基于GF-1数据的夏玉米FPAR遥感动态估算

为探索高分一号卫星（GF-1）估算农作物光合有效辐射吸收比率（Fraction of absorbed photosynthetically active radiation, FPAR）的潜力,以田间小区与大田夏玉米为对象,基于GF-1卫星的16 m空间分辨率宽视场（Wide field view, WFV）传感器光谱响应函数对地面实测冠层高光谱反射率进行重采样,获取GF-1 WFV的模拟反射率,构建宽波段植被指数,利用与FPAR极显著相关且具有较高相关系数的植被指数,建立不同生育期夏玉米FPAR的一元与多元逐步回归模型,筛选FPAR估算的最适模型,并在此基础上实现县域尺度不同生育期的FPAR动态估算。结果表明：模拟宽波段光谱反射率与GF-1 WFV光谱反射率间的相关系数|R|为0.967～0.985,决定系数R²为0.935～0.969;基于模拟反射率构建3波段植被指数与FPAR的相关性优于2波段植被指数,增强型植被指数（EVI）、土壤调节植被指数（MTVI2）、可见光大气阻抗植被指数（VARI）、综合植被指数（TCARI/OSAVI）等3波段植被指数与FPA...     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

丸粒化包衣种子识别检测系统设计与试验

由于存在包衣配方不统一、包衣机自动化水平低等问题,目前我国种子包衣合格率检测精度和效率较低。为此设计了一套丸粒化包衣种子识别检测系统,针对形状为类球体的包衣种子进行识别。首先,搭建拍摄平台,拍摄的图像传输至识别控制系统中进行图像前期处理。其次,根据图像处理后不同类型包衣种子特征提出了一种识别检测算法,根据破损包衣种子与其它包衣种子图像面积比例的差异,利用高级形态学处理实现破损包衣种子的识别。根据多籽种子与合格种子颗粒像素值的差异实现对多籽种子以及合格种子的识别。最后,对种子总数、合格数、多籽种子数及破损种子数进行检测,计算得到包衣合格率。以红三叶种子进行试验,结果表明：整套系统图像采集、处理与识别时间约为3s;运用高级形态学处理识别破损包衣种子准确率达98.8%;当试验样本为200粒时,总数识别算法的准确率达到99.1%;对合格包衣种子以及多籽包衣种子识别相对误差分别为1.18%与3.36%。该识别检测系统实现了拍摄、图像处理、检测识别以及结果保存等功能,实现了包衣种子的无损检测。     

基于改进YOLO v4的群体棉种双面破损检测方法

针对研究人员难以利用计算机视觉对棉种这类尺寸较小的物体进行双面检测,导致检测效果不佳的问题,设计了一款新型棉种检测分选装置,利用亚克力板在强光和白色背景下透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,随着转盘的转动,同一批棉种的正反两面图像分别由2个不同位置的CCD相机采集得到.利用改进YOLO v4的目标检...     

基于线性模型的管路内农药混合均匀性评价方法

针对混合试验图像所得均匀性指数计算结果难以直接匹配于被广泛认可的数值仿真参考值的问题,本文基于线性模型方法,将混合试验图像处理与数值仿真结果进行映射,在黏性水溶性农药与水在长直混合管内进行在线混合的试验条件下构建对应的线性预测模型,并采用射流混药器在线混合图像及仿真结果对上述模型进行检验。研究结果表明：不同图像方法(灰度直方图二阶矩(HSM)、改进面积加权法(OAU)、主成分分析法(PCA))对应最优线性拟合阶数不同,采用单独图像方法构建模型时最优阶次为4,决定系数R2高于0.95,采用2种图像方法组合和3种图像方法组合时最优阶次可分别降至3阶和2阶,R2则接近或高于0.98;载流流量Q为800~2000mL/min、混合比P为0.01~0.10条件下,基于HSM、OAU、PCA和线性模型,可实现实际混药器均匀性预测,所有模型预测误差均小于0.05,且采用一元和二元线性模型使得平均预测误差分别降低84.1%和79.8%,不同算法间预测结果极差分别降低31.6%和78.0%;采用基于PCA或OAU算法的一元模型进行预测时误差可控制在0.03以内,其精度高于不同算法组合预测的结果;采用基于HSM-PCA等算法组合的二元模型误差虽稍高于0.03,但也可避免单一图像指标计算不准确带来的预测风险。通过构建图像处理-数值仿真之间的映射关系,可为基于图像处理进行农药在线混合均匀性评估提供更加可行和合理的方法。     

