基于FCN的无人机玉米遥感图像垄中心线提取

为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully ConvolutionalNetworks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提取的数据集标注方法,采用滑动窗口法进行图像分块,利用深度学习语义分割网络FCN对垄中心线附近7～17像素宽度范围的垄线区域进行提取,模型在测试田块上精确率达66.1%～83.4%,召回率达51.1%～73.9%,调和平均值为57.6%～78.4%;对拼接后的图像使用影像分割投影法提取中心线,探究了垄线区域宽度对垄中心线提取精度的影响,训练采用9像素的垄区域宽度,可得到垄中心线在77 mm左右偏差范围准确率为91.2%,在31.5 mm左右偏差范围内为61.5%。结果表明,基于FCN对无人机玉米遥感图像进行处理,可得到整片田地的垄中心线栅格地图,方便农业机器人进行全局路径规划。     

横垄覆膜对丹江口库区土壤净氮矿化的影响

以丹江口库区五龙池小流域玉米黄棕壤为例,利用原位矿化试验,通过与横垄无覆膜土壤比较,研究横垄覆膜对土壤净氮矿化的影响。结果表明:玉米苗期中期和拔节期前期,横垄覆膜土壤净氮矿化量与无覆膜土壤相比分别降低7.8%~57.0%和2.2%~52.8%;玉米拔节期后期、抽穗期和成熟期,横垄覆膜土壤净氮矿化量比无覆膜土壤分别提高352.9%~703.3%,52.5%~311.0%和15.2%~334.8%。横垄覆膜土壤净氮矿化量在玉米苗期、拔节期、抽穗期和成熟期与土壤含水量、温度和全氮间均存在较强度关联关系(0.6灰色关联度≤0.8)。逐步回归分析表明,横垄覆膜土壤净氮矿化量在玉米苗期与土壤温度间呈最优线性关系(F=7.205,P=0.023);在玉米拔节期与土壤含水量和温度间呈最优线性关系(F=36.861,P=0.001);在玉米成熟期与土壤含水量间呈最优线性关系(F=42.438,P=0.007)。     

基于无人机遥感影像的玉米苗期株数信息提取

准确、快速地获取玉米苗期株数对于育种早期决策起着至关重要的作用。该文利用2017年6月于北京市小汤山镇采集的无人机影像,首先对比分析RGB、HSV、YCbCr及L*A*B 4种色彩空间,变换优选HSV颜色模型对无人机影像前景(作物)与后景(土壤背景)进行分割,得到分类二值图。然后利用骨架提取算法及多次去毛刺处理等数学形态学流程提取玉米苗形态,得到高精度作物形态骨架,结合影像尺度变换剔除噪声影像,将影像分为多叶、少叶2类,经Harris、Moravec和Fast角点检测识别结果对比,Harris角点检测算法可以较好地提取玉米苗期影像的株数信息。结果表明,少叶类型识别率达到96.3%,多叶类型识别率达到99%,总体识别率为97.8%,将目前传统影像识别精度提高了约3%。同时在多个植株叶片交叉重叠覆盖的情况下,该文的研究方法有良好的适用性。通过无人机影像提取玉米苗期作物准确数目是可行的。该文采用了数学形态学的原理,通过HSV色彩空间变换得到的二值图,从无人机影像中识别提取玉米苗期形态信息,利用影像尺度缩放变换去除噪点,优化骨架识别算法使得识别精度大大提高,最后采用角点检测从无人机影像中直接读取玉米材料小区内的具体数目,该方法节省了人力物力,为田间大面积测定出苗率及最终估产提供了参考。     

基于区域生长均值漂移聚类的苗期作物行提取方法

为解决传统机器视觉方法检测苗期作物行时不同作物种类、不同生长背景和不同作物行数导致的作物行提取精度低的问题,该研究提出一种基于区域生长和均值漂移聚类的苗期作物行提取方法。首先,通过Lab颜色空间中a、b双颜色分量最大熵法选取最优阈值进行图像分割;其次,通过垂直投影获取均值漂移的聚类窗口带宽,均值漂移时以聚类窗口边缘为种子点进行区域生长来归类和标记每一行作物,之后遍历所有作物行获取聚类中心点;最后,通过最小二乘法拟合聚类中心点得到作物行直线。试验结果表明,该方法对大蒜、玉米、油菜、水稻和小麦5种作物的苗期作物行提取精度较高,5种作物的平均行识别率为98.18%,平均误差角度为1.21°,每张图片的平均处理时间为0.48 s。该方法的作物行提取性能明显优于Hough变换方法,为田间环境多因素影响下的苗期作物行提取提供了一种更具鲁棒性的方法。     

