基于B样条曲线的水稻叶片几何参数测量系统

基于B样条曲线的水稻叶片几何参数测量系统能无损、精确获取水稻叶片几何参数,可为农学研究提供精准数据。该研究分析了B样条曲线拟合基本原理,采用1次B样条曲线获取水稻最大叶宽,基于3次B样条曲线交互绘制手势轨迹曲线逼近叶脉获取水稻叶长,控制点数量和位置可人工干预,实现轨迹曲线实时调整。运用变异系数和均方根误差评价测量结果,结果显示,叶长变异系数为2.4%,叶宽变异系数为5.4%,均小于15%,测量结果精度较高;建立系统预测值和实测值线性回归拟合模型,水稻叶长均方根误差为1.534 0 cm,叶宽均方根误差为0.101 9 cm,系统预测能力较好。利用B样条曲线测量叶片几何参数,前期图像获取简便,能够真正实现便捷、无损、准确获取水稻叶长、叶宽,为水稻叶片几何参数的测定提供了一种新的测量方法,可满足农业科学研究基本需要。     

水稻叶片几何参数的模拟分析

【目的】在生长模型输出的基础上，构建预测水稻叶片几何参数的动态模型，以便更准确地实现水稻的虚拟生长。【方法】在试验观测的基础上，分析了不同品种类型水稻分蘖与主茎同伸叶片叶长之间以及叶长与叶宽之间的定量关系，进一步耦合水稻叶龄、叶面积和茎蘖数模拟模型，进行水稻叶片几何参数变化的动态模型构建。【结果】不同品种类型水稻分蘖与主茎同伸叶片的叶长比随分蘖叶序呈二次曲线变化，叶长与叶宽的关系可用幂指数函数描述。运用独立实测资料对模型进行的初步检验显示，本模型可较好地模拟不同生长条件下水稻不同叶位叶片的几何参数。【结论】本研究构建的水稻叶片几何参数分析模型较好地体现了器官几何参数受生态环境、品种类型和栽培措施影响的形态生理规律，为水稻虚拟生长提供了可靠和普适的叶片几何特征确定方法。     

基于多段式等比例点的水稻叶片几何模型研究与三维实现

在试验观测的基础上,通过对水稻叶片在不同时期、等比例截断点的叶长与叶宽之间定量关系的分析,利用一条二维曲线与多段3阶B样条联合曲线共同构建水稻叶片几何模型,以便更准确地模拟出水稻叶片的虚拟生长.实践证明:该方法能够较为准确地根据叶长、叶宽、叶形等参数模拟水稻生长叶片,且与生产中水稻叶特征变化相一致.利用水稻叶片在各时期的空间坐标试验数据对叶曲线方程进行模拟分析,结果表明基于多段式等比例点的叶曲线方程可以更加准确、可靠地表现水稻叶曲线特征.     

水稻叶片几何参数图像视觉测量方法研究

提出了一种基于图像视觉原理的水稻叶片几何形态参数测量计算方法,通过图像分割处理,统计参考物与目标叶片面积的像素数,计算叶片面积;通过求取参考物和目标叶片的最小外接矩形方法,计算叶片的长度和宽度值;利用基于4个方向模板运算的距离变换算法对茎叶夹角图像进行骨架信息提取,利用Hough变换对提取的骨架信息进行直线检测,并进行茎叶夹角计算。结果表明,该方法能够精确、快捷地对水稻叶片几何形态参数进行测量计算,与手工测量比较,叶片面积计算误差小于5%,长宽误差小于0.67%,茎叶夹角误差小于2%,能满足农学研究的要求。     

不同品种和氮肥条件下水稻根系主要几何参数动态量化

目的建立基于生物量的水稻根系主要几何参数动态模型,为水稻功能-结构模型的研究奠定基础。方法于2008和2009年设置3个品种[两优108(V1,杂籼)、86优8(V2,杂粳)和南粳43(V3,常规粳稻)]和2个氮肥水平盆栽试验获取根系形态及根干重等指标,采用SPSSv13.0与Excel2007处理试验数据,RMSE检验模型。结果利用2008年观测资料,通过分析不同品种与施肥处理下水稻单株总根长及根直径与生物量间的定量关系,建立了基于生物量的水稻单株总根长动态模型;根据立体几何原理,构建了基于生物量的水稻总根体积与总根表面积动态模型。经2009年独立试验资料检验,单株总根长、总根体积及总根表面积的实测值与模拟值的RMSE分别为490.660cm/plant、131.859cm2/plant和2.532cm3/plant,说明模型拟合度较好。结论所建水稻根系主要几何参数模型具有一定机理性、解释性和通用性,对水稻功能-结构模型研究及水稻可视化奠定了基础。     

