[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.

[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.