[目的]为测定温室中番茄不同成熟阶段的果实数量,提出一种基于彩色点云图像的测定方法.[方法]在移动平台上搭载KinectV2.0采集温室中行栽番茄的图像信息合成番茄植株点云,再将二视角的番茄植株点云合成1个点云,并通过深度信息截取得到近处番茄植株点云,将标注的点云数据输入到PointRCNN目标检测网络训练预测模型,并识别番茄植株点云中的番茄果实,最后利用基于特征矩阵训练的支持向量机(Support vector machine,SVM)分类器对已经识别出来的果实进行成熟阶段分类,获得不同成熟阶段番茄果实的数量.[结果]基于PointRCNN目标检测网络的方法识别番茄果实数量的精确率为86.19％,召回率为83.39％;基于特征矩阵训练的SVM分类器,针对番茄果实成熟阶段的预测结果在训练集上准确率为94.27％,测试集上准确率为96.09％.[结论]基于彩色点云图像的测定方法能够较为准确地识别不同成熟阶段的番茄果实,可以为评估温室番茄产量提供数据支撑.

[目的]本文旨在探索实时监测温室虫情和精准防控虫害的方法.[方法]设计了一种基于诱虫板图像背景均匀化的自适应分割方法,结合基于随机森林(random forest,RF)的图像识别算法识别4类温室番茄害虫(烟粉虱、潜叶蝇、果蝇和蚜虫)并计数.该方法首先提取诱虫板图像RGB(red-green-blue)颜色模型B分量和HSV(hue-saturation-value)颜色模型V分量,然后分别对2张图像分段调整背景灰度值得到均匀背景诱虫板灰度图像,再利用最大类间方差法确定阈值分割图像,经形态学处理后融合2张诱虫板二值图像,最后提取害虫区域的6个颜色特征、8个形状特征和6个纹理特征,训练随机森林以识别害虫并计数.[结果]对比分析Sauvola局部阈值法、Prewitt边缘分割法、k-means聚类法以及本文设计的自适应分割方法,结果表明基于背景均匀化的自适应分割方法效果最好,平均分割准确率为95.34％.对比分析7种特征向量组合下随机森林、C-SVC(C-support vector classification)和BP(back propagation)神经网络3种分类方法,结果表明综合颜色特征向量、形状特征向量和纹理特征向量作为输入的随机森林算法识别效果更好,对烟粉虱、潜叶蝇、果蝇和蚜虫的识别准确率分别为93.89％、90.71％、91.54％和90.40％.[结论]本文设计的方法能够实现诱虫板上4类害虫的识别和计数,可以为温室虫情监测与预警提供参考.

为研究稻麦轮作区不同耕作方式下水稻田麦秸的降解效果,在淮河中下游砂姜黑土区,试验测试了"耕翻+旋耕+泡田"(PRP)、"旋耕+泡田"(RP)、"泡田+旋耕"(PR)三种耕作方式下麦秸在45和90 d中的降解率、组分、养分残存量等参数变化情况,并在显微条件下观察了秸秆表面形态特征.结果表明:1)几种还田方式下,麦秸降解率都是先快后慢,到还田45 d时,其降解率达45％～55％,还田90 d时最高降解率也不超过58.27％.2)还田时间对麦秸碳(C)、氮(N)、磷(P)、钾(K),微观凹坑径向长度(Lx)、微观凹坑轴向长度(Ly),力学强度有显著影响(P<0.05),对麦秸组分变化有影响.覆盖还田麦秸C、N、P、木质素、半纤维素随还田时间分别上升至其初始值的1.01～1.33、1.81～3.45、1.15～1.82、1.15～1.39、1.45～2.77倍,而麦秸K、纤维素则下降至其初始值的0.04～0.11、0.77～0.95倍;Lx和Ly随还田时间变化上升至其初始值的5.65～13.60、2.48～9.18倍;麦秸剪切、弯曲及压缩强度随还田时间下降至其初始值的0.07～0.34、0.26～0.58、0.43～0.76倍.3)耕作方式对覆盖还田麦秸N、P、K残存量影响显著(P<0.05),对组分变化有影响.PRP比RP、PR更能促进麦秸N、P、K、纤维素含量下降,提高木质素含量,而半纤维素随耕作方式变化无明显规律.因此,PRP是覆盖还田麦秸降解的较佳选择,其有助于还田麦秸力学强度下降,易引起秸秆表面崩解并形成微观凹坑,促进秸秆腐解及养分释放.

