基于最优子集选择的水稻穗无人机图像分割方法

为探索有效的稻穗识别特征选取方法,解决基于无人机数码影像水稻产量估测中图像颜色空间各个通道或指数对水稻穗识别能力不清的问题,利用2017年和2018年沈阳农业大学超级稻成果转化基地水稻试验田无人机高清数码影像、地面小区样方内水稻穗数量等实测数据,构建了水稻穗、叶、背景的3分类图像样本库,应用最优子集选择(Best subset selection)算法分析了RGB和HSV颜色空间各个通道或指数对水稻穗的识别能力,提取适合东北粳稻稻穗图像分割的7种特征参数,以此特征为输入构建了基于BP神经网络的稻穗分割模型,进一步对稻穗图像进行连通域分析,获取稻穗数量,并与地面实测数据进行比较。结果表明:最优子集选择算法获取的稻穗像素分割特征参数为R、B、H、S、V、GLI、ExG等7种,飞行高度为3 m时,稻穗分割效果最好,对应的交叉验证均方误差MSE为0.0363;构建的稻穗分割模型可有效实现东北粳稻稻穗的提取,3、6、9 m飞行高度下,拍摄图像稻穗数量提取的均方根误差分别为9.03、11.21、13.10,平均绝对百分误差分别为10.60%、14.88%和17.16%。

高光谱数据降维与水稻氮素含量解析方法

水稻营养监测、病虫害诊断中高光谱技术提供了有效、便捷的技术手段,高光谱数据的降维和特征提取至关重要。为了探索有效的高光谱降维方法,利用2019年沈阳市沈北试验基地水稻分蘖期、拔节期和抽穗期的叶片光谱数据及实测的氮素含量数据,首先分窗口对原始高光谱进行Gram-Schmidt变换找到投影空间并映射出主基底,保留具有显著性概率的主基底,其极大极小值为特征波段,实现高光谱数据降维与特征波段提取;其次利用降维后构建特征建立水稻叶片氮素含量估测模型;最后对比分析本研究方法与主成分分析、植被指数及特征参数等降维方法。结果表明:基于分窗Gram-Schmidt变换可有效实现高光谱数据的降维,高光谱降到4维,水稻叶片氮素含量估测模型5折交叉验证决定系数CV_R2为0.787,均方误差CV_MSE为0.051;基于主成分分析法降维,高光谱降到5维,CV_R2为0.743,CV_MSE为0.056;单个植被指数,效果最好的是GNDI(911,487),CV_R2为0.667,CV_MSE为0.076;多个特征光谱指数最优化选择7个特征,分别为SI(487),RI(601,487),DI(911,487),DDI(990,685,487),NDI(990,685),NDI(990,601)和GNDI(911,487),CV_R2为0.731,CV_MSE为0.072。说明采用全波段降维的方法优于植被指数及特征降维,并且本研究提出的分窗Gram-Schmidt变换在降维的同时也能获取包含主要信息的波段,优于主成分分析法。综上所述,基于分窗Gram-Schmidt变换的高光谱可为高光谱降维与水稻叶片氮素含量估测提供一定的理论基础和技术支撑。

基于多植被指数组合的BAS-ELM粳稻冠层氮含量反演方法

粳稻氮素含量的快速、无损、准确反演,可以反映和诊断作物的氮营养状况,为施肥决策提供依据。基于田间试验采集的粳稻分蘖期无人机光谱影像数据与对应氮素含量数据,采用无信息变量消除法(uninformation variable elimination,UVE)筛选得到的特征波段光谱反射率两两组合构建NDVI、DSI、RVI、RDVI、TVI、NRVI、WDRVI、LogR指数变量,根据与粳稻叶片氮素含量的决定系数等势图挑选出9组不同的植被指数组合(8种植被指数的组合共1组,每一种植被指数的组合共8组)分别作为模型的输入量,构建极限学习机(extreme learning machine,ELM)、天牛须搜索算法优化极限学习机(tenniu shall optimize-extreme learning machine,BAS-ELM)粳稻冠层叶片氮素含量反演模型并验证分析。UVE算法较好地剔除了无用及冗余信息波段,得到266个光谱特征波段;在构建植被指数过程中,各指数与粳稻冠层叶片氮含量的决定系数R^(2)分布在0.7283~0.7580之间,构建的植被指数均与氮含量呈现显著相关关系。从预测结果来看,9组不同输入量建立的BAS-ELM反演建模效果均较好,训练集与验证集的R^(2)均在0.646以上,RMSE均低于0.564mg·g^(-1);其中以8种植被指数的组合为输入量建立的BAS-ELM预测效果最好,训练集与验证集的R^(2)分别为0.756和0.753,均方根误差(RMSE)分别为0.431mg·g^(-1)和0.466mg·g^(-1),优于单一结构的植被指数组合;通过对比,BASELM在预测能力、稳定性和泛化性上比ELM的预测模型有明显提高。综上研究,基于无人机获取的分蘖期水稻冠层光谱数据,以依特征波段构建的多种植被指数的组合作为输入量结合BAS-ELM建模方法在快速无损反演粳稻叶片氮素含量中具有优势,可为粳稻精准施肥提供参考。

