图像处理技术与L系统相结合的虚拟植物叶片研究

为了快速、准确地模拟植物叶片,提出了一种基于图像处理与L系统相结合的虚拟植物叶片方法。该方法首先利用图像处理技术获取叶片边缘信息和叶脉信息,然后通过叶脉信息分析出叶脉走向规律,最后通过L系统模拟该叶片形态。实验表明,该方法能够精准地模拟出叶片形态,降低计算机虚拟叶片的复杂度。     

态三维建模与计算机模拟

根据水稻叶片的三维形态特征,应用Bezier曲线描述水稻叶片的边缘信息和一元二次曲线方程描述叶脉曲线,构建一种符合生物学规律的水稻叶片弯曲三维模型,并通过对叶片边缘点绕叶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。     

基于形态重构的叶片性状特征可视化表达方法

针对目前叶片性状特征在信息融合与表达过程中存在单一性及抽象性等问题,提出一种基于形态重构的叶片性状特征可视化表达方法。以温室黄瓜叶片生长为例,将有效积温、生长速率等作为特征参数,建立叶片形态发生模型,利用参数化样条曲线描述叶缘、叶脉的几何形态,采取二分法递归地分割叶缘及叶脉曲线,以实现叶片曲面的网格化细分,结合叶色纹理信息映射模型,提出叶片性状特征的可视化表达方法。实验结果表明,运用该方法得到的叶片性状特征模拟值与观测值之间的相对误差较小,其决定系数均达到0. 95以上,均方根误差不大于0. 236,与传统的建模方法相比,该模型具有更高的拟合度和可靠性,能够有效实现黄瓜叶片性状变化的动态仿真,可为实时掌握和预测植物生长发育状况提供依据。     

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。     

油菜叶片图像中主叶脉快速去除方法

油菜叶片图像中主叶脉的去除是进行油菜叶片氮营养诊断的基础。经典的植物叶片叶脉提取算法由于不同程度地利用了叶片表面细节特征,不适合于实时性要求较高的油菜叶片营养诊断处理。为此,提出了一种基于RGB颜色空间的快速去除油菜叶片图像主叶脉的快速截留超绿—超红新算法。实验结果表明,提出的快速截留超绿—超红算法不仅能够准确、有效、完整地清除出油菜叶片的叶脉部分,同时能够有效地去除叶面上的污点、黄化部分以及虫咬痕迹。通过油菜叶色特征与叶片SPAD值相关性分析发现,清除主叶脉后的油菜叶片图像颜色特征对油菜叶片氮营养诊断更有效。     

基于细胞神经网络的植物叶片图像中叶脉的提取

叶片是植物最重要的器官之一,特别是在识别植物种类时起着关键作用.叶脉包含了植物的内在特征和重要遗传信息,叶脉复杂多变的特点使得传统的边缘检测方法不适用于叶脉络的提取.为此,提出了一种基于细胞神经网络(CNN)的植物叶脉图像提取方法.试验结果表明:与传统图像处理方法相比,该方法通过神经网络参数的合理设计,能够提取出较为理想的叶脉络和叶边缘信息,提高了提取的准确性.     

基于脉序骨架的小麦叶精细建模研究

为了实现小麦叶形态结构的三维可视化,基于小麦叶的脉序特征,提出了基于脉序骨架的小麦叶片三维几何建模方法。用B样条曲线表示小麦叶片和叶鞘上的叶脉曲线,用球B样条模拟叶片和叶鞘上的叶脉骨架,再连接已生成的叶脉骨架上相应的点生成叶片和叶鞘上叶脉之间的叶肉,建立了具有明显的叶脉分布和厚度的小麦叶几何模型。该方法可用于其它平行叶脉植物叶片的精细建模,具有较好的真实感。     

虚拟植物果实的可视化建模技术研究

为了有效、逼真地描述植物果实的外部特征,实现植物果实形态结构的数字化设计和可视化模拟,以柑橘为例,提出了一种植物果实的可视化建模方法.该方法采用Bézier曲线拟合柑橘果实的外轮廓,模拟出果实的大致形状,利用MapL系统来对柑橘表面凹凸的局部特征性进行模拟,并给出了柑橘果实模型的实例.实验表明,该方法能够模拟多种柑橘果实的外观特征,并具有较好的真实感效果,易于构建虚拟植物果实的生长模型.     

