黑土区田块尺度精准管理遥感分区时空格局与成因分析

精准管理分区是实施精准农业的重要环节,对分区结果的时空变化分析有利于因地制宜制定田间精准管理措施。该研究以黑龙江省友谊农场种植玉米作物的田块为研究区,获取多年玉米出苗期Sentinel-2 A卫星遥感影像,提取归一化差异植被指数(Normalized Difference Vegetation Index, NDVI),运用面向对象分割的方法进行精准管理分区,通过空间转移矩阵方法表述研究区分区格局变化情况,并对精准管理分区时空格局成因进行探究。结果表明:研究区在2017-2020年6月上旬精准管理分区格局相似;分区后NDVI、高程、坡度的变异系数分别降低了70.690%～76.420%、42.857%～57.143%、30.723%～34.940%;同一条垄线上,4期NDVI最高值均位于阳坡,且坡顶至阴坡坡底NDVI值逐渐降低;作物生长初期地形影响土壤水分及温度分布从而影响作物长势及精准管理分区格局。研究结果为精准管理分区与精准施肥、施药等田间变量管理措施的衔接提供参考。     

基于CycleGAN-IA方法和M-ConvNext网络的苹果叶片病害图像识别

针对苹果叶片病害图像识别存在数据集获取困难、样本不足、识别准确率低等问题,提出基于多尺度特征提取的病害识别网络(Multi-scale feature extraction ConvNext, M-ConvNext)模型。采用一种结合改进的循环一致性生成对抗网络与仿射变换的数据增强方法(Improved CycleGAN and affine transformation, CycleGAN-IA),首先,使用较小感受野的卷积核和残差注意力模块优化CycleGAN网络结构,使用二值交叉熵损失函数代替CycleGAN网络的均方差损失函数,以此生成高质量样本图像,提高样本特征复杂度;然后,对生成图像进行仿射变换,提高数据样本的空间复杂度,该方法解决了数据样本不足的问题,用于辅助后续的病害识别模型。其次,构建M-ConvNext网络,该网络设计G-RFB模块获取并融合各个尺度的特征信息,GELU激活函数增强网络的特征表达能力,提高苹果叶片病害图像识别准确率。最后,实验结果表明,CycleGAN-IA数据增强方法可以对数据集起到良好的扩充作用,在常用网络上验证,增强后的数据集可以有效提高苹果叶片病害图像识别准确率;通过消融实验可得,M-ConvNex识别准确率可达9918%,较原ConvNext网络准确率提高0.41个百分点,较ResNet50、MobileNetV3和EfficientNetV2网络分别提高3.78、7.35、4.07个百分点,为后续农作物病害识别提供了新思路。     

基于改进K-means聚类算法的金鱼阴影去除及图像分割方法

针对鱼类行为量化过程中运动阴影区域去除难的问题,以金鱼为研究对象,分别从去除噪点及孤立数据点、使用马氏距离作为距离度量方法、明确聚类个数以及初始聚类中心点选择等方面对传统K-means聚类算法进行了优化,提出了一种基于改进K-means聚类算法的金鱼阴影去除及图像分割方法。在室内正常环境下,使用相机采集玻璃鱼缸中金鱼图像,首先等比例压缩10倍,使用中值滤波方法对样本图像进行预处理,然后将其从RGB颜色空间转换到Lab颜色空间,最后提取a、b分量并使用改进的K-means算法进行聚类。试验结果显示:和传统K-means聚类算法及FCM(Fuzzy c-means)聚类算法进行比较,改进算法对于图像阴影去除及分割具有更好的效果,在200幅具有不同阴影的金鱼样本图像中,基于改进K-means聚类算法的平均误分类的像素比率和平均运行时间分别为2.48%和0.87 5s,能够满足离线鱼类行为量化过程中图像预处理的要求。     

基于特征融合图像分割算法的生态廊道提取

为提取最短路径生态廊道且兼顾多种生物的迁徙可行性,提出基于特征融合图像分割算法的生态廊道提取方法。融合颜色特征与纹理特征得到生态廊道的感兴趣区域,构建卷积神经网络模型,将研究区景观分为林地、耕地、草地、水域等类型,据此构建路径栅格图;利用二维信息素更新策略、动态启发因子信息素因子策略改进传统蚁群算法,以栅格图为对象使用改进蚁群算法规划最短的生态廊道路径。结果表明,该方法图像分割F值在0.954～0.984之间,波动性小;提取的生态廊道路径相对较短、拐点较少,起始点与终点之间更容易实现物质流动。     

基于颜色系数反向粒子群模型的田间作物分割方法

针对复杂多变的农田环境下,田间作物分割既要保留农田作物完整外部形态信息,又要满足农田作业速度的要求,该文提出一种基于反向变异粒子群优化(reverse mutation-particle swarm optimization,RM-PSO)算法提取最优颜色系数的田间作物分割方法。该分割方法分为离线和在线2个部分,离线部分采用反向变异策略提高了初始粒子群群体质量及算法的搜索效率,避免算法早熟收敛,陷入局部最优,引入满意度函数对最优颜色系数进行评价,提取全局最优颜色系数。在线部分采用离线提取的最优颜色系数对作物图像灰度化,进而对灰度化后图像进行阈值分割得到最终的分割结果。试验结果表明,该文方法平均错分率(error distinguish rate)仅为4.8%,低于HSI算法、EXG法以及Mean-shift神经网络分割算法的11.3%、19.5%、5.7%;标准差值为3.1%,相较于HSI算法的7.2%、EXG法的14.7%、及传统PSO方法的7.9%,该文算法具有更高的稳定性;平均处理时间为0.311 s,而HSI方法为0.908 s,Mean-shift神经网络分割算法为1.942 s。该方法不仅能够保证不同光照及不同景物干扰下作物外部形态信息完整,同时处理速度快,鲁棒性好,具有较高的实际应用价值。     

