基于实例分割技术的草莓叶龄及冠幅表型快速提取方法

[目的/意义]为解决高通量草莓叶龄及冠幅提取问题,提出一种基于移动式表型平台和实例分割技术的高通量表型提取方法。[方法]利用小型移动式表型平台对温室内盆栽草莓植株的俯拍图像进行数据获取,并利用改进型Mask R-CNN(Convolutional Neural Network)模型对图像进行处理,以此获取草莓植株叶龄信息。首先利用带有分组注意力模块的Split-Attention Networks(ResNeSt)骨干网络替换原有网络,从而提高图像特征信息提取精度和执行效率。在训练时,利用Mosaic方法对草莓图像进行数据增强,并且使用二元交叉熵损失函数对原本的交叉熵分类损失函数进行优化,以达到更好的植株与叶片的检测准确度。在此基础上,对训练结果进行后处理,利用标定比值对冠幅进行计算。[结果和讨论]该方法能够在ResNeSt-101骨干网络下,实现80.1%的掩膜准确率和89.6%的检测框准确率,并且能够以99.3%的植株检测正确率和98.0%的叶片数量检出率实现高通量的草莓叶龄估算工作。而模型推理后草莓植株南北和东西向冠幅测试值与真实值相比误差均低于5%的约占98.1%。[结论]该方法有着较高的鲁棒性,能够为智慧农业下高通量植物表型获取与解析工作提供技术支持。

复杂场景下害虫目标检测算法:YOLOv8-Extend

[目的/意义]实现复杂的自然环境下农作物害虫的识别检测,改变当前农业生产过程中依赖于专家人工感官识别判定的现状,提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作物拟态、检测准确率低、算法推理速度慢等问题,本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目标检测算法。[方法]首先通过引入GSConv提高模型的感受野,部分Conv更换为轻量化的幻影卷积(Ghost Convo⁃lution),采用HorBlock捕捉更长期的特征依赖关系,Concat更换为BiFPN(Bi-directional Feature Pyramid Network)更加丰富的特征融合,使用VoVGSCSP模块提升微小目标检测,同时引入CBAM(Convolutional Block Attention Module)注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本,提高网络模型的泛化能力和整体性能。之后,对改进后的YOLOv8-Extend模型与YOLOv8原模型、YOLOv5、YOLOv8-GSCONV、YOLOv8-BiFPN、YOLOv8-CBAM进行对比,验证模型检测准确度和精度。最后将模型移植到边缘设备进行推理验证,在实际应用场景中验证模型的有效性。[结果和讨论]YOLOv8-Extend在对比实验中均取得良好的表现,其中与原模型对比实验中,精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升2.6%、3.6%、2.4%和7.2%,表现突出,具有更好的检测效果。改进前后的模型分别运行在边缘计算设备JETSON ORIN NX 16 GB上并通过TensorRT加速相比,mAP@0.5提升4.6%,达到57.6 FPS,满足实时性检测要求。在复杂农业场景中YOLOv8-Extend模型具有更好的适应性,在实际采集数据中微小害虫与生长环境相似的害虫检测方面有明显优势,在困难数据检测方面准确率提高了11.9%。[结论]本研究提出的YOLOv8改进模型有效提高了检测精度和识别率同时保持了较高的运行效率,能够部署在边缘终端计算设备上实现农作物害虫的实时检测,也为其他小目标智能检测和模型结构优化提供参考和帮助。

基于PLESN和LESQRN概率预测模型的短期电力负荷预测

针对现有电力负荷预测不能很好反映负荷数据的周期性和趋势性以及残差的波动性特征提出一种考虑周期性建模的泄露积分型回声状态网络点预测模型和泄露积分型回声状态分位数回归网络概率预测模型组合的短期电力负荷预测方法.首先为了捕捉负荷的多重特征定义了周期性和趋势性损失函数辅助优化点预测模型然后为克服残差的波动问题利用概率预测模型对点预测值与真实值的残差进行建模预测最后整合同时刻的点预测值与残差预测区间得到概率预测模型结果.实际算例结果表明与其他模型相比所提模型不仅有效抑制尖端振荡现象而且能够生成可靠的概率密度分布.