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YOLO v5-TL的褐菇采摘视觉识别-测量-定位技术

为实现褐菇高效、精准、快速的自动化采摘,针对工厂化褐菇的种植特点,提出一种基于YOLO v5迁移学习(YOLO v5-TL)结合褐菇三维边缘信息直径动态估测法的褐菇原位识别-测量-定位一体化方法。首先,基于YOLO v5-TL算法实现复杂菌丝背景下的褐菇快速识别;再针对锚框区域褐菇图像进行图像增强、去噪、自适应二值化、形态学处理、轮廓拟合进行褐菇边缘定位,并提取边缘点和褐菇中心点的像素坐标;最后基于褐菇三维边缘信息的直径动态估测法实现褐菇尺寸的精确测量和中心点定位。试验结果表明单帧图像平均处理时间为50ms,光照强度低、中、高情况下采摘对象识别平均成功率为91.67%,其中高光强时识别率达100%,菇盖的尺寸测量平均精度为97.28%。研究表明,本文提出的YOLO v5-TL结合褐菇三维边缘信息直径动态估测法可实现工厂化种植环境下褐菇识别、测量、定位一体化,满足机器人褐菇自动化采摘需求。     

基于本体与认知经验的农业机器人视觉分类决策方法

基于小样本数据下认知经验知识辅助计算机进行决策,对实现农业领域机器人智能认知决策与助力智慧农业发展具有重要意义。本文在统计计数、支持向量机（SVM）等图像属性信息学习方法基础上,使用Protégé等工具,基于认知经验构建水果识别分类的专业知识库;然后根据图像颜色与形状信息,进行知识库搜索推理得到分类决策。实验在Fruit360数据集中共选择2091幅葡萄、香蕉、樱桃水果图像作为测试集,并各挑选30幅图像作为属性信息训练集与验证集,结果表明当前数据下葡萄与樱桃识别准确率为100%,香蕉识别准确率为93.30%。仅在知识库添加黄桃知识后,对984幅黄桃图像样本进行测试,其分类准确率为97.05%。表明本文方法能有效完成图像分类决策任务,且具有良好的过程可解释性、能力共享性和可拓展性。     

病害胁迫下玉米LAI遥感反演研究

为了在病害发生条件下进行玉米LAI的遥感估算,针对41个不同抗性的玉米自交系品种,通过人工接种方法,获得了不同病害严重程度(1～9级)的LAI数据,同时采集了地面高光谱和无人机多光谱数据,构建了K近邻算法、支持向量机、梯度提升分类树和决策分类树分类模型对病害进行分类,对玉米种质资源抗病性进行了划分。基于不同玉米病害胁迫程度分类结果,采用随机森林回归、梯度提升回归树、极端梯度增强算法、轻量梯度提升机4种机器学习模型对玉米LAI进行反演,讨论了不同模型在病害胁迫下的鲁棒性。研究结果表明,对不同生育期玉米病害程度进行划分,基于地面高光谱识别精度分别为84.72%(梯度提升分类树)、47.67%(支持向量机)、55.05%(K近邻算法)、83.02%(决策分类树)。基于病害分类结果,本文利用无人机多光谱数据估算了不同病情等级胁迫下的玉米LAI。构建了4种集成学习模型对不同病情等级的LAI进行估算,4个LAI反演模型的总体反演精度(rRMSE)分别为：19.11%(梯度提升回归树)、15.94%(轻量梯度提升机)、14.51%(随机森林回归)和15.45%(极端梯度增强算法)。其中极端梯度增强算...     

基于Random Forest的水稻细菌性条斑病识别方法研究

为了快速、准确、有效地识别发病早期的细菌性条斑病,提出基于随机森林(Random forest,RF)算法的水稻细菌性条斑病识别方法,利用光谱成像技术获取该病害的高光谱数据,通过多元散射校正减少和消除噪声及基线漂移对光谱数据的不利影响。利用随机森林特征重要性指标,选取逻辑回归(LR)、朴素贝叶斯(NB)、决策树(DT)、支持向量分类机(SVC)、k最近邻(KNN)和梯度提升决策树(Gradient boosting decision tree,GBDT)算法进行对比试验。同时筛选出12个位于450~664 nm范围内对识别模型有重要影响的光谱波段,并与全波段进行分类结果比较。试验结果表明:RF算法的分类准确率为95.24%,与试验选取的其他算法相比,效果最优,比NB准确率提高了20.97个百分点;与全波段分类结果相比,利用RF算法基于12个波长的识别,波长数减少了98.05%,识别精确率为94.66%,召回率为99.55%,F1值为97.04%,准确率为94.32%。虽然精确率减少了2.97个百分点、准确率减少了0.85个百分点,但召回率增加了4.4个百分点、F1值增加了0.67个百分点,模型精度满足要求。