基于圖像分析技術(shù)的小麥群體農(nóng)學(xué)參數(shù)獲取與群體質(zhì)量評價研究.pdf_第1頁
已閱讀1頁,還剩178頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、目前,隨著現(xiàn)代信息技術(shù)與農(nóng)業(yè)產(chǎn)業(yè)的深度融合,農(nóng)業(yè)生產(chǎn)將變得更加智能化,這將是我國現(xiàn)代農(nóng)業(yè)發(fā)展的必然趨勢。本文提出的基于圖像分析技術(shù)的小麥群體農(nóng)學(xué)參數(shù)智能獲取與群體質(zhì)量評價研究正是在這種現(xiàn)代農(nóng)業(yè)發(fā)展的背景下展開,探求一套可以實現(xiàn)小麥生產(chǎn)智能化和管理高效化的新方法。研究以小麥生育進(jìn)程為主線,探明了小麥苗期、越冬期、拔節(jié)期、孕穗期和成熟期主要農(nóng)學(xué)參數(shù)的測算方法,并建立了小麥群體質(zhì)量的評價模型,完成了小麥主要農(nóng)學(xué)參數(shù)智能獲取和群體質(zhì)量智能化評價

2、系統(tǒng)。研究結(jié)果可以為小麥物聯(lián)網(wǎng)中的智能監(jiān)控系統(tǒng)提供技術(shù)支持和理論依據(jù),亦可為開發(fā)基于移動終端的智能田間測量和評價軟件提供參考。主要研究結(jié)論如下:
  (1)構(gòu)建了大田環(huán)境下苗期麥苗智能計數(shù)的方法。這部分內(nèi)容建立了基于圖像分析技術(shù)的野外環(huán)境下的麥苗智能計數(shù)方法,探明了大田環(huán)境下麥苗計數(shù)的原理,并驗證計數(shù)方法在不同密度和品種條件下的適應(yīng)性。研究選取5個不同株型品種和5種不同密度的小麥苗期圖像作為研究對象,利用數(shù)碼相機垂直獲取圖像,并利

3、用超綠特征值(ExG)將小麥從背景中分離。分析了不同重疊麥苗區(qū)域的特征參數(shù),建立了一種基于鏈碼的骨架優(yōu)化方法,并利用新骨架特征值提出了重疊區(qū)域麥苗計算公式。研究對5種不同播種密度的5個小麥品種共計250張圖像進(jìn)行計數(shù)測試,結(jié)果發(fā)現(xiàn)本研究提出的麥苗計數(shù)方法能夠較好的對野外麥苗進(jìn)行計數(shù),平均計數(shù)準(zhǔn)確率達(dá)89.94%,135×104株ha-1密度樣本的計數(shù)準(zhǔn)確率達(dá)到97.14%,在所有密度中最高,揚糯麥1號品種計數(shù)準(zhǔn)確率達(dá)92.54%,在所有

4、品種中最高。麥苗計數(shù)方法平均準(zhǔn)確率89.94%,最高準(zhǔn)確率達(dá)到99.21%,不同密度樣本計數(shù)準(zhǔn)確率之間達(dá)到了顯著差異,而品種之間的差異沒有達(dá)到顯著水平(P<0.05)。在田間苗數(shù)為120×104株ha-1至240×104株ha-1時本方法能夠得到92%以上的準(zhǔn)確率,說明本文設(shè)計的方法在麥苗計數(shù)上是可靠的,可為田間麥苗智能計數(shù)的研究提供理論依據(jù),同樣能移植到如水稻等禾本科作物的苗數(shù)智能計算上。
  (2)建立了越冬、拔節(jié)和孕穗期主要

5、農(nóng)學(xué)參數(shù)的估算模型。本研究擬利用圖像分析技術(shù)建立小麥干物重、葉面積指數(shù)、莖蘗數(shù)和氮素積累量的估測模型,為這些農(nóng)學(xué)參數(shù)的快速測量提供理論支持。通過不同的密度和氮肥施用量來構(gòu)建具有不同農(nóng)學(xué)參數(shù)的小麥群體,自群體越冬始期利用數(shù)碼相機垂直獲取冠層圖像。研究通過超綠特征值(ExG)+自適應(yīng)閾值分割(Ostu)的方法去除麥田耕地背景的影響,并用圖像中小麥像素數(shù)占總像素數(shù)的比值表示蓋度,另選取8種主要的圖像特征算法提取圖像的顏色和紋理特征,利用斯皮爾

6、曼相關(guān)分析方法分析9種特征與不同時期農(nóng)學(xué)參數(shù)的相關(guān)性。利用多元逐步線性回歸方法建立基于圖像蓋度、顏色和紋理特征的農(nóng)學(xué)參數(shù)估測模型。研究結(jié)果顯示,本文提出的多元線性農(nóng)學(xué)參數(shù)估測模型提高了單一參數(shù)模型的模擬精度,建立的4個模型對干物重、葉面積指數(shù)、莖蘗數(shù)和氮素積累量的預(yù)測效果較好,均具有較高的R2值,較低的RMSEP和REP。對于模型構(gòu)建數(shù)據(jù)集的四個農(nóng)學(xué)參數(shù)預(yù)測,R2值在0.77至0.91,REP值在15.46%至22.53%;驗證數(shù)據(jù)集的

7、R2值在0.72至0.85,REP值在17.31%至21.26%。本研究提出的多元農(nóng)學(xué)參數(shù)估算模型能夠較準(zhǔn)確的估測出小麥群體的干物重、葉面積指數(shù)、莖蘗數(shù)和氮素積累量的值。
  (3)設(shè)計了成熟小麥穗數(shù)的智能化計算方法。為了實現(xiàn)不同播種方式下固定區(qū)域小麥穗數(shù)的智能計算,設(shè)計了一種利用圖像分析技術(shù)實現(xiàn)大田麥穗快速計數(shù)的方法,著重分析了利用顏色特征和紋理特征分割麥穗的優(yōu)缺點和粘連區(qū)域麥穗