基于图像颜色特征的密植冬小麦覆盖指数反演

为了快速获取大田冬小麦作物生长信息,对田间植被覆盖度(VCI)进行检测。采用开发的多光谱图像采集系统,在拔节期-扬花期获取冬小麦冠层可见光( B、G、R ,400～700 nm)和近红外(NIR,760～1 000 nm)图像。图像经自适应平滑滤波处理后,针对RGB图像,采用HSI色彩空间模型,设定 H 分量阈值［π/4,6π/5］进行分割,对NIR图像采用自动阈值分割法分割,进而提出了基于“ H +NIR”组合的冬小麦冠层多光谱图像分割方法,并计算VCI值。对未经分割的原始图像提取了9个图像检测参数,包括各通道图像灰度均值( A R、 A G、 A B、 A NIR )、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、比值植被指数(RVI)、差值植被指数(DVI)和冠层 H 分量均值 A H。图像检测参数与VCI相关性分析结果表明,各植被指数与VCI的相关系数绝对值均大于0.90。应用NDVI、NDGI、RVI和DVI建立了多元线性回归模型,其 R 2 c =0.948, R 2 v =0.884,可以用于快速反演VCI,为田间作物生长评价和管理提供支持。     

基于无人机图像的玉米冠层叶绿素含量检测与分布研究

为了快速、无损地获取大田作物叶绿素含量空间分布,基于无人机遥感技术研究了大田玉米冠层叶绿素含量检测及分布图绘制方法。利用无人机遥感技术采集了150幅大田玉米的航拍图像,并通过Pix4dmapper软件对其进行了拼接;在实验田中,等距获取80株玉米叶片样本,通过化学法萃取叶绿素,并使用分光光度计测量叶绿素含量,形成了基础数据源。在数据处理方面,采用Arc GIS软件对样本点的POS(Position and orientation system)数据与无人机图像进行匹配;对无人机拍摄的RGB图像,首先进行R、G、B三通道分量值提取,构建了绿红比值、绿红差值、归一化红绿差值、超绿等10种颜色特征,并计算了均值、标准偏差、平滑度、三阶矩等6种纹理特征,然后建立了基于BP(Back propagation)神经网络的玉米冠层叶绿素含量检测模型。实验结果表明,基于BP神经网络的玉米冠层叶绿素含量检测模型的均方根误差RMSE为4. 465 9 mg/L,决定系数R~2为0. 724 6。通过BP神经网络检测模型计算出大田玉米图像每个像素点的叶绿素含量,基于伪彩色技术绘制大田玉米叶绿素含量可视化分布图,分析田间玉米冠层叶绿素含量分布图可以直观区分田间道路与冠层区域,显示地块叶绿素分布差异。通过无损检测大田玉米冠层叶绿素含量及叶绿素分布可视化,可为田间作物长势评价和精细化管理提供技术支持。     

基于特征波长优化的便携式作物叶绿素检测仪研究

为了满足田间作物长势快速检测与指导变量管理的需求,基于作物叶绿素光谱响应特征波长筛选与优化,开发了一款便携式作物叶绿素检测仪。首先,采用高光谱仪采集玉米冠层325～1 075 nm反射光谱,并采样萃取叶片叶绿素含量真值,开展叶绿素敏感响应波长筛选。经蒙特卡洛无信息变量消除(MC-UVE)算法在10～100个特征波长范围内进行变量筛选,表明采用50个特征波长时具有最优的叶绿素含量检测能力。其次,选择AS7265x型光谱传感器,以半峰宽20 nm的12个区间覆盖筛选的50个波长,设计的叶绿素检测仪包括传感器、主控制器、显示和控制等模块,实现作物冠层反射光数据采集、处理、显示和存储功能。开展传感器反射率标定与田间应用测试,基于传感器获取的反射率构建叶绿素含量偏最小二乘检测模型验证集决定系数为0.628;进一步组合归一化红边植被指数(NDRE:730、900 nm)和绿光归一化差值植被指数(GNDVI:535、900 nm),检测模型精度提高到0.69,模型嵌入系统最终实现了田间叶绿素含量快速检测,为作物长势高效分析提供了技术支持。     

