基于无人机可见光影像和面向对象的树种分类研究

针对目前林业部门人工调查树种存在效率低、成本高等问题,采用无人机遥感技术进行树种分类识别,提高树种调查效率,辅助林业管理部门进行林木种植结构分析、病虫害防治等工作。利用无人机获取矮冬青、三球悬铃木、马尾松和紫叶李的冠层红绿蓝（red-green-blue,RGB）可见光影像,进行数字表面模型（digital surface model,DSM）特征图像提取,通过色彩空间转换提高树种间颜色差异;应用最优尺度分割,以纹理特征、颜色特征及几何特征为分类特征参数,优选最佳分类特征集,以期实现无人机可见光影像的树种分类。结果表明,DSM与RGB特征融合图像提取树种的精度较高,可见光影像分类总精度为91.58%,Kappa系数为0.89;特征融合图像分类总精度为98.27%,Kappa系数为0.98。研究提出的特征融合图像结合面向对象分类方法实现了可见光影像的树种分类,为实现树种计数、统计、分类提供数据参考。     

基于磁导引的履带式小车作物图像自动采集系统设计与试验

为实现自动高效获取农作物的生长图像,设计了1种适用于旱田作物的高通量履带式小车图像采集系统。系统采用磁导引传感器和磁条实现小车在田间按路径自动行走;采用履带式小车底盘结构以保证系统在田间复杂环境下能稳定运行;在小车支架两侧分别安装俯视和侧视相机,可同时采集2个作物行的俯视图和侧视图,以提高工作效率;运用无线通信技术远程监控小车运行情况;系统顶端安装太阳能电池板,为小车在运行时补充电能。以盆栽玉米植株为研究对象,用该系统采集了玉米幼苗期到抽穗期的植株图像,结果表明,该系统运行稳定可靠,在旱田以0.1m/s速度作直线行驶时,绝对误差小于2cm,最小转弯半径为0.5m,连续采集模式下单个相机采集效率为30张/min,能满足实际需求。     

水稻表层根系图像分割算法研究

水稻根系形态特征的定量研究对于改进农田管理方式、水稻品种选育和遗传改良等具有重要意义。近年来,随着表型组技术迅速发展,利用图像处理技术对水稻根系生长情况进行测量和分析,同时配合施肥、灌溉、光照、温控等环境监控技术已成为水稻育种和功能基因组研究新型技术手段,而根系图像分割技术是进行后续表型组学分析的重要基础之一。由于生长在土壤中的水稻根系图像具有对比度低、信噪比低、纹理复杂的特点,分割十分困难。针对此问题,研究了主干-分支连接算法、基于形态特征的局部阈值分割算法和基于形态特征的自适应阈值分割算法,对生长在土壤中水稻根系图像进行分割处理和比较。实验结果表明,主干-分支连接算法虽然保留了大量细节,但是受噪声影响严重,其结构略显杂乱,毛刺现象严重;基于形态特征的局部阈值分割算法能保留更多根部的细节,但轮廓断裂的现象比较严重;自适应阈值分割算法分割的图像根系连续性较好,毛刺现象也得到了抑制,但是细小的须根无法保留。最终将两种算法结合起来,提出一种适用于水稻表层根系图像分割的综合算法,则可以获得较为理想的分割结果,为后续水稻根系性状提取奠定了重要基础。     

一种植物病害图像识别卷积网络架构

针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题,提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet,旨在对多种类的植物病害图像达到高精准的识别准确率.引入Focal损失函数对DenseNet网络进行改进,使得训练模型的注意力集中于难分类的样本.FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题.采用的数据集有87 867张植物病害图像,图像包含同种植物的多种病害,并涉及38种植物病害.对图像进行预处理、数据增强后,将DenseNet169网络、ResNet50网络和MobileNet网络作为参照实验.实验结果表明,FI-DenseNet网络的收敛速度更快且识别准确率最高,测试集识别准确率为98.97％,FI-DenseNet网络的鲁棒性和泛化能力均优于对照网络,可为植物病害智能诊断提供参考.     

