简介:摘要 : 准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤,本研究通过对深度残差网络 ResNet进行改进得到一种新型的西兰花花球分割模型,并通过花球部位黄绿颜色占比判断其新鲜度,实现低成本高效准确地西兰花表型信息提取。主要技术流程包括:( 1)基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集;( 2)对训练图像进行预处理并输入模型进行分割;( 3)基于颜色信息用粒子群结构 PSO和大津法 Otsu对分割结果进一步进行阈值分割,获取其新鲜度指标。试验结果表明:本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型, 4个评价指标结构相似性指数 (SSIM)、平均精度 (Precision)、平均召回率 (Recall)、 F-度量 (F-measure)结果分别为 0.911、 0.897、 0.908和 0.907,相比于传统方法提升了 10%-15%,且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时,在分割结果的基础上采用 PSO-Otsu法可以实现花球新鲜度快速分析,其精度超过了 0.8。本研究结果实现了西兰花田间多表型参数的高通量获取,可以为作物田间长势监测研究提供重要参考。
简介:摘要 : 土壤养分作为农业生产的重要指标,含量过少会降低农作物产量,过多则会造成环境污染。因此,快速、准确检测土壤养分对于精准施肥和提高作物产量具有重要意义。基于取样和化学分析的传统方法能够全面准确地检测土壤养分,但检测过程中土壤的取样及预处理过程繁琐、操作复杂、费时费力,不能实现土壤养分的原位快速检测。本研究基于调制近红外光谱,提出了一种土壤养分主动式近场遥测方法,可有效避免土壤反射自然光的干扰。该方法使用波长范围 1260~1610 nm的 8通道窄带激光二极管作为近红外光源,通过测量 8通道激光光束的土壤反射率,建立土壤养分中氮( N)关于土壤反射率的计量模型,实现了 N的快速检测。在 74组已知 N含量的土壤样品中,选取 54组作为训练集, 20组作为预测集。基于一般线性模型,对训练集中土壤 N含量与土壤反射率的定量化参数进行训练,筛选显著波段后的计量模型 R2达到 0.97。基于建立的计量模型,预测集中土壤 N含量预测值与参考值的决定系数 R2达到 0.9,结果表明该方法具有土壤养分现场快速检测的能力。
简介:摘要 : 光是植物进行光合作用的主要能量来源,光照好坏直接影响作物的产量和品质。本研究针对现有植物补光系统多以功能叶光合能力为基准进行冠层补光,导致冠层新生叶光抑制、株间功能叶位补光不足以及补光位置不能适应作物生长进行动态调整的问题,以黄瓜为研究对象,设计了一种基于植株需光差异特性的设施黄瓜立体光环境智能调控系统。该系统由智能控制子系统、冠层 -株间 LED补光子系统、冠层 -株间环境监测子系统和补光灯升降子系统组成,通过 ZigBee技术实现各子系统间无线通信。其中冠层 -株间环境监测子系统分别获取冠层和株间环境信息并发送至智能控制子系统,智能控制子系统根据环境实时信息调用冠层调控模型和株间适宜叶位调控模型获得相应调控目标值,并将其下发至冠层 -株间补光灯,实现冠层与株间补光灯的动态实时调控。在陕西省泾阳县蔬菜产业综合服务区蔬菜基地分别部署立体补光设备和传统冠层补光设备,并进行系统调控效果验证试验。结果表明,立体补光区黄瓜植株的株高和茎粗显著增长,其中相比传统冠层补光区平均株高、茎粗分别增长了 8.03%和 7.24%,相比自然处理区平均株高、茎粗分别增长了 26.51%和 36.03%;在一个月的采摘期内,立体补光区相比传统冠层补光区和自然处理区产量分别提升了 0.28和 1.39 kg/m2,经济效益分别增加了 2.82和 4.88 CNY/m2,说明立体光环境调控系统能够提高经济效益,具有应用推广价值。
简介:摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的 MobileNetV3网络,结合关键点预测的目标检测网络( CenterNet),构建了用于苹果检测的轻量级无锚点深度学习网络模型( M-CenterNet),并通过与 CenterNet和单次多重检测器( Single Shot Multibox Detector, SSD)网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明,本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%;模型体积和帧率分别为 14.2MB和 8.1fps;在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下,所提网络模型体积仅为 CenterNet网络的 1/4;相比于 SSD网络,所提网络模型的 AP提升了 3.9%,模型体积降低了 84.3%;本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。