基于俯视图像的玉米株心快速识别方法研究

单株玉米的株心识别是完成按株作业的关键,可用于对单株玉米进行变量施肥,提高施肥利用率。本文首先采用超绿因子增强苗期玉米植株,使玉米植株与土壤、阴影分离,将增强后的图像用Ostu法自动确定图像的最佳阈值,以便于在分割苗期玉米图像时不受阴影的影响,并能分割出苗期玉米植株。然后把分割的苗期玉米植株图像的亮度看作是一维坐标,绘制玉米植株的高程图,玉米植株的中心区域在高程图呈现为集水盆形状。采用水平集确定玉米植株的中心区域并对玉米植株中心进行定位,并结合分治法搜索玉米植株的极小值区域,降低了数据结构的规模。数据验证结果表明,算法识别率可达96%,保证了算法的实时性与可行性。另外,采用分治法与水平集法相结合确定玉米植株的中心区域,使该算法不受天气因素的影响,提高了该算法在田间作业时的鲁棒性。算法时间复杂度计算结果为O(lgn),能够满足田间作业的实时性。     

玉米小斑病病害程度图像检测

为了实时获取作物病害程度信息,研究了一种基于RGB彩色模型的玉米小斑病图像的分割方法,并利用分割结果求得的玉米冠层危害程度来计算整株玉米的发病程度.由于图像中背景复杂,将叶片与病斑同时分离出来的可能性小,故该方法分为两步:首先从获取的RGB图像中提取R、G、B分量,利用2G-R-B图像采用迭代法自动选取阈值将玉米叶片从背景中分割出来;然后根据R-G图像将病斑从叶片上分离出来.30幅图像中玉米叶片、病斑基本上能提取出来,但没有黄化的少量侵染点无法有效分割.     

基于云服务架构的田间信息采集与分析系统设计

为了满足农田作物信息采集和分析服务的需求,将智能手机终端硬件、微信小程序软件与云服务平台相结合,设计了一款基于云服务架构的田间信息采集与分析系统。系统主要包括腾讯云服务器模块和手机微信小程序模块,其中,云服务器端使用MySQL搭建数据库,用于存储、处理和下载数据;使用CSS和Java Script语言及小程序封装的组件开发微信小程序,用于交互实现数据的采集、上传与信息反馈。以田间小麦作物生物量指征参数调查为例,针对冠层覆盖度和植株行间距计算进行了系统应用测试。采集100幅出苗期的小麦冠层图像,由小程序端上传样本图像到后台处理。使用霍夫变换、图像掩膜和图像腐蚀获取定位图像后,利用HSV彩色空间突出样本像素点,计算冠层覆盖度;采用投影法和滤波法提取峰值,获取株行中心线,从而计算植株行间距。建立了图像识别像素株行间距与实测株间行距间的一元线性回归模型,建模精度R~2达到0. 911,可为田间作物信息检测和调查提供技术支持。     

基于特征工程的大田作物行中心线识别方法

针对大田作物行特征复杂多样,传统作物行识别方法鲁棒性不足、参数调节困难等问题,该研究提出一种基于特征工程的大田作物行识别方法。以苗期棉花作物行冠层为识别对象,分析作物行冠层特点,以RGB图像和深度图像为数据来源,建立作物行冠层特征表达模型。运用特征降维方法提取作物行冠层的关键特征参数,降低运算量。基于支持向量机技术建立作物行冠层特征分割模型,提取作物行特征点。结合随机抽样一致算法和主成分分析技术建立作物行中心线检测方法。以包含不同光照、杂草、相机位姿的棉花作物行图像为测试数据,运用线性核、径向基核和多项式核的支持向量机分类器开展作物行冠层分割试验;对比分析典型Hough变换、最小二乘法和所建作物行中心线检测方法的性能。结果表明,径向基核分类器的分割精度和鲁棒性最优;所建作物行中心线检测方法的精度和速度最优,航向角偏差平均值为0.80°、标准差为0.73°;横向位置偏差平均值为0.90像素,标准差为0.76像素;中心线拟合时间平均值为55.74ms/f,标准差为4.31ms/f。研究成果可提高作物行识别模型的适应性,减少参数调节工作量,为导航系统提供准确的导航参数。     

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。     

苗期玉米冠层识别与质心定位方法研究

为了快速定位玉米植株位置,以苗期4～6叶玉米为研究对象,提出了一种苗期玉米冠层识别与质心定位方法。首先,在大田环境下获取农田作物视频数据,基于Faster R-CNN对玉米冠层进行识别;其次,用差分内积线性特性改进质心检测算法,对玉米冠层和杂草进行分割,并对玉米冠层识别区域进行质心定位计算,得到玉米苗质心的像素坐标;最后,通过农田实验对本文冠层识别与质心定位方法进行验证。结果表明,苗期玉米冠层识别方法的平均识别率达92. 9%,检测一帧图像的平均时间为0. 17 s,玉米冠层质心定位误差不超过1像素。     

