机器视觉在倒伏小麦图像处理中的应用研究

【目的】识别成熟小麦收割过程中的倒伏状况,降低小麦收获过程中的机收损失。【方法】本研究从倒伏小麦图像的采集出发,对整个图像处理过程进行了详细的分析。通过小麦麦穗与小麦秸秆的色差这一特点,确定了基于颜色差的图像分离方法;基于线性灰度变换法和灰度反色变换法,进一步突出了小麦秸秆层这一分离目标,并选择中值滤波对倒伏小麦图像进行了图像的增强处理。【结果】通过腐蚀和膨胀交替使用的方法,达到了秸秆层和麦穗层完全分离的目的,实现了倒伏小麦秸秆层的提取,成功识别出小麦倒伏层和正常小麦层的高度差。【结论】将机器视觉技术应用于倒伏小麦图像处理中,能够使收割机在作业时准确识别小麦倒伏状况,降低割台高度,到达倒伏麦穗层,从而起到降低机收损失的作用,在实际田间收割环境下有较好的应用前景。

倒伏小麦机收技巧

倒伏小麦收获麻烦，难度大，一般农机手驾驶技术不行，不愿收获此类小麦，但是，只要掌握以下技巧，倒伏小麦还是可以机械收获的。

根倒伏小麦抗倒性评价方法研究

以抗倒性不同的 1 1个高产小麦品种 (系 )为材料 ,通过力学分析和根量测定 ,提出了小麦根倒伏的“品种倒伏系数”概念。经应用于品种抗倒性评价 ,证明“品种倒伏系数”综合考虑了植株的高度、重量、茎秆机械强度和根量等因素的影响 ,能客观、准确地评价品种抗倒性。通径分析结果表明 ,茎秆机械强度和根量与品种抗倒性关系最为密切。

倒伏小麦的机械收获法

1．安装扶禾器 扶禾器由若干对在竖直平面内回转的拨禾链和分禾器组成（图1），工作时装在护刃器前部，起到挑起、扶持和引导倒伏秸秆进入收割台的作用。扶禾器具有结构简单、安装方便及使用效果好等优点。有的机型在出厂时已经配备了扶禾器．一般每1～4个护刃器装一个．倒伏越严重．间隔应越小。安装时首先将卡子向前移．使其放松．然后将扶禾器的定位套套在护刃器前端尖部．用小锤轻轻向后敲打．使柄部移到固定位置。然后紧固螺母即可。使用中应经常检查并紧固螺母．以免扶禾器松脱损坏护刃器。作业时收割机要尽量直线行驶．

陕西一退休教师培育出抗倒伏小麦

连续的风雨天气，让关中平原许多即将成熟的麦子倒伏在地里。不过通过西北农林科技大学植保学院退休副研究员陆和平的努力，333.3余公顷本该倒伏的小麦却在恶劣天气中“岿然不动”。

用于小麦多生长阶段倒伏边界精准检测的分层交互特征金字塔网络

[目的/意义]传统的小麦倒伏检测方法需要人工进行田间观测和记录,这种方法存在主观、效率低、劳动强度大等问题,难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上得到应用,但普遍局限于对小麦单一发育阶段的倒伏识别,而倒伏可能发生在小麦生长的各个时期,不同时期倒伏特征变化复杂,这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。[方法]用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像,通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former,该模型在Mask2Former的基础上加以改进,引入分层交互式特征金字塔网络(Hierarchical Interactive Feature Pyramid Network,HI-FPN),用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。[结果和讨论]所提出的Lodg⁃ing2Former模型相较于现存的多种主流算法,如Mask R-CNN(Mask Region-Based Convolutional Neural Network)、SOLOv2(Segmenting Objects by Locations,Version 2)以及Mask2Former,在平均精度均值(mean Average Precision,mAP)上展现出显著优势。在阈值分别为0.5、0.75以及0.5~0.95的条件下,模型的mAP值分别达到了79.5%、40.2%和43.4%,相比Mask2Former模型,mAP性能提升了1.3%~4.3%。[结论]提出的HI-FPN网络可以有效利用图像中的上下文语义和细节信息,通过提取丰富的多尺度特征,增强了模型对小麦在不同生长阶段倒伏区域的检测能力,证实了HI-FPN在多生育期小麦倒伏检测中的应用潜力和价值。

