Fv/Fm的实时获取,本文以4种水分胁迫水平下的辣椒为研究对象,基于高光谱成像及特征波段筛选方法对Fv/Fm进行预测。采用中值滤波对Fv/Fm图像去噪,并基于二维坐标变换实现高光谱图像与叶绿素荧光图像的匹配。对比标准正态变换(SNV)、多元散射校正(MSC)和Savitzky-Golay卷积平滑(SG)3种光谱预处理算法,并基于连续投影(SPA)算法筛选特征波长。基于效果最优的SG预处理算法,分别以偏最小二乘回归(PLSR)、分析误差反向传播(BP)神经网络、径向基函数(RBF)神经网络对比建模精度,其中BP算法建立的模型精度相对较高,其测试集决定系数为0.918、均方根误差为0.011。研究表明,SG-SPA-BP的建模方法在实现预测精度的同时降低了模型复杂度,为基于高光谱图像对Fv/Fm图像的实时准确预测提供了方法。     

基于光学特性参数反演的绿萝叶绿素含量估测研究

为快速准确检测植物体叶绿素含量,提出一种基于MMD迁移的光学特性参数反演方法.以绿萝叶片为研究对象,仿真光子在基于蒙特卡洛方法的单层平板模型上的运动轨迹,获得12000幅绿萝叶片仿真光亮度分布图,利用卷积神经网络对模拟光谱数据进行训练,得到预训练模型;基于预训练模型进行迁移学习,在少量实测绿萝叶片光谱数据上对模型进行微...     

基于YOLO v5的植物叶绿素含量估测与可视化技术

为快速估测并直观显示植物叶绿素含量的冠层分布,以苗期的簸箕柳作为研究对象,构建了一套多视角表型信息采集平台,通过目标检测算法YOLO v5检测识别出植物分枝区域并提取不同色彩空间下的主枝部分分层色彩因子,对比多种模型回归方法,将多组色彩因子组合与手持式叶绿素含量测定仪测得的SPAD进行反演建模,得到拟合度最高的色彩因子组合回归模型;将该模型应用于整株苗木图像来表征SPAD的冠层分布,实现叶绿素含量在整株植物分布上的可视化。结果表明：通过对比多种回归算法下不同色彩因子组合模型与SPAD指数的相关性,发现在RGB空间下由色彩因子R、G、B、G/R、G/B构建的对数项岭回归算法拟合模型效果最佳,其拟合度最高（R²为0.73）,且误差最小（RMSE为2.16）。本文通过采集多视角图像,基于YOLO v5目标检测模型识别出植物主枝冠层区域,得到叶绿素含量冠层分布的最佳估测模型并进行可视化,可实现植物苗期生长的监测与植物长势的快速评判,为氮胁迫早期诊断和氮肥科学施加提供技术指导。     

小波图像修补技术在小麦NIR图像处理中的应用

在利用小波变换对小麦近红外图像处理的过程中存在小波系数缺损的问题,小波图像修补技术可以有效地恢复丢失小波系数.为此,针对小麦的近红外图像,引入了基于全变差(TV)的小波图像修补技术,分别对随机丢失5%和50%的小波系数的小麦种子进行近红外图像修补后,峰值信噪比PSNR分别由23.83dB和9.96dB提高到36.81 dB和33.20dB.修补后的近红外图像中,小麦的轮廓及腹沟郎分基本修补到接近原始图像,在种子的果毛、胚等包含纹理细节的部分修补效果不够理想.实验表明,基于全变差的小波图像修补技术町以恢复小麦近红外图像在处理过程中丢失的大部分系数,从而使得图像保存的信息更加完整.     