双通道近地遥感图像采集处理系

利用2CCD多光谱相机设计了近地遥感图像采集平台,同步获取小范围区域作物的可见光和NIR图像,通过图像处理技术从作物图像获得反射光谱信息.采集平台包括一个2CCD多光谱相机,两个采集盒,一台具有两个千兆网口的田间计算机.图像处理部分通过2GRB灰度化、中值滤波和Otsu二值化,从背景中分割出作物图像,结合作物原始R分量灰度图像,提取出作物红光图像平均灰度值,利用建立的灰度值与反射率的线性模型,计算得到作物红光波段的反射率.试验结果表明,图像采集平台工作稳定,利用图像处理方法提取的反射率与ASD光谱仪测量结果有较好相关性,为从作物冠层图像探测生长状况提供了理论依据.     

基于深度相机的玉米株型参数提取方法研究

提出了一种基于骨架提取的改进算法,可实现在大田环境下,使用PMD深度相机快速、无损测量玉米株型参数。首先利用深度图像RGB伪彩色和深度距离信息,提取深度图像的骨架,排除复杂背景干扰,得到单株玉米的二值骨架图像;然后利用基于角点检测的改进归类算法提取骨架图像特征点;最后建立骨架图像中特征点与深度图像的对应关系,利用空间几何数学方法,结合特征点计算出玉米的3种株型参数,即株高、茎粗、叶倾角。农田实验对比分析表明,所提方法的株高测量结果与人工测量结果的相关系数 r 为0.986,最大相对误差小于2 cm,农田作物育种抗逆性分析还表明玉米株型参数与抗倒伏性具有显著相关性。     

小麦冠层营养诊断光谱检测仪设计与试验

为了快速准确获取田间作物生长营养水平信息,设计了作物冠层营养诊断光谱检测仪,并进行了小麦大田测试。系统由光学传感器,信号采集驱动模块和控制器组成。光学传感器可测量300~1 100 nm范围内连续光谱,信号采集驱动模块用于提供稳定电压以及数据的A/D转换。开发了光谱采集控制软件安装于控制器,主要功能包括接收、处理、显示和存储采集到的数据。应用该仪器进行了标定试验,并针对大田冬小麦开展了大田试验,试验结果表明该仪器所测反射率与美国ASD FieldSpec HandHeld 2光谱辐射仪所测的反射率之间具有较高的相关性,相关系数最低为0.991 8。分析了冬小麦叶绿素含量指标SPAD值与仪器所测反射率之间的相关性。选出相关性较高的550~900 nm波段进行主成分分析建立叶绿素预测模型,建模 R 2 C 为0.575,模型检验 R 2 V 为0.595。结果表明利用研发的便携式光谱检测仪能有效评估小麦营养叶绿素含量,为小麦的精细栽培提供理论与技术支持。     

玉米冠层平行多目图像匹配方法

针对一种四通道矩形排列的多光谱相机，开发了一种平行多目成像匹配模型。利用相机拍摄了田间玉米冠层图像，相机的4个通道分别为R（红）、G（绿）、B（蓝）和NIR（近红外），拍摄距离为0.5 m左右。分析了玉米冠层图像的特点，提出了一种图像匹配方法。该方法首先选择某一通道图像作为源图像，其他通道图像作为目标图像，源图像中叶片边缘作为源特征点，由该点18个方向的导数作分量构成特征向量。其次在目标图像中搜索相应的目标特征点，若在其中某一区域内的点与源特征点所在边缘方向夹角小于某阈值，将特征向量与源特征向量的距离为最     

