基于形态学图像处理的麦穗形态特征无损测量

小麦穗部形态参数是直接反应小麦生长状况的重要参数,是育种和考种专家关心的重要参数。为了实现小麦穗部形态特征的无损测量和基于这些特征的快速品种分类,该文提出了基于形态学的穗部性状：芒个数、平均芒长、穗长和穗型的自动提取方法。首先通过小麦图像的形态学运算将麦芒去除得到只有小麦主部的图像,通过寻找主轴方向角和旋转计算外接矩形长度的方法计算穗长,通过对麦芒图像的细化和角点检测方法计算芒长和芒个数,通过宽度系数比例判断穗型,然后利用提取的其中8个特征参数,设计了一个3层的BP神经网络,对4个小麦品种240张图片进行分类识别,识别准确率达到88%。该方法可为小麦快速品种分类提供参考。若能将小麦的其他外部参数同时作为品种识别的输入数据,将会大大提高品种识别的准确性。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

基于头颈部轮廓拟合直线斜率特征的奶牛跛行检测方法

针对人工跛行检测不够及时,难以发现突发中、重度跛行及轻度跛行行为的问题,该文提出了一种基于正态分布背景统计模型(normal background statistical model,NBSM)与局部循环中心补偿跟踪模型(local circulation center compensation track,LCCCT)和线性斜率最近邻分类(distilling data of KNN,DSKNN)技术的奶牛跛行检测方法。首先利用NBSM模型对奶牛序列图像中的目标奶牛像素区域进行分割,然后对得到的奶牛像素区域利用LCCCT模型提取目标奶牛身体前部像素区域,用其区域通过DSKNN模型提取目标奶牛的头部、颈部以及与颈连接的背部轮廓线拟合直线斜率数据,基于大样本视频序列帧数据将视频集制成轻度跛行、中重度跛行及正常等3类标签的斜率数据集。为了验证算法的有效性,对随机选取的18段奶牛视频进行了验证,其中正常奶牛、轻度跛行奶牛及中重跛行奶牛视频段各6段,获得头部、颈部及背部连接处的拟合直线斜率数据集。在未清洗的数据集上,分别利用SVM、Naive Bayes以及KNN分类算法进行了奶牛跛行的分类检测试验,试验结果表明,SVM与Naive Bayes跛行分类检测正确率均为82.78%,KNN奶牛跛行检测正确率为81.67%。将未清洗的数据集进行清洗后,3类算法的结果表明,KNN分类算法的跛行检测正确率达93.89%,高于SVM分类算法的91.11%及Naive Bayes分类算法的86.11%。上述结果表明通过头部、颈部及背部连接处的拟合直线斜率特性可以正确检测奶牛跛行,未清洗的数据经数据清洗后,KNN分类算法可以取得更好的检测结果。该研究结果对于奶牛跛行疾病的预防、诊断具有重要意义。     

结合知识图谱与双向长短时记忆网络的小麦条锈病预测

针对现有小麦条锈病预测方法没有利用病害发生因素之间的语义信息,存在预测难度大、准确率低等问题,利用知识图谱（Knowledge Graph, KG）和双向长短时记忆网络（Bi-directional Long Short-Term Memory, Bi-LSTM）处理多源异构复杂数据的各自优势,提出一种基于KG与Bi-LSTM结合的小麦条锈病预测方法。首先,构建小麦条锈病知识图谱,将与小麦条锈病发生相关的环境信息转换为特征向量;其次,利用特征向量训练Bi-LSTM模型,得到基于Bi-LSTM的小麦条锈病预测模型;最后,利用小麦条锈病数据库数据进行试验。结果表明,KG丰富了进行病害预测所描述的语义信息,提升了Bi-LSTM提取高层病害预测特征的能力,从而提高了病害预测的准确率。在小麦条锈病数据库上的预测准确率达到93.21%,比基于Bi-LSTM的病害预测方法提高了4.5个百分点。该方法能较好预测小麦条锈病,为小麦条锈病的预报预警和综合防治提供科学依据。     

