基于VGG-UNet的食用菌菌丝体表型参数自动测量方法

食用菌菌丝体表型特征是食用菌种质资源评价和科学育种的重要依据。针对传统阈值分割方法提取菌丝体区域易受到光照不均、菌丝体不规则生长和培养皿内产生代谢物等因素干扰的问题,制作食用菌菌丝体图像数据集,并提出一种基于深度学习的食用菌菌丝体表型参数自动测量方法。将U-Net网络编码器部分替换为VGG16的前13个卷积层,引入预训练权重,构建适用于菌丝体分割的VGG-UNet模型。测试集上对比实验表明,该模型的平均交并比达到98.18%,比原始U-Net模型高0.93个百分点。经该模型获取菌丝体分割图像后,利用OpenCV相关函数计算菌丝体的半径、周长、面积、覆盖度、圆整度这5个表型参数。将人工测量方法与本文方法进行线性回归分析,得出菌丝体半径、周长、面积和覆盖度的决定系数分别为0.979 5、0.991 5、0.975 0和0.975 0,均方根误差分别为2.20 mm、4.73 mm、176.74 mm^(2)和3.16%。经测试,本文方法能准确地完成食用菌菌丝体表型参数自动测量任务,为食用菌表型分析研究提供理论基础。

基于神经辐射场的苗期作物三维建模和表型参数获取

苗期作物三维结构的精准高效重建是获取表型信息的重要基础。传统的三维重建大多基于运动恢复结构-多视图立体视觉(Structure from motion and multi-view stereo,SFM-MVS)算法,计算成本高,难以满足快速获取表型参数的需求。本研究提出一种基于神经辐射场(Neural radiance fields,NeRF)的苗期作物三维建模和表型参数获取系统,利用手机获取不同视角下的RGB影像,通过NeRF算法完成三维模型的构建。在此基础上,利用点云库(Point cloud library,PCL)中的直线拟合和区域生长等算法自动分割植株,并采用距离最值遍历、圆拟合和三角面片化等算法实现了精准测量植株的株高、茎粗和叶面积等表型参数。为评估该方法的重建效率和表型参数测量精度,本研究分别选取辣椒、番茄、草莓和绿萝的苗期植株作为试验对象,对比NeRF算法与SFM-MVS算法的重建结果。结果表明,以SFM-MVS方法重建点云为基准,NeRF方法重建的各植株点云点对距离均方根误差仅为0.128~0.395 cm,两者重建质量较接近,但在重建速度方面,本文研究方法相比于SFM-MVS方法平均重建速度提高700%。此外,该方法提取辣椒苗株高、茎粗决定系数(R^(2))分别为0.971和0.907,均方根误差(RMSE)分别为0.86 cm和0.017 cm,对各苗期植株叶面积提取的R^(2)为0.909~0.935,RMSE为0.75~3.22 cm^(2),具有较高的测量精度。本研究提出的方法可以显著提高三维重建和表型参数获取效率,从而为作物育种选苗提供更为高效的技术手段。

基于YOLOv5m和CBAM-CPN的单分蘖水稻表型参数提取

为快速获取单分蘖水稻植株的形态结构和表型参数,该研究提出了一种基于目标检测和关键点检测模型相结合的骨架提取和表型参数获取方法。该方法基于目标检测模型生成穗、茎秆、叶片的边界框和类别,将所得数据分别输入到关键点检测模型检测各部位关键点,按照语义信息依次连接关键点形成植株骨架,依据关键点坐标计算穗长度、茎秆长度、叶片长度、叶片-茎秆夹角4种表型参数。首先,构建单分蘖水稻的关键点检测和目标检测数据集;其次,训练Faster R-CNN、YOLOv3、YOLOv5s、YOLOv5m目标检测模型,经过对比,YOLOv5m的检测效果最好,平均精度均值(mean average precision,mAP)达到91.17%;然后,应用人体姿态估计的级联金字塔网络(cascaded pyramid network,CPN)提取植株骨架,并引入注意力机制CBAM(convolutional block attention module)进行改进,与沙漏网络(hourglass networks,HN)、堆叠沙漏网络模型(stacked hourglass networks,SHN)和CPN模型相比,CBAM-CPN模型的预测准确率分别提高了9.68、8.83和1.06个百分点,达到94.75%,4种表型参数的均方根误差分别为1.06 cm、0.81 cm、1.25 cm和2.94°。最后,结合YOLOv5m和CBAM-CPN进行预测,4种表型参数的均方根误差分别为1.48、1.05、1.74cm和2.39°,与SHN模型相比,误差分别减小1.65 cm、3.43 cm、2.65 cm和4.75°,生成的骨架基本能够拟合单分蘖水稻植株的形态结构。所提方法可以提高单分蘖水稻植株的关键点检测准确率,更准确地获取植株骨架和表型参数,有助于加快水稻的育种和改良。