水稻叶片营养的光谱诊断研究

通过测定不同氮肥水平下2个水稻品种的叶片营养数据和光谱数据,分析了遥感参量与叶片营养参数间的相关性.结果表明:在400～1 250 nm波段,叶片光谱反射率与SPAD、CHL呈显著负相关;在720～1 000 nm和1 450～1 500 nm波段,叶片光谱透射率与LWC间呈显著正相关;在400 ～ 650 nm波段,叶片光谱吸收率与CHL、SPAD和CAR呈显著正相关;分别构建了以NDVI、NDWI、GreenNDVI和NRI为自变量、叶片营养为因变量的光谱诊断模型,经检验,模型预测性较好,尤其利用NDWI(860,1 240)诊断LWC具有相对最大R2、最小RMSE和最小RE,表明此模型预测能力最强.     

水稻叶片三维可视化建模

根据水稻叶片的三维形态特征,应用Hermite曲线描述的水稻叶片边缘信息和简单一元二次曲线描述的叶中脉空间曲线,构建了一种符合生物学规律的水稻叶片弯曲三维模型。并且通过对叶片边缘点绕叶中脉的旋转构建了叶片的扭曲模型,较真实地反应了自然条件下水稻叶片的三维空间形态。     

风力机叶片三维线框图的设计和显示

根据风力机叶片设计的实际过程，在三次参数样条曲线拟合叶片翼型曲线的基础上，提出了一种在计算机上能立体显示叶片截面及其结构的程序设计方法。即把叶片截面外形各点的坐标经过旋转变换形成叶片三维线框模型数据，将三维坐标经过投影变换到平面坐标上（称为世界坐标），再将世界坐标变换到设备坐标上，最后通过绘图函数将变换后的数据用图形显示在屏幕上。本研究可为风力机叶片及其它相似复杂形体的计算机绘图提供了依据。     

基于图像特征的水稻叶片全氮含量估测模型研究

探究水稻叶片生长外部颜色、几何形态特征与其全含氮量之间的定量描述关系,可以快速且准确地诊断水稻氮素营养状况。研究筛选了全氮含量估测敏感叶位,并比较了基于多元线性回归和机器学习方法的水稻敏感叶位全氮含量估测模型,为构建高性能的氮素营养定量诊断模型提供思路和方法。水稻田间试验于2017—2018年在江西省南昌市成新农场进行,供试水稻品种为两优培九,设置4个施氮水平(施氮水平从低到高为0、210、300和390 kg·hm^-2)。在水稻幼穗分化期和齐穗期,分别扫描获取水稻顶部第一完全展开叶叶片(顶1叶)、顶部第二完全展开叶叶片(顶2叶)以及顶部第三完全展开叶叶片(顶3叶)图像,共4 800张图像。通过图像处理技术获取25项水稻扫描叶颜色和几何形态特征,采用多元线性回归进行全氮含量估测,筛选出两个时期的敏感叶位,并应用机器学习方法建立水稻敏感叶位的全氮含量估测模型。与人工测量相比,通过图像处理方法获取的水稻叶片长宽平均相对误差分别为0.328%、3.404%;幼穗分化期顶3叶和齐穗期顶2叶较其他同期叶位更为敏感,且以幼穗分化期顶3叶最为敏感;应用机器学习建立的水稻敏感叶位全氮含量估测模型略优于多元线性回归模型,且采用BP神经网络建模最佳,幼穗分化期顶3叶模型验证集的RMSE_v=0.089、MRE_v=0.034、 $R^{2}_{v}$=0.887,齐穗期顶2叶模型验证集的RMSE_v=0.132、MRE_v=0.046、$R^{2}_{v}$=0.820。幼穗分化期顶3叶和齐穗期顶2叶的叶片图像特征最具有代表性,进行全氮含量估测更具可行性,可作为水稻氮素营养诊断的有效叶位。     

