基于BP网络的典型草原群落自然演替预测模型研究

以典型草原植被群落为研究对象,探讨草地生态系统自然演替恢复的动态变化,采用BP人工神经网络,以演替年度为输入量,群落的凋落物、含水量、容重、孔隙度、有机质、微生物量C、土壤N、地上生物量和多年生禾草密度为输出量,对典型草原群落自然演替进程进行模拟和预测.结果表明:BP-NN的稳定性较好,各参数预测结果的平均误差为2.04%,说明BP-NN可适用预测典型草原群落自然恢复演替,其优势在于可模拟了解较少或不确定性和模糊性较大的系统行为,这是传统数学模型所无法实现的,因而是对传统机理模型的重要补充.     

基于深度卷积神经网络的葡萄新梢图像分割

近几年深度卷积神经网络在很多图像任务,诸如目标检测、图像分类、图像分割等方面得到了广泛应用,在图像分割方面,基于深度学习分割性能已全面超越了传统的分割算法。很多病害都会在葡萄的新梢上产生病症,在图像中准确分割出新梢,可提高病害诊断的精度。为了实现对自然条件下拍摄的葡萄新梢图像的准确分割,用相机、手机分别在不同的光照和环境条件拍摄了葡萄的新稍图像,在制作的训练图像集上对SegNet、FCN和U-NET3种卷积神经网络进行迁移学习,得到3种分割网络模型,分别用这些模型对测试集中不同环境下拍摄的新梢图像进行分割试验。在模型训练的初始阶段设置较大的学习率,以期快速到达最优解附近,随后逐步降低学习率,得到最优解。以人工分割为基准,对3种网络的分割效果进行评价。结果表明:在优选的训练模式下,3种分割网络在标准测试集T1上分割精度(MCC)达到83.58%、93.85%和89.44%,对于标准测试集T1和T2中的阴天图像,3种网络的平均MCC分别比晴天高5.42%、0.73%和0.65%。3种网络中,FCN的总体分割效果最优,在标准测试集T1上的平均分割精度(MCC)分别比SegNet和U-NET高10.27%和4.42%;从人的直观观察也可以看出,FCN分割的葡萄新梢图像轮廓光滑、视觉效果较好。光照对分割效果影响显著,阴天拍摄图像的分割效果整体好于晴天分割效果。在扩展数据集上,3种网络的分割精度均出现一定程度的下降,对于大田条件下(T3)和温室条件下(T4)手机拍摄的图像,FCN的平均分割精度(MCC)依然分别达到78.06%和74.82%,说明FCN的泛化性能较好。     

基于深度学习与复合字典的马铃薯病害识别方法

为解决自然环境下小样本病害叶片识别率低、鲁棒性不强的问题,以马铃薯病害叶片为研究对象,提出一种基于深度卷积神经网络与复合特征字典结合的病害叶片识别方法。首先,利用迁移学习技术对Faster R-CNN模型进行训练,检测出病害叶片的斑块区域;然后,采用高密度采样方法对整个斑块区域提取颜色特征和SIFT特征,建立颜色特征和SIFT特征词汇表,再由K-均值聚类算法对两类表观特征词汇表进行聚类,构造出复合特征字典;最后,将病害区域提取的特征在复合特征字典中映射后获得特征直方图,利用支持向量机训练出病害的识别模型。试验结果表明,复合特征字典中视觉单词数为50时,病害识别的鲁棒性和实时性最佳,平均识别准确率为90.83%,单帧图像耗时1.68 s;在颜色特征和SIFT特征组合下,本文方法在自然光照条件下对病害的平均识别准确率最高,达到84.16%;在相同数据集下,与传统词袋法相比,本文方法的平均识别准确率提高了25.45个百分点。     

基于图像识别技术的豆科牧草分类研究

利用计算机图像处理技术,依据植物叶片图像的形状特征对14种豆科牧草进行分类识别。通过对叶片图像进行预处理,提取出叶片的轮廓。在此基础上提取了叶片形状的全局特征和局部特征;全局特征包括叶片的横纵轴比、矩形度、圆形度等8项几何特征和7个图像不变矩特征;局部特征为叶缘粗糙度。利用PNN(Probabilisticneural network)和BPN(Back propagation network)作为分类器进行识别分类,实现了对豆科牧草叶片图像的分类。识别结果表明,PNN网络的平均识别率为85.1%、BPN网络的平均识别率为82.4%。     

一种改进的葡萄叶片自动分割算法

针对不同光照以及不同天气条件造成葡萄叶片图像不能准确分割的问题,提出了一种改进的图割分割算法。采用G/R以及a*颜色特征自动选择叶片目标和背景种子点,利用混合高斯模型对叶片和背景的概率密度分布进行估计;在马尔科夫随机场的基础上,建立像素特征的能量函数;通过求解能量函数最小化对叶片实现了自动分割。对多种不同分割特征的分割效果进行对比试验,结果表明:对于不同时间、不同天气的叶片图像,单一G/R和a*具有较好的效果,分割精度分别达到86.74%和92.38%,若用它们组合为双特征,分割效果会进一步提高,分割精度可达95.03%。     

