大豆叶片形态模拟模型建立方法的研究

叶片是大豆的重要器官之一,对大豆叶片结构模型的研究,有助于对大豆叶片功能的研究.为此,从大豆叶片轮廓的提取方法和模拟模型的建立方法两个方面进行讨论,提出了大豆叶片进行数字化处理的基本方法,应用L系统,成功地建立了大豆叶片结构模拟模型,解决了大豆生长模拟模型建立过程中的一个关键问题,对大豆植株模型的建立有着重要的指导意义.     

基于生长方程大豆叶片模拟方法的研究

针对大豆叶片的各项指标建立数学模型,叶片的轮廓采用贝塞尔(Bezier)曲线方程拟合,叶片长、宽与时间的生长模型采用理查兹生长方程模拟,设计出了能够真实反映大豆叶片特征的生长方程,基本实现了对大豆叶片生长的动态模拟.     

大豆叶片的特征提取方法研究

综合考虑了叶片的轮廓和叶脉信息,给出了一种新的确定叶片中轴的方法,并依此方法重新定义了描述叶片的各个重要特征。通过实例分析表明,新特征使得大豆叶片的识别准确高效,也证实了新的叶片中轴的确定方法是行之有效的。这一方法的提出为图像识别技术在植物叶片识别诊断中的进一步应用提供了借鉴。     

大豆叶片三维重建及形变技术研究

目前,对于大豆叶片形态的静态模拟研究很多,并且技术已经比较成熟,但是对于叶片的三维重建以及形变建模技术研究很少,特别是形变建模技术是叶片模拟领域中的一个难题。为此,在已建立的二维大豆叶片模型的基础上,将其重构为三维模型,并提出了叶片形变建模方法,从而得到了更具有真实感的大豆叶片模型。所提出的大豆叶片形变建模方法,可为静态虚拟植物叶片建模研究提供必要的方法,具有一定的实践价值。     

基于L系统的大豆根系模拟研究

随着虚拟植物研究的不断深入,对于虚拟植物研究的重点也从地上部分转入地下部分.根系是植物最重要的器官之一,在植物整个生长发育、生理功能和物质代谢中发挥着重要作用,因此对植物根系进行虚拟研究具有重要意义.为此,以大豆为例,通过对大豆根系形态及生长特点的分析,探讨了使用L系统进行大豆根系虚拟建模的方法,并在Visual C 环境下进行了算法实现.     

温室植物生长数字化模型构建技术

根据试验观测值提取植物生长特征信息,以累积生长度日为参数构造植物的形态发生模型,采用信息映射与归一化方法对信息进行重构,建立植物生长数字化模型.通过实例验证表明,该方法实现了植物生长受外部环境作用下的动态模拟,为实时掌握与合理决策植物适宜的生长条件提供依据.     

大豆叶片氮素含量检测技术的试验研究

研究了大豆开花前期和结荚前期冠层多光谱特征与氮素营养状况间的关系,选择540nm波段反射率和比值植被指数分别作为开花前期和结荚前期叶片全氮拟合的特征参数并建立了回归模型.经检验,模型相关系数达0.8624以上,最大误差小于19%,能够有效反应大豆开花前期和结荚前期叶片全氮状况.实现了一种简便、快捷、较精确的作物田间非破坏性营养状况诊断方法,为指导大豆花期和结荚期追肥以及植物理化特性快速采集智能仪器的开发奠定了理论基础.     

植物根系竞争生长的三维可视化模拟

基于Simroot模拟系统的数学理论,结合Visual C++编程工具和OpenGL三维图形库技术,建立了一个虚拟植物根系竞争生长的三维可视化模拟系统.通过对作物大豆的根系竞争生长的模拟表明:本系统能够形象逼真地显现植物根系竞争生长的形态结构和生物特性,具有良好的通用性和适用性.     

