为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared,NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实...为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared,NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm,SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression,GPR)算法建立叶绿素指标检测模型。结果显示,玉米株心目标检测模型在遮挡重叠的复杂环境下识别率达到88.7%,在不交叉重叠时识别精度达到90%以上;叶绿素含量指标检测模型建模集的模型决定系数R^(2)为0.62,测试集模型决定系数R^(2)为0.61。对开发系统进行田间测试,结果显示,系统检测速率可达14.6 f/s,平均精度为92.9%。研究结果能够有效解决大田环境下玉米营养状态的检测问题,满足大田环境实时检测需求,为作物生产智慧感知提供解决思路和技术支持。展开更多
文摘为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared,NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm,SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression,GPR)算法建立叶绿素指标检测模型。结果显示,玉米株心目标检测模型在遮挡重叠的复杂环境下识别率达到88.7%,在不交叉重叠时识别精度达到90%以上;叶绿素含量指标检测模型建模集的模型决定系数R^(2)为0.62,测试集模型决定系数R^(2)为0.61。对开发系统进行田间测试,结果显示,系统检测速率可达14.6 f/s,平均精度为92.9%。研究结果能够有效解决大田环境下玉米营养状态的检测问题,满足大田环境实时检测需求,为作物生产智慧感知提供解决思路和技术支持。
