基于深度学习的玉米拔节期冠层识别

为了满足田间玉米植株快速识别与检测的需求,针对玉米拔节期提出了基于深度学习的冠层识别方法,比较并选取了适于玉米植株精准识别和定位的网络模型,并研制了玉米植株快速识别和定位检测装置。首先拍摄玉米苗期和拔节期图像共计3 000张用于训练深度学习模型,针对拔节期玉米叶片交叉严重的问题,提出了以玉米株心取代玉米整株对象的标记策略。其次在Google Colab云平台训练SSDLite-MobileDet网络模型。为了实现田间快速检测,开发了基于树莓派4B+Coral USB的玉米冠层快速检测装置。结果表明,田间玉米冠层识别模型精度达到91%,检测视频的帧率达到89帧/s以上。研究成果可为田间玉米高精度诊断和精细化作业管理奠定基础。     

基于Kinect V3深度传感器的田间植株点云配准方法

准确建立植物的三维点云是以点云方式高通量获取植株各部位物理参数的前提。为实现田间复杂环境下的植株三维点云配准,该研究提出了一种基于多标定球的田间植株点云自动配准方法,并分别在室内简单场景及大田复杂场景下从不同角度对多种作物采集的点云数据进行验证。该方法采用随机抽样一致性算法（Random Sample Consensus, RANSAC）结合点云减法的概念从下采样后的点云中实现多标定球的自动提取,弥补了RANSAC一次只能提取单个物体的缺点。然后基于各标定球的球心距离信息实现三维点集的自动匹配。最后使用奇异值分解算法解算旋转平移矩阵,实现点云的自动配准。不同场景下各作物的配准结果表明,各植株的水平90°、180°、270°以及垂直方向上的点云配准到水平0°点云下的平均轴向误差在6～17 mm之间,平均点位误差在13～30 mm之间,与手动配准的商用同类软件LiDAR360的配准结果相当,但配准过程的自动化程度明显提高,效率提高了67%。该文所提出的方法可在田间复杂环境下对低成本深度相机获取的植株点云实现高精度的自动配准,为田间植物表型参数的提取提供了低成本的可行方案。     

基于矩阵变换的车载玉米叶绿素含量快速预测系统偏差分析

为了对车载玉米叶绿素含量快速预测系统偏差进行分析,优化车载系统测量结果,该文提出一种空间插值和多维矩阵分析相结合的思想,阐述了基于矩阵变换和GIS空间分析手段的预测偏差分析策略,提高了车载系统快速预测空间分布的预测效果。研究结果表明：使用BP神经网络模型和RBF神经网络模型对车载系统动态预测单点位置叶绿素含量具有一定预测效果,平均决定系数R2约为0.8,2类模型的预测效果相近。RBF神经网络预测结果矩阵经反距离加权法插值后,其空间分布预测偏差度小于10%的数据量占总数据量的85%。表明该方法具有较好的空间预测效果,可以为车载系统动态测量平台预测玉米冠层叶片叶绿素含量的提供决策支持。     

基于车载三维激光雷达的玉米点云数据滤波算法

为支持表型参数测量和数字植物相关研究,对车载三维激光雷达获取的玉米点云数据进行分析处理,提出了一种基于统计分析的两次滤波算法。以大喇叭口期的京农科728和农大84玉米为研究对象,使用VLP-16型三维激光雷达采集田间玉米点云数据;对点云数据进行直通滤波预处理,去除无关点后,进行第1次点云数据滤波处理,设置精确率和召回率阈值,选取参数组合;再对点云进行第2次滤波处理,确定精确率和召回率最优组合(110,0. 9)、(6,1. 2),边际组合(100,1. 0)、(6,1. 2)和(110,0. 8)、(5,0. 9),共3组参数组合;以3组验证集数据进行测试,结果表明:最优组合性能最优,可在京农科728和农大84玉米点云数据滤波中通用。     

基于改进Hough变换的农田作物行快速检测算法

选取苗期农田作为研究对象,采集了包含行栽作物和土壤背景的农田图像,针对现有作物行定位方法易受外界干扰和处理速度较慢的不足,提出将投影法和直接Hough变换法相结合检测作物行的算法.采用2G-R-B 法和OTSU法将图像二值化,通过快速中值滤波算法去除噪声,再利用垂直直方图投影将图像进行水平条划分获取作物垄平均定位点,最后通过Hough变换检测垄定位点,得到作物行中心线.试验结果表明:基于垂直直方图投影的Hough变换检测作物行中心线的算法在保证高定位精度的同时,算法处理速度比直接Hough变换检测法提高了3倍,得到的定位基准线能代表作物行走向.     