基于灰度共生矩阵和分形的哈密瓜表皮网状纹理分析

根据表皮纹理对哈密瓜进行自动分级。选取基于灰度共生矩阵的4种纹理参数和分形盒维数对哈密瓜表皮纹理进行统计分析,研究哈密瓜以及作为对比组的西瓜和甜瓜关于这5种纹理参数的分布规律。试验结果表明:基于灰度共生矩阵的4种纹理参数能将大部分纹理清晰与纹理模糊、霉变的哈密瓜表皮区分开,分形盒维数则可区分大部分纹理模糊表皮与霉变表皮;这5种纹理参数的组合可区分哈密瓜与西瓜、甜瓜的纹理。     

基于全卷积网络的葡萄病害叶片分割

[目的]本文旨在解决不同光照和复杂背景下葡萄病害叶片图像的自动分割。[方法]使用了一种全卷积网络(FCN)的葡萄病害叶片图像的自动分割算法。该算法在结构上将传统的卷积神经网络(CNN)后3个全连接层换成3个卷积层。通过多层的卷积,对输入葡萄叶片图像的特征进行提取;通过池化层,对特征信息进行筛选,缩减特征尺寸,以达到减少网络参数的目的。再通过反卷积对特征上采样,从高维、小尺寸特征恢复到图像原始尺寸,对具有原始尺寸的特征进行逐像素分类,确定原图像中每个像素位置的标签是背景还是前景。因只经过上采样处理后的分割图像会较粗糙,故通过跳跃结构将较为粗糙的原图进行局部信息与整体信息的整合,达到对分割结果进行精细化处理的目的。[结果]本算法对葡萄病害叶片有较好的分割效果,单叶片和复杂多叶片图像的马修斯相互系数(MCC)分别为0.821和0.747,MCC平均值较对比算法提高了6.5%。[结论]本算法能够较精确地分割自然条件下成像的葡萄病害叶片图像,为后续在叶片精准分割病害区域和提取病害特征创造了良好的条件。     

深度学习在作物及其近缘种抗病性智能鉴定上的研究进展

作物及其近缘种抗病性的精准鉴定是筛选和培育作物抗病性品种的关键环节,是安全有效防治作物病害的重要方式,也是野生种质资源异位保存和开发利用的重要基础。传统的抗病性鉴定方法工作量巨大,且严重依赖于调查人员的主观判断,快速、准确的作物及其近缘种抗病性智能化鉴定方式是未来的发展方向。近年来,随着深度学习方法的快速发展与大量应用,基于深度学习的作物及其近缘种抗病性智能鉴定成为可能。本文首先以水稻3大病害(稻瘟病、白叶枯病、纹枯病)为例,从阐述其抗病性鉴定的规范标准和传统抗病性鉴定方法出发,随后从病害检测、病害分割和病害危害程度评估3方面综述了深度学习在作物及其近缘种抗病性智能鉴定中的研究进展,凝练了深度学习在抗病性鉴定上的应用情况和面临的难点与挑战,并对未来进一步研究的方向与发展趋势进行展望,旨在为深度学习在作物及其近缘种抗病性鉴定中的进一步研究应用提供参考。     

采用3D几何特征的草莓叶片含水率监测与试验验证

为实现植物水分状况的实时在线监测,该研究采用非接触式双目摄像仪获取草莓叶片的深度图像并转换为点云数据,从中抽取叶片三维（Three-Dimension, 3D）形态信息,用以建立草莓叶片含水率的预测模型。采用随机采样一致算法与整体最小二乘法相结合的点云平面拟合方法拟合叶片平面从而获取叶倾角,采用代数拟合球面法以估计叶片的拟合球半径,从而可以定量分析草莓叶片的几何参数与不同含水率的关系。在建模集的一元线性回归分析中,叶倾角与叶片含水率、余弦值与叶片含水率、球半径与叶片含水率均线性相关,决定系数分别为0.842 9、0.854 6 和 0.880 8;采用多元线性回归分别分析了球半径和叶倾角、球半径和叶倾角的余弦值与叶片含水率,两者与叶片含水率之间关系都十分显著（P<0.001）,修正决定系数分别为0.914 3和0.912 9。对所建立的单变量含水率预测模型和双变量预测模型在验证集上进行了验证,结果表明,利用球半径和叶倾角建立的回归模型预测叶片含水率效果最好,均方根误差仅为0.015 8,决定系数达0.953 4。该试验研究结果可以快速检测草莓叶片含水情况,为草莓含水状况的非接触式测量提供一种有效的方法,为农情信息精准获取提供技术支持。     

基于改进可变形部件模型与判别模型的葡萄叶片检测与跟踪

为解决酿酒葡萄生长状态自动监测问题,该文提出基于机器视觉和视频处理技术的自动监测系统,开发了多角度可变形部件模型的葡萄叶片检测算法和基于颜色特征的判别模型跟踪算法。在叶片检测方面,该算法对颜色特征图像采用可变形部件模型训练出多角度叶片检测器,通过多模型匹配后产生叶片检测候选集合,选择集合中得分最高的检测结果作为最后的定位信息;在跟踪方面,结合图像中目标的颜色直方图,建立具有区分背景和目标的组合判别模型,并将位置函数的最大值作为相邻帧的目标位置,从而实现对叶片目标的实时跟踪。试验结果表明,该文检测算法对自然条件下的葡萄叶片平均检测率为88.31%,误检率为8.73%;叶片跟踪的准确性也相对较高,其重叠率高达0.83,平均中心误差为17.33像素,其证明了该算法的有效性,研究结果为葡萄生长状态的自动分析提供参考。