基于三维点云的木荷幼苗表型参数自动测量方法

本文提出了一种基于Azure Kinect传感器无损测量三维点云的表型参数测量方法。该方法包括预处理、茎叶分割和表型参数计算3个步骤。首先通过预处理将植株点云从场景点云中提取出来,在茎叶分割步骤历经骨架化、骨架修剪、茎线识别和叶片分割几个分步骤将木荷植株的茎干和叶片分离,最后得到株高、茎长、茎的方向、叶长和叶角等表型参数。实验结果表明,每个参数的决定系数(R~2>0.85)和均方根误差(RMSE)均达到了精度要求,说明了该方法是稳健和准确的。

基于无人机图像纹理和表型参数的夏玉米水分胁迫诊断

农田水分胁迫是影响作物生长发育和产量品质的重要原因。及时准确地诊断作物水分胁迫状况,对于实现精准灌溉、提高作物抗逆性和产量等具有重要意义。为优化夏玉米水分胁迫诊断方法和提高诊断精度,该研究以夏玉米为对象,利用无人机搭载六通道多光谱传感器获取2022年夏玉米拔节期和抽雄期的遥感影像数据,且同步采集夏玉米气孔导度和表型参数数据,监督分类剔除冗余背景后使用灰度共生矩阵计算得到冠层植被指数和图像纹理信息,通过贝叶斯信息准则和全子集筛选法筛选出敏感的植被指数、图像纹理和表型参数及其组合,结合极限学习机、随机森林和反向传播神经网络3种机器学习方法构建夏玉米气孔导度预估模型,并基于最优气孔导度预估模型绘制夏玉米水分胁迫状况反演图。结果表明,多光谱图像的夏玉米冠层反射率与气孔导度呈弱负相关,植被指数和表型参数与气孔导度呈显著正相关,不同波段的图像纹理均与气孔导度有较高的相关性。植被指数用于评估植被整体健康和水分状况,图像纹理用于捕捉作物空间分布、纹理和结构特征,表型参数用于立体反映作物生理和形态信息,它们在诊断作物水分胁迫的机理上具有互补性。基于植被指数、图像纹理和表型参数构建的反向传播神经网络模型是夏玉米水分胁迫诊断的最佳模型(决定系数为0.841,均方根误差为0.043 mol/(m^(2)·s),平均绝对误差为0.034 mol/(m^(2)·s)),并显著改善了对气孔导度较低值的低估情况。绘制的夏玉米水分胁迫状况反演图呈现出广泛的应用潜力,能够便捷准确地诊断作物水分胁迫状况,以优化灌溉策略,调整资源分配。研究结果可为夏玉米的水分胁迫诊断提供一种可行而准确的方法。

基于无人机遥感的作物表型参数获取和应用研究进展

作物表型参数是由基因和环境因素决定或影响的作物生理、生化特征和性状。通过获取不同环境、不同生长时期的作物表型信息,可直观了解作物生长状况,以及时调整栽培管理措施,保障作物高效生产。无人机搭载RGB相机、光谱相机、激光雷达等传感器,可充分发挥灵活性好、获取数据效率高、成本相对较低等优势,实现作物表型参数信息的高效获取,同时,快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法,从而使得作物监测更加便捷、高效。本文总结了无人机遥感获取作物表型参数信息的流程与方法,概括了基于无人机遥感开展作物株高、冠层覆盖度、叶面积指数、水分胁迫、生物量、产量等表型参数研究的现状,并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望,以期为充分发挥该技术在农业生产中的作用提供参考。