手持式数字化多功能电子测树枪的研制与试验

为了实现森林的数字化、多功能、精准计测,该文研制了一种数字化多功能电子测树枪,该设备以MEMS(micro-electro-mechanical systems)测角传感器、激光测距传感器、电子罗盘等主要硬件为基础,通过测量距离、倾角、磁方位角3个参数,基于三角函数原理,嵌入操作软件,实现了树高测量、林分平均高测量、株数密度测量、角规绕测、任意高度直径测量、基本测量6项功能。并将该设备在河南省、内蒙古等地林场进行了试验,试验结果表明,树高测量精度最高,达99.39%,林分平均高测量精度最低,为94.97%,其他功能精度都在95%以上,可以满足林业外业调查的需要。

基于立方体格网法的树冠体积计算与预估模型建立

以北京地区10种常见乔木为研究对象,通过三维激光扫描仪获取其点云数据,利用树冠表面三角网配合立方体格网法计算其树冠体积,与点云中提取所得的林木因子分析建立树冠体积和胸径、树高、平均冠幅、冠高的预估方程,并检验其精度。以银杏为研究目标进行了实验,结果表明:银杏的树冠体积与胸径、树高、平均冠幅、冠高均显著相关,通过分析选取了银杏树冠体积的三因子(胸径、平均冠幅、冠高)最优模型,并对模型进行了检验,检验结果表明,模型拟合效果较好,预估精度达到90.5%,可以使用该模型进行银杏的体积估算;同时对所选其他树种进行三因子模型拟合,模型检验结果表明,三因子模型均能够较好地对该树种的树冠体积进行估测。

基于遥感影像的神经网络立地质量评价研究

传统立地质量评价体系主要使用地面调查数据,而多光谱遥感影像为大范围研究森林生产力和立地状况提供了便捷的途径。为了改进传统的立地质量评价体系,以内蒙古旺业甸林场为研究对象,基于研究区域的遥感影像结合地表小班调查数据,采用BP人工神经网络模型,以落叶松为例,建立了遥感因子结合立地因子与地位指数关系的神经网络模型,进行立地质量评价研究。建立了BP人工神经网络地位指数预测模型,模型的预测精度达到90.97%,与使用传统小班调查数据建立的神经网络模型的预测结果进行比较,精度提高了5.44%。结果表明多光谱遥感影像十分适用于森林立地质量评价,充分证实了本研究方法的有效性和优越性。

旺业甸实验林场针叶林蓄积量估测模型的研究

蓄积量是森林资源监测的一个重要指标,而蓄积量遥感估测一直是林业遥感研究的重要内容之一。采用Landsat-TM数据为遥感信息源,提取各个波段的差值以及比值组合信息、影像各波段灰度值以及植被指数,并利用DEM数据提取坡度和坡向数据。以内蒙古赤峰市旺业甸林场针叶林为研究对象,分析RS和GIS因子与蓄积量的相关性,利用SPSS分析工具建立像元蓄积量与RS和GIS因子之间的非线性估测模型。模型精度达到76.16%,R为0.726,对其适用性进行F检验,在0.01显著性水平下满足要求。

基于卷积神经网络的生菜多光谱图像分割与配准

针对多光谱图像中由于多镜头多光谱相机各通道之间存在的偏差以及传统分割方法的不适用,图像分析处理过程往往会出现无法自动化分割或分割精度较低的问题,提出采用基于相位相关算法和基于UNet的语义分割模型对田间生菜多光谱图像进行各个通道的精确配准并实现前景分割。使用Canny算法对多光谱各通道图像进行边缘提取,进而使用相位相关算法对多光谱各通道图像进行配准,单幅图像平均处理时间0.92 s,配准精度达到99%,满足后续图像分割所需精度;以VGG16作为主干特征提取网络,直接采用两倍上采样,使最终输出图像和输入图像高宽相等,构建优化的UNet模型。实验结果表明:本文所提出的图像配准和图像分割网络,分割像素准确率达到99.19%,平均IoU可以达到94.98%,能够很好地对生菜多光谱图像进行前景分割,可以为后续研究作物精准表型的光谱分析提供参考。