基于时空域联合信息的高原鼠兔运动目标检测

自然场景下的高原鼠兔序列图像对比度低,边缘较弱,目标包含多色彩且目标运动具有突变性。针对传统运动目标检测方法不能精确提取多色彩目标轮廓的问题,提出一种基于时空域联合信息的运动目标检测方法。首先,利用背景减法确定当前帧图像中目标的形心位置,得到粗分割图像及初始轮廓,然后用改进Chan-Vese(CV)模型对粗分割图像进行分割,改进Chan-Vese模型对多色彩目标图像适应性强,从而获得精确的目标轮廓。鉴于几何活动轮廓模型在图像分割过程中需不断初始化水平集函数,且初始化计算量随图像规模的增大而增多,该文在背景减法获得目标形心的基础上,以形心为中心,截取包含目标的图像块作为粗分割图像,然后利用改进Chan-Vese模型对粗分割图像精确分割,以减少分割耗时。该文对包含50帧图像的视频处理,试验结果显示:该文方法耗时仅为15.25 s,相似度指数平均为0.852 929,Jaccard指数平均为0.744 57。和背景减与CV模型相结合的运动目标检测方法相比,该文方法过分割率低,无冗余轮廓,且耗时短;和背景减与改进CV模型相结合的运动目标检测方法相比,该文实时性更高;该文所提出的目标检测方法可精确提取目标轮廓且实时性高。     

基于深度全卷积神经网络的大田稻穗分割

稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。     

基于小麦群体图像的田间麦穗计数及产量预测方法

在田间小麦测产时,需人工获取田间单位面积内的麦穗数和穗粒数,耗时耗力。为了快速测量小麦田间单位面积内的产量,该文利用特定装置以田间麦穗倾斜的方式获取田间麦穗群体图像,通过转换图像颜色空间RGB→HSI,提取饱和度S分量图像,然后把饱和度S分量图像转换成二值图像,再经细窄部位粘连去除算法进行初步分割,再由边界和区域的特征参数判断出粘连的麦穗图像,并利用基于凹点检测匹配连线的方法实现粘连麦穗的分割,进而识别出图像中的麦穗数量;通过计算图像中每个麦穗的面积像素点数并由预测公式得到每个麦穗的籽粒数,进而计算出每幅图像上所有麦穗的预测籽粒数,然后计算出0.25 m2区域内对应的4幅图像上的预测籽粒数;同时根据籽粒千粒质量数据,计算得到该区域内的产量信息。该文在识别3个品种田间麦穗单幅图像中麦穗数量的平均识别精度为91.63%,籽粒数的平均预测精度为90.73%;对3个品种0.25 m2区域的小麦麦穗数量、总籽粒数及产量预测的平均精度为93.83%、93.43%、93.49%。运用该文方法可以实现小麦田间单位面积内的产量信息自动测量。     

棉田复杂背景下棉花叶片分割方法

【目的】解决棉田复杂背景下棉花叶部病害快速识别问题,为提出一种快速提取棉花植株和分割棉花叶片的方法。【方法】通过棉花植株的RGB颜色特征将植株与土壤进行分离,结合形态学处理技术和彩色分割方法,将植株的茎秆去除,保留棉花叶片部分;分别使用广度搜索分割算法、分水岭分割算法和轮廓搜索分割算法,对棉花叶片图像进行分割提取。【结果】基于广度搜索的分割算法将叶片轮廓搜索出来与原图融合分离出叶片,该算法对于图像结构简单的情况分割效果较好,通过对应的drawContours函数将每个轮廓画出,再与原图定位,将叶片的完整信息也轮廓结合,实现叶片的分离。【结论】基于距离变换的分水岭分割算法存在过分割问题,基于广度搜索分割算法与边缘检测结合对于叶片结构清楚图像分割效果显著,与轮廓搜索算法相比,后者的适用性更广,提取的轮廓层次结构也清楚,分割效果最佳。     

基于混合蛙跳算法的马铃薯病害图像分割优化

针对Otsu算法对直方图呈现多峰多谷的复杂马铃薯病害图像分割效果不佳的问题,结合混合蛙跳算法(shuffled frog leaping algorithm,SFLA)提出了一种Otsu-SFLA分割优化模型,将Otsu病害图像的分割结果作为SFLA算法的优化起点,进行复杂背景的马铃薯病害图像的分割优化,将马铃薯叶枯病、马铃薯晚疫病、马铃薯菌核病、马铃薯根腐线虫病、马铃薯灰霉病的病害图像作为分割对象进行分割,分割匹配率分别为97.0%、96.2%、96.9%、95.7%、94.8%,平均分割匹配率为96.1%,错误率分别为1.6%、1.1%、1.2%、1.1%、1.4%、平均错误率为1.3%,正确率分别为95.4%、95.1%、95.7%、94.6%、93.4%,平均正确率为94.8%,表明Otsu-SFLA模型可有效从复杂马铃薯病害图像中获取病斑区域。