检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库

基于Random Forest的水稻细菌性条斑病识别方法研究

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2021年第1期52卷 139-145,208页

作者：袁培森曹益飞马千里王浩云徐焕良南京农业大学人工智能学院南京210095 南京农业大学工学院南京210031

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。... 详细信息

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。

关键词：水稻表型随机森林高光谱成像细菌性条斑病病害识别

维普期刊数据库

基于无人机和地面图像的田间水稻冠层参数估测与评价

在线全文

学校读者我要写书评

暂无评论

作物学报 2022年第5期48卷 1248-1261页

作者：王泽周钦阳刘聪穆悦郭威丁艳锋二宫正士南京农业大学作物表型组学交叉研究中心/南京农业大学前沿交叉研究院/江苏省现代作物生产协同创新中心/现代作物生产省部共建协同创新中心东京大学农学生命科学研究院生态调和农学机构/国际田间作物表型研究实验室

田间水稻表型监测可用于分析水稻产量相关性状,对指导水稻栽培管理以及产量预测具有重要意义。本研究以3种氮肥处理下6个不同栽培品种的水稻为研究对象,估测并评价了水稻冠层的主要表型参数,以探讨利用图像分析方法评价多品种及栽培环... 详细信息

田间水稻表型监测可用于分析水稻产量相关性状,对指导水稻栽培管理以及产量预测具有重要意义。本研究以3种氮肥处理下6个不同栽培品种的水稻为研究对象,估测并评价了水稻冠层的主要表型参数,以探讨利用图像分析方法评价多品种及栽培环境下田间水稻长势的适用性。基于无人机和田间固定相机图像,本研究通过图像处理、三维建模和机器学习自动测算出田间水稻冠层覆盖度、株高、穗数,并结合实际测量结果进行了精度评价。结果表明:(1)基于无人机图像使用决策树分类模型提取的水稻冠层图像与人工勾绘结果一致性较好(Qseg均值为0.75,方差为0.08),由此计算的冠层覆盖度与人工勾绘计算的冠层覆盖度相关性较高(R~2=0.83,RMSE=5.36%);(2)使用冠层高度模型估测的各小区水稻株高均值与田间实测高度均值相关性较高(R~2=0.81, RMSE=9.81 cm),但整体呈现低估;(3)基于地面图像使用决策树分类和形态参数过滤得到的穗数计数结果与实测穗数相关性较高(R~2=0.83,RMSE=10.99)。总体而言,结合图像分析算法,应用低空无人机遥感技术高通量自动化估测水稻冠层覆盖度、株高的精度较高,而应用地面平台进行稻穗精确识别的潜力很大,可用于分析氮肥施用量对水稻长势指标的影响及不同品种对氮肥的响应情况,对田间水稻表型信息的深入挖掘及实际产量预测具有重要意义。

关键词：水稻表型表型平台长势参数株高冠层覆盖度穗数计数

来源：博看期刊

在线全文

学校读者我要写书评

暂无评论

基于轮廓投影的盆栽水稻三维重建方法研究

中国农业科技导报 2020年第9期22卷 87-95页

作者：吴丹叶军立王康耿泽栋付晶波刘凌波杨万能华中农业大学工学院作物遗传改良国家重点实验室武汉430070 华中科技大学武汉光电国家研究中心生物医学光子学部武汉430074

近几年,基于图像的高通量水稻表型研究取得了极大进展,但从三维层面进行研究的工作则相对较少。一般而言,相对于二维图像,从三维模型中能提取更为全面的性状参数。三维模型重建是作物三维表型研究的基础,提出一种适用于盆栽水稻三维点... 详细信息

近几年,基于图像的高通量水稻表型研究取得了极大进展,但从三维层面进行研究的工作则相对较少。一般而言,相对于二维图像,从三维模型中能提取更为全面的性状参数。三维模型重建是作物三维表型研究的基础,提出一种适用于盆栽水稻三维点云的重建方法。该方法在相机固定、样本旋转的拍摄模式下获取水稻多视角图像,根据相机标定参数以及水稻轮廓二值图,通过轮廓投影方法重建水稻三维可视外壳点云模型,并通过反投影方法进行点云着色。结果表明,该方法对于不同时期及不同品种的水稻样本均能取得较好重建效果。