结合航空影像纹理和光谱特征的单木冠幅提取

随着航空摄影测量技术的不断发展与进步,为提高森林资源调查的工作效率,航空影像已经成功应用到林业资源监测中,但在单木冠幅提取上,研究多考虑影像光谱信息,使得分类结果存在偏差。本文提出同时结合航空影像的纹理及光谱特征,利用面向对象的影像分割方法,通过多次实验对比结果确定最优分割尺度,同时在结合正态分布法确定各光谱及纹理特征信息范围的基础上,提取单木冠幅信息。以2012年鹫峰国家森林公园航空像片为数据源,以ENVI5.0为数据处理平台,对影像进行面向对象的分割,提取试验区域内32株树木的冠幅,并结合传统外业实测数据以及立体像对观测数据进行精度分析。试验结果表明:文章所提出的方法试验精度达到90.05%,与传统立体像对量测方法精度相近,但数据获取速度快,满足林业调查基本需求。

用光电经纬仪对无伐倒活立木材积精准计测

针对样木伐倒后用同一种工具、同一种区分求积法才能计算其材积的现状,以光电经纬仪和配合计算机,经林业专用编程开发软件,形成光电经纬仪测树系统技术,充分发挥了光电经纬仪精密的测角功能,配合人工精确量取地径和胸径,利用专业软件获得树干的胸径、树高、任意处直径,进而计算出材积及树冠部分的表面积和体积。在对99株107杨统计分析发现,光电经纬仪精准计测的二元材积均方差σmax=0.130 3,σmin=0.001 3,各组变量的分布比较集中,离散程度小,同时C v值偏小,偏态系数C s绝对值较小,且正偏与负偏数量相当,证实数据稳定性好,值得信任。

宽带直流放大器的设计

宽带直流放大器在无线通信领域,尤其是发射机的末级有重要的用途.通过各种方案的比较,系统采用运放OPA690作为前级和中间级放大,输出级采用±15 V供电的视频运放AD811,辅以相应的偏置电路和程控可调电阻实现增益的调节,以单片机MSP430为控制核心;设计出电压增益AV范围为0～60dB,最大输出电压有效值Vo≥10V,3dB通频带为0～10MHz的宽带直流放大器.人机接口采用红外遥控及LCD液晶显示器,控制界面直观、简洁,具有良好的人机交互性能.

基于混合神经网络的多时间尺度负荷预测

精准的负荷预测对于电力系统保持经济、可靠运行有十分重要的意义,电力系统规划、运行、电力市场竞价系统的设计等都需要不同时间尺度的负荷预测结果,然而现有研究大多围绕一个时间尺度展开,单一模型难以满足实际工程需求。造成这一现象的原因在于模型预测结果的误差会随着预测时间尺度的延长而出现不同程度的增加,预测难度大,并且影响负荷的因素大多分布在不同时间尺度的数据上,难以充分利用。针对以上问题,本文在考虑负荷曲线的定积分与对应时间内用电量之间约束关系的前提下,提出融合多时间尺度数据的混合神经网络模型。该模型的损失函数同时考虑了点预测结果的误差以及负荷曲线定积分的物理意义,增强了负荷时间序列中各个元素之间的几何相关性。并且利用神经网络将短尺度数据提取为抽象的综合数据后,与长尺度数据拼接组成新的特征向量,用于预测不同时间尺度的负荷值。算例结果表明,本文提出的模型在实际的变压器负荷数据上能够实现多个时间尺度的预测并且有效提高预测精度。

基于RGB-D点云的田间原位玉米株高测量试验研究

为满足田间原位玉米株高的测量需求,避免破坏性取样后进行株高测量难以捕捉植株在自然环境下生长的真实情况与表型的动态变化,提出了一种基于RGB-D相机的田间原位玉米株高的测量方法。首先,通过RGB-D相机同时获取可见光图像和其对应的深度信息,计算相机的内参,得到玉米植株的三维点云数据;其次,通过基于欧几里得距离的统计滤波算法和随机采样一致性算法(RANSAC)的阈值分割快速去除三维点云中的离群点、环境噪声及复杂的自然环境背景(包括土壤面和滴灌管等),并通过OBB包围盒验证滤波效果;最后,通过单株玉米植株分割,提出了一种基于俯视视角下玉米株高的测量方法,并计算出田间原位玉米的株高参数。试验中,在玉米快速生长期中选取两天的试验数据,其试验用5个品种的平均测量误差分别为1.47cm和2.70cm,均方根误差(RSME)分别为1.68cm和2.80cm,人工实测结果和算法测量结果进行线性拟合后得到待测系数R2分别为0.9831和0.9797。试验结果表明:利用RGB-D相机对田间原位玉米的表型测量与株高分析具有可行性,所提出的测量与计算方法最后获得的玉米株高参数具有较高的准确性,可以为玉米表型参数提取提供更为有效地技术手段。