基于流形学习算法的柑橘叶片氮含量光谱估测模型

提出了一种基于流形学习算法的柑橘叶片氮含量光谱快速检测方法。分别在萌芽期、稳果期、壮果促梢期和采果期,使用ASD Field Spec 3光谱仪采集了柑橘叶片的反射光谱,并同步采用凯式定氮法测定叶片的氮含量。首先采用正交试验确定各个生长期小波去噪的最佳参数组合,然后分别采用主成分分析、多维尺度变换、局部线性嵌入、等距映射和拉普拉斯特征映射5种流形学习算法对原始光谱和经小波去噪后的光谱数据进行特征提取,将特征数据导入支持向量机回归建立柑橘叶片氮含量预测模型,4个生长期的最佳验证集模型决定系数依次为0.901 4、0.934 4、0.895 4和0.877 9。试验结果表明,这5种流形学习算法都能有效地用于柑橘叶片氮含量预测,为柑橘叶片氮含量快速无损检测、生长态势监测和变量施肥提供了理论依据。     

基于Mask R-CNN的柑橘主叶脉显微图像实例分割模型

针对目前植物解剖表型的测量与分析过程自动化低，难以应对复杂解剖表型的提取和识别的问题，以柑橘主叶脉为研究对象，提出了一种基于掩膜区域卷积神经网络(Mask region convolutional neural network, Mask R-CNN)的主叶脉显微图像实例分割模型，以残差网络ResNet50和特征金字塔(Feature pyramid network, FPN)为主干特征提取网络，在掩膜(Mask)分支上添加一个新的感兴趣区域对齐层(Region of interest Align, RoI-Align),提升Mask分支的分割精度。结果表明，该网络架构能够精准地对柑橘主叶脉横切面中的髓部、木质部、韧皮部和皮层细胞进行识别分割。Mask R-CNN模型对髓部、木质部、韧皮部和皮层细胞的分割平均精确率(交并比(IoU)为0.50)分别为98.9%、89.8%、95.7%和97.2%,对4个组织区域的分割平均精确率均值(IoU为0.50)为95.4%。与未在Mask分支添加RoI-Align的Mask R-CNN相比，精度提升1.6个百分点。研究结果表明，Mask R-CN...     

柑橘叶面病害监测颜色空间改进算法研究

柑橘叶面病害是影响柑橘产量和质量的重要因素,如何对柑橘叶面进行病害识别是后期病害检测的一个关键步骤。为了提高柑橘在各种病害环境下病斑图像识别的准确率,提出了一种针对柑橘病害监测的HSV颜色直方图空间的图像检索改进算法。此算法用颜色空间来展现柑橘病害所导致的颜色变动,根据柑橘叶面病变产生的异常颜色信息,结合传统直方图图像检索方法,对柑橘叶面图像颜色进行非均匀量化处理,且将非均匀化量化处理后的归一化颜色矩阵作为因子来进行图像检索。使用者可以经过使用这种形式来检测柑橘叶面图像,及早发现病害。与传统的方案相比,此算法在柑橘叶面病害监测方面的检索查准率和查全率均有显著提高,从而验证了本文算法的有效性。     

基于数学形态学的植物叶柄与叶片分割

叶柄与叶片的分割是进行植物叶特征提取关键的一步.为此,介绍了基于数学形态学的植物叶柄与叶片的分割方法,通过二值化处理、数学形态学处理,能够有效地分离叶柄和叶片.其中,二值化处理采用动态阈值,使得该方法能够适用于不同颜色的植物叶;数学形态学处理采用动态十字形模板,使得该方法能够适用于不同尺寸的植物叶.     

基于高光谱成像和Att-BiGRU-RNN的柑橘病叶分类

为实现对柑橘叶片病虫药害种类的快速精准识别,针对多种类柑橘病叶设计一种融合注意力机制(Attention mechanism)的双向门控循环单元-循环神经网络(Attention-bidirectional gate recurrent unit-recurrent nural network, Att-BiGRU-RNN)分类模型。该模型在编解码模块分别采用BiGRU和RNN结构,能够利用高光谱数据前后波段光谱信息的关联性,有效提取光谱信息的深层特征;根据不同波段光谱信息的差异性引入注意力机制动态分配权重信息,提高重要光谱特征对分类模型的贡献率,提升模型的分类准确率。获取6类柑橘叶片高光谱信息,构建实验样本集,利用Att-BiGRU-RNN、VGG16、SVM和XGBoost分别建立柑橘病叶分类模型,Att-BiGRU-RNN模型总体分类准确率(Overall accuracy, OA)平均可达98.21%,相较于其他3种模型分别提高4.71、10.95、3.89个百分点,对光谱曲线重合度高的除草剂危害和煤烟病叶片的分类准确率有显著提升。实验结果表明,深度学习方法可有效利用高光谱不同...     

灌溉柑橘园中叶片湿润传感器校准方法研究

叶片湿润时间是植物病害模型的重要输入变量之一,它与许多叶部病原菌的侵染有关,影响病原侵染和发育速率。叶片湿润传感器可以实现对其实时、自动化监测,而由于叶片湿润时间受到环境和植物交互效应的影响,需要在灌溉环境下的柑橘园中进行校准。以生长季的柑橘为试验材料研究校准方法。叶片湿润传感器角度为30°,采用移液枪向传感器滴水和使用灌溉设施向传感器喷灌2种方法来确定传感器的干湿阈值;比较了柑橘冠层不同位置的传感器监测效果,并研究了有雨和无雨条件下对传感器监测效果的影响,最后通过神经网络模型验证阈值的合理性。结果表明：叶片湿润传感器在灌溉环境下干湿阈值为270 mV,此时传感器的监测效果最好,误差在2 h以内,通过与神经网络模型预测结果对比,证实此阈值下传感器监测效果良好;位于柑橘冠层底部位置的传感器监测准确率最高,可达0.95;传感器在无雨条件下监测效果优于有雨条件。该叶片湿润传感器校准方法可以用于灌溉柑橘园叶片湿润时间监测,符合柑橘病害预警系统的要求。     