关键词：水稻表型三维重建可视外壳

维普期刊数据库

基于深度学习的水稻氮钾营养水平智能诊断方法的研究

在线全文

学校读者我要写书评

暂无评论

基于深度学习的水稻氮钾营养水平智能诊断方法的研究

作者：廖福兵浙江理工大学

学位级别：硕士

氮和钾是水稻生长过程中的关键矿质营养元素,准确诊断氮、钾营养水平并合理优化田间施肥是促进水稻优质高产的重要途径。目前基于深度学习的水稻营养水平诊断方法,由于水稻在不同营养水平下的表型是动态变化的,导致其诊断存在困难。本文... 详细信息

氮和钾是水稻生长过程中的关键矿质营养元素,准确诊断氮、钾营养水平并合理优化田间施肥是促进水稻优质高产的重要途径。目前基于深度学习的水稻营养水平诊断方法,由于水稻在不同营养水平下的表型是动态变化的,导致其诊断存在困难。本文在2021-2022年利用无人机拍摄水稻冠层RGB序列图像的基础上,提出了一个时空卷积网络模型Res Net101-SE-LSTM,用于识别水稻在幼穗分化期时的氮钾营养水平。主要研究内容和结果如下:(1)水稻冠层图像的采集与预处理。在为期2年的试验中,以常规籼稻黄华占(HHZ)和常规粳稻秀水(XS134)为研究对象,在不同农田上设置16组等级梯度的氮钾互作处理,构建16组不同氮钾含量的水稻群体。利用无人机航拍获取不同生长阶段的水稻序列图像,制作时间序列与非时间序列数据集,用于后续模型的训练与测试。(2)基于深度学习的水稻氮钾营养水平诊断模型的研究。在相同的HHZ数据集上,使用迁移学习的方法,采用VGG16、Alex Net、Google Net、Dense Net、inception V3和Res Net101六个模型对水稻在幼穗分化期的数据集进行训练并测试,平均识别准确率分别为64.35%、60.12%、68.19%、67.58%、68.23%和70.81%,表明仅用CNN模型难以达到理想的诊断效果,并且Res Net101模型相比其它五个模型更适合用于水稻冠层图像的特征提取。(3)基于时空卷积网络模型的水稻氮钾营养水平诊断算法的研究。水稻氮钾营养水平诊断难点在于:(1)不同氮钾互作下水稻冠层图像具备一定的相似性;(2)水稻生长是一个动态过程,不同生长阶段水稻植株的氮和钾表型不同,针对单一生长周期进行诊断具备一定的困难和局限性。本文在特征提取模型Res Net101的基础上添加SENet的通道注意力机制,并与长短期记忆网络(LSTM)相结合,形成时空卷积网络模型Res Net101-SE-LSTM,在两种品种的水稻样本上测试(HHZ和XS),其识别平均准确率达到85.88%和88.38%,同时通过跨数据集验证,在2022年的数据集上HHZ和XS的平均准确率达到81.25%和82.50%,表明模型的泛化能力好。采用SVM模型对人工采集的18项水稻生理数据进行水稻的氮钾营养水平识别,在识别HHZ和XS134氮钾营养水平的准确率分别为82.71%和81.83%。通过对比Res Net101-SE-LSTM模型与SVM模型的各类评价指标,结果表明两类模型的误判情况和F分数基本一致,但水稻生理数据采集繁琐且是有损的,本文所提出的方法是无损和便捷的。

关键词：时空卷积模型无人机水稻表型氮钾营养水平图像处理

基于深度学习的水稻粒穗复杂性状图像分析方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的水稻粒穗复杂性状图像分析方法

作者：马志宏上海交通大学

学位级别：硕士

水稻是重要的粮食作物之一,其产量关乎到人类的生存与健康。培育高产水稻一直是水稻育种研究的重要方向,其中水稻表型性状的测量是水稻育种研究中的关键环节。水稻表型性状主要包括粒型性状参数和穗型性状参数,其中前者包括谷粒数、谷... 详细信息