作物行识别算法的虚拟试验方法

针对作物行识别算法的传统开发过程对田间作物生长周期依赖性较强,错过适当的田间图像采集时期将直接导致算法开发周期延长等问题,提出一种基于虚拟场景的作物行识别算法测试方法,即在虚拟环境下模拟农田作物行场景和图像采集系统,运用虚拟作物行图像测试作物行的识别算法。该方法在虚拟现实环境下建立作物行场景模型;提出一种融合建模法,根据作物和杂草的几何特征建立对应的三维几何模型;根据实际田间作物的空间分布特征,建立株距、行距可调的田间作物行模型;以Vega Prime为视景仿真工具,通过配置投影模式、渲染模式、视点位姿和图像采集规格,构建图像采集系统,输出作物行场景图像。以苗期棉花作物行为建模对象,对一种经过田间试验验证的双目视觉作物行识别算法进行测试试验。对比实际棉田图像对应的试验结果,同一作物行识别算法的识别正确率、偏差角和图像处理时间均相近。结果表明,本文建立的虚拟棉田作物行与实际棉田作物行场景相近,能够用于作物行识别算法的测试。     

作物生长多传感信息检测系统设计与应

简述了作物生长多传感信息检测系统的硬件平台及实现.光箱系统采用卤素灯和D65型标准光源两组独立可调的均匀光照系统,结合温湿度控制装置,可以实现对多种作物生长环境的模拟.信息采集系统集成了包括光谱、多光谱图像、冠层温度、冠层光照及环境温湿度等多传感信息探测器,可以充分利用多种信息对作物生长信息进行监测.应用该系统就油菜氮素和水分的光谱、多光谱图像特征及光照对检测的影响进行了研究,结果表明:该系统能够克服环境因素的影响,能够利用多传感信息对作物营养进行较准确的定量分析,其中,油菜氮素光谱特征模型的相关系数达到0.92,均方根误差为0.53.     

基于双目相机与改进YOLOv3算法的果园行人检测与定位

针对复杂果园环境中行人难以精确检测并定位的问题,提出了一种双目相机结合改进YOLOv3目标检测算法的行人障碍物检测和定位方法。该方法采用ZED双目相机采集左右视图,通过视差原理获取图像像素点的距离信息;将双目相机一侧的RGB图像作为用树形特征融合模块改进的YOLOv3算法的输入,得到行人障碍物在图像中的位置信息,结合双目相机获得的像素位置信息计算出相对于相机的三维坐标。用卡耐基梅隆大学国家机器人工程中心开放的果园行人检测数据集测试改进的YOLOv3算法,结果表明,准确率和召回率分别达到95.34%和91.52%,高于原模型的94.86%和90.19%,检测速度达到30.26 f/ms。行人检测与定位试验表明,行人障碍物的定位在深度距离方向平均相对误差为1.65%,最大相对误差为3.80%。该方法具有快速性和准确性,可以较好地实现果园环境中的行人检测与定位,为无人驾驶农机的避障决策提供依据。     

基于近红外光谱岭回归的甜椒氮素检测试验

针对设施作物营养水平无损检测技术,着重描述了基于近红外光谱数据岭回归分析的甜椒氮素检测试验研究过程.利用近红外反射光谱成像技术对目标作物进行叶片尺度的光谱图像采集,应用计算机图像分析软件进行光谱数字图像处理、提取光谱数据,经过统计分析对数据完成筛选作为变量,结合化学分析试验结果建立作物营养检测模型,检验模型得出结论.为了解决自变量间存在的多重共线性造成模型难以建立的问题,在数据处理阶段,采用了在农业探测领域内并不多见的岭回归分析方法,利用其特殊的有偏估计算法,拟合建立回归方程.同时,由于岭回归分析可以用于进一步筛选特征波段,最终得到的是基于三特征波段近红外光谱反射率数据的甜椒叶片氮营养检测模型.经过模型检验,模型的调整R2为0.843,RMSE为0.105.     

基于双目视觉的作物苗期障碍物三维信息检测方法

农业智能装备在实际农田环境中行进或作业的过程中需要感知多变环境下的各种障碍物。为此,基于双目视觉,开展了作物苗期农田障碍物三维信息检测方法研究,提出了一种基于特征的障碍物检测算法。首先,利用边缘检测算法去除天空背景,提取出障碍物潜在区域的上边界线,利用超绿特征颜色变换去除绿色作物苗期农田背景,提取下边界线;然后,通过阈值分割算法提取障碍物目标区域;最后,通过重心特征点立体匹配来获取视差值,结合MatLab标定获取的相机内外参数进行三维重建,计算障碍物的距离、宽度和高度三维信息。田间试验结果表明:该算法可以正确提取出障碍物目标区域,障碍物距离、宽度和高度检测的平均相对误差分别为4.7%、5.79%和1.78%,能够满足农业智能装备田间障碍物检测的需求,具有较好的可靠性。