[目的]为评估长江下游稻麦轮作区小麦秸秆全量还田对下茬水稻早期生长的影响,设计1种基于深度学习和三维重建的单株水稻生长形态参数测量方法.[方法]首先,以交并比(IoU)、像素精度(PA)和F值(精准率和召回率的调和平均数)作为精度衡量指标,对比传统图像分割方法(ExG+Otus、Grabcut)和深度学习模型(DeepLabv3+、SegNet、PSPNet)优选出适用于田间水稻植株的图像分割方法.然后,将植株分割图像作为输入,使用多视图空间雕刻算法对水稻进行三维重建,并从模型中提取植株形态参数,与人工测量值对比验证精度.最后,利用筛选出的方法对不同秸秆还田方式下的水稻早期生长发育情况进行量化对比.[结果]DeepLabv3+网络可用于田间水稻图像分割,在水稻分蘖期的不同阶段均能实现较好的分割效果,且能克服田间的杂草、浮萍、倒影等干扰因素,其性能指标分别为IoU值0.801,PA值0.986,F值0.822,优于其他图像分割方法.使用空间雕刻算法结合深度学习图像分割技术可以实现田间水稻的三维模型重建,根据植株三维模型计算得到株高、叶长、分蘖数和叶片数4个形态参数,与人工测量参数对比,决定系数(R2)分别为0.99、0.95、0.89和0.95,均方根误差(RMSE)分别为1.03、1.19、0.82和1.39.利用该方法对"泡田+旋耕(SR)""旋耕+泡田(RS)"和"翻耕+旋耕+泡田(PRS)"3种不同秸秆还田方式下的水稻早期生态参数进行为期4周的测量,从生长参数的增量对比来看,整体上水稻受秸秆还田的负面影响从小到大依次为PRS、RS、SR.[结论]本文方法可以实现较高精度的田间单株水稻三维重建,可用于秸秆还田后水稻早期生长形态检测研究.

针对无人机精确植保过程中,果树冠层区域颜色特征和杂草相似度较高、难以分割等问题,采用基于超像素特征向量的果树冠层分割方法,以消除不同杂草特征对树冠分离的干扰,减小农药喷雾区域,节省农药使用量.通过分析无人机采集合成的样本图像在HSV彩色空间上色调与饱和度的分布情况,选取合适的阈值范围,提取样本图像中包含果树冠层与杂草的绿色区域,将提取的绿色区域RGB图像转换生成Lab和HSV彩色空间模型下的图像,然后运用简单的线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割算法将RGB图像预设分割成250个超像素单元,结合超像素的分割信息与RGB图像、Lab图像、HSV图像以及灰度图,提取超像素单元的特征向量,随机选取25％的超像素样本的特征向量作为SVM分类器的训练集,利用SVM分类器对所有样本进行预测分类,实现果树冠层与杂草分割.将基于超像素特征向量的方法和基于光谱阈值、K-means聚类的2种方法进行对比分析,结果显示,基于超像素特征向量的方法在识别果树冠层位置方面生产者精度为90.83％,在提取果树冠层轮廓上F测度值为87.62％,总体分割性能优于后两种方法.说明,基于超像素特征向量的方法能够较为准确地分割果树冠层与杂草,为实现无人机在果园中精确植保提供重要支撑.