水稻是重要的粮食作物之一,其产量关乎到人类的生存与健康。培育高产水稻一直是水稻育种研究的重要方向,其中水稻表型性状的测量是水稻育种研究中的关键环节。水稻表型性状主要包括粒型性状参数和穗型性状参数,其中前者包括谷粒数、谷粒面积、粒长、粒宽等,后者包括穗长、一次枝梗长度、在穗谷粒数等。传统的表型性状获取方法主要采用人工测量,劳动量大、效率低下、测量精度低。利用图像处理技术,可以提高测量效率和精度,易于实现自动化。本研究基于图像处理技术,设计了一种粒穗一体化性状测量平台,将粒型性状与穗型性状的测量集成到一个平台,可实现大多数粒型和穗型性状参数的精确测量。对于穗型性状参数中的在穗谷粒数,由于穗株谷粒之间复杂的粘连和遮挡情况,传统图像处理方法难以进行精确测量。对此,本研究提出基于深度学习的在穗谷粒数预测方法,利用全卷积神经网络,结合谷粒中心点标注方式,在不损坏穗株形态结构的前提下,实现了对完整穗株上的谷粒检测和计数。在穗谷粒数测量误差达到3.47%,满足测量误差指标。对于被遮挡的谷粒,传统图像处理无法测量其性状参数,通常会忽略这部分谷粒,对测量结果的完整性造成影响。本研究提出了基于深度学习的谷粒性状还原方法,模拟谷粒遮挡现象,设计自动标注方法生成训练样本,训练具有图像还原功能的卷积神经网络,将被遮挡谷粒图像的残缺部分还原。还原后的谷粒在形状和颜色上十分接近普通谷粒,可对其进行粒长、粒宽、面积等性状参数的测量。通过实验,对比了还原图像与真实图像之间的谷粒性状参数差异,对本方法在实际应用中的可行性进行了分析。本研究提出的深度学习穗株谷粒数预测方法,解决了谷粒粘连和遮挡问题。针对遮挡谷粒性状参数无法测量的问题,本研究提出的深度学习谷粒性状还原方法提供了一种有效的解决方案。

关键词：水稻表型穗型性状粒型性状深度学习图像处理

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的水稻穗部谷粒粒型性状提取

基于深度学习的水稻穗部谷粒粒型性状提取

作者：王金虎海南大学

学位级别：硕士

随着我国耕地面积和农业人口持续减少,粮食消费日趋增加,我国的粮食安全面临着新的挑战。水稻是我国乃至世界上最主要的主粮作物之一,培育高质高产且抗逆的水稻品种是缓解粮食安全问题的有效方式。水稻育种过程中,需要大量与产量相关的... 详细信息

随着我国耕地面积和农业人口持续减少,粮食消费日趋增加,我国的粮食安全面临着新的挑战。水稻是我国乃至世界上最主要的主粮作物之一,培育高质高产且抗逆的水稻品种是缓解粮食安全问题的有效方式。水稻育种过程中,需要大量与产量相关的表型性状作为基因选择的依据,而水稻谷粒粒型性状与产量性状直接相关。快速且精确地提取水稻谷粒的粒型性状对于水稻育种具有举足轻重的作用。传统人工测量谷粒性状的方法具有效率低、主观性强、精度不高等缺陷;现有的谷粒性状数字化提取方法需要在成像前对水稻脱粒或者将稻穗枝梗精细分开,以此消除谷粒与枝梗间相互遮挡造成的影响。以上方法虽能实现谷粒的准确计数,但脱粒或分开枝梗的操作不仅费时费力,且极易引入测量误差,例如:脱粒会导致谷粒破损、水稻枝梗分开后谷粒间仍存在部分相互遮挡,这些误差势必会对谷粒形态、尺寸等性状的测量造成较大的干扰。针对上述问题,本文的主要研究内容包括:(1)利用改进的Faster R-CNN模型实现了穗部谷粒的检测,该模型对于穗部谷粒检测的平均精度(Mean Average Precision,m AP)达到了0.6,谷粒数预测值与真实值之间的相关系数R为0.99;(2)为消除穗部谷粒遮挡对粒型性状测量造成的误差,使用改进的Pix2Pix谷粒修复模型对遮挡谷粒图像进行修复与去噪。修复后的谷粒图像平均峰值信噪比(Peak Signal to Noise Ratio,PSNR)达到了31.95 d B,平均结构相似性(Structural Similarity,SSIM)达到了0.94。基于谷粒图像,提出了一个可以自动化提取8种粒型性状的图像处理管道。与真实值相比,修复后谷粒的粒长、粒宽、谷粒面积和谷粒周长的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)分别为3.65%、2.24%、3.82%和3.32%;(3)将谷粒检测模型和谷粒修复模型进行级联,实现了一体化谷粒性状提取网络,该网络可以通过自然形态下的稻穗图像端到端提取穗部谷粒表型性状。经一体化提取网络提取到的粒长、粒宽、谷粒面积和谷粒周长与真实值相比较,MAPE分别为6.26%、5.67%、6.05%和6.08%。本文提出的基于深度学习无损提取稻穗谷粒表型的方法,首先可直接对自然形态下稻穗进行测量,无需脱粒或对稻穗人工整形,大大提高了测量效率;其次克服了谷粒间遮挡造成的误差,通过对被遮挡谷粒进行形态修复从而大大提高了粒型测量的平均精度,为水稻穗部谷粒性状的无损测量提供了新方法。本研究提高了穗部谷粒粒型性状提取的效率和精度,为水稻育种和重要功能基因的挖掘提供了新的表型性状测量方法。