基于深度学习的柑橘病虫害动态识别系统研发

柑橘是我国重要的经济林果之一,因种植区多在山区坡地,病虫害防治给管理带来了很大困难,在线监测与专家决策成为现代农业发展的方向。本文采用物联网技术和深度学习方法,基于尺度可变视频流信息,设计并构建了一套基于柑橘叶片的病虫害动态识别系统。该系统实现了全方位智能控制,解决了实时叶片图像变形和尺度缩放等问题,实现了柑橘图像的动态采集和智能识别。叶片检测的MAP达到87.72%,病害识别准确率达到95.46%,系统运行结果表明,该系统可有效实现柑橘智能监控的管理,为病虫害物联网监控提供参考。     

枝上柑橘果实深度球截线识别方法

针对柑橘果、叶、枝对象具有球体、片体和细柱体不同的三维几何特征,提出一种识别柑橘果实的深度球截线方法。首先提出了球形果实特征提取的深度球截线方法的基本原理和关键参数,进而分别针对枝上果、叶孤立和贴碰区域提出了孤立果实的特征提取算法和贴碰果实的特征提取算法,得到了复杂枝环境下的深度数据处理与果实识别策略,并综合根据Intel Real Sense F200型深度传感器参数、柑橘果实尺寸、近景探测范围、数据预处理与特征提取需要完成了深度球截线方法的参数确定。大量室内试验结果表明,深度球截线方法对孤立果实提取的平均成功率为97.8%,贴碰区域内果实提取的平均成功率为76%,而复杂枝环境的果实提取综合成功率为63.8%。该深度球截线的识别方法仅利用有限的深度数据点,在保证原始数据精度的同时降低了运算量和果实特征提取复杂性,能有效应对果叶遮挡问题,实现对贴碰果叶的有效区分,对柑橘果实具有良好的适应性,为采摘机器人在复杂环境下的果实识别与定位提供了新的技术思路。     

作物生长过程模拟模型与形态三维可视化关键技术研究

针对作物产量形成、品种适应性分析的数字化解析和可视化表达需求,以提高作物模拟模型的时效性、协同性和真实感为目标,结合物联网技术与作物模拟模型,进行了田间数据实时采集;应用多智能体技术进行了作物协同模拟方法研究与框架设计;开展了作物生长过程模拟模型及基于作物模型的形态三维可视化关键技术研究,以小麦作物为例,进行了田间试验,阐述了小麦三维形态模拟可视化系统的设计实现并进行了试验验证;构建了Logistic方程模拟小麦叶长、最大叶宽、叶片高度、株高等的生长变化,采用基于曲线、曲面的参数化建模方法和3D图形库OpenGL构造了小麦器官几何模型。结果表明小麦叶长、最大叶宽、叶片高度和株高模拟模型R ²值在0.772~0.999之间,回归方程的F值在10.153~4359.236之间,且Sig.小于显著水平0.05,模型显著性较好,模型的拟合度较高。本研究将作物模拟模型结果和形态结构模型有效结合,实现了以小麦为代表的作物在不同管理措施条件下的生长过程形态三维可视化表达,为作物生产数字化系统应用提供了更有效的途径,该技术体系与方法同样适用于玉米、水稻等作物。     

基于三维点云的叶面积估算方法

为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。     

小波变换与分水岭算法融合的番茄冠层叶片图像分割

在基于机器视觉的作物营养诊断研究中,通常需要采集叶片样本并在实验室条件下定量测定其营养素含量,但由于叶片间相互重叠,往往使得叶片样本不能清晰地反映在群体番茄冠层图像中。为了解决这一问题,需要利用图像分析技术有效提取作物冠层图像中的叶片,并根据处理结果采集实验室测定样本。本文从复杂背景剔除、梯度图计算、小波变换、标记选取、分水岭分割等环节出发,实现了基于小波变换与分水岭算法融合的番茄冠层多光谱图像叶片分割。首先对比了4种复杂背景剔除算法,发现当增强因子a=1.3时,基于归一化植被指数(Normalized difference vegetation index,NDVI)的阈值分割目标提取准确,适合各种光照条件,时空复杂度低。其次在梯度图计算方面,近红外(Near infrared,NIR)波段图像形态学梯度在保持目标边缘的同时,能消除大量由叶脉、光照等引起的叶片内纹理细节。然后以小波分析为基础进行标记选取,发现当选取db4小波函数、4层小波分解低频系数、阈值为18的H-maxima变换能得到最优的目标标记结果。最后对多光谱番茄冠层图像的小波变换分水岭分割和数学形态学分水岭分割结果进行叠加,发现对复杂背景及不同光照强度下的番茄冠层叶片平均误分率为21%,为基于多光谱图像分析的番茄叶片营养素含量检测提供了一定的技术支持。