Growth survey of crisphead lettuce (Lactuca sativa L.) in fertilizer trial by low-altitude small-balloon sensing

Abstract

Both efficiency and precision of field-grown plant biomass survey are expected to be improved when aerial images of whole fields are acquired. Many such studies have been conducted in paddy rice (Oryza sativa L.), wheat (Triticum aestivum), and beans (Glycine max (L.) Merr. and Phasaeolus vulgaris), but few in vegetables. In this study, we examined whether or not aerial image analysis is useful for the biomass survey of vegetables. Aerial images of field-grown crisphead lettuce (Lactuca sativa L.) in a three-year fertilizer trial were acquired at head formation and harvesting stages in summer and autumn cropping with a compact digital camera hung under a tethered small balloon (2.2 m in length, 0.56 m³ in volume). The camera height ranged from 36 to 65 m, and the ground resolution ranged from 1.3 to 2.2 cm pixel ^?1. The horizontally projected area of the plant was measured as follows: Aerial images of the field were topographically corrected, the lettuce part was extracted based on the difference in color, the images were binarized, and the projected area was determined by image processing software. The estimation of fresh weight of one plant from the projected area was difficult because of the large data dispersion. When the averaged projected area in each plot was used, estimation was improved in some cases. Estimation of fresh weight at the harvesting stage by using the projected area at the head formation stage was difficult due to the low correlation coefficient. The results of factor analysis of fertilizer treatments by using projected area agreed well with those done using fresh weight when the correlation coefficient between the projected area and the fresh weight was high. It was concluded that the estimation of absolute lettuce fresh weight was difficult, but relative comparisons among treatments were possible until the head formation stage, using aerial images acquired by low-altitude small-balloon sensing.     

HJ-1卫星延寿期的CCD影像质量评价与可用性分析

HJ-1卫星发射升空投入运行以来,已在灾害与环境的快速监测与预报领域发挥了重要作用。HJ-1卫星目前已经成功运行3a多,属于超期服役状态。为了评价延寿期影像质量,该文从影像的几何校正精度、灰度特征和纹理特征3个方面对延寿期HJ-1A-CCD影像进行分析,并与正常寿命运行期的HJ-1ACCD影像、同时期的Landsat7 ETM+影像进行比较,分析结果表明:延寿期HJ-1A-CCD影像质量虽然有一定程度的下降,但其与正常寿命期影像质量接近,仍能较好地描述丰富的地物类型及地物细节信息,可以像正常寿命期影像一样,有效地用于环境监测、灾害监测、国土资源管理、城市规划、农业应用等方面。     

荞麦剥壳效果在线检测装置的设计与试验

为提高荞麦剥壳设备的自动化程度,改善以往依靠手工筛分、计算的方法得到碎米率、整米率和未剥壳率,且不能实时检测等问题,设计了一种基于图像识别技术的荞麦剥壳效果在线检测装置并进行了测试试验。该装置主要由取样机构、匀样机构、图像识别系统和气流除尘光照箱等组成。试验结果表明:碎米率均值误差为1.0 8%、整米率均值误差为-4.4 9%、未剥壳率均值误差为3.4 3%,能够较为准确地反映出荞麦加工过程中的剥壳效果。     

山区高分辨率遥感影像地形辐射校正方法研究

高空间分辨率的卫星影像和航摄影像越来越广泛地应用于山区农、林业资源调查和山区生态环境监测等领域.但是由于山区地形起伏和侧视成像等原因,使得影像存在一定的阴影,从而严重影响这些高分辨率影像的应用.针对这一问题,本文借鉴在遥感影像条带噪声去除中非常有效的矩匹配方法基本原理,提出了基于矩匹配的山区高分辨率遥感影像辐射校正方法,同时对被验证TM影像地形辐射校正最佳的C校正方法作了相应的改进.并以北京市西部山区的1 m分辨率的航空影像为例,分别用矩匹配方法和C校正改进方法进行了地形辐射校正,并对处理结果进行了对比分析.结果表明,对于地形复杂的山区,图像较大的高分辨率影像,矩匹配方法优于C校正改进方法.     

