小麦赤霉病是对小麦生长过程有较大影响的病害.为了实现小麦赤霉病的快速识别,本研究利用数码相机获取小麦生长过程中赤霉病发病前期和发病中期的RGB图像,并对RGB图像的三基色分别进行归一化,然后计算得到与赤霉病相关性最好的颜色特征指数(共计12个).通过对小麦赤霉病前期和中期各20张发病麦穗颜色特征指数值与健康麦穗比较分析.结果表明,12个颜色特征指数值在不同麦穗类型之间均有差异,其中ExG、ExGR、GLI和MGRVI等4个颜色特征值差异显著,可用于受到赤霉病感染的麦穗提取.利用人工标记的发病麦穗对颜色特征指数识别提取发病麦穗进行验证,在小麦赤霉病发病前期的平均检测率为90.5％,在小麦赤霉病发病中期的平均检测率为88.4％,上述结果表明基于颜色特征指数识别小麦赤霉病发病麦穗是可行的.

为了快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,利用深度学习网络U-net来对人工标记好的发病麦穗图像进行训练.通过深度学习数据集的构建与测试,建立了基于RGB图像和改进U-net网络模型的小麦赤霉病识别与监测模型,并对模型识别结果进行了验证.结果 表明,U-net可以很好地提取图像波段信息,但对于比较复杂的麦穗图像,在使用Keras方法进行图像语义分割时,需要对U-net网络结构进行改进,即在下采样部分加入Dropout层.与人工标记结果相比,模型识别结果的一致性较好,具有较高的监测精度.该模型平均精度为0.9694,损失函数值为0.0759,平均交并比MIoU为0.799.上述结果说明改进的U-net模型可以很好地识别和监测小麦图像中的发病麦穗,并在发病麦穗的分割上具有很好的效果.

赤霉病是影响小麦产量和品质的主要病害之一.为快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,对Deeplabv3+网络模型进行调参和训练.以轻量化网络MobileNet V2为网络编码模块,利用空洞卷积技术建立基于深度学习网络的小麦赤霉病发病麦穗的识别与检测模型,并用实测数据对模型进行验证和评价.结果 表明,该模型的平均精度为0.9692,损失函数Loss为0.1030,平均交并比MIoU为0.793,模型识别与检测效果较好.上述结果为小麦赤霉病的检测与识别提供新的手段.

为了明确无人机图像信息与小麦生物量、产量之间的相关性,该文利用无人机航拍获取田间小麦主要生育时期的RGB图像,通过影像处理获取小麦颜色指数和纹理特征参数值,并通过田间取样获取同时期小麦生物量和最终产量,分析不同颜色指数和纹理特征参数与小麦生物量和产量的关系.结果表明:利用无人机图像可提取归一化差分指数(NDI)、超绿植被指数(ExG)、可见光大气阻抗植被指数(VARI)、超红植被指数(ExR)、绿叶植被指数(GLI)、绿红差值指数(ExGR)、改良绿红植被指数(MGRVI)、红绿蓝植被指数(RGBVI)共8个颜色指数和能量(ASM)、对比度(CON)、相关度(COR)、熵(ENT)共4个纹理特征参数.各颜色指数在小麦拔节期、孕穗期与生物量和产量都有较好的相关性.拔节期所有颜色指数与生物量的相关性均达到极显著水平,其中ExGR与生物量的相关性最高,相关系数r达到0.911,孕穗期除RGBVI未达到显著相关外,其余均达到显著或极显著相关,其中MGRVI相关性最高,相关系数r为0.817.各颜色指数与产量的相关性趋势同生物量一致.越冬前期和开花期各颜色指数与生物量及产量的相关性较拔节期和孕穗期略有下降.而各纹理特征参数中,只有越冬前期的ASM和ENT、拔节期的CON和COR以及孕穗期的CON与生物量的相关性达到显著或极显著水平,其中COR相关性最高(负相关),相关系数r为-0.574.拔节期的CON和COR、孕穗期的CON、COR和ENT与产量的相关性达到显著或极显著水平,其中拔节期COR相关性最高(负相关),相关系数r为-0.530.将颜色指数与纹理特征参数相结合后,其与小麦生物量及产量的相关性均有提高,其中生物量相关性在4个时期分别提高0.27％、0.11％、8.81％和2.65％,产量相关性在4个时期分别提高7.05％、0.12％、0.58％和0.12％.因此,将无人机图像颜色指数与纹理特征参数结合可以提高小麦生物量和产量的估测精度.

水稻病害是影响水稻产量及品质的重要因素,开展水稻病害识别与检测研究对推动水稻高产、优质、高效发展具有重要意义.本文从图像技术、光谱技术及不同算法等方面总结了水稻常见病害的识别与检测方法,分析了不同方法的基本原理及应用效果,并对存在的问题和研究展望进行了探讨,以期为病害识别研究提供借鉴.