基于GC-Cascade R-CNN的梨叶病斑计数方法

为提高梨叶片病害发生程度诊断的效率和准确性,本文提出基于全局上下文级联R-CNN网络（Global context Cascade R-CNN,GC-Cascade R-CNN）的梨叶病斑计数方法。模型的主干特征提取网络嵌入全局上下文模块（Global context feature model, GC-Model）,建立有效的长距离和通道依赖,增强目标特征信息。引入特征金字塔网络（Feature pyramid network, FPN）融合浅层细节特征和深层丰富语义特征。使用ROI Align替换ROI Pooling进行区域特征聚集,增强目标特征表达。最后利用多层级联网络对目标区域进行边框回归和分类,完成病斑计数任务。在梨叶病斑图像测试中,模型的各类病斑平均精确率均值（Mean average precision, mAP）达89.4%,检测单幅图像平均耗时为0.347 s。结果表明,模型能够有效地从梨叶片病害图像中检测出多类病斑目标,尤其对叶片炭疽病斑检测效果提升显著;不同种类梨叶片病害病斑计数值与真实值回归实验决定系数R²均大于0.92,表明模型病斑计数...     

基于XGBoost-Shapley的玉米不同生育期LAI遥感估算

针对当前快速准确获取叶面积指数（Leaf area index, LAI）时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归（SVR）、多层感知机（MLP）、随机森林（RF）和极限梯度提升树（XGBoost）算法构建组合估算模型。结果表明：采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型。相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳（R²为0.97,RMSE为0.021,RPD为6.9）。将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势。本研究为大田玉米长势遥感监测提供...     

基于模糊Borda法的番茄营养液滴灌频率研究

为实现设施番茄准确有效施肥管理,以改良金棚8号番茄为试验材料,常规基质栽培番茄营养液管理方式为对照(CK),将番茄结果时期与营养液滴灌频率2因子完全交互耦合,番茄结果期划分为结果前期(第3穗果坐果～第1穗果成熟)和结果后期(第1穗果成熟～第5穗果成熟),各结果期滴灌频率均设置1、3、5次/d共3个频率(供应营养液总量相同),共10个处理,研究不同耦合处理对番茄不同层果实品质和产量的影响。利用主成分分析法、逼近理想解排序法、隶属函数分析法、灰色关联度分析法4种单一综合评价方法对番茄多层果实进行品质-产量单一算法综合评价,对通过事前一致性检验(Kendall-W)的单一综合评价结果进行模糊Borda组合评价,确定最优营养液滴灌频率方案。结果表明,耦合处理能显著增加番茄产量,不同层果实品质指标最优时,对应的耦合处理不同。4种单一综合评价方法的排序结果存在差异,Kendall-W一致性检验的协和系数为0.920,满足模糊Borda组合评价条件。主成分分析法与模糊Borda法的排序结果相关系数最高,为0.988。基于模糊Borda组合评价方法得出,结果前期1次/d、结果后期3次/d的滴灌频率可兼...     

基于LightGBM和处方数据的番茄病害诊断方法

为高效地挖掘植物病害处方数据并辅助精准诊断,以番茄病毒病、番茄晚疫病、番茄灰霉病3种病害为研究对象,构建基于贝叶斯优化LightGBM的番茄病害智能诊断模型,探索作物病害处方数据挖掘及其精准诊断。重点对处方原数据（文本数据标签和One-hot编码等）进行预处理,以基于Wrapper的递归特征消除法进一步提取作物病害处方数据的特征;利用基于LightGBM算法构建番茄病害诊断模型,并与K近邻（KNN）、决策树（DT）、支持向量机（SVM）、随机森林（RF）、梯度提升决策树（GDBT）、AdaBoost和XGBoost常见机器学习模型运行结果进行比较分析并进行优化;设计基于LightGBM模型的Android手机端植物医生病害诊断APP。实验结果表明,基于贝叶斯优化的LightGBM模型综合诊断准确率可达到89.11%,比其他7种机器学习模型的诊断准确率平均高3.65个百分点;同时特征选择后的LightGBM模型在保证模型准确率的基础上降低了前期数据收集难度,模型综合准确率提高至89.34%,其中番茄病毒病的诊断精确度和F1值均达到96%以上,运行时间减少了47.73%;最后通过番茄叶霉病和番茄早疫病两种病害对本文模型进行了泛化能力测试,实验结果表明该模型具有较强的泛化能力和实用性。基于LightGBM模型设计的APP可以实现用户人群友好的交互式可视化且满足实际诊断需求。     