基于卷积神经网络的空心村高分影像建筑物检测方法

基于卷积神经网络(CNN)提出了一种适用于空心村高分影像的建筑物自动检测方法,该方法利用多尺度显著性检测来获取包含建筑物信息的显著性区域,然后通过滑动窗口获取显著性区域内目标样本块,再将这些样本块输入训练好的CNN并结合SVM来实现分类。为检验方法有效性,选取高分影像进行实验,结果表明,显著性检测能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,基于CNN对高分影像进行建筑物检测,分类准确度可以达到97.6%,表明该方法具有较好的鲁棒性和有效性。     

中国制造业劳动力成本上升的正负效应分析

作为物质“形象”的第一层面被人们所感知的“物象”是不依赖于人之意识的客观存在。基于对传统村落人文物象的实证研究,认为其能够体现系统的传统造物文化思想,将其概括为“规则、参照、功能与技术、核心”四个层面,并从中揭示了“天、地、人、物”之间的关系,进一步阐释了造物文化思想对传统村落人文物象具有的现代启示。     

利用显著图构建注意力深度网络检测诱虫板蔬菜害虫

为提高诱虫板图像蔬菜害虫检测精度,针对背景区域容易导致误检的问题基于显著图分析技术构建了一种注意力深度网络害虫智能视觉检测方法。首先通过显著图筛选出粗候选区域;然后在粗候选区域内用全卷积神经网络精选出细候选区域;接着用神经网络分类器识别细候选区域害虫种类,得到含有冗余的若干检测框;最后用改进的非极大值抑制消除冗余检测框,实现诱虫板图像中目标害虫的检测。针对小菜蛾和瓜实蝇展开试验,获得86.40%的平均精度均值和0.111只的平均绝对计数误差均值,所提方法平均精度均值比Faster R-CNN和YOLOv4分别高2.74和1.56个百分点,平均绝对计数误差均值比Faster R-CNN和YOLOv4分别低0.006和0.003只;同时,消融试验中移除显著图注意力模块后平均精度均值下降了4个百分点、平均绝对计数误差均值增加了0.207只。试验结果表明,所提方法有效提高了诱虫板图像蔬菜害虫检测精度,其中,引入显著图注意力模块对提升检测精度有重要作用。     

利用土壤的序列数字图像技术研究孔隙小尺度特征

将土壤样品用混有荧光有机染料的树脂浸渍后 ,以 1mm间距连续研磨 ,经过一定的图像转换处理 ,最后以连续数字图像方式对图像孔隙的小尺度特征进行分析。对一种美国耕作黑土和一种法国耕作黄壤的比较研究表明 ,两类土壤在图像孔隙面积、图像孔隙面积变异性、图像孔隙孔径、孔隙连接度、孔隙重叠度以及孔隙流通性等方面均有所差异 ,这与两类土壤不同的有机质含量有关。     

基于组合核非线性退化模型的遥感图像复合分类

遥感数据的多空间分辨率复合分析是遥感处理技术的重要发展方向。为了解决低分辨率图像混合像元分类精度低、高分辨率数据分类处理时间长以及大区域高分辨率数据获取困难等实际应用问题,该文改进了传统基于线性退化函数模型的复合分类模型,提出了基于组合核函数的非线性退化模型复合分类算法,分析了纹理信息对于提高复合分类精度的作用,并通过实际遥感数据试验分析比较了两种模型的分类精度。试验结果表明新方法可较大程度地提高总体分类精度,在分类过程中引入纹理信息有助于进一步改善分类精度。     

基于无人机数码影像的冬小麦叶面积指数探测研究

叶面积指数(LAI)是评价作物长势的重要农学参数之一,利用遥感技术准确估测作物叶面积指数(LAI)对精准农业意义重大。目前,数码相机与无人机系统组成的高性价比遥感监测系统在农业研究中已取得一些成果,但利用无人机数码影像开展作物LAI估测研究还少有尝试。为论证利用无人机数码影像估测冬小麦LAI的可行性,本文以获取到的3个关键生育期(孕穗期、开花期和灌浆期)冬小麦无人机数码影像为数据源,利用数字图像转换原理构建出10种数字图像特征参数,并系统地分析了3个生育期内两个冬小麦品种在4种氮水平下的LAI与数字图像特征参数之间的关联性。结果表明,在LAI随生育期发生变化的同时,10种数字图像特征参数中R/(R+G+B)和本文提出的基于无人机数码影像红、绿、蓝通道DN值以及可见光大气阻抗植被指数(VARI)计算原理构建的数字图像特征参数UAV-based VARIRGB也有规律性变化,说明冬小麦的施氮差异不仅对LAI有影响,也对某些数字图像特征参数有一定影响;在不同条件(品种、氮营养水平以及生育期)下的数字图像特征参数与LAI的相关性分析中,R/(R+G+B)和UAV-based VARIRGB与LAI显著相关。进而,研究评价了R/(R+G+B)和UAV-based VARIRGB构建的LAI估测模型,最终确定UAV-based VARIRGB为估测冬小麦LAI的最佳参数指标。结果表明UAV-based VARIRGB指数模型估测的LAI与实测LAI拟合性较好(R2=0.71,RMSE=0.8,P0.01)。本研究证明将无人机数码影像应用于冬小麦LAI探测是可行的,这也为高性价比无人机遥感系统的精准农业应用增添了新成果和经验。