烟草花几何建模研究

为实现花冠联合植物的花朵几何建模,以烟草花为例,提出了一种基于球B样条曲线和参数曲面的花朵造型方法。通过对烟草花形态结构的观测分析,分别对雌蕊、雄蕊、花柄、花冠和花萼的几何形状进行了数学描述,提取了模型控制参数;结合颜色渲染色和整个花的拓扑信息,实现了烟草花整个模型的建立。实验结果表明,该方法可以有效地对烟草花进行模拟,可控性强,建立的模型有较高真实感,为其他花冠或花萼联合的植物几何建模提供了方法。     

棉花苞叶三维形态可视化建模研究

通过数字图像处理技术,获取棉花苞叶器官的边缘和中脉坐标点,并从中提取边缘和中脉的控制点;设计过控制点的B样条曲线插值算法,模拟并重建了苞叶器官的边缘框架,经Delaunay三角化和纹理贴图实现了棉花苞叶器官三维形态的可视化表达.     

基于三维激光扫描技术的变电站精细建模技术研究与应用

变电设施是电力系统中的重要组成部分之一^[1],其不同于常规的民用建筑工程,内部有众多的电气设备,分布数量大且电力电缆相互交错,载荷情况十分复杂。同时变电站处于实时运行状态,不允许停止运行,否则不能正常为人民生产和生活供电,给人民财产与人身安全造成重大损失与伤害[2]。文章通过利用3ds Max等成熟的建模软件还原设施设备的实景情况,架站式三维激光扫描技术采集变电站中的外业信息,直接反映出变电站实地的设施布局与设备安装的具体变化与差异,通过数字化手段获得变电站当下的布局规划,生产维护,参数铭牌,设施建设等一系列三维数字化信息,让运维人员更加安全,直接,高效的运行与管理变电设备。     

小麦叶部病害彩色图像特征提取研究

针对小麦叶部病害智能识别系统,提出了基于颜色、纹理和形状特征的特征提取方法。首先,针对RGB和HIS颜色空间,定义这两种颜色空间的转换公式,并提取14个颜色特征;其次,利用灰度共生矩阵方法得到16个纹理特征;再次,借助于不变距理论获取13个形状特征;最后,以4种小麦叶部病害为研究对象进行试验。结果表明:本文提出的特征提取方法,系统识别率较高,符合实际应用的要求。     

基于SVM的小麦叶部病害识别方法研究

为了准确识别小麦叶部常见病害,为小麦病情诊断和发展状况判断提供科学依据,设计并实现了一种基于SVM(Support Vector Machine)的小麦叶部常见病害识别方法。该方法可以实现对小麦白粉病、条锈病和叶锈病的准确识别。首先,基于中值滤波法和K均值聚类算法,实现了图像的去噪及病斑分割;然后,提取了病斑区域形状特征和纹理特征;最后,利用SVM算法对小麦叶部病害进行了分类识别。随机试验结果表明,利用所提取的特征可以有效地实现小麦叶部常见病害的识别,基于形状特征的综合识别率可达99.33%;利用SVM算法进行小麦病害叶片识别是有效的、可行的。该方法对于农作物病害智能识别的推广具有较好的借鉴意义。     

基于声学原理的小麦虫蚀粒检测方法研究

针对目前小麦虫蚀粒检测工作强度大、检测速度慢及准确度低等缺点,给出了一种基于声学原理的小麦虫蚀粒检测方法.首先,利用自制声音信号采集装置采集小麦籽粒撞击金属靶子产生的超声信号;然后,进行预处理,对预处理后的信号进行傅里叶变换,提取相关特征;最后,以提取的特征作为BP神经网络的输入对虫蚀粒进行分类检测.对虫蚀粒和完善粒各30个样本的测试结果表明:这些声学特征对虫蚀粒正确检测率达到90％,完善小麦识别粒率为93％,对小麦总体的判别精度达到91.5％.     