基于高光谱红边位置提取的水稻叶绿素反演研究

针对东北粳稻叶绿素含量无人机高光谱反演中红边位置特征不明确的问题,基于2019~2020年沈阳农业大学水稻试验基地采集的高光谱数据和地面水稻样本叶绿素数据,开展水稻叶绿素含量红边光谱响应特性分析及反演建模研究。首先,利用线性外推(LE)、线性四点插值(LI)、最大一阶导数(MFD)、多项式拟合(PF)、拉格朗日插值(LAG)和倒高斯拟合(IG)6种方法确定水稻冠层高光谱红边位置,对比不同方法提取结果的分布规律,分析叶绿素含量的红边位置响应特性。然后,基于不同红边位置提取结果,利用极限学习机(ELM)、反向传播神经网络(BPNN)两种机器学习算法以及5种统计回归算法构建水稻叶绿素含量反演模型。结果表明:LE方法适合东北粳稻冠层光谱的红边位置的计算,提取的红边位置变幅大,对叶绿素含量变化较为敏感;以LE提取的红边位置为输入特征,构建的线性外推-极限学习机(LE-ELM)和线性外推-对数曲线(LE-LNX)模型,叶绿素含量反演精度较高,两个模型决定系数、均方根误差、平均绝对误差分别为0.781,8.375,9.828和0.763,9.249,11.253,研究结果可为水稻冠层叶绿素含量高效监测提供理论支撑。

基于深度卷积神经网络的水稻纹枯病检测识别

纹枯病是水稻的三大病害之一,尤其在中国北方稻区,纹枯病发生逐渐加重、严重威胁到中国的粮食安全,而纹枯病的有效检测是水稻病害预防与控制的首要任务。在实际生产中,农民和从事相关的研究人员通过人工目测来识别水稻纹枯病,但由于光线、杂草、枯叶等外在自然因素和人眼视觉误差等人为因素,导致对水稻的病害等级误判,从而影响对水稻纹枯病的防治,造成环境污染和经济损失,而计算机视觉技术给水稻纹枯病的自动识别检测带来了可能。基于2019年沈阳农业大学北方粳型超级稻成果转化基地的水稻纹枯病图像数据,综合借鉴YOLOv1、YOLOv2和Faster R-CNN算法,设计了一种基于深度卷积神经网络的水稻纹枯病识别模型:YRSNET。该模型具有回归思想的特点,将图像划分为相同大小互不重合的网格,然后通过特征图来预测每个网格区域上的边界框和含有纹枯病病斑的置信度,最终通过非极大值抑制法获得含有纹枯病病斑的最佳边界框位置。试验结果表明:YRSNET对纹枯病病斑识别的平均精度mAP为84.97%、查准率达到为90.21%,对大小为450×800pixel的图像识别所需时间为32.26ms(31帧·s^-1),可满足复杂背景下的水稻植株图像纹枯病的检测,对智能农业水稻纹枯病有效防治具有重要意义。

基于转弯车辆行驶安全的交叉口竖向设计研究

传统交叉口竖向设计考虑交叉口内的排水及行车舒适性,未考虑转弯车辆的安全性,车辆在交叉口内转向行驶容易发生侧滑、倾覆及翻滚等交通事故。为了减少此类交通事故的发生,开展本次研究。基于交叉口内的转向车辆行驶轨迹,从转向车辆的行驶速度、转弯半径、轨迹宽度及超高横坡等角度分析,考虑车辆行驶的安全性、舒适性,对交叉口内的排水方向、特征点位置及高程进行确定,结合实际工程案例验证理论的可行性。