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%。     

基于高光谱图像的龙眼叶片叶绿素含量分布模型

针对传统高光谱单点法检测叶绿素含量效率低、精度不足等问题,提出一种基于高光谱图像和卷积神经网络(CNN)多特征融合的深度学习龙眼叶片叶绿素含量分布预测模型。首先进行Savitzky-Golay光谱去噪,然后通过奇异值分解(SVD)和独立成分分析(ICA)提取特征光谱,再对特征光谱图像提取灰度共生矩阵(GLCM)和CNN纹理特征,最后建立粒子群优化(PSO)支持向量回归(SVR)、深度神经网络(DNNs)分布模型。结果表明,基于特征光谱建模的PSO-SVR预测效果最佳,全期的校正集和验证集模型决定系数R2为0.822 0和0.815 2。对比多种主流模型,基于特征光谱、GLCM纹理、CNN纹理特征的ICA-DNNs模型预测精度最高,校正集和验证集R2分别为0.835 8和0.821 0。试验结果表明,高光谱图像可快速无损地对龙眼叶片叶绿素含量分布进行检测,可为龙眼树实时营养监测和病害早期防治提供理论依据。     

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。     

3FLD和反射率荧光指数估测小麦条锈病病情严重度的对比分析

为研究小麦条锈病病情严重度和日光诱导叶绿素荧光强度的关系,确定适合于探测小麦条锈病病情严重度的叶绿素荧光因子。本文分别利用3FLD(three bands Fraunhofer Line Discrimination)和反射率指数2种方法提取了日光诱导叶绿素荧光强度,对比分析了这2种方法估测的日光诱导叶绿素荧光强度在小麦条锈病病情严重度遥感探测中的应用潜力。利用3FLD方法计算的O2-A和O2-B波段叶绿素荧光强度与小麦条锈病病情严重度均达到了极显著相关,复相关系数分别为0.677 2和0.492 4。基于反射率指数估测日光诱导叶绿素荧光时,叶绿素荧光反射率比值指数R_(740)/R_(720)、R_(440)/R_(690)、R_(740)/R_(800)以及叶绿素荧光一阶导数光谱指数D_(705)/D_(722)、D_(730)/D_(706)与小麦条锈病病情严重度均达到了极显著相关,尤其是比值指数R_(440)/R_(690)与小麦条锈病病情指数的相关性最高,复相关系数达到了0.718 7。基于辐亮度的3FLD算法和基于反射率的叶绿素荧光比值指数2种方法提取的叶绿素荧光强度均能够实现小麦条锈病病情严重度的遥感探测,但利用反射率方法提取的日光诱导叶绿素荧光强度构建的小麦条锈病病情严重度估测模型优于3FLD算法,更适合小麦条锈病病情严重度的遥感探测。论文的研究结果为基于卫星平台的叶绿素荧光遥感探测小麦条锈病提供了重要的理论依据。     

小麦精播机器人设计——基于图像融合与智能路径规划

为了提高小麦的产量,并且在作业过程中使播种机器人成功绕过障碍物,需要对小麦播种路径精细的规划。为此,提出了一种新的路径规划方法,使用图像融合技术,结合模糊控制位移误差理论,实现了小麦播种机器人的自主路径规划。为了测试该方法的有效性和可靠性,设计了一款具备高清摄像功能和PC图像处理功能的精密播种机器人,并对其路径规划和播种效率进行了测试。结果表明:该机器人能够成功绕过障碍物,完成最优路径的规划,并在小麦播种过程中可以规划出近似矩形的播种路径。从机器学习和播种时间上的对比发现:该算法可以有效地提高机器学习速度,缩短播种时间,从而提高了小麦播种的自动化水平和作业效率。     

小麦条锈病菌夏孢子显微图像远程采集系统设计与试验

利用孢子捕捉器捕捉小麦田间空气中的条锈病菌夏孢子已成为当前小麦条锈病预测预报的重要手段。针对现有的孢子捕捉设备效率低、费时费力、需人工定时换取载玻片或捕捉带等问题,基于ARK-1123C型嵌入式工控机和显微镜CCD数字摄像头,提出了一种高放大倍数、高分辨率的小麦条锈病菌夏孢子显微图像远程采集系统的设计方案。设计了系统的硬、软件结构,实现了自动取载玻片、涂脂、空中孢子捕捉、孢子显微图像采集、载玻片回收等一系列功能,且可根据用户需求远程设置孢子捕捉和显微图像采集参数,采集的图像通过无线网络传输到远程服务器中。为了验证系统的性能,在小麦田间进行了40d的系统综合试验测试。测试结果表明,系统可长时间稳定工作,能够远程实时采集放大400倍的4096像素×3288像素的夏孢子显微图像。该系统能够实时采集和远程传输小麦条锈病菌夏孢子显微图像,可满足野外小麦田间空气中夏孢子监测的需求,为农田空气中小麦条锈病菌夏孢子的自动计数及条锈病的预测预报提供重要技术支持。     