基于时序高光谱和多任务学习的水稻病害早期预测研究

水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析（Principal component analysis, PCA）和随机森林（Random forest, RF）算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆（Long short-term memory, LSTM）网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法（Whale optimization algorithm, WOA）对MTL-LSTM模型进行优化。实验结果表明：PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。     

基于SupReMe影像重建和RF的玉米冠层LAI反演

针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段（705、740、783nm）,其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率（Super-resolution for multispectral multiresoltion estimation, SupReMe）算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数（LAI）,并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。     

不同覆膜处理下春玉米叶面积指数高光谱估算

为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数（Leaf area index,LAI）,研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下LAI的高光谱估算模型。结果表明,覆膜对LAI的影响主要在抽雄期之前,相同施肥水平下覆膜与无覆膜处理之间LAI的差异随生育期的推进呈先减小、后增大的趋势,其中苗期差异最大,覆膜比无覆膜处理LAI增加78%以上;各覆膜处理冠层反射率之间的差异由大到小为生育中期、生育末期、生育初期,覆膜主要影响玉米对绿光和红光的吸收。基于3个指标构建各覆膜处理下LAI的估算模型,以特征指数为因变量建立的模型对LAI的反演结果精度较高,其拟合和验证决定系数R2均在0.8以上,均方根误差RMSE为0.45~0.65cm2/cm2,剩余预测偏差RPD均大于2,由于覆膜的影响,无覆膜处理LAI反演精度高于覆膜处理。以特征指数NI(722,731)为自变量建立的所有处理的混合LAI估算模型表现了反演的优越性,能降低覆膜对LAI反演的影响。     

灌溉施氮和种植密度对棉花叶面积指数与产量的影响

为构建便于实际应用的棉花叶面积指数和产量模型,综合考虑灌溉、施肥、种植密度及覆膜的影响,建立了基于相对有效积温的普适棉花相对叶面积指数的Logistic模型,并研究了棉花最大叶面积指数与全生育期灌水量、施氮量、种植密度及产量之间的关系。结果表明：覆膜棉花叶面积指数最大时的有效积温为1400℃左右,不覆膜棉花的叶面积指数最大时的有效积温为1600℃左右。棉花最大叶面积指数随耗水量、施氮量呈现出先增后减的变化趋势,而种植密度与最大叶面积指数之间表现出明显的正相关性。综合考虑灌水量、施氮量和种植密度的作用可以较为准确描述最大叶面积指数变化特征。棉花产量随着最大叶面积指数的变化呈现出明显的先增后减的变化趋势,当最大叶面积指数为4.93时籽棉产量最大达6066.2kg/hm2。相对化分析结果表明,覆膜与不覆膜棉花相对叶面积指数的变化趋势基本一致,相应的模型参数也基本相同,从而建立了全国范围内覆膜与不覆膜棉花统一的相对叶面积指数的Logistic模型。该研究为棉花科学种植和精细化管理提供了方法,也为其他作物在不同管理措施和地域时进行建模提供了参考。     

基于迁移学习的卷积神经网络植物叶片图像识别方法

为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型（AlexNet、InceptionV3）在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由TensorBoard可视化得到的数据绘制而成。结果表明,利用AlexNet、InceptionV3预训练模型得到的测试集准确率分别为95.31%、95.40%,有效提高了识别准确率。     

竹叶片氮含量高光谱估测方法对比研究

为实现快速无损检测竹叶片氮含量,采用波长范围为350~2500nm的地物光谱仪获取竹叶片光谱数据,以金镶玉竹叶片为样本,对其进行高光谱分析。将高光谱原始反射率及其一阶微分、对数一阶微分和二阶微分值,与化学法测量的竹叶片氮含量值进行了相关性分析,分别获得了不同微分变化下的特征波段;基于微分变换后的高光谱反射率数据,分别采用二元线性回归、多元逐步回归、偏最小二乘回归和基于主成分分析的BP神经网络方法,建立了4种金镶玉竹叶片的氮含量高光谱估测模型。对比4种估测模型的校验结果表明,在光谱反射率的对数一阶微分变换下,采用拓扑结构为6-10-1的基于主成分分析的BP神经网络估测模型,校验环节决定系数为0.838,均方根误差RMSE为0.0452,具备较好的竹叶片氮含量估测效果。