基于改进Mask-RCNN算法的作物害虫分类识别

智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题起重大作用,准确的害虫分类识别是给虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进,针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标粘连等问题,提出一种基于改进Mask-RCNN(mask region-based convolutional neural network)模型的害虫图像智能识别模型。该模型使用DeAnchor算法改进Mask-RCNN的锚框引导机制,使用NDCC(novelty detection consistent classifiers)训练分类器进行联合分类和检测,改善非目标杂虫的误识别问题。改进后模型对无杂虫、不同虫体密度图像的识别准确率最高达到96.1%,最密集时可达90.6%,比原Mask-RCNN模型识别准确率平均提高4.7个百分点。对于含杂虫图片,在仅有非目标的图片识别中,误检率降至9%,非目标与目标共存且密度为40虫/图的误检率降至15%。试验表明,该文所提模型在现有分类模型的基础上,增强了对密集区域的检测能力,改善了非目标误识别问题,在实际检测环境下的害虫分类识别精度更高,可为虫害防治工作提供数据参考。     

基于可见-近红外光谱技术的蜜源快速识别方法

蜂蜜蜜源决定了蜂蜜的药用价值。为了实现快速无损识别蜂蜜蜜源,提出了基于可见-近红外光谱技术结合机器学习的方法来实现蜂蜜蜜源的快速无损识别。该研究采集来自4个蜜源共232份蜂蜜样本光谱数据,随机选取其中212个样本用来构建分类器,剩余20个样本进行分类器泛化学习能力的检验评估。光谱数据预处理采用基线校正,数据标准化和平滑消除干扰和噪声。基于一对多分类规则,采用主成分分析结合贝叶斯线性判别构造线性多分类器,并就分类效果和泛化学习能力与前向神经网络器构成的非线性分类器进行比较。结果表明：基于主成分分析结合贝叶斯线性判别构造的多分类器分类正确率为91.95%,前向神经网络的分类正确率为100%。该研究也表明应用可见-近红外技术对蜂蜜蜜源进行快速分类是可行的。     

基于多时相遥感影像的作物种植信息提取

为了快速、准确地在遥感影像上对作物种植信息进行提取,该研究运用多时相的TM/ETM+遥感影像数据和13幅时间序列的MODISEVI遥感影像数据,采取基于生态分类法的监督分类与决策树分类相结合的人机交互解译方法,建立决策树识别模型,对黑龙港地区的主要作物进行遥感解译,总体分类精度达到了91.3%,与单纯对TM影像进行监督分类相比,棉花、玉米、小麦、蔬菜4类作物的相对误差的绝对值分别降低了1.3%、20.5%、2.0%、13.8%。结果表明该方法的分类精度高,能较好的反映作物的分布状况,可为该地区主要作物种植结构调整提供科学依据,还可为其他区域尺度作物分布信息的提取提供参考。     

基于图像处理和蚁群优化的形状特征选择与杂草识别

利用叶片形状特征区分杂草和作物是杂草识别的一个重要方法。为了提高杂草识别的精度和效率,通过形态学运算和基于距离变换的阈值分割方法分离交叠叶片,从单个叶片中提取包括几何特征和矩特征的17个形状特征,用蚁群优化（ACO）算法和支持向量机（SVM）分类器进行特征选择和分类识别,选取有利于分类的较优特征并实现特征的优化组合。棉田杂草试验结果表明,该方法能实现分类特征的有效缩减,经优化组合得到的最优特征子集用于杂草识别的准确率达95%以上,识别率高,稳定性好,对识别杂草时如何兼顾准确率和实时性具有参考意义。     