倒伏小麦图像处理系统的研究

【目的】小麦大面积倒伏严重影响了小麦成熟和收获,需采取综合措施,降低倒伏小麦的机收损失。【方法】借助Visual C++软件开发平台,开发了一款倒伏小麦检测系统。完成了该系统图像信息模块、图像预处理模块、目标分割模块、边缘检测模块和图像特征检测模块等模块的设计及功能实现,并对倒伏小麦图像进行了检验测试。【结果】将原始倒伏小麦图像和边缘检测直线的结果作对比,发现倒伏小麦倒伏边界和边缘检测结果是吻合的,说明检测系统具有一定的科学性。【结论】本研究设计的系统具有图像读入、图像预处理、目标分割、边缘提取及直线检测等功能,通过识别处理并计算出倒伏小麦和成熟小麦之间的高度差,控制收割机割台自动升降,可以降低倒伏小麦的机收损失,具有一定的应用前景和市场空间。

小麦发生倒伏的原因分析及防治措施

小麦倒伏会影响小麦灌浆,降低千粒重,造成小麦减产。本文介绍了小麦种植过程中品种选择、整地、播期、播量、水肥管理等栽培措施,分析影响小麦倒伏的因素,总结出小麦抗倒伏关键技术。1小麦抗倒伏性能的综合评价茎秆的柔度与茎秆的长度、截面尺寸、形态等茎秆性状紧密相关。茎秆柔韧度越小,小麦的抗倒伏能力越弱;茎秆柔韧度越大,小麦的抗倒伏性越强。

利用改进EfficientNetV2和无人机图像检测小麦倒伏类型

[目的/意义]不同类型的小麦倒伏(根部倒伏、茎部倒伏)对产量和质量会产生不同影响。本研究旨在通过无人机图像检测对小麦倒伏类型进行分类,并探究无人机飞行高度对分类性能的影响。[方法]研究设置3个无人机飞行高度(15、45、91 m)来获取小麦试验田的图像,并利用自动分割算法生成不同高度的数据集,提出一种EfficientNetV2-C改进模型对其进行分类识别。模型通过引入CA(Coordinate Attention)注意力机制来提升网络特征提取能力,并结合CB-Focal Loss(Class–Balanced Focal Loss)来解决数据不均衡对模型分类准确度的影响。[结果和讨论]改进的EfficientNetV2-C表现最佳,平均准确率达到93.58%。对比未改进的4种机器学习分类模型(支持向量机(Support Vector Machine,SVM)、K最近邻(K Nearest Neighbor,KNN)、决策树(Decision Tree,DT)和朴素贝叶斯(Naive Bayes,NB))与两种深度学习分类模型(ResNet101和EfficientNetV2),其中EfficientNetV2在各个高度下表现最优,平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响,但随飞行高度上升,由于图像特征信息损失,深度学习模型的分类性能下降。[结论]改进的EfficientNetV2-C在小麦倒伏类型检测方面取得了较高的准确率,为小麦倒伏预警和农作物管理提供了新的解决方案。

基于不同空间分辨率无人机多光谱遥感影像的小麦倒伏区域识别方法

[目的/意义]快速准确评估作物倒伏灾情状况,需及时获取倒伏发生位置及面积等信息。目前基于无人机遥感识别作物倒伏缺乏相应的技术标准,不利于规范无人机数据获取流程和提出问题解决方案。本研究旨在探讨不同空间分辨率无人机遥感影像及特征优化方法对小麦倒伏区域识别精度的影响。[方法]在小麦倒伏后设置3个飞行高度(30、60和90 m),获取不同空间分辨率(1.05、2.09和3.26 cm)的数字正射影像图(Digital Orthophoto Map,DOM)和数字表面模型(Digital Surface Model,DSM),从不同空间分辨率影像中分别提取5个光谱特征、2个高度特征、5个植被指数以及40个纹理特征构建全特征集,并选择3种特征选择方法(ReliefF算法、RFRFE算法、Boruta-Shap算法)筛选构建特征子集,进而利用3种面向对象监督分类方法——支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和K最近邻(K Nearest Neighbor,KNN)构建小麦倒伏分类模型,明确适宜的分类策略,确立倒伏分类技术路径。[结果和讨论]结果表明,SVM的分类效果整体优于RF和KNN,当影像空间分辨率在1.05~3.26 cm范围内变化时,全特征集和3种优化特征子集均以1.05 cm分辨率的分类精度最高,优于2.09和3.26 cm。比较发现,Boruta-Shap特征优化方法既能实现降维和提高分类精度的目标,又能适应空间分辨率的变化,当影像分辨率为3.26 cm时,总体分类精度相较1.05和2.09 cm分别降低了1.81%和0.75%;当影像分辨率为2.09 cm时,总体分类精度相较1.05 cm降低了1.06%,表现为不同飞行高度下的分类精度相对差异较小,90 m总体分类精度可达到95.6%,Kappa系数达到0.914,满足了对分类精度的需求。[结论]通过选择适宜的特征选择方法,不仅可以兼顾分类精度,还能有效缩小影像空间分辨率变化引起的倒伏分类差异,有助于提升飞行高度,扩大小麦倒伏监测面积,降低作业成本,为确立作物倒伏信息获取策略及小麦灾情评估提供参考及支持。