基于光学相机的植物表型测量系统与时序生长模型研究

为提高形态表型检测速率,满足形态表型测量的标准化需求,以拟南芥为例,提出一种测量植物三维形态特征的方法,并建立植物时序生长方程和可视化模型,构建了一套经济实用、面向拟南芥生长过程的形态表型测量机器视觉系统。通过光学相机采集拟南芥植株的二维图像序列,利用运动中恢复结构算法生成三维点云;设计一种彩色标板,基于彩色标板的坐标系标准化方法,提取拟南芥植株的点云并标准化坐标系。与传统人工接触式测量值相比,该系统交互测量的拟南芥叶片宽度、长度、主茎长度、叶片面积、叶片间夹角的平均相对误差分别为9. 83%、10. 10%、1. 07%、4. 09%和4. 37%。利用该系统采集哥伦比亚野生型拟南芥生命周期内的形态表型信息,拟合其数学生长模型,并使用L-studio软件,将时序生长模型可视化表达。结果表明,植物固定、传感器移动的平台结构解决了传统传感器固定、植物移动方式导致的植物抖动从而影响三维重建效果的问题,可快速、准确、可靠地提取植物表型信息。基于彩色标板的点云坐标系标准化方法在每个单位时间都能够对拟南芥植物对象进行参数提取,与传统的人工接触式测量方法相比,效率高、速度快,可满足拟南芥的形态表型分析需要。     

基于Dempster-Shafer理论的大豆病害信息诊断模型

针对大豆生长病害智能诊断过程中计算机技术辅助决策的难点,构建了一个基于Dempster-Shafer理论的大豆病害信息诊断模型.对模型进行了理论及特性分析,建立了该种方法实现的理论框架,给出了具体的应用规则,并结合大豆病害的实例进行了具体应用.结果表明,该方法在大豆病害诊断过程中会大大提高决策的精度和可信度.     

基于改进级联神经网络的大豆叶部病害诊断模型

针对大豆叶部病害性状特征与病种之间的模糊性和不确定性,将数字图像处理技术与神经网络智能推理技术相结合,充分挖掘大豆受病害胁迫后表现性状与病种之间的潜在规律,提出了基于改进级联神经网络的大豆病害诊断模型。首先利用自制载物模板无损采集大田大豆叶部病害数字图像,计算病斑区域的形状特征、颜色特征及纹理特征14维度特征参数;为突显各方面特征对于不同病害种类决定作用的差异性,构建各子神经网络并联的第1级网络,第2级网络的输入为第1级网络的输出,利用多维特征各自优势来自动取得病种模式推理规则,建立了用于大豆叶部病害自动诊断的两级级联神经网络模型,仿真实验准确率为97.67%;同时应用量子遗传计算优化级联神经网络参数,平均迭代次数为743,平均网络误差为0.000 995 445,提高了学习效率,实现了大豆叶部病害的高效自动诊断和精确测报,为大田农作物全面系统地开展作物病害监测、智能施药及自动防治提供了理论依据。     

氮素对大豆旱后补偿生长影响研究

在大豆生殖生长期水分胁迫,营养生长期复水的条件下,研究氮素对大豆复水后补偿生长及产量的影响。结果表明:在干旱解除后的后续生长过程中,适量氮肥能有效消除水分胁迫对株高叶面积的抑制作用,复水后补偿生长显著。同一水分条件下,低氮处理的大豆株高、叶面积的补偿生长量是高氮处理的1倍,根重和经济产量也明显超过高氮处理的大豆。     