玉米季横垄坡面片蚀阶段产流及水动力学参数变化特征

为弄清玉米各生育期片蚀阶段的径流特征,采用人工模拟降雨与微小区试验相结合的方法,研究不同坡度下紫色土横垄坡面片蚀阶段产流及水动力学参数变化特征。结果表明:(1)15°坡面,拔节期和抽雄期片蚀出现时间在8min后,且与苗期和成熟期间达显著差异;20°坡面,拔节期和抽雄期片蚀出现时间在6min后,且与苗期、成熟期片蚀出现时间达显著差异。(2)15°坡面,径流总量和产流率均表现为成熟期苗期抽雄期拔节期,且成熟期径流总量和产流率分别为31.25L和1.04L/min;20°坡面,径流总量和产流率却表现为苗期成熟期抽雄期拔节期,且成熟期径流总量和产流率分别为34.62L和1.44L/min;径流总量和产流率总体表现为20°坡面显著高于15°坡面。(3)15°坡面,水流剪切应力在各生育期无显著差异,其它水动力学参数均表现为抽雄期最小,成熟期和苗期较大。20°坡面,单位水流功率在各生育期无显著差异,其它水动力学参数表现为拔节期或抽雄期最小,成熟期或苗期最大。断面单位能量和水流功率是试验条件下与横垄坡面片蚀产流率关系最密切的水动力学参数,可较好地表征横垄坡面产流特征。研究结果可为紫色土丘陵区坡耕地片蚀的有效防控提供理论依据。     

玉米季横垄坡面细沟侵蚀特征及其影响因素

通过野外人工模拟降雨试验,开展玉米不同生长期紫色土坡耕地细沟侵蚀特征研究,并分析玉米叶面积、雨强对细沟侵蚀过程的影响。结果表明:随玉米生长期推进,坡面产流时间、跌坎及细沟出现时间总体呈先增加后减少的趋势。苗期、拔节期跌坎与细沟出现的平均间隔时间分别为10′59″和15′30″,抽雄期、成熟期跌坎与细沟出现的平均间隔时间分别为20′16″和18′58″,玉米苗期坡耕地更易产生细沟侵蚀。苗期细沟形态发育完整,2.0 mm min-1雨强条件下,苗期最长细沟的长、宽、深分别为77.62、6.25和4.04 cm。随玉米生长期推进,细沟侵蚀阶段产流量表现为苗期拔节期成熟期抽雄期,苗期和抽雄期细沟侵蚀阶段产流量分别占玉米季径流总量的30.97%和19.01%,玉米各生长期细沟侵蚀阶段产流率均随降雨时间的推移呈波动上升。细沟侵蚀阶段产沙量表现为苗期拔节期成熟期抽雄期,苗期细沟侵蚀阶段产沙量显著高于其他生长期,玉米各生长期细沟侵蚀产沙率均随降雨时间呈波动变化。玉米季坡耕地细沟侵蚀产流量与雨强呈极显著正相关,产沙量与玉米叶面积指数呈显著负相关,产流率、产沙率与叶面积指数和雨强的回归方程均达极显著水平。     

不同坡度下玉米生长期紫色土坡面径流及其可溶性有机碳流失特征

为探明紫色土横垄坡面径流与可溶性有机碳流失对不同坡度的响应特征,通过径流小区和野外人工模拟降雨相结合的方法,探讨了不同坡度条件下玉米各生育期地表径流、壤中流及其可溶性有机碳(DOC)流失特征。结果表明:玉米各生育期同一降雨时间段地表径流量均表现为20°>15°>10°,壤中流径流量却表现为10°>15°>20°。不同坡度下,玉米生育期地表径流量大小总体表现为苗期>成熟期>拔节期>抽雄期,壤中流量整体表现为抽雄期>拔节期>苗期>成熟期。玉米各生育期地表径流DOC质量浓度均表现为20°>15°>10°,不同坡度下玉米生育期地表径流DOC质量浓度表现为苗期>拔节期>成熟期>抽雄期。苗期、拔节期和成熟期壤中流DOC质量浓度大小表现为10°>15°>20°,不同坡度下玉米生育期壤中流DOC质量浓度的总体表现为苗期最大,抽雄期最小。玉米各生育期地表径流DOC迁移通量大小均表现为20°>15°>10°,不同坡度地表径流DOC迁移通量均表现为苗期>成熟期>拔节期>抽雄期;玉米各生育期壤中流DOC迁移通量大小均表现为10°>15°>20°,不同坡度下壤中流DOC迁移通量与地表径流一致。研究结果可为不同坡度条件下玉米生长期坡面径流损失和有机碳流失调控提供理论依据。     