基于神经网络的立木枝干测量方法研究

通过神经网络算法完成实现摄像机标定,并将标定方法应用到立木枝干的测量上,实现立木枝干尺寸测量的自动化.该方法包含3个主要步骤:首先是通过图像预处理提取特征点,其次针对树木特点提出改进型神经网络摄像机标定算法,最后对测量方法进行验证并对误差进行分析.结果表明,此方法的测量精度能达到0.1mm,测量误差为±1.40 mm,满足作业要求.     

膜下滴灌水稻黄化叶片光合特性及叶绿素荧光参数分析

对膜下滴灌水稻T-04齐穗期正常及黄化剑叶的光合色素质量分数,光合参数和叶绿素荧光参数进行研究。结果表明,黄化(黄绿和绿黄)叶单位面积的叶绿素a、叶绿素b、总叶绿素、类胡萝卜素质量分数均显著低于正常绿叶(CK);叶绿素a/b,类胡萝卜素/总叶绿素比值显著高于正常剑叶,说明叶绿素质量分数降低,类胡萝卜素质量分数升高可能是导致叶片黄化的直接原因。光合参数分析表明2种黄化叶片的净光合速率(Pn)、羧化效率(CE)、表观量子效率(AQY)均显著降低,说明其CO2和光能利用能力显著低于正常绿叶。蒸腾速率(Tr)和气孔导度(Gs)的大幅度升高,说明其叶片保水能力较差,光合酶活性可能受到抑制。叶绿素荧光参数分析表明,黄化叶片的暗适应光系统Ⅱ最大量子效率(Fv/Fm)、暗适应样品最大荧光(Fm)、光化学淬灭系数(qP)、电子传递速率(ETR)以及PSⅡ有效电子产量(ΦPSⅡ)均显著降低,说明其PSⅡ潜在的光化学效率、光合电子传递速率、量子效率均显著低于正常绿叶。     

基于叶片反射光谱和叶绿素荧光估测水稻叶片含水量

水稻冠层叶片含水量(leaf water content, LWC)快速无损监测对指导稻田精准灌溉和提高水稻水分利用效率具有重要意义。试验设置3个不同水分处理(传统淹灌、轻度干湿交替-15 kPa、重度干湿交替-30 kPa),于水分敏感期(抽穗-灌浆期)动态监测顶1叶(L₁)、顶2叶(L₂)和顶3叶(L₃)的光谱数据和叶绿素荧光参数,通过全光谱波段筛选出水分敏感波段,建立新型植被指数,结合叶绿素荧光参数,以期建立基于叶位组合的水稻冠层LWC精准监测模型。结果表明：水稻叶片水分敏感波段在近红外波段(1 000～1 400 nm),所构建新型植被指数NDSII₍(1114,1387))较传统植被指数能更好地监测LWC;通过筛选与LWC有高相关性的荧光参数,基于实际光量子产量Y(Ⅱ)和植被指数NDSII₍(1114,1387))的耦合监测模型较单一植被指数NDSII₍(1114,1387))模型精度提高71.807%～83.976%。与单叶相比,L_2...     

水稻超稀几何插秧模式试验研究

通过对水稻超稀几何插秧模式进行试验 ,结果表明 :超稀几何插秧能改善株间通风透光性 ,使个体充分发挥自由生长优势 ,植株地上、地下部分生长旺盛 ,分蘖力增强 ,成穗率、结实率和千粒重增加 ,增产效果明显。     

计算机辅助水稻株型指标测量方法研究

探讨了以数码图像为基础、依据特征点选取法进行株型指标计算机辅助测量的方法。通过田间实验检验该方法具有较高的准确度,进一步利用计算机图形学方法对数据进行了还原,结果基本上能够正确反映不同品种的株型特征,验证了该方法的可靠性。     