关键词：水稻表型粒型性状深度学习目标检测图像修复

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

水稻植株三维重建技术研究

水稻植株三维重建技术研究

作者：吴丹华中农业大学

学位级别：硕士

农业是我国的第一产业,是国民经济建设与发展的基础产业。水稻是人们最主要的粮食作物之一。水稻的基因组研究对发展现代农作物育种技术、保障粮食有效供给具有重大意义,选育产量高、抗逆性好、营养物质利用率高的水稻新品种是新时代水... 详细信息

农业是我国的第一产业,是国民经济建设与发展的基础产业。水稻是人们最主要的粮食作物之一。水稻的基因组研究对发展现代农作物育种技术、保障粮食有效供给具有重大意义,选育产量高、抗逆性好、营养物质利用率高的水稻新品种是新时代水稻育种和栽培领域的重要目标,向遗传学家和育种专家提供一套自动化、高效且精确的表型检测方法具有实际意义。近几年,计算机视觉技术在作物表型领域有相当广泛的应用,通过图像处理技术来提取样本性状参数并进行数学建模分析。目前已有很多文献阐明如何通过二维图像获取植物性状,而通过三维信息进行表型研究的工作则相对较少。一般而言,三维模型所存储的信息要多于二维图像,从中所能提取的性状参数更为全面,而三维模型重建是作物三维表型研究的基础。因此,本文提出一种适用于盆栽水稻三维点云的批量重建方法。本文总结了现有的基于硬件设备的三维成像技术以及基于计算机视觉的图像序列三维重建算法的优缺点及适用性,确定了适用于水稻株型的三维重建方法。本研究采用基于可视外壳的轮廓投影重建方法,文中对于可视外壳的定义进行了详细说明,并分析了该方法的重建误差来源以及所能达到的最优精度。本研究重建算法的优点在于采用了一种改进的相机标定方法,仅进行一次相机标定,即可完成批量水稻样本的重建。经过GPU算法优化,单个样本三维点云重建及着色的总耗时约为8至10分钟。此外,本文从100株水稻点云数据中提取了株高、长轴、俯视图最小外接矩形面积及长宽比、包围盒体积、冠层密度、叶片数等性状参数,并根据人工真实值对株高、长轴及叶片数的计算精度进行了评估,其中,株高及长轴的平均百分比误差分别不超过4.50%、10.47%,叶片数的预测平均百分比误差最小可达到11.58%。最后,本研究将轮廓投影重建方法与经典的运动恢复视觉方法进行了对比分析,实验结果表明轮廓投影算法重建耗时更短,重建效果更优,对于不同品种以及不同时期的水稻样本均有较高适用性,为水稻三维表型性状分析工作提供了可靠的基础。

关键词：水稻表型图像处理相机标定三维重建性状提取