基于水稻三维模型的表型参数提取及生物量估测

基于二维图像的水稻表型检测方法缺乏空间维度信息,难以提取全面的水稻表型参数,因此建立水稻三维模型进而提取全面的水稻表型参数具有重要意义。体积是指示水稻生长状况的重要参数,如何在不破坏水稻植株的前提下获取水稻体积参数是当下研究中仍有待解决的问题。基于上述考虑,提出一种基于水稻三维模型的表型参数提取及生物量估测方法,实现在不破坏水稻植株的前提下提取水稻体积参数并估测水稻生物量。以盆栽水稻为对象,首先利用Alpha-shape算法重建其三维模型,然后提取并评估水稻株高、茎粗、植被覆盖度、体积参数,并基于体积参数估测水稻生物量。结果表明,空间雕刻方法可以重建高精度的水稻三维模型,并准确测算水稻表型参数及生物量,其中水稻株高、茎粗、单株植被覆盖度均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别为63.27 mm、4.01 mm、5.04%和7.15%、14.91%、12.59%,水稻生物量RMSE和MAPE分别为62.44 g、19.25%,均优于现有三维重建软件的测算结果。

北京地区荷斯坦牛体型性状表型参数分析

为充分了解北京地区荷斯坦牛的体型外貌特征,试验收集了该地区5个规模化牛场1391头奶牛的个体性状记录,采用9分制评定法评估这些牛只的23个体型线性性状,获得结构容量、尻部、肢蹄、乳房和乳用特征5大性状的加权体型总分,并统计了5个牛场荷斯坦牛的体型总分等级分布及体型性状的表型参数。结果表明,北京地区荷斯坦牛整体发育稳定,体型总分主要集中于“GP”和“G”2个等级。各体型性状中,肢蹄性状在5个牛场之间的稳定性最差,有待改良。该地区总体上,结构容量和乳用特征的平均值较高且与理论最优分差值较小,说明奶牛体躯较大,泌乳能力较好。而悬韧带、尻宽、蹄踵深度、腰强度、前乳房附着、乳房质地等性状与理论最优分相差较大,反映出仍需有针对性地改善荷斯坦牛的体型性状,提高该地区奶牛养殖水平。

基于图像和YOLOv3的番茄果实表型参数计算及重量模拟

为了便捷准确地计算番茄果实长度、宽度和投影面积表型参数并模拟果实重量,以番茄粉冠F 1为试验材料,利用YOLOv3深度学习模型检测和裁切番茄果实图像,利用像素计算来分割番茄果实区域,将计算果实区域的6个特征参数输入线性回归模型、BP神经网络模型、支持向量机(SVM)模型中反演果实重量,以期从图像中获取番茄果实表型参数及重量模拟结果。结果表明,YOLOv3模型对番茄果实检测的平均精确度(AP)为90.06%;用果实长度、宽度、投影面积计算的平均相对误差分别为3.37%、5.65%、5.49%;用线性回归模型、BP神经网络模型、SVM模型模拟得到的果实重量的平均相对误差分别为44.68%、17.38%、6.45%。研究结果证实,从图像处理中获取番茄果实长度、宽度、投影面积表型参数是可行的,SVM模型对番茄果实重量的模拟精度较高。

基于三维重建的枸杞植株表型参数测量

基于三维重建建立枸杞植株表型参数测量方法,该方法采用SFM(structure from motion)算法获取枸杞植株三维点云;运用直通滤波、圆柱拟合和条件欧氏聚类算法自动分割单株、茎秆和叶片等点云数据,基于距离最值遍历、三角面片化等算法实现株高、茎直径、叶面积等6个性状的准确、无损测量。与人工测量值相比,该方法测得的枸杞幼苗株高、茎直径和完整叶面积平均绝对百分比误差分别为2.071%、6.617%和4.833%,均方根误差分别为0.395 cm、2.35 mm、0.620 cm^(2),决定系数分别为0.671、0.920、0.984。该方法适用于作物户外表型测量,具有较好的实际应用价值。

基于骨架提取算法的作物表型参数提取方法

作物育种表型分析研究中,株型参数的获取多以人工测量为主,比较耗时费力。该文基于最小二乘法和遗传算法相结合,提出了一种用于计算作物表型参数的骨架提取方法。以玉米作物为例,首先为去噪后的作物二值图像进行单像素细化,利用角点检测归类算法,检测出特征点;依据骨架图像茎叶角点,利用图像分割将作物茎和叶分离,并对应图像中作物的茎和叶骨架,得到玉米作物空间离散点的实际三维坐标;融合最小二乘法和遗传算法,绘制出离散点的空间拟合曲线,即茎和叶的平滑骨架,从而提取出玉米作物的表型参数。田间试验分析表明,使用该算法能够有效地得到玉米作物的平滑骨架,而且与前人方法相比,测量得到表型参数中,株高误差减小了35%,叶长误差减小了70%,叶倾角误差减小了20%,有效地提高了作物表型参数的测量精度。该研究为提高作物表型参数尤其是株型参数精度提供了参考。

