基于注意力机制的葡萄品种多特征分类方法

针对田间自然背景下葡萄品种鉴别缺乏有效识别方法的问题,提出了一种基于融合注意力机制的残差网络ResNet-50-SE,对自然背景下不同生长时期的葡萄品种进行分类鉴别,分析并验证了网络的识别效果。将SE注意力模块引入ResNet-50网络,并通过迁移学习实现基于不同时期下葡萄的嫩梢、幼叶及成熟叶片特征的识别;同时为了揭示注意力机制的作用机制,利用Grad-CAM可视化方法,对ResNet-50-SE模型每一层所提取的不同生长阶段下的葡萄特征进行可视化解释;通过tSNE算法对模型提取到的不同葡萄品种的多特征进行聚类分析,进而直观评估模型对多特征提取的性能。结果表明:提出的ResNet-50-SE网络在田间复杂背景条件下对于葡萄不同时期的多特征识别具有较高的识别率和较强的鲁棒性,模型测试集准确率达到88.75%,平均召回率达到89.17%,相比于AlexNet、GoogLeNet、ResNet-50、VGG-16,测试集准确率分别提高了13.61、7.64、0.70、6.53个百分点;注意力机制能明显降低背景影响,强化有效特征;模型对训练集提取的不同生长时期的特征聚类效果较强。可见,SE模块可明显提升ResNet-50模型在特征提取过程的效果,有效降低田间复杂背景对分类结果的影响,为田间复杂背景下葡萄品种的分类识别及田间多特征分类问题提供借鉴。

基于三维点云的叶面积估算方法

为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21 cm^2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41 cm^2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。

基于光照度的农田蒸散量估算方法研究

针对实际蒸散量(Actual evapotranspiration,ETa)估算过程中太阳辐射测量设备昂贵、难以大量布署安装,以及单元机器学习回归算法精度低、泛化性能差的问题,提出了一种基于光照度的集成算法。首先,将光照度作为模型的输入量代替太阳辐射,提出了基于光照度的晴朗指数;提出了以极端梯度提升模型(Extreme gradient boosting,XGBoost)、分布式梯度提升框架(Light gradient boosting machine,Light GBM)、随机森林回归(Random forest regression,RFR)、支持向量回归(Support vector regression,SVR)为基础模型的实际蒸散量估算集成算法。结果表明:在农田实际蒸散量的估算中光照度可以替代太阳辐射,通过单元模型和集成模型分别对比基于光照度和太阳辐射的ETa估算结果,两者最大均方根误差(RMSE)差值为0.031 mm/h,决定系数(R^(2))的最大差值为0.053。晴朗指数有助于模型更好地学习不同天气条件下的蒸散量数据分布特征,与未添加晴朗指数的集成模型估算结果相比,RMSE降低了0.028 mm/h,R^(2)提高了0.03。采用集成算法比单元模型算法性能有明显提升,基于光照度的集成模型RMSE为0.037 mm/h、R^(2)为0.985。本文从估算蒸散量所需的数据源、特征量以及估算算法等多个角度进行了探索,为农田蒸散量的估算提供了一种新思路。

利用北斗卫星系统提高小区播种水平的研究

因为小麦育种中的小区试验播种质量差,导致试验结果不真实,并且无法进行卫星遥感监测和数据分析,严重阻碍育种工作顺利进行。为此对小区播种机安装北斗卫星联适导航系统进行试用性研究,结果表明北斗卫星联适导航系统大大提高了小区播种水平,为后续工作创造了良好的前提条件,最终有力促进我国小麦育种工作快速发展。

基于低空遥感的果树冠层信息提取方法研究

【目的】果树冠层信息是反映果树生长状况的重要参数,准确提取果树的冠层信息对于果园的精细管理十分必要。【方法】文章以苹果树和桃树为研究对象,利用无人机遥感获取果园影像数据,首先通过Mask R-CNN实例分割算法对果园果树冠层进行逐一分割,同时提取果树冠幅和冠层面积信息。然后利用果园正射影像结合QGIS软件,对果树冠层位置信息进行提取和可视化并通过目视解译对果树冠层参数信息提取结果进行评估。【结果】当交并比为0.5时,模型检测分割结果最优,测试集语义分割精确度为66.3%,目标检测精确度达到63.9%。总体冠层面积实测值与模型预测面积之间的平均相对误差为12.44%,均方根误差为0.5 m2。冠幅实测值与模型预测的面积之间的平均相对误差为16.39%,均方根误差为0.39 m,在一定范围内验证了模型对冠层面积和冠幅信息提取的可靠性。【结论】结合无人机遥感数据和Mask R-CNN实例分割算法可有效地将果树冠层分割出来,并且能够较为准确地提取果树冠层的相关参数信息,可为果园的精细管理提供一定的技术支撑。