基于残差网络和特征融合的小麦图像修复模型

针对基于生成对抗网络的多数图像修复算法所修复的图像纹理细节不清晰,不能充分融合神经网络提取的纹理细节信息和语义信息的问题,本文提出一种基于残差网络和特征融合的双阶段生成网络图像修复模型,通过修复训练集中被遮挡的图像,获取符合训练集整体分布的修复图像。首先,设计一种轻量型多尺度感受野残差模块,通过多个感受野不同的卷积核提取特征信息,提升粗化生成网络保留纹理信息的能力。其次构建一种双边精细修复网络结构,分别处理纹理细节信息和语义信息并进行聚合,实现图像的精细修复。最后基于GWHD数据集进行实验,验证本文算法的有效性。实验结果表明,本文模型较CE、GL、PEN-Net、CA算法,客观评价指标L1-loss降低0.56～3.79个百分点,PSNR和SSIM提升0.2～1.8 dB和0.02～0.08,并在人眼直观感受中实现了纹理结构清晰、语义特征合理的修复效果。相较于原GWHD数据集,在基于本文模型所扩充的小麦数据集中,运用YOLO v5s预测小麦麦穗的mAP提升1.41个百分点,准确率提升3.65个百分点,召回率提升0.36个百分点。     

基于无人机图像颜色与纹理特征的小麦不同生育时期生物量估算

为实现小麦生物量田间快速无损监测,开展基于不同密度、氮肥和品种处理的田间试验,应用无人机获取小麦越冬前期、拔节期、孕穗期和开花期4个时期的RGB图像,通过影像处理获取小麦颜色指数和纹理特征参数,并同时期通过田间取样获取小麦生物量;分析不同颜色指数和纹理特征参数与小麦生物量的关系,筛选出适合小麦生物量估算的颜色和纹理特征...     

4LD-2型谷物（小麦）联合收割机

主要技术参数：喂入量为2kg/s，生产率为0．33-0．67hm^2／h，总损失率为小麦不大于1．5％，水稻不大于3．0％．整机质量为1800kg，割幅为1900-2360mm，配套动力为36．76-63．24kW拖拉机。     

印度中央邦马尔瓦地区利用人工神经网络和回归模型预测蒸腾量的比较（摘选）

蒸发是水循环的一个重要组成部分,对蒸发量的估算是对水资源和灌溉水量有效利用的一个重要手段。该研究旨在利用多元线性回归模型、多层感知器（MLP）和人工神经网络（ANN）模型模拟印度中央邦马尔瓦地区周蒸发量。利用4种不同天气变量组合训练神经网络模型。多元线性回归模型只将最高温和相对湿度作为输入值,但是模拟结果不令人满意。MLP模型采用的数据集包括最高和最低温度、风速和相对湿度,在训练和验证中都取得了比较好的结果。MLP模型可以用来模拟周开放式蒸发皿蒸发量,估算缺失数据,并可以作为替代模型以验证蒸发量测定值。降雨量数据并不能改善模型性能。      

4YW-4型玉米联合收获机（小麦互换割台）

主要技术参数：外形尺寸为7110mm×2700mm×3690mm,配套动力可与河南龙工机械制造有限公司生产的4LZ-2型自走式小麦联合收割机配套作业,整机质量为5400kg,工作幅宽为2100mm,作业行数为4行,固定行距为580mm,喂入量为3kg/s,最小离地间隙为300mm。     

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...