基于垄线平行特征的视觉导航多垄线识别

为有效快速地识别农田多条垄线以实现农业机器人视觉导航与定位,提出一种基于机器视觉的田间多垄线识别与定位方法。使用VC++ 6.0开发了农业机器人视觉导航定位图像处理软件。该方法通过图像预处理获得各垄行所在区域,使用垂直投影法提取出导航定位点。根据摄像机标定原理与透视变换原理,计算出各导航定位点世界坐标。然后结合垄线基本平行的特征,使用改进的基于Hough变换的农田多垄线识别算法,实现多垄线的识别与定位。使用多幅农田图像进行试验并在室内进行了模拟试验。处理一幅320×240的农田图像约耗时219.4 ms,室内试验各垄线导航距与导航角的平均误差分别为2.33 mm与0.3°。结果表明,该方法能有效识别与定位农田的多条垄线,同时算法的实时性也能满足 要求。     

无人机多光谱遥感反演各生育期玉米根域土壤含水率

为准确及时地获取植被覆盖条件下农田土壤水分信息,该文以不同水分处理的大田玉米为研究对象,利用无人机遥感平台对夏玉米进行多期遥感监测,并同步采集玉米根域不同深度土壤含水率(Soil Water Content,SWC)。基于2018年夏玉米拔节期、抽雄-吐丝期和乳熟-成熟期的无人机多光谱遥感影像数据集,通过支持向量机(Support Vector Machine,SVM)分类剔除土壤背景,提取玉米冠层光谱反射率并计算10种植被指数(VegetationIndex,VI),然后利用全子集筛选(FullSubsetSelection)法对不同波段和植被指数进行不同深度土壤含水率的敏感性分析,并分别采用岭回归(Ridge Regression,RR)和极限学习机(ExtremeLearningMachine,ELM)2种方法构建全子集筛选后0～20、20～45和45～60cm不同深度下的土壤含水率定量估算模型。结果表明:基于贝叶斯信息准则(BayesianInformationCriterion,BIC)的全子集筛选法可以有效筛选最优光谱子集,筛选变量基本都通过了显著性检验,自变量个数较少;在同一生育期、同一深度条件下,ELM模型效果均优于RR模型;玉米在拔节期、抽雄-吐丝期的最佳监测深度为0～20cm,在乳熟-成熟期的最佳监测深度为20～45cm;乳熟-成熟期的20～45cm深度下的ELM反演模型效果最优,其建模集和验证集的决定系数Rc2和Rv2分别为0.825和0.750,均方根误差RMSEc和RMSEv分别为1.00%和1.32%,标准均方根误差NRMSEc和NRMSEv分别为10.85%和13.55%。利用全子集筛选法与机器学习相结合的方法可以提高土壤含水率的反演精度和鲁棒性,本研究为快速、准确地监测农田土壤墒情、实施精准灌溉提供了一种新的途径。     

基于无人机热红外与数码影像的玉米冠层温度监测

快速、准确、无损地获取田间玉米冠层温度,对实现无人机辅助玉米抗旱性状的监测具有重要的意义。该文以无人机搭载热红外成像仪和RGB高清数码相机构成低空遥感数据获取系统,以不同性状的拔节期玉米为研究对象,采集试验区的无人机影像。利用含有已知三维坐标的几何控制板,进行数码影像几何校正,并利用校正后的数码影像对热红外影像进行几何配准。利用便携式手持测温仪测量辐射定标板黑白面的温度,对热红外影像进行辐射定标。利用高空间分辨率的数码影像对玉米进行分类并二值化处理,基于二值化结果提取热红外影像的玉米冠层像元,并提取试验区不同性状玉米的冠层温度。同时,利用便携式手持测温仪在地面同步测量玉米冠层温度,并与提取的冠层温度经行一致性分析,以验证评估基于热红外影像提取玉米冠层温度的效果。结果表明:提取的冠层温度值与地面实测值具有高度一致性(R2=0.723 6,RMSE=0.60℃),提取精度较高,表明基于无人机热红外影像获取玉米冠层温度的方法具有高通量的优势且精度较高。最后将试验区的植被覆盖度与提取的冠层温度进行对比分析,结果表明:玉米冠层温度与其覆盖度有显著的相关性(R2=0.534 5,P0.000 1),覆盖度越高冠层温度越低,反之则越高,说明玉米冠层覆盖度的大小影响玉米冠层温度的高低。该研究可为玉米育种材料的田间冠层温度监测提供参考。     