改进RegNet识别多种农作物病害受害程度

针对传统农作物病害识别方法效率低、受害程度识别不准确的问题,提出了一个基于深度迁移学习和改进RegNet的多种农作物病害受害程度识别模型。该模型首先在RegNet输入端进行在线数据增强,用以提高训练样本的多样性;其次在模型的特征提取层引入了有效通道注意力机制,用以提高模型的特征提取能力;然后在模型的分类层引入多尺度特征融合策略,用以提高模型对细粒度特征的分类能力;最后使用深度迁移学习来优化模型的整体性能,加快模型的收敛速度,提高模型的泛化能力。试验结果表明,改进后的网络模型在农作物病害受害程度数据集上准确率达到了94.5%,相较于RegNet原模型准确率提高了10.4个百分点。改进后的模型具有更好的特征提取能力,对细粒度特征有更强的分类能力,该模型为农作物病害类型及其受害程度的识别提供了一种有效方法。     

基于改进支持向量机的水电机组多类轴心轨迹智能识别

在水电机组故障诊断系统中,轴心轨迹是判断机组状态的一个重要特征。而水电机组实际运行中轴心轨迹故障样本数量较少,依据其进行故障智能诊断无法准确完成,需结合相应频谱特性才可做出诊断。论文针对此问题,采用改进的支持向量机（support vector machine,SVM）多故障分类算法,建立了多故障轴心轨迹分类器,并应用于水电机组的故障诊断。结果表明,改进的SVM在样本数较少时取得较好的分类效果,样本数为16和50时,分类准确率达到了96.3%和91.2%,;并且在分类数增多时,分类准确率得到提高,而样本数增多时,分类准确率骤减。该故障分类器可实现多故障的识别和诊断,并且具有算法简单和对多故障轴心轨迹图形分类能力强的优点。该研究可为水电机组少样本轴心轨迹故障的智能诊断提供参考。     

基于光谱技术和多分类器融合的异物蛋检测

为了提高鸡蛋中的血斑和肉斑的检测准确率,给消费者提供高品质的鸡蛋,该文利用微型光纤光谱仪采集鸡蛋的透射光谱,在单分类器的基础上,通过多分类器的融合对异物蛋进行检测。首先根据差异性度量选取朴素贝叶斯,Ada Boost和SVM分类器作为单分类器,然后通过特征级融合选取了5个基分类器。最后,5个基分类器以加权投票机制进行决策级融合。多分类器融合对正常蛋和异物蛋的检测准确率分别为92.86%和91.07%。试验结果表明,利用多分类器融合所建立的模型优于单一分类器的模型,提高了对异物蛋的检测准确率。     

基于AdaBoost模型和mRMR算法的小麦白粉病遥感监测

除选择合适的建模方法外,选择合适的特征选择算法来优选建模特征对提高作物病害的遥感监测水平具有重要作用。选取陕西省关中平原西部小麦白粉病为对象,基于Landsat 8遥感影像共提取了18个特征变量,通过相关性分析(correlation analysis,CA)和最小冗余最大相关(minimum redundancy maximum relevance,mRMR)2种特征选择算法筛选出了2组不同的特征变量,分别将其输入Fisher线性判别分析(Fisher linear discriminant analysis,FLDA)、支持向量机(support vector machine,SVM)和AdaBoost 3种方法,构建小麦白粉病发生严重程度监测模型,并对其进行精度验证与对比分析。结果表明,2种AdaBoost模型对小麦白粉病发生严重程度的总体监测精度分别比FLDA模型和SVM模型高出27.9%、27.9%和14.0%、9.3%,mRMR算法筛选特征所建FLDA、SVM及AdaBoost监测模型的总体监测精度分别比CA筛选特征所建模型高出7.0%、11.7%和7.0%,且mRMR算法筛选特征结合AdaBoost方法所建监测模型的精度和Kappa系数分别为88.4%和0.807,为所有模型中最高。说明将AdaBoost方法用于作物病害遥感监测效果较好,在作物病害监测模型的特征变量选择中mRMR算法比常用CA算法更具优势。研究结果可为其他作物病害遥感监测提供方法参考。     

