基于改进AdvSemiSeg的半监督遥感影像作物制图方法

作物精准遥感制图对于农业资源调查与管理具有重要意义。深度学习为实现精准高效作物制图提供了技术支持。为了缓解深度学习对标记样本的依赖,本文提出了一种改进AdvSemiSeg的半监督遥感影像作物制图方法。所提方法引入STMF-DeepLabv3+作为对抗学习中的生成网络,通过Swin Transformer(ST)和多尺度特征融合(Multi-scale fusion, MF)模块提高生成网络特征编码能力和语义表达能力,改善遥感影像作物分割效果;此外,在判别网络中引入通道注意力(Efficient channel attention, ECA)模块,对不同通道特征图的表征信息进行自适应学习,增强判别网络对不同通道特征的感知能力。模型训练过程中,判别网络为生成网络提供高质量的伪标签和对抗损失,有效提高生成网络的泛化能力。采用所提方法与几种先进的半监督语义分割方法对内蒙古河套灌区遥感影像种植信息进行提取,本文方法性能最优。

基于特征优选与机器学习的农田土壤含盐量估算研究

土壤盐渍化是影响农业可持续发展的重要制约因素,为准确及时地获取土壤中盐分含量,实现盐渍化精准监测,以内蒙古自治区巴彦淖尔市五原县境内的覆被农田为研究对象,探讨无人机多光谱遥感平台结合机器学习模型估测不同深度土壤含盐量的可行性。首先,利用无人机搭载五波段多光谱相机获取研究区域高时空分辨率遥感图像数据,并同步采集地面不同深度处土壤盐分数据,使用皮尔逊相关系数法(PCC)、极端梯度提升(XGBoost)和灰色关联分析法(GRA)对构建的光谱指数进行优选;然后,采用决策树(DT)、反向传播神经网络(BPNN)、支持向量机(SVM)和随机森林(RF)4种机器学习方法建立植被覆盖下不同深度的农田土壤含盐量反演模型。结果表明,使用方案3(XGBoost-GRA)变量优选方法可以有效地筛选出敏感光谱指数,且基于此方法优选后的光谱指数建立含盐量估算模型的精度高于仅使用PCC或XGBoost法构建的反演模型。对比不同建模方法在不同土壤深度处的反演精度,可知随机森林RF模型整体表现最优,同时另外3种反演模型也取得了较好的预测效果,0~20 cm土壤深度处的预测效果是3个土壤深度中最优的,其中精度最高模型的决定系数R2、均方根误差(RMSE)和四分位数间距性能比(RPIQ)分别为0.820、0.044%和2.273,且本文基于最佳反演模型绘制的0~20 cm土壤盐分空间分布图可以较为真实地反映研究区内的土壤盐渍化程度。本研究表明特征变量优选结合机器学习模型能够较好地基于无人机遥感平台来估算覆被农田的土壤含盐量。

大蒜种子与机械播种相关特性的分析研究

大蒜种子的外形尺寸特征、悬浮特性,是播种机械实现单粒播种的重要依据,蒜种破碎是机械对蒜种的严重损伤,导致不能发芽。为此,对大蒜种子的外形尺寸和悬浮特性及破碎力进行试验研究,为大蒜种子机械化清选和播种提供数据。选择大瓣种苍山大蒜、小瓣种金乡大蒜及杞县大蒜为研究对象,使用统计学方法,以大蒜种子的长、宽、厚、悬浮速度及压碎力为指标,研究蒜种大小尺寸的分布、含水率对大蒜种子悬浮速度及大蒜种子抗破坏能力的影响。结果表明:大蒜种子厚度方向的尺寸差异最大;大蒜种子的悬浮速度随含水率的上升而增加,同一含水率下,大瓣种子的悬浮速度大于小瓣种子;压碎力与含水率呈反比,且大瓣种子弧面更易受到破坏。

连续种植式大蒜立直种植装置性能分析

针对连续式大蒜立直种植装置种植蒜种的过程中由栽植器水平分速度不断变化引起的立植率低的问题,对立直种植性能进行了深入分析,为大蒜种植机的立直种植装置设计及优化提供了理论依据。为此,阐述了实现栽植器连续立直种植运动的机构及其工作原理,分析了栽植器运动速比λ>1时种植过程中的运动轨迹及速度变化规律。通过栽植器在不同位置、不同打开方式及栽植器成穴剖面形状的对比分析可知:栽植器在第一零速点a和最低点之间靠近最低点向前单侧打开且栽植器鸭嘴后侧为垂直形状时,栽植器成穴形状最理想,其入土阻力较小、栽植器的后侧对蒜种有扶正作用,有利于蒜种的立直种植。

基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。