基于梯度下降和角点检测的玉米根茎定位导航线提取方法

针对玉米根茎图像信息，提出一种在拔节期后玉米大田环境下快速、精准提取导航基准线的新方法。首先利用2G-B-R和最大类间方差法分割图像，并利用形态学处理提高图像质量，对去噪图像像素按列累加获取垂直投影。传统峰值点法在寻找特征点时需要设定阈值，耗时长且伪特征点多，因此提出一种基于梯度下降的特征点寻找方法，利用某点沿梯度下降的方向求解极小值从而求得特征点。根据角点检测原理，利用特征点像素各个方向梯度变化不同剔除伪特征点，解决了传统算法异常点过多、错误剔除玉米根茎定位点等问题，最终采用随机采样一致算法拟合导航线。试验结果表明，与传统算法相比该算法能够很好的适应复杂环境，实时性强，即使在缺苗、杂草等情况下仍具有很强的鲁棒性，平均处理准确率为92.2%，处理一帧分辨率为1 280像素×720像素的图像平均耗时为215.7 ms，该算法为智能农业化机械在玉米田间行走提供了可靠的、实时的导航路径。     

基于最大正方形的玉米作物行骨架提取算法

为了满足现代农业精准施药技术中导航路径识别的需要,该文提出一种基于最大正方形的玉米作物行骨架提取算法。首先对采集到的田间玉米作物行图像进行灰度变换,采用改进的过绿灰度化算法使作物行与背景明显分割开来;然后通过滤波、阈值分割得到二值图像;而后对经过预处理后的二值图像进行形态学中的闭运算操作,得到玉米作物行的轮廓;最后利用最大正方形准则提取玉米作物行骨架。为了验证该算法的准确度,对提取的玉米作物行骨架进行直线拟合操作,利用拟合出的中央作物行线与实际导航线偏差的大小来判断骨架提取的精准度。试验结果表明,该算法能保持骨架像素的单一性,对边缘噪声具有很强的抗干扰能力,提取骨架的误差小于5 mm,能够满足玉米对行精准施药的需求。     

河西走廊制种田与生产田玉米需肥特点比较

河西走廊是全国最大的玉米制种基地,但存在制种玉米超量滥施化肥问题。因此,采用田间试验和室内样品分析相结合的方法,以同一组合杂交种玉米生产试验田作对照,研究了自交系玉米制种田氮、 磷、 钾需肥量及需肥特点。结果表明, 制种田玉米种子产量明显小于生产田玉米,制种田子粒产量是生产田的0.6114倍; 制种田全生育期氮、 磷、 钾吸收量均小于生产田,分别是生产田的0.738倍、 0.624倍、 0.733倍; 生产百公斤玉米种子吸收氮（N）、 磷（P2O5）、 钾（K2O）养分平均为2.653 kg、 1.115 kg和3.447 kg; N∶P2O5∶K2O比例为1∶0.42∶1.30。养分累积进程也不同,苗期养分吸收量制种田大于生产田,拔节期相近,拔节后制种田均小于生产田,养分累积量平均为生产田的63.0%~85.3%。因此,相比生产玉米,制种玉米应适当减少施肥量,并增加苗期养分供应。     

一种提取不透水面的可见光波段遥感指数

为了从高分辨率无人机影像中获取准确的城市不透水面信息,在可见光波段范围内建立绿-蓝光谱特征空间,综合土壤线及不透水面线,构造了能够将土壤、植被像元与不透水面像元有效分离的绿-蓝不透水面指数。以广州市局部地区的GF-2号影像为验证数据对比及分析垂直不透水层指数、比值居民地指数以及绿-蓝不透水面指数的提取结果,以验证绿-蓝不透水面指数的可行性与提取精度。同时,将眉山市洪雅县部分地区的无人机正射影像作为试验数据进行不透水面提取。结果表明,在3个不透水面提取指数的横向对比中,绿-蓝不透水面指数和垂直不透水层指数的提取结果总体精度相同,验证了绿-蓝不透水面指数的有效性。在对无人机正射影像的不透水面提取中,得益于无人机低空摄影技术能够获取地形特征的特点,解决了建筑物屋顶因植被覆盖导致的错分问题,提取结果总体精度达到了96.95%,Kappa系数为0.936 1。试验证明了绿-蓝不透水面指数能够代替归一化差值不透水面指数、垂直不透水层指数、比值居民地指数等,应用于无人机遥感影像的不透水面信息提取中。     