基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取

小麦是中国最重要的农作物之一,准确、及时掌握小麦种植面积具有重要意义。以探索合成孔径雷达(synthetic aperture radar,SAR)与光学数据对种植结构复杂地区冬小麦识别的能力,提高识别精度为目的。该研究以多时相SAR(Sentinel-1A)和光学影像(Landsat-8)为数据源,选取种植结构复杂的都市农业区为研究区。构建不同特征向量组合,利用支持向量机(support vector machine,SVM)提取冬小麦种植面积。通过对比分析基于不同特征向量组合的冬小麦识别精度,结果表明:1)使用SAR后向散射数据得到85.7%的制图精度和87.9%的用户精度;2)添加SAR数据纹理信息,总体精度高达90.6%,比单独使用后向散射数据在制图精度和用户精度上分别提高7.6%和6.7%;3)当SAR数据和光学影像结合时,总体精度高达95.3%(制图精度97%,用户精度98.4%),比单独使用SAR数据在制图精度和用户精度上分别提高3.7%和3.8%。因此,基于SAR数据的都市农业区冬小麦分类,有着较高分类精度,纹理信息和光学影像的添加能有效提高识别精度。研究结果可为SAR数据的农作物识别和应用提供理论基础。     

群体小麦条锈病发病动态无人机遥感监测方法

针对当前育种群体小麦条锈病表型分析手段单一、效率低下等问题,该研究提出了一种基于无人机低空遥感和多光谱成像技术的群体小麦田间条锈病高通量表型动态分析方法。该方法利用无人机采集自然发病的育种群体小麦（共600个样本,516个基因型）冠层多时相的光谱图像,并提取22个植被指数作为后续分析的表型,同时按照发病后的时间顺序与传统条锈病人工鉴定标准记录条锈病发病阶段和发病严重度数据;使用随机森林算法建立22个光谱植被指数同条锈病发病阶段与病害严重度的分类模型,并筛选出对上述两个分类问题敏感的植被指数;同时,使用随机蛙跳算法对特征进行筛选以降低仅使用随机森林算法对特征筛选的偶然性,并将随机蛙跳算法给出被选择概率排名在约前1/3的特征作为SVM算法的输入,构建发病阶段与病害严重度模型以验证随机蛙跳算法对特征筛选的有效性;综合两次特征选择的结果,分别筛选出对发病阶段和病害严重度敏感的3个植被指数,并基于这些指数响应的时间序列分析了群体中6个参考品种发病动态的差异。对条锈病发病阶段的分类模型构建中,随机森林和SVM模型测试集的F1分数分别为0.970和0.985;对条锈病严重度等级分类中,二者的F1分数为0.741和0.780,表明通过所建立的模型可以实现对群体小麦发病阶段和病害严重度等级的分类,且随机森林算法和随机蛙跳算法都能够筛选出对条锈病发病阶段和病害严重度敏感的特征。筛选出的差分植被红边指数（Difference Vegetation Index - Rededge,DVIRE）的响应对病害胁迫较为敏感,可用于同时描述田间条锈病发病阶段和严重度。该研究提出的高通量表型分析方法,基于无人机成像光谱提取的植被指数对群体小麦田间条锈病进行时间序列动态分析,能够精准量化群体小麦受条锈病胁迫状态,并可为其他作物抗病育种的表型分析提供一定的参考。     