小麦发生倒伏后 采取这些措施最有效

小麦从扬花期至成熟期,是大风暴雨发生最频繁的季节,也最容易发生倒伏。一般情况下,倒伏发生越早,对小麦造成的减产就会越严重。小麦孕穗期发生倒伏,减产35%~45%,乳熟期发生倒伏,可减产15%~20%,成熟期发生倒伏,可减产7%~14%。那么小麦倒伏后怎么办?

灌浆期小麦倒伏后光谱变化特征

[目的]研究灌浆期小麦倒伏后的光谱变化特征。[方法]通过人工模拟小麦灌浆期的倒伏现象,采用光谱仪测量倒伏小麦的光谱反射率,分析了冠层光谱变化的原因及特征。[结果]小麦倒伏越严重,植株光谱变化特征越明显。小麦倒伏后,其冠层光谱反射率整体增大。其中,灌浆前、中期5级倒伏小麦在近红外波段的反射率最高。随着时间的推移,正常生长和倒伏的小麦冠层光谱反射率发生了同样的变化。[结论]该研究为使用遥感影像监测目标区域、获得倒伏面积及受灾程度提供了理论基础。

氮、磷、钾肥施用比例对潮土地小麦分蘖、倒伏及产量的影响

从协调小麦分蘖、减轻小麦倒伏、提高小麦产量3个方面研究了氮、磷、钾(N、P、K)肥的施用比例。结果表明,N∶P∶K施用比例以1∶0.4～0.6∶1为好,尤以1∶0.4∶1最佳。

茎秆维管束分布对小麦倒伏的影响

小麦倒伏每年造成小麦产量损失约10%~30%,研究小麦倒伏对提高小麦茎秆品质和抗倒伏特性具有重要意义。在小麦倒伏的影响因素中,茎秆的力学性能至关重要。在力学理论和有限元模拟的基础上,研究小麦茎秆力学性能随维管束分布的变化规律。结果表明,维管束分布对倒伏的影响与维管束和基础组织的弹性模量有关。在维管束弹性模量大于基本组织弹性模量的情况下,维管束越多,越难倒伏;当维管束数量相同时,维管束越靠近表皮,越难倒伏。增大维管束的弹性模量和维管束所在处的圆周直径,可以增强小麦茎秆的抗倒伏能力。

试验地小麦倒伏的危害、原因及防止对策

小麦倒伏有两种情况：一是在小麦灌浆期前发生的倒伏，称为“早期倒伏”，由于“头轻”一般都能不同程度地恢复直立。二是开始灌浆以后发生的倒伏，称为“晚期倒伏”．由于“头重”不易完全恢复直立，小麦倒伏主要发生在后期，就是指小麦扬花结束开始灌浆以后。本文讨论了小麦试验地后期倒伏的问题。

小麦倒伏对产量的影响及预防措施

倒伏是限制小麦高产的主要因素之一。2016年上海市宝山区小麦生产上出现了较为严重的倒伏现象,通过田间调查取样与测定,对小麦发生倒伏的原因及小麦倒伏对产量的影响进行了初步研究。结果表明,倒伏会致使小麦每穗实粒数和千粒重下降,最终导致产量降低。最后,根据宝山区实际情况,结合调查结果,提出了选育抗倒品种、适期播种、降低基本苗数、适度拍麦镇压、科学施肥等预防措施。

小麦倒伏原因与应对措施

针对小麦倒伏的原因与类型,分析了小麦倒伏后对小麦产量和品质造成的影响,提出了预防小麦倒伏的措施,以期防止小麦倒伏,达到小麦高产的目标。

2010年涡阳县小麦倒伏原因及对策

阐述了造成2010年涡阳县小麦倒伏的几个关键因素,并提出防止小麦倒伏的主要对策。