基于电阻抗成像的植物单根断层图像重建

为了实现植物根系结构形态的原位检测,植物根系单根的断层图像重建研究非常必要。该文应用动态电阻抗成像技术对土壤-树根模拟系统进行了图像重建,对重建图像进行二值化处理并求出树根在该系统中的位置坐标、面积和形状,并以树根的位置坐标、面积及形状的相对偏差为指标,分析了图像重建算法、土壤含水率2个因素对成像质量的影响。结果表明：电阻抗成像技术能够实现树木单根断层图像重建;将重建图像进行二值化处理,所得图像更加直观,便于定量评价成像质量;基于Newton单步残差正则化的一步牛顿误差重构（Newton's one-step error reconsruction,NOSER）算法,比基于全变差正则化的主双-内点模式（primal dual-interior point method,PD-IPM）算法的成像质量好;土壤含水率越高成像质量越好。该研究为基于电阻抗成像技术的植物根系结构形态的图像重建提供参考。     

基于轻量级CNN的植物病害识别方法及移动端应用

为了实现在手机端植物病害叶片检测,对MobileNet和Inception V3 2种轻量级卷积神经网络进行迁移学习,得到2种作物病害分类模型,将2种分类模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型。试验表明,MobileNet和InceptionV3在PlantVillage数据集(共38类26种病害)上平均识别率分别是95.02%和95.62%。在自建图像集葡萄病害叶片的识别中MobileNet和InceptionV3平均识别率分别是87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸大小为87.5 MB,MobileNet的模型尺寸为17.1 MB,大约是后者5倍;2种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5和125 MB;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174 ms,MobileNet的平均计算时间约是134 ms,后者的平均计算时间比前者快40 ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快。说明MobileNet更适合在手机端进行植物病害识别应用。     

马铃薯薄片干燥过程形态变化三维成像

为研究马铃薯薄片在干燥过程中形态变化规律,该文利用Kinect传感器搭建了图像采集平台,研究其在不同干燥温度下(50、60、70、80℃)的形态变化规律。通过图像采集平台获取马铃薯薄片深度图像和彩色图像,利用彩色图像确定感兴趣区域,对对应区域的深度图像进行灰度值拉伸、阈值分割、边缘去噪处理,进而提取特征,计算出正投影面积的收缩率、深度均值及标准差,以表征马铃薯干燥过程中表面卷曲及平整度等形态指标的变化规律。对不同干燥时间点马铃薯片进行三维图形显示可观察其变化规律明显。统计结果表明:低温(50、60℃)与高温(70、80℃)对马铃薯薄片干燥时的收缩率、卷曲程度具有显著影响(P0.05)。50℃时收缩率为54.97%,80℃时收缩率升高为64.55%;干燥温度与马铃薯片卷曲程度呈先升后降的关系,60℃时卷曲度最大,其深度均值为27.81 mm,80℃时降低到18.86 mm。而四组温度下,马铃薯薄片的平整度具有显著性差异(P0.05),50℃时马铃薯片深度值的标准差为7.99 mm,80℃时降低至5.71mm,说明平整度随着干燥温度升高而增加。该研究可为马铃薯薄片干燥过程中形态变化的检测提供参考,同时为干燥工艺的智能化控制提供技术依据。     

定向刨花板加固腹板开洞竹木工字梁力学性能研究

为研究定向刨花板(oriented strand board,OSB)加固腹板开洞的竹木工字梁的力学性能,揭示其受力破坏机理。以孔径与腹板高度的比值(d/hw)和补强板型为参数,制作并测试了42根竹木工字梁,考察测试过程中的破坏形态、弯曲变形性能,分析各因素对工字梁力学性能的影响规律。结果表明,当孔径较小(d/hw≤25%)时,试件的破坏形态以翼缘内OSB层裂和腹板剪切破坏为主,孔洞对开洞梁承载力和刚度的影响较小,可忽略不计。当孔径较大(d/hw25%)时,破坏形态以洞口周边受拉和受压破坏为主,随着孔洞直径d增加,孔洞的不利影响愈发明显,开洞梁的承载能力呈下降趋势,但对梁的刚度影响较小。OSB补强板能有效约束孔角裂缝开展,加固后的开洞梁的开裂荷载、正常使用极限状态荷载和承载能力极限状态荷载较未加固开洞梁明显提高,平均提高52.9%、12.1%和28.2%。但OSB补强板对开洞梁抗弯刚度的改善作用不明显,平均提高仅为11.5%。承载力和刚度的提高幅度与补强板类型密切相关,其中,套环定向刨花板(collar oriented strand board,C-OSB)增强效果最好、双U型定向刨花板(two U shaped oriented strand board,TU-OSB)次之,U型定向刨花板(U shaped oriented strand board,U-OSB)最差。C-OSB适合于管道施工前对开洞梁进行加固,而U-OSB和TU-OSB适合加固d/hw不大于75%的开洞梁。粘贴OSB加固开洞竹木工字梁是一种有效的加固方法。     