融合高光谱图像技术与MS-3DCNN的小麦种子品种识别模型

小麦品种的纯度和小麦产量密切相关,为了实现小麦种子品种的快速识别,该研究利用高光谱图像技术结合多尺度三维卷积神经网络（Multi-Scale 3D Convolutional Neural Network,MS-3DCNN）提出了一种小麦种子的品种识别模型。首先,利用连续投影算法（Successive Projections Algorithm,SPA）对原始高光谱图像进行波段选择,以减少MS-3DCNN模型的输入图像通道数量,降低网络训练参数规模;其次,利用多尺度三维卷积模块提取特征图的图像特征和不同特征图之间的耦合特征;最后,以6个品种小麦共6 000粒种子的高光谱图像（400～1 000 nm）为研究对象,基于SPA算法选择了22个波段高光谱数据,利用MS-3DCNN、支持向量机（Support Vector Machine,SVM）分别构建了识别模型。试验结果表明,MS-3DCNN模型取得了96.72%的测试集识别准确率,相较于光谱特征SVM识别模型和融合特征SVM识别模型分别提高了15.38%和9.50%。进一步比较了MS-3DCNN与基于二维卷积核、三维卷积核、多尺度二维卷积核构建的多个识别模型性能,结果表明多尺度三维卷积核能提取多种尺度的信息,其识别模型的准确率提高了1.34%～2.70%,可为小麦种子高光谱图像品种识别提供一种可行的技术途径。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高等问题,提出了一种采用全卷积神经（Fully Convolutional Neural,FCN）网络与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合,然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明,采用全卷积神经网络与Stacking算法能有效提取湿地信息,总体分类精度为88.16%,Kappa系数为0.85。与采用全卷积神经网络与单一机器学习的随机森林（Random Forest,RF）、支持向量机（Support Vector Machin,SVM）与k-近邻（Nearest Neighbor,kNN）算法相比,该研究提出的湿地分类方法在总体分类精度上分别提高了4.87,5.31和5.08个百分点;与采用单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果,该文提出的湿地分类方法在总体分类精度上分别提高了2.78,4.48与4.91个百分点;该方法一方面能通过卷积神经网络提取遥感影像深层的语义特征,另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组,从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。     

基于GF-1遥感影像和relief-mRMR-GASVM模型的小麦白粉病监测

选择合适的建模和特征选择算法对提高作物病害的遥感监测水平有着重要的作用。研究以河北省小麦白粉病为研究对象,基于GF-1/WFV数据共提取了4个波段反射率数据和10个对作物长势和胁迫敏感的植被指数作为初选特征。针对常用的特征提取算法relief算法筛选出的特征存在冗余性的问题,提出了一种relief结合最小冗余最大相关(minimum redundancy maximum relevance,m RMR)的特征降维算法(relief-m RMR)。首先,通过relief算法计算出各特征的权重系数,对特征集进行加权;然后利用m RMR算法选出与类别具有最小冗余性的特征,利用支持向量机(support vector machine,SVM)对河北白粉病进行监测,并用遗传算法(genetic algorithm,GA)优化的SVM(GASVM)建立了白粉病的监测模型(relief-m RMR-GASVM),将监测结果分别与SVM和网格寻优(grid search,GS)算法优化的SVM(GSSVM)的监测结果进行对比分析,同时比较了该方法与Ada Boost、粒子群(Pso)优化的最小二乘支持向量机(least squares support vector machine,Pso-LSSVM)和随机森林(random forest,RF)3种方法的优越性。结果表明,relief-m RMR算法筛选出的特征与GASVM、SVM和GSSVM建立的监测模型精度比传统relief算法筛选特征所建模型的精度分别提高了14.3个百分点、7.2个百分点和7.1个百分点,比传统m RMR算法筛选特征所建模型的精度分别提高了14.3个百分点、14.3个百分点和14.2个百分点。relief-m RMR算法结合GASVM建立的监测模型精度为所有模型中最高,精度为85.7个百分点,分别比SVM和GSSVM所建监测模型精度提高了21.4个百分点和7.2个百分点。此外,GF-1数据结合relief-m RMR-GASVM模型的监测精度分别高出Ada Boost、Pso-LSSVM和RF方法21.4个百分点、14.3个百分点和7.1个百分点。说明GF-1数据结合relief-m RMR-GASVM模型可用于小麦白粉病的遥感监测。