基于几何模型的绿萝叶片外部表型参数三维估测

为快速高效获取叶类植物叶片的外部表型参数、掌握植株生长状况,以绿萝叶片为研究对象,提出一种基于几何模型的叶长、叶宽与叶面积的三维估测方法。利用微软Kinect V2相机,自80 cm高度垂直位姿获取绿萝叶片局部点云,并进行直通滤波去噪与包围盒精简等预处理,测量得到点云外形参数,输入预先建立的SAE网络分类预测得到几何模型参数,并基于曲面参数方程建立叶片几何模型。采用粒子群优化算法计算几何模型离散点云和局部点云间的空间距离,进行空间匹配,利用遗传算法求解最优匹配模型的内部模型参数,输出最优匹配模型的叶长、叶宽与叶面积作为估测结果。实验共采集150片绿萝叶片的局部点云数据,将估测结果和真实值进行数学统计与线性回归分析,得出叶长、叶宽与叶面积估测的平均误差分别为0.46 cm、0.41 cm和3.42 cm^2,叶长估测R^2和RMSE分别为0.88和0.52 cm,叶宽R^2和RMSE分别为0.88和0.52 cm,叶面积R^2和RMSE分别为0.95和3.60 cm^2。实验表明,该方法对于绿萝叶片外形参数的估测效果较好,具有较高实用价值。

基于Pointnet和迁移学习的苹果表型参数估算研究

[目的]为快速、准确、无损检测苹果的外部表型参数,提出了一种基于Pointnet和迁移学习的苹果表型参数估算算法。[方法]通过Kinect相机从任意角度拍摄苹果并使用直通滤波法去除背景环境数据得到只包含苹果信息的点云数据。在此基础上使用最远点采样法,获取标准输入点云,然后采用椭球曲面方程构建苹果几何模型,生成基于椭圆方程的苹果几何模型库。使用Pointnet算法训练仿真模型数据,然后通过迁移学习迁移到实测数据上去,在训练好的模型上进行微调;再经过5-折交叉验证,判定模型的鲁棒性和泛化能力,得到最终的估算模型。[结果]以均方根误差(RMSE)和决定系数(R2)评价模型结果,实测250个苹果3个角度点云共750组数据,在任意一个角度拍摄的残缺率达到50%的点云数据的条件下,该模型对苹果的直径、高度、体积3组表型参数的RMSE分别为2.247、2.275和22.780,R2分别为0.919、0.841和0.927。[结论]该算法回归效果优于传统算法,在任意角度拍摄到的残缺率达到50%的点云数据的条件下仍能很好完成外部表型参数估算。

西丰梅花鹿种公鹿茸重性状表型参数的统计分析

对西丰梅花鹿种公鹿茸重性状表型参数的统计分析 ,结果表明 ,生茸佳期为 3～ 8锯 ,生茸最佳年龄为 6锯 ,达 (5 0 2± 1 46)kg ,6锯的产茸量极显著高于 1～ 5锯的产茸量(P <0 0 1 ) ;1～ 6锯的种公鹿鲜茸重与年龄呈强正相关 (r =0 833,P <0 0 1 ) ,其线性回归方程为 y=1 350 +0 679x ;各锯别与产茸量间相关系数统计及显著性检验结果为 :1与 2锯 ,2与 3,4,5,6锯 ,3与 4,5,6锯 ,4与 6,7锯间呈极显著正相关 (P <0 0 1 ) ,其余各锯相关不显著(P >0 0 5)。此统计结果为早期选种、制定生产计划和任务、产茸量标准及是否符合种用性能提供了科学依据。

江苏省奶牛体型性状的表型参数测定

江苏省奶牛体型性状的表型参数测定江苏农学院牧医系（杨州２２５００１）王杏龙，杨章平，徐允令线性度量的体型评定是本世纪８０年代首先在奶牛中发展起来的新技术新方法。线性评定的依据是体型性状的生物学特点，大部分评定的性状均可数量化度量，缩小了不同鉴定人员间...