CO2与氮肥交互作用的番茄光合速率预测模型

为了实现CO2气肥和营养液氮肥含量的准确调控,建立了作物整个生长周期的光合速率预测模型。以番茄为实验对象,设置了3个CO2浓度和3个营养液含氮量的交互处理实验,使用LI-6400型便携式光合速率仪采集叶室内的环境信息和单叶净光合速率。利用多元线性回归方法建立了番茄整个生长周期的光合速率预测模型,模型的相关系数为0.885,调整后的决定系数为0.782。实验结果表明,该模型具有较高预测精度,可为温室CO2气肥浓度和营养液氮肥含量的调控提供理论依据。     

云环境下作物育种信息化模型研究

在种业体制改革和兼并重组加速推进、行业集中度大幅提升的大背景下,开展育种技术创新、加强资源交流与联合育种是广大中小型育种企业提升核心竞争力的必然选择。为此,首先介绍了国内作物育种信息管理软件的应用现状,对云环境下开展作物育种信息化建设的优势进行了深入分析;接着,以中小型育种企业育种信息化为业务基础,研究云服务模式与作物育种信息管理业务的契合点,提出了云环境下的作物育种信息化模型。模型充分考虑了作物育种信息管理平台在云服务模式下的个性化、一体化及差异性等特点,支持精量播种机、测产测水等农机设备的统一对接平台、面向用户特征的多层次服务提供策略和基于数据挖掘的作物育种决策支持等方案,对广大中小型育种企业、高校科研院所育种团队及专业测试机构等开展信息化建设,实现资源共享、协同育种与联合测试,进而推进现代种业全面均衡发展,具有借鉴意义。     

车载式土壤光-电特性参数采集系统研究

土壤电导率是衡量土壤传导电流能力的一种固然属性,除了能够反映土壤质地外,还能够反映土壤的含水率、含盐量、有机物含量等特性。利用土壤光谱数据可以分析出土壤含水率、养分等,且测量过程中无需采样、搅动土壤。通过土壤电导率数据和光谱数据的综合、校正,能够提高系统的精度。基于嵌入式技术开发了土壤电导率和光谱反射率综合检测系统。土壤电导率测量系统采用基于改进的电流-电压四端法原理,使用深松犁的尖端作为电极传感器,能够在测量的同时完成松土的作用。光谱测量系统使用微型光谱传感器采集光谱数据,并进行实时处理。在采集土壤电导率、光谱数据的同时,系统同步采集GPS信息,并和土壤电导率、光谱数据一起保存,供进一步绘制土壤特性分布图使用。系统能够实时综合处理多种数据,并进行显示、保存等操作,具有良好的应用 前景。     

基于随机森林算法的自然光照条件下绿色苹果识别

果实识别是自动化采摘系统中的重要环节,能否快速、准确地识别出果实直接影响采摘机器人的实时性和可靠性。为了实现自然光照条件下绿色苹果的识别,本文采集了果实生长期苹果树图像,并利用随机森林算法实现了绿色苹果果实的分类和识别。针对果树背景颜色和纹理特征的复杂性,尤其是绿色果实和叶片在很多特征上的相似性,论文基于RGB颜色空间进行了Otsu阈值分割和滤波处理,去除枝干等背景,得到仅剩果实和叶片的图像。然后,分别提取叶片和苹果的灰度及纹理特征构成训练集合,建立了绿色苹果随机森林识别模型,并使用像素模板验证数据集,对模型进行预测试验,正确率为90%。最后,选择10幅自然光照条件下不同的果树图像作为检测对象,使用该模型进行果实识别并使用霍夫变换绘制果实轮廓,平均识别正确率为88%。结果表明,该方法具有较高的鲁棒性、稳定性、准确性,能够用于自然光照条件下绿色果实的快速识别。     

基于RFID的育种材料田间布局统计系统研究

针对大规模育种条件下海量育种材料田间布局统计手段落后、效率低和及时性差等问题,以改进育种材料田间标识和定位技术为切入点,研究基于RFID技术和手持移动终端的田间布局高效采集模式及布局图快速、准确绘制方法,并集成应用WIFI、GPRS、3G/4G等无线网络技术,构建基于物联网的育种材料田间布局统计系统。系统节省了田间纸质记载和人工录入的环节,避免了二次整理时产生的错误,实现了育种材料的快速准确定位、田间布局数据的高效采集、布局数据的无线实时传输和田间布局图的精确绘制。在国内多家大型育种企业和科研院所应用表明:该系统能够提高育种材料田间布局统计效率和精确度,降低育种从业人员的田间劳动强度,促进育种机械化、信息化的发展进程。