基于机器视觉的大田环境小麦麦穗计数方法

基于机器视觉技术研究了一种低成本、针对局部小范围的小麦麦穗计数方法。通过部署的田间摄像头采集大田环境下小麦麦穗低分辨率群体图像,实现了复杂大田环境下小麦麦穗图像的降噪增强处理;提取麦穗的颜色、纹理特征,采用SVM学习的方法,精确提取小麦麦穗轮廓,同时构建麦穗特征数据库,对麦穗的二值图像细化得到麦穗骨架;最后通过计算麦穗骨架的数量以及麦穗骨架有效交点的数量,即可得到图像中麦穗的数量。经过2014年5月和2015年5月在方城县赵河镇示范区的试验测试,以小麦麦穗图像640像素×480像素（约250穗）为例,小麦麦穗计数平均耗时1.7 s,准确率达到93.1%,满足大田环境下小麦麦穗计数要求,可以为小麦估产提供可靠的参考数据。     

基于发动机特性建模的研究

发动机外特性和万有特性是研究汽车动力性的基础,选择合适的方法进行发动机数学建模,是研究汽车动力性和燃油经济性的关键。发动机数学建模采用了曲线拟合及曲线拟合和线性插值相结合的方法,并根据某发动机的实验数据,进行了实验验证。     

基于ABAQUS的客车车身骨架静态分析与轻量化研究

以客车的车身骨架为研究对象,利用ABAQUS软件建立了某客车车身骨架的有限元模型,对该客车实际运行中的4种典型工况（水平弯曲工况、极限扭转工况、紧急制动工况、急转弯工况）下的强度和刚度进行了分析,发现车身骨架强度有所富余。并在此静态分析的基础上对该车身骨架进行了轻量化设计,结果表明改进后的车身骨架结构强度和刚度满足要求。     

基于细化法的土壤孔隙骨架提取算法研究

为可视化土壤孔隙的空间分布和拓扑结构,进一步理解土壤功能和生态过程,以自定义的规则结构和土壤孔隙结构为应用对象,进行了土壤孔隙骨架提取算法的研究,并验证细化法和距离变换法2种算法构建骨架模型的性能。试验结果表明,2种算法的骨架模型构建效果均不受模型类型的影响,其中,距离变换法构建的骨架模型存在体素点缺失和偏移的现象,而细化法提取的孔隙骨架模型结构完整,其平均骨架偏移距离(0. 10 mm)比距离变换法(0. 15 mm)减少了50%,具有良好的拓扑不变性。通过对细化性、连通性和中心性3个指标的综合分析,细化法具有优越的描述土壤孔隙形状及拓扑特征的能力,可为土壤物理结构及水文特性的研究奠定技术基础,为从孔隙尺度理解土壤功能奠定理论基础。     

基于SHAW模型的冬小麦叶温模拟

叶温是反映冬小麦健康状况的关键指标,但获取麦田叶温动态变化过程及廓线分布存在着较大困难。本文以河南省商丘市为研究区,引入表达土壤-植被-大气能量传输的SHAW模型,对其进行本地化标定,在垂直方向上0~60cm高度以10cm为间隔进行分层,模拟冬小麦拔节期至抽穗期间的叶温时序曲线及廓线,并结合田间同期不同高度的叶温实测数据,对模拟结果进行分析。结果表明：SHAW模型可有效地用于麦田叶温时序曲线和廓线模拟,决定系数达0.8476,夜间模拟效果显著优于白天,决定系数分别为0.8622和0.7602。对叶温日平均值、最低值和最高值的分析表明,均方根误差范围为1.36~4.09℃,且最低温模拟效果最好,平均值次之,最高温误差最大。叶温廓线模拟分析表明,各高度决定系数均达到0.82以上,且随高度的增加而增大,均方根误差范围为2.41~3.35℃,平均误差均小于0℃;叶温总体上呈现出夜间随高度增加而降低的趋势,而白天随高度增加而升高的趋势。     

基于RSTCNN的小麦叶片病害严重度估计

以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural network,RSTCNN)对小麦叶片病...     

基于L系统的植物叶脉模拟的研究

近年来，随着计算机软硬件技术水平的不断提高，虚拟植物的研究得到了迅猛的发展。为此，针对网状叶脉的特征，以大豆为例，研究了其自相似性。在可视化模拟过程中，设计了描述网状叶脉形态的L系统，并使其在采自真实叶片的轮廓内生长，解决了传统的叶脉模拟方法中的叶缘不吻合问题，基本实现了对网状叶脉的较为形象的模拟。     

基于数据约束的黄瓜叶片参数化建模

提出一种基于数据约束的黄瓜叶片参数化建模方法。该方法首先通过对真实叶片形态数据的统计分析获得叶脉分布以及叶缘特征两类形态特征参数,用来约束叶片整体形状并分区域描述叶缘形态细节,再根据参数值计算出叶片轮廓特征点的三维坐标,利用轮廓中轴骨架建模方法生成叶片的三维网格,最后采用纹理贴图技术增加真实感。试验结果表明,采用该方法可以快速、灵活地构建出黄瓜叶片的三维形态,具有较强的真实感效果。     