基于植物功能-结构模型的玉米-大豆条带间作光截获行间差异研究

间作种植形成了异质冠层空间结构,但因此导致的作物生长、表型和光截获的行间差异目前还少有定量化。为解析条带间作生产力的行间差异,本研究基于田间观测数据构建植物功能-结构模型（Functional-Structural Plant Model,FSPM）,量化间作系统中光截获的行间差异。于2017—2018年开展了玉米和大豆单作、2行玉米和2行大豆的2:2 MS间作以及3行玉米和6行大豆的3:6 MS间作田间试验。基于植物生长平台GroIMP开发了玉米-大豆间作的FSPM,模型较好地模拟了叶面积指数（Leaf Area Index,LAI）、株高和光截获系数动态三个指标,均方根误差（Root Mean Square Error,RMSE）分别为0.24～0.70 m²/m²、0.06～0.17 m和0.06～0.10。田间试验结果表明,间作种植显著增加了玉米节间直径。受玉米遮阴影响,大豆节间变长、变细,且随大豆条带变窄差异越明显。模型模拟的2:2 MS间作玉米光截获比单作玉米高35.6%,3:6 MS边行玉米和内行玉米的光截获分别比单作玉米高27.8%和20.3%。2:2 MS与3:6 MS边行大豆的光截获比单作大豆分别少36.0%和28.8%;3:6 MS大豆内I行和内II行比单作大豆的光截获分别少4.1%和1.8%。基于三维FSPM,未来可进行不同生长环境下间作种植模式等的布局优化,以达到最佳系统光截获优势。     

Diurnal changes in the water relations and transpiration of a soybean crop simulated during the development of water deficits

Summary A new model for transpiration of a soybean crop is formulated and solved numerically: the model specifically includes the water stored in the plant. It describes the changes in the daily course of transpiration, stomatal behaviour, leaf water potential and leaf temperature as water deficits develop. The calculated values of leaf water potential (Fig. 3) and transpiration (Fig. 5) compared well with measured values observed during the development of water deficits in a soybean crop growing on a grey cracking clay soil.     

Simulation of the phenology of soybeans

Simulation models of three phases of soybean phenology—sowing to primary leaf, primary leaf to flower initiation and flower initiation to flowering—were generated for the soybean cultivar Lee and others. The basic experimental data were obtained from a series of glasshouse experiments under six temperature regimes in natural light.The data for leaf development rates showed a change in the response to temperature at the first trifoliate leaf stage; this was incorporated into the model.The flower initiation model included parameters for the production and decay of a theoretical flower promoter and for the rate of change of daylength. Time to flower initiation showed a complex relationship to photoperiod which could not be described or approximated to by any simple function. The effects of temperature were marked and showed a strong interaction with photoperiod.The flower development model accounted for a strong temperature response which was conditioned by a photoperiod effect.The three models were combined to form a soybean phenology model which was validated against phenological data obtained from date of sowing experiments conducted under field conditions.     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

基于无人机数码影像的大豆育种材料叶面积指数估测

利用低成本的无人机(Unmanned aerial vehicle,UAV)高清数码影像获取系统,于2016年7—9月在山东省济宁市嘉祥县圣丰大豆育种基地,获取大豆育种材料试验区的R1-R2、R3、R5-R6共3个关键生育期的高清数码影像,首先利用高清数码影像中的黑白定标布,对数码影像的DN(Digital number,DN)值进行归一化标定,并构建标定的18个数码影像变量,然后基于900个育种小区的叶面积指数实测数据构建大豆育种材料叶面积指数的一元线性回归、逐步回归、全子集回归、偏最小二乘回归、支持向量机回归和随机森林回归模型,最后基于模型建立和验证的决定系数(R~2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标,筛选估测叶面积指数的最佳模型。研究表明,全子集回归模型中采用4个数码影像变量B、RGBVI、GLA和B/(R+G+B)的多元线性回归模型对大豆育种材料叶面积指数的解析精度最优,模型建立的R~2、RMSE和nRMSE分别为0.69、0.99和17.90%,验证模型的R~2、RMSE和nRMSE分别为0.68、1.00和18.10%。结果表明,以无人机为遥感平台,搭载低成本的高清数码相机,利用高清数码影像进行大豆育种材料LAI估测是可行的,可以快速、有效、无损地获取大豆育种材料的长势信息,为筛选高产大豆品种提供一种低成本的可行方法。