对两种不同饲养条件下猪生长和胴体性状的遗传与表型参数的研究

本文对自由采食和限制喂料两群猪的平均日增重(DG)、平均日采食量(FI)、饲料转化率(FCR)、P_2点背膘厚(BF)和后腿瘦肉量(HL)作了遗传分析和比较。试验猪为合成品系,主要的遗传血统为大白猪和长白猪以及少量的巴克夏猪。限制采食猪各性状的平均数和标准差为:DG 729±48.45g,FI 1.85±0.043kg,FCR 2.56±0.15,BF 15.3±1.90mlmHL 6.07±0.36kg,自由采食猪相应为:821±85.87g,2.31±0.16 kg,2.85±0.31,16.8±2.43mm,6.07±0.56kg。限制采食猪各性状的遗传力:DG 0.399,FI 0.410,FC R0.403,BF 0.619,HL 0.446,而自由采食猪分别为0.307,0.480,0.129,0.315和0.350。在限制采食下,日增重与饲料转化率、日增重与后腿瘦肉量、饲料转化率与后腿瘦肉量有很强的遗传相关,分别为-0.94,0.95和-0.97;而在自由采食下这三个相关分别为-0.46,0.97和-0.46。

限制与自由采食条件下猪主要性状遗传和表型参数的研究

猪的生长速度、饲料转化率和胴体质量是主要生产经济指标,也是重要的育种改良性状。了解这些性状在不同饲养条件下的遗传和表型参数,可为育种选择工作提供依据。本文对自由采食和限制喂料两群猪的平均日增重(DG)、日采食量(FI)、饲料转化率(FCR)、P_2点背瞟厚(BF)和后腿瘦肉量(HL)作了遗传分析和比较。试验猪为合成品系,其主要遗传成份为大白猪和长白猪以及少量巴克夏猪。分析结果:限制采食猪各性状的平均数和标准差为:DG729±48.45g,FI1.85±0.043kg,FCR2.56±0.15,BF15.3±1.90mm,HL6.07±0.36kg;自由采食猪依次为821±85.87g,213±0.16kg,2.85±0.31,16.8±2.43mm和6.07±0.56kg。限制采食猪各性状的遗传力为:DG0.399,F10.410;FCR0.403,BF0.619,HL0.446;自由采食猪依次为0.307,0.480,0.129,0.315和0.350。在限制采食下,DG与FCR、HL;FCR与HL之间有很强的遗传相关,相关系数分别为-0.94,0.95和-0.97;而在自由采食下,这三个相关系数则依次为-0.46,0.97和-0.46。

中国荷斯坦牛乳成分数量性状表型参数分析

根据工农联盟奶牛一场（１９９６～１９９８年）９３４头中国荷斯坦牛的乳脂率、乳蛋白率和干物质含量的测定，按不同胎次统计分析获得如下牛乳成分表型参数：乳脂率３．８１±０．３９２％，乳蛋白率３．１０±０．２３６％，干物质含量１２．２６±０．６７０％，其中各胎次乳成分为：第１胎最高，乳脂率３．９６％，乳蛋白率３．１４％，干物质含量１２．６３％，以后随胎次增长有下降趋势。

丹系长白猪繁殖性状表型参数与选择指数的研究

通过对丹系长白猪繁殖性状的统计分析 ,比较各相关指数 ,找出性状间相关程度 ,对初生窝仔猪数、2 0日龄窝重及断奶窝仔猪数求出相应选择指数 ,为猪育种工作提供依据。

油菜角果数量及关键表型参数的自动化检测方法研究

为有效替代人工方式考种油菜、观测角果,研究了一种用于测量批量角果的数量和关键表型参数的自动化检测方法。设计了角果散铺和图像采集装置,利用拨动加振动的方式将堆积角果均匀散开并拍摄视频;使用二维码作为标记块,以有效地提取关键帧并拼接为包含全部角果的整幅图像;提出了基于凹点提取与匹配的图像分割方法,分割各种形态下的重叠角果,准确率达到98%以上。在关键表型参数测量中,利用了最大类间方差法以判断角果的正置或侧置姿态,以此估计角果横切面的近似椭圆长短轴,再计算角果的长度、表面积和体积。实验结果表明该方法具有很好的检测精度,对不同品种的油菜适应性较好,长度、表面积和体积的估计误差分别不大于2.9%、4.8%和5.0%。该方法可以有效替代人工方式的油菜考种,为相关农业科研领域提供基础数据。