基于分窗Gram-Schmidt变换和PSO-SVR算法的水稻纹枯病病情指数检测

纹枯病是水稻的主要病害之一,其防治对于保证水稻产量、质量具有重要意义,以高光谱检测水稻病害得到了广泛应用,并且高光谱降维是光谱分析的重要环节。该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱,并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换(得到原始光谱、一阶微分光谱和倒数之对数光谱),分窗口对这3种光谱分别进行Gram-Schmidt变换,找到投影空间并映射出主基底,实现高光谱数据降维,绘制具有显著性概率的主基底,其极大极小值为特征波段。此外3种光谱还采用了主成分分析和连续投影法降维。以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模,其中支持向量机回归进行粒子群优化,并以径向基为核函数,对比分析了3种降维方式的降维效果。结果表明:水稻地面冠层尺度建模效果高于低空遥感尺度建模;在光谱处理方面,低空冠层高光谱进行倒数之对数变换效果较好,地面冠层所得高光谱数据进行一阶微分变换效果较好;分窗Gram-Schmidt变换算法优于主成分分析和连续投影法;粒子群算法可以优化支持向量机中的惩罚系数和核函数参数,提高其反演精度;无人机低空遥感尺度中,高光谱进行倒数之对数处理,以分窗Gram-Schmidt变换降维,敏感波段为427.3,539.6,749.5和825.4 nm,PSO-SVR建模决定系数R 2为0.731,均方根误差RMSE为0.151;地面冠层尺度中,高光谱进行一阶微分处理,以分窗Gram-Schmidt变换降维,敏感波段为552,607,702和730 nm,PSO-SVR模型决定系数R 2为0.778,均方根误差RMSE为0.147。因此,高光谱技术可以有效地检测水稻纹枯病,并且其病情指数可用冠层高光谱进行反演,分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果,PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高,结果可为冠层尺度检测水稻纹枯病与病害发生情况提供一定的理论基础和技术支撑。

城市道路交叉口交通组织优化设计探讨

城市道路交叉口,是道路交通系统的核心结构,为了解决交叉口行车难的问题,城市道路交叉口设计中,提出交通组织优化的思想,目的是改善城市道路交叉口的行车状态,以免引起交通事故,完善城市道路交叉口交通组织的实践设计。因此,本文通过对城市道路交叉口交通组织进行研究,分析优化设计的相关内容。

基于灰色关联度评价法的航空枢纽陆侧立交系统功效研究

为评价不同航空枢纽陆侧立交系统功效的优劣,以人和车作为2个主体,从效率性、安全性和方便性3个层面建立综合评价指标体系,并采用灰色关联度评价方法对服务机场枢纽的互通式立体交叉系统功效构建综合评价模型。模型结果显示,可用于大型航空枢纽互通立交设计方案的优劣性对比与评价。

城市道路设计中的人性化设计分析

城市道路设计,是交通建设的一项重要项目。现代化城市发展中,道路设计中,提出了人性化的要求,通过人性化的规范,提高道路设计的水平,满足城市道路的建设需求,进而体现人性化在道路设计中的作用和优势。本文重点分析城市道路设计中的人性化设计。

基于分窗Gram-Schmidt高光谱降维的水稻纹枯病检测

纹枯病是水稻生产中三大病害之一,其早期检测对病害的及时防控、保证粮食安全具有重要意义。高光谱技术为水稻病虫害高通量、实时监测提供了有效的技术手段。基于高光谱病害检测中高光谱的降维,或检测特征的提取至关重要,利用2017和2018两年水稻盆栽纹枯病接种试验与大田纹枯病调查试验样本高光谱数据,探讨了分窗Gram-Schmidt变换的高光谱数据降维与特征波段提取,构建纹枯病检测模型,对比分析了本研究方法与主成分分析、连续投影法高光谱降维效果与病害检测精度。结果表明:基于分窗GramSchmidt变换可有效实现高光谱数据的降维,盆栽样本高光谱降到4维,纹枯病检测模型决定系数R2为0.8373,均方误差MSE为0.0406;大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9701,均方误差MSE为0.0065。主成分分析法降维,盆栽样本高光谱降到6维,纹枯病检测模型决定系数R2为0.7931,均方误差MSE为0.049,大田样本高光谱降到6维,纹枯病检测模型决定系数R2为0.9658,均方误差MSE为0.0078;连续投影法降维,盆栽样本高光谱降到8维,纹枯病检测模型决定系数R2为0.8132,均方误差MSE为0.0466,大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9685,均方误差MSE为0.0072。对比主成分分析法和连续投影法,基于分窗Gram-Schmidt变换的高光谱降维效果与纹枯病检测精度均效果较好,可为高光谱降维与水稻纹枯病防治提供一定的理论基础和技术支撑。