激光雷达实时提取甘蔗垄间导航线

针对高地隙底盘悬挂机具田间作业存在车轮压苗严重的现象,该研究以甘蔗为研究对象,提出一种基于固态激光雷达的作物行垄间导航线实时提取方法.首先通过三维激光雷达(Light Detection And Ranging,LiDAR)实时获取高地隙底盘正前方甘蔗行点云,利用点云变换、直通滤波和半径滤波对点云进行预处理,获取作物行...     

玉米行间导航线实时提取

针对高地隙植保机底盘玉米田间植保作业压苗严重的现象,该研究提出了基于车轮正前方可行走动态感兴趣区域(Region of Interest,ROI)的玉米行导航线实时提取算法。首先将获取的玉米苗带图像进行像素归一化,采用过绿算法和最大类间方差法分割玉米与背景,并通过形态学处理对图像进行增强和去噪;然后对视频第1帧图像应用垂直投影法确定静态ROI区域,并在静态ROI区域内利用特征点聚类算法拟合作物行识别线,基于已识别的玉米行识别线更新和优化动态ROI区域,实现动态ROI区域的动态迁移;最后在动态ROI区域内采用最小二乘法获取高地隙植保机底盘玉米行间导航线。试验表明,该算法具有较好的抗干扰性能,能够很好地适应较为复杂的田间环境,导航线提取准确率为96%,处理一帧分辨率为1 920像素×1 080像素图像平均耗时97.56 ms,该研究提出的算法能够为高地隙植保机车轮沿玉米垄间行走提供可靠、实时的导航路径。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。     

基于SUSAN角点的秧苗列中心线提取方法

中国南方水田环境复杂,不同生长阶段秧苗的形态各异,且田中常出现浮萍及蓝藻,其颜色与秧苗颜色极其相似,因此常用的作物特征提取算法难以应用在水田上。针对这些问题,该文提出一种基于SUSAN角点的秧苗列中心线方法。运用归一化的Ex G(excess green index)提取秧苗的灰度化特征,运用自适应的SUSAN(smallest univalue segment assimilating nucleus)算子提取秧苗特征角点;最后运用扫描窗口近邻法进行聚类,采用基于已知点的Hough变换(known point Hough transform)提取秧苗列中心线。经试验验证,此算法在图像中存在浮萍、蓝藻和秧苗倒影的情况下有较高的鲁棒性。在各种情况下均成功提取秧苗的列中心线,且每幅真彩色图像(分辨率:1280×960)处理时间不超过563 ms,满足视觉导航的实时性要求。     

红枣收获机视觉导航路径检测

针对新疆地区骏枣与灰枣枣园的收获作业,该研究提出一种红枣收获机枣树行视觉导航路径检测算法。通过枣园图像固定区域中B分量垂直累计直方图的标准差d与最小值f的关系对枣园种类进行自动判断。针对灰枣枣园,首先采用色差法与OTSU法对图像进行灰度化与二值化处理,然后进行面积去噪与补洞处理,在处理区域内从上向下逐行扫描,将每行像素上像素值为0的像素点坐标平均值作为该行候补点的坐标,并将所有候补点坐标的平均值作为Hough变换的已知点坐标,最后基于过已知点的Hough变换拟合导航路径;针对骏枣枣园,在处理区域内通过垂直累计R分量的方法确定扫描区间,然后在扫描区间内从上到下逐行扫描,将每行像素上R分量值最小的像素点作为该行的候补点,并将所有候补点的坐标平均值作为Hough变换的已知点,最后使用过已知点的Hough变换拟合导航路径。试验结果表明:对于灰枣枣园与骏枣枣园,该算法的路径检测准确率平均值分别为94%和93%,处理1帧图像平均耗时分别为0.042和0.046s,检测准确性与实时性满足红枣收获机作业要求,能够自动判别枣园种类进行作业,可为实现红枣收获机自动驾驶提供理论依据。