基于改进的粒子群多阈值算法的白色异性纤维检测

为了提高皮棉中白色异性纤维的识别精度,该文提出了一种基于改进混沌粒子群的白色异性纤维检测算法,该算法将图像的像素点按灰度值分为多类,把所有相邻类间方差看做一个粒子种群,以最大类间方差组作为种群适应度评价函数。通过滑动窗口技术判断算法是否陷入局部最优。有效克服了标准粒子群算法容易陷入局部最优的缺陷。通过试验验证,该文提出的算法对白色异性纤维的识别准确率达到98.6%。通过与标准二维Otsu算法的对比分割试验发现在分割较细小的白色异性纤维以及白色纤维与皮棉发生重叠的情况时,该算法的分割结果比标准二维Otsu算法更准确,噪声点更少。为皮棉异性纤维检测与剔除工艺的改善提供了技术依据。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

基于卷积神经网络与迁移学习的油茶病害图像识别

传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。     

基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选

制种玉米田在高空间分辨率遥感影像上呈现的明显条带状纹理,是有效区分光谱值相近的大田玉米和制种玉米的重要信息.该文在新疆维吾尔自治区奇台县玉米种植区以高空间分辨率的无人机遥感影像为数据源,针对制种玉米识别的纹理特征计算尺度问题,首先采用最近邻内插法对制种玉米和大田玉米样本田块的无人机影像进行重采样,得到不同分辨率的样本;然后用融合Uniform-LBP(local binary pattern)和GLCM(gray level co-occurrence matrix)方法得到提取玉米田块纹理特征合理GLCM参数,其中方向参数为0°、45°、90°和135°这4个方向上的纹理特征值的平均值、距离为5~7像元、灰度级为8;通过多尺度对比分析,得到最适宜区分制种玉米与大田玉米的纹理辨率为0.6~0.9m.最后采用奇台县的0.7m分辨率的Kompsat-3遥感影像进行验证,在多时相EVI(enhanced vegetation index)光谱信息识别玉米的基础上,利用本文确定的纹理分析方法,通过决策树建立规则识别制种玉米,识别精度达90.9%.通过该文的研究,可为高空间分辨率遥感制种玉米田监管提供支撑.     

权重约束AdaBoost鱼眼识别及改进Hough圆变换瞳孔智能测量

针对传统鱼眼瞳孔直径测量方法耗时、耗力,且数据主观性强的问题,该文提出基于权重约束AdaBoost和改进Hough圆变换的鱼眼瞳孔直径智能测量方法。首先,利用工业相机采集实验板上的鱼图像,从正负鱼眼图像样本中训练出基于权重约束AdaBoost算法的鱼眼分类器;然后,采用该分类器对试验图像进行检测,将检测到的鱼眼局部图从整体图中分离出来;最后,采用改进的Hough圆变换检测出鱼眼的瞳孔,并计算得到瞳孔直径。对100条金鲳鱼进行试验,鱼眼分类精度达97.1%,瞳孔正确检测率达94.2%,相比改进前分别提升了1.7个百分点和10.5个百分点,与人工测量瞳孔直径值的平均偏差为6.5%,比改进前低了5.9个百分点,总的平均测量时间为324.371 ms,比改进前减少了10.707 ms。试验证明:该文提出的方法能够精确、实时、自动地测量出鱼眼瞳孔的直径,有效避免了传统测量方式的复杂性和测量数据的主观性,可为鱼体生长状况评估、良种选育提供重要参考。     

自然环境下葡萄采摘机器人采摘点的自动定位

针对葡萄果梗颜色复杂多变、轮廓不规则等影响因素使得采摘机器人难以准确对采摘点进行定位的问题,该文提出一种基于改进聚类图像分割和点线最小距离约束的采摘点定位新方法。首先通过分析葡萄图像的颜色空间,提取最能突显夏黑葡萄的HSI色彩空间分量H,运用改进的人工蜂群优化模糊聚类方法对葡萄果图像进行分割;然后对分割图像进行形态学去噪处理,提取最大连通区域,计算该区域质心、轮廓极值点、外接矩形;再根据质心坐标与葡萄簇边缘信息确定采摘点的感兴趣区域,在区域内进行累计概率霍夫直线检测,求解所有检测得出的直线到质心之间的距离,最后选取点线距离最小的直线作为采摘点所在线,并取线段中点坐标作为采摘点。以从晴天顺光、晴天遮阴、阴天光照下采集的300幅夏黑葡萄进行分类试验,结果表明,该方法的采摘点定位准确率达88.33%,平均定位时间为0.3467 s,可满足采摘机器人对采摘点的定位需求,为葡萄采摘机器人提供了一种新的采摘点求解方法。