无伐倒活立木材积精准计测原理与试验

针对立木伐倒后精测材积的现状,以光电经纬仪为主要测量工具,辅以专用软件,形成光电经纬仪测树系统,外业利用光电经纬仪精密的测角功能,配合人工精确量取地径和胸径,内业部分利用专业软件获得树干的胸径、树高和任意处直径,进而计算材积。在对99株中林系列108杨统计分析发现,光电经纬仪精准计测的材积样本均方差σmax=0.130 3,σmin=0.001 3,各组变量的分布比较集中,离散小,同时C V值偏小,C S绝对值较小,且正偏与负偏相当;同时用407株中395株中林系列107杨的实测材积,建立了二元材积模型,并用12株实测材积进行模型验证,材积最大误差率绝对值为10.1%,最小为2.3%,满足森林计测的误差要求。

基于深度学习与激光点云的橡胶林枝干重建及参数反演

树木的几何建模在林木性状评价、森林动态经营管理与可视化研究中具有重要意义。现今,从激光雷达(Light Detection And Ranging,LiDAR)数据中重建树体三维模型并精准获取林木空间枝干结构参数是数字林业发展的必然趋势。该研究提出了一种深度学习与计算机图形学相融合的树木骨架重建与参数反演方法。该方法以PR107、CATAS 7-20-59、CATAS 8-79三个品种的橡胶树为实验对象,首先,采用背包移动激光雷达获取三个橡胶树品种的样地数据,并通过体素剖分和数据增广策略来构建橡胶树训练样本集。其次,构造由四层特征编码层和特征解码层所组成的点云分类深度学习网络,并包含优化的PointConv模块与不同尺度的特征插值模块,以实现在多尺度条件下,全面考虑点云的全局和局部优化特征,引导网络实现枝叶点云的精确分类。最后,面向分类后的枝干点云,运用计算机图形学的空间连通性算法与圆柱拟合策略,重建树木骨架模型,并自动解决叶子点云与对应的一级枝干归属问题,进而在叶团簇尺度下开展对单株树的精细描述与参数反演。通过对三块橡胶树测试样地的验证和与实测值的比对表明,该研究提出的深度学习网络枝叶分类总体准确率在90.32%以上。骨架重建与叶团簇分析结果显示,PR107品种橡胶树具有较为发散的树冠、最大的分枝夹角和叶团簇体积;CATAS 7-20-59品种橡胶树冠呈花瓶型,分枝夹角和叶团簇体积较小;而CATAS 8-79品种橡胶树尽管胸径最粗,但不耐寒害处于落叶期导致冠积最小。同时,反演得到的橡胶树一级枝干直径与实测值比对为:决定系数R^(2)不低于0.94,均方根误差(Root Mean Square Error,RMSE)小于3.01 cm;主枝干与一级枝干的分枝角为:决定系数R^(2)不低于0.91,均方根误差RMSE不高于4.94°。同时发现橡胶树一级枝干的直径与对应的叶团簇体积呈正相关分布。该研究将人工智能的理论模型应用于林木的激光点云数据处理中,为林木激光点云的智能化分析与处理提供了新颖的解决思路。

基于U-net语义分割模型的田间玉米冠层图像分割

针对田间冠层图像质量易受光照和天气变化等外界因素影响造成的分割精度低且无法自动化实现的问题,提出一种利用残差学习改进U-net模型结构的玉米冠层图像分割方法,利用残差结构增强U-net模型收缩路径的深度,提高模型的特征提取能力,并对模型结构进行重组设计,引入批标准化和Dropout机制增强模型的泛化性,构成U型残差学习的ResU-net分割模型,并结合分割领域典型的损失函数和评价指标,设计多种损失函数,通过对比不同损失函数在测试集上的表现,最终选定Focal_Tversky损失函数构成ResU-net++语义分割模型.实验发现:ResU-net模型在测试集上的准确率为0.9398,优于传统的U-net模型的0.8936;且优化后的ResU-net++方法在测试集中的准确率为0.9539、精确率为0.931、召回率为0.9525、F1值为0.9419、IOU值为0.9123,优于U-net和ResU-net模型.以不同的玉米品种构建了验证样本集,结果表明,ResU-net++模型在验证样本中的分割精确率为0.9325,说明ResU-net++模型具有一定的泛化性,可以为不同光照条件下玉米原位冠层图像的分割提供参考.