基于图像处理和深度迁移学习的芒果果实病状识别

目的 基于计算机层析成像(Computed tomography, CT)设备所得芒果CT序列图像,实现芒果内部品质的无损检测和病状识别分类。方法 利用分段函数法、中值滤波结合双边滤波,实现芒果图像增强;采用局部自适应阈值法,实现二值化处理;采用种子填充法进行区域填充;最后通过差影法准确提取芒果果实内部组织的坏损区域。基于深度迁移学习模型,对未处理和已处理的芒果图像数据开展训练和测试,通过AlexNet和GoogLeNet深度学习网络开展迁移学习,调整超参数完成训练过程的网络微调,在不同模型中对比未处理和已处理的芒果测试集在模型上的分类结果。结果 基于未处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为98.79%和98.41%。基于已处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为100%和100%。深度迁移学习模型在已处理数据集下的模型分类指标较未处理的数据集下有较大的提升。基于同一数据集且超参数一致时,GoogLeNet网络的分类效果明显优于AlexNet网络。结论 设定学习率为0.0002、迭代轮数为3、最小批值为64,基于GoogLeNet网络开展深度迁移学习训练,将所得模型作为最终的分类模型。     

CAD图形处理技术在植物叶面积测量中的应用

采用数码像机在田间获取植物叶片加参照直尺的数字图像,然后利用AutoCAD 2000的area命令,可以快速测量所定义区域的面积和周长。同时将该方法与目前生产上常用的CID仪器法、交叉网格法、复印称重法进行比较分析。结果表明:CAD图形处理方法和上述传统的叶面积测定方法的测定结果呈极显著的线性相关关系,适用于叶面积的测量工作,该方法的最大优点就是可以在不摘除植物叶片的前提下,快速、准确的进行叶面积测量工作。为植物叶面积测量提供了新的思路。     

呼伦贝尔草原2000—2010年土地覆盖变化的遥感监测与分析

分析2000—2010年呼伦贝尔草原土地覆盖空间分布格局、时空变化趋势,揭示生态工程实施效果,为草原的合理开发利用提供科学依据,研究方法:基于2000、2005和2010年的3期Landsat 4/5TM遥感影像,采用最大似然法进行监督分类,得到各时期的土地覆盖分布图,通过制作不同时期不同地类间的转移矩阵,定量分析不同时期不同地类之间的相互转换结果。研究结果表明:1)草地年均减少面积为3 063.03hm2,与未利用土地、耕地和湿地发生剧烈转换;水域年减少面积为3 960.98hm2,与湿地和未利用土地发生剧烈转换;2)耕地、建设用地和未利用土地有不同程度增加;3)林地和湿地变化相对稳定。2000—2010年,由于气候、农业开发、建设用地占用等原因,造成呼伦贝尔草原水域和草地大面积减少,转换为耕地、建设用地和未利用土地总体趋势显著,总体而言呼伦贝尔草原水域、草地的生态保护形势严峻。     

基于深度学习和支持向量机的4种苜蓿叶部病害图像识别

为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。     

基于GF-2遥感影像的葡萄大棚信息提取

随着设施农业的不断发展,快速准确获取农业大棚的空间分布和种植面积有助于农业经济增长模式调整,实现农业资源的高效利用。以2017年5月的GF-2遥感影像 为数据源,在构建最优特征空间的基础上,采用面向对象随机森林分类方法开展南方丘陵地区葡萄大棚信息提取。结果表明：①利用尺度评价工具ESP和邻域差分绝对值与标准差比RMAS结合的方法可以实现特定地物目标的最优分割尺度选择,分割效果良好;②通过Gini指数进行特征选择能减少数据冗余,提高分类精度,在优选的15个特征变量中,光谱特征占有绝对优势,其次是纹理特征和几何特征;③基于最优特征子空间的随机森林模型能有效提取葡萄大棚的分布信息,总体精度高达92.5%,F值为0.91,其面向对象的精度评价指数GTC为0.12。 结果表明,该方法对基于GF-2影像的南方丘陵区域葡萄大棚信息提取具有较大的应用潜力,并可为其他地区的农业大棚信息提取提供较好的解决思路。