基于红外热成像边缘检测算法的小麦叶锈病分级研究

小麦叶锈病对我国小麦生产危害巨大,实现小麦叶锈病的监测和快速分级是进行科学生产管理的基础。针对常规图像检测技术的不足,提出一种基于红外热成像技术的快速检测和分级方法。首先,采集整株小麦样本的红外热成像图像,分别计算健康植株、潜伏期植株和显症植株的平均叶温,探明真菌入侵过程中的温度变化规律;然后,将经过直方图均衡化和中值滤波预处理的红外热成像中低于显症植株温度阈值的区域提取出来;通过温度区域划分、低温区域提取和阈值分割,计算病斑面积在整体植株热成像总面积中的百分比;最后,对病情指数进行相关分析,获得相关系数为0. 975 5,预测均方根误差为9. 79%,总识别正确率为90%。结果表明,基于红外热成像边缘检测算法的小麦叶锈病分级方法是可行的。     

模拟多光谱卫星宽波段反射率的冬小麦叶片氮含量估算

基于多年大田和小区试验下的实测小麦冠层高光谱信息,利用传感器光谱响应函数模拟Landsat 8、SPOT 6、HJ-1A、HJ-1B、GF-1和ZY-3卫星可见光-近红外波段的冠层光谱反射率,构建基于光谱指数的全生育期叶片氮含量(Leaf nitrogen concentration,LNC)估算模型。结果表明,基于不同传感器模拟的宽波段光谱反射率、光谱指数之间存在差异,但差异不显著;所有筛选的光谱指数和叶片氮含量都在P0.01水平显著相关,基于各光谱指数所构建的全生育期叶片氮含量估算通用模型均通过显著性检验;基于综合指数(TCARI/OSAVI)、转化叶绿素吸收反射指数(TCARI)、比值植被指数(RVI)的叶片氮含量估算模型具有较高的敏感性,噪声等效误差(NE)均小于1.6,其中以TCARI/OSAVI建立的叶片氮含量估算通用模型具有最好的拟合、检验精度和适用性,模型决定系数为0.62,NE为1.26。     

基于连续统去除法的冬小麦叶片全氮含量估算

以陕西省关中地区冬小麦小区试验为基础,获取不同生育期冬小麦的冠层高光谱数据,提取其连续统去除光谱和7类吸收特征参数,对比原始冠层光谱和连续统去除光谱对叶片氮含量的响应,分析连续统去除光谱吸收特征参数对叶片氮含量的估算能力。结果表明:连续统去除光谱在721~727 nm波段与叶片氮含量呈极显著负相关,相关系数为-0.851;吸收特征参数增强了对叶片氮含量的估算能力,400~550 nm波段吸收特征参数与叶片氮含量的相关性弱于550~770 nm波段;叶片氮含量与550~770 nm和400~770 nm的吸收峰总面积、吸收峰左面积以及吸收峰右面积呈显著正相关,与面积归一化最大吸收深度呈显著负相关,且相关系数绝对值均在0.8以上;550~770 nm波段的吸收峰总面积建立的叶片氮含量指数估算模型精度最高,R2达到0.82,模型检验结果稳定,可用来定量估算冬小麦叶片氮素含量水平。     

基于椭圆型度量学习的小麦叶部病害识别

特征提取和相似性度量是基于图像处理的农作物病虫害识别方法中的两大关键问题。以感染小麦白粉病的叶片为研究对象,提出了一种基于椭圆型度量学习的小麦叶部病害严重度识别算法。该算法首先给出了一种滑窗最大值（Moving window maximum, MWM）特征提取方法,对分割后的病斑图像采用滑窗法提取HSV颜色特征和LBP纹理特征,在同一水平条滑窗上取每一维特征的最大值作为这一水平条的特征,这种MWM特征表示方法能有效减弱小麦叶片弯曲、倾斜、拍摄角度不同等对识别率的影响;然后,引入对样本数据具有更好区分性的椭圆型度量,根据样本的类内与类间高斯分布的对数似然比定义椭圆型度量矩阵,为了保持最大化的分类信息,将特征子空间学习和椭圆型度量学习同时进行;最后,利用得到的椭圆型度量计算特征向量之间的距离实现不同严重度病害的识别。对比实验结果表明,本文算法使得小麦白粉病严重度的识别正确率达到了100%,优于SVM方法的88.33%、BP神经网络方法的90%。     

春小麦高产叶龄模式的研究

本研究根据春小麦的叶龄进程，对水、肥、密等影响产量的主要因素进行优化组合，提出了旨在提高春小麦的产量及获得最佳效益的高产模式，为指导我国北方春小麦的生产提供了科学依据。     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R2分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R2为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。