基于Faster R-CNN的大田玉米雄穗识别及抽穗期判定研究

目前田间玉米雄穗数量监测主要依靠人工进行,效率低且易出错。为了实现在复杂的田间环境下对玉米雄穗自动识别和计数的任务,使用无人机平台和田间作物表型高通量获取平台采集的田间玉米顶视图像构建数据集,使用Resnet 50作为新的特征提取网络代替原始的VGG 16来优化Faster R-CNN模型。再根据表型平台所获取的高时序、连续图像,进一步使用改进后的模型对试验小区内玉米抽穗期前后20 d的雄穗数量进行监测,以此为依据进行抽穗期判定。该方法在田间作物表型高通量平台获取的图像数据测试集中类平均精度为90.14%,平均绝对误差为4.7328;在无人机平台获取的图像数据测试集中类平均精度为82.14%,平均绝对误差为9.6948。试验结果表明:该模型在田间作物表型高通量获取平台上的检测结果优于无人机平台,且具备一定的应用价值。

田间玉米苗期高通量动态监测方法

目前对玉米出苗动态检测监测主要是依靠人工观测,耗时耗力且只能选择小的样方估算整体出苗情况。为解决人工出苗动态管理不精准的问题,实现田间精细化管理,本研究以田间作物表型高通量采集平台获取的高时序可见光图像和无人机平台获取的可见光图像两种数据源构建了不同光照条件下的玉米出苗过程图像数据集。考虑到田间存在环境背景复杂、光照不均等因素,在传统FasterR-CNN的基础上构建残差单元,使用ResNet50作为新的特征提取网络来对FasterR-CNN进行优化,首先实现对复杂田间环境下玉米出苗识别和计数;进而基于表型平台所获取的高时序图像数据,对不同品种、不同密度的玉米植株进行出苗动态连续监测,对各玉米品种的出苗持续时间和出苗整齐度进行评价分析。试验结果表明,本研究提出的方法应用于田间作物高通量表型平台出苗检测时,晴天和阴天的识别精度分别为95.67%和91.36%;应用于无人机平台出苗检测时晴天和阴天的识别精度分别91.43%和89.77%,可以满足实际应用场景下玉米出苗自动检测的需求。利用表型平台可获取时序数据的优势,进一步进行了玉米动态出苗检测分析,结果表明利用本模型得到的动态出苗结果与人工实际观测具有一致性,说明本研究提出的模型的具有鲁棒性和泛化性。

基于串/并联APF的统一电能质量调节器

提出了一种新型统一电能质量调节器(UPQC)结构及其控制策略,所提的UPQC可接入三相三线或三相四线配电网系统中并实现串/并联的电能质量调节。给出了UPQC内部串联及并联有源电力滤波器(APF)直接补偿控制策略,其中串联APF控制为基波正弦电流源,并联APF控制为基波正弦电压源,所提控制策略无需检测电压和电流补偿量,有效降低了系统控制的复杂度。最后通过系统仿真及样机实验验证了所提新型UPQC及控制策略对不平衡负载、非线性负载等工况下的电能质量提升的有效性。

基于多分支门控残差卷积神经网络的短期电力负荷预测

短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一,针对负荷数据的时序性特征,为提升电力负荷预测精度,建立了一种基于多分支门控残差卷积神经网络(residualgatedconvolutional neural network,RGCNN)的短期电力负荷预测模型。该模型首先采用多分支门控残差卷积神经网络对历史负荷的周周期特征、日周期特征、近邻特征进行深度特征提取;其次为增加模型的非线性拟合能力,采用注意力机制对权重进一步合理分配;最后通过归一化指数函数计算后输出负荷预测结果。使用2016年某电力竞赛数据进行实验,通过与4种常用模型对比,该模型预测结果的平均绝对百分误差(MAPE)评价指标下降了0.02%~0.70%,验证了该模型提高负荷预测精度的有效性。