简介:摘要 : 水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合 PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择,提出了仅含有 695、 507和 465nm 3个高光谱特征波段的红边优化指数( ORVI)。与 Index Data Base数据库中其他用于叶绿素含量反演植被指数,包括 ND528,587、 SR440,690、 CARI、 MCARI的反演结果进行了对比分析,结果表明: IDB数据库中的已有 4种植被指数叶绿素含量反演模型的决定系数 R2分别为 0.672、 0.630、 0.595和 0.574; ORVI植被所建立的叶绿素含量反演模型的决定系数 R2为 0.726,均方根误差 RMSE为 2.68,精度高于其他植被指数,说明了 ORVI在实际的应用中,能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。
简介:摘要 : 含水量是表征水稻生理和健康状况的关键参数,精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前,利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数,针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的 RGB图像和多光谱图像,通过提取植被指数和纹理特征,分析水稻的动态生长变化,并构建了基于随机森林回归方法的含水量预测模型。试验结果表明:( 1)从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长,并且这些参数随水稻生长呈现出了相似的动态变化趋势;( 2)与 RGB图像相比,多光谱图像评估水稻含水量具有更高的潜力,其中归一化光谱指数 NDSI771,611实现了更好的预测精度( R2=0.68, RMSEP=0.039, rRMSE =5.24%);( 3)融合植被指数和纹理特征能够进一步改善含水量的预测结果( R2=0.86, RMSEP=0.026, rRMSE=3.51%),预测误差 RMSEP分别减小了 16.13%和 18.75%。上述结果表明,基于无人机遥感技术监测水稻含水量是可行的,可为农田精准灌溉和田间管理决策提供新思路。
简介:摘要 : 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加,农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题,本研究建立了一个认知无线传感器网络( CRSN)作物表型信息采集模型,并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡( DSEB)的事件驱动分簇路由算法。算法包括:( 1)动态频谱感知分簇,采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头,构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子,提升网络各分簇平均频谱利用率;( 2)融入边缘计算的事件触发数据路由,根据构建的分簇拓扑结构,将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点,簇内汇聚包括直传和簇内中继,簇间中继包括主网关节点和次网关节点 -主网关节点两种情况;( 3)基于频谱变化和通信服务质量( QoS)的自适应重新分簇:基于主用户行为变化引起的可用信道改变,或分簇效果不佳对通信服务质量产生的干扰,触发 CRSN进行自适应重新分簇。此外,本研究还提出了一种新的能耗均衡策略去能量消耗中心化(假设 sink为中心),即在网关或簇头节点选取计算式中引入与节点到 sink的距离成正比的权重系数。算法仿真结果表明,与采用 K-medoid分簇和能量感知的事件驱动分簇 (ERP)路由方案相比,在 CRSN节点数为定值的前提下,基于 DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进;在主用户节点数为定值时,所提算法比其它两种算法具有更高频谱利用率。
简介:摘要 : 冠层光截获能力是反映作物品种间差异的重要功能性状,高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标,利用数字化植物表型平台( D3P)模拟生成了 100种冠层结构不同的小麦品种在 5个生育期的三维冠层场景,记录了从原始冠层结构中提取的绿色叶面积指数( GAI)、平均倾角( AIA)和散射光截获率( FIPARdif)信息作为真实值 ,进一步利用上述三维小麦场景开展了虚拟的激光雷达( LiDAR)模拟实验,生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征( H)和绿色分数特征( GF)。最后,利用人工神经网络( ANN)算法分别构建了从不同 LiDAR点云特征( H、 GF和 H+GF)输入到 FIPARdif、 GAI和 AIA的反演模型。结果表明,对于 GAI、 AIA和 FIPARdif,预测精度从高到低对应的点云特征输入为 GF+H > H > GF。由此可见, H特征对提高目标表型特性的估算精度起到了重要作用。输入 GF + H特征,在中等测量噪音( 10%)情况下, FIPARdif和 GAI的估算均获得了满意精度, R2分别为 0.95和 0.98,而 AIA的估算精度( R2=0.20)还有待进一步提升。本研究基于 D3P模拟数据开展,算法的实际表现还有待通过田间数据进一步验证。尽管如此,本研究验证了 D3P协助表型算法开发的能力,展示了高通量 LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。