水稻根系与叶片形态特征关系的定量分析

定量分析拔节-孕穗期间水稻根系形态参数与叶片形态特征间的关系。以江苏省农业科学院培育的高产品种两优108(V1,杂籼)、86优8(V2,杂粳)和南粳43(V3,常规粳稻)为材料,采用塑料桶土培,设施肥(每盆N 3.6g、P2O5 0.8g、K2O 3.6 g)与不施肥(处理同施肥基土)两个处理,在试验观测的基础上,建立水稻不同处理下根系形态参数与叶片性状间的预测回归模型。研究表明：拔节-孕穗期间水稻根系形态参数与叶片形态特征间的3个预测回归模型的方差分析都达到极显著水平,拟合度较好,单株总根长、总根表面积及总根体积模拟值与实测值的平均绝对误差分别为每株-176.506cm、8.784 cm2及-1.624 cm3(n=24),差值标准误分别为每株31.542 cm、15.653 cm2和2.117 cm3,相关系数分别为0.913**、0.904**和0.907**。上述拔节-孕穗期间叶片形态特征与根系形态间预测回归模型,为探明水稻地下与地上几何性状的联系提供了借鉴,也为支撑水稻植株地上部与地下部的协同虚拟表达,以及高产株型及栽培措施选择等提供了参考。     

基于图像处理的植物叶片参数的测量

针对传统植物叶片参数手工测量方法精度低、速度慢的缺点,提出了一种基于扫描仪和参考物利用图像处理技术来测量植物叶片参数的方法.首先利用扫描仪获得含有植物叶片和参考物的数字图像,然后通过图像处理技术分别获得参考物和被测叶片的二值图像,最后利用实物参考物周长和参考物在图像中周长之间的比例关系来求取被测植物叶片参数.对真实图像进行了实验,结果表明此方法具有较高的效率和实用性.     

基于参数L系统的水稻根系生长可视化研究

采用"根箱法"分析水稻根系在土壤中的分布形态,并应用三维球形海龟几何解释,结合参数L系统推导出产生式规则;采用二次B样条插值函数的方法,设计了水稻根系参数L系统,并使用Visual C++和Open GL标准图形库,实现水稻根系生长的可视化。对该模型进行实验验证,获得的标准误差趋近0,一致性指数趋近1,参数L系统模型可以有效模拟水稻根系的生长。     

水稻叶片氮素营养光谱诊断模型研究

[目的]建立水稻叶片氮素营养光谱诊断模型。[方法]通过对不同水稻品种（湘优109和汕优98）、不同生长期、不同氮素水平的水稻叶片进行透射、吸收光谱及氮含量的测量,分析了叶片光谱与其含氮量之间的相关性,建立了水稻叶片含氮量的光谱指数预测模型。[结果]该模型检测精度在80%以上,可用于水稻氮素营养的诊断。[结论]为水稻氮素营养状况监测提供了理论依据。     

基于颜色参数和BP神经网络的紫叶李叶片花青素含量估算

目前对植物叶片花青素含量的测定主要是湿化学法和高效液相色谱法(high performance liquid chromatography,HPLC),为简化测定方法,降低成本和提高精度,提出一种利用数码相机获取照片提取的颜色参数构建模型无损估测植物叶片花青素含量的方法。试验测定166份紫叶李叶片的花青素含量及其RGB特征值,对15种颜色参数进行皮尔逊相关分析,构建逐步多元线性回归（stepwise multiple linear regression,SMLR）、一元线性回归（single linear regression,SLR）和BP神经网络（BP neural network,BPNN）估算模型;同时对模型进行验证和比较。结果表明,1）BP神经网络模型建模集的R²、RMSE和MAE分别为0.883、0.412、0.323,验证集的R²、RMSE和MAE分别为0.796、0.462和0.353,相关系数均达到极显著水平;一元线性回归模型中,参数G-B与花青素含量的线性相关性最强,相关系数为-0.820,达到极显著水平;逐步多元线性回归模型的相关系数均达极显著水平,其中建模集的R²、RMSE和MAE分别为0.724、0.630、0.459,验证集的R²、RMSE和MAE分别为0.643、0.616和0.509。2）颜色参数与花青素含量之间具有明显的相关性,利用数码相机获取的颜色特征值估测紫叶李叶片花青素含量具有可行性;3）3种模型中,BP神经网络模型的估测效果最好,能有效地估测紫叶李叶片花青素含量,其次为逐步多元线性回归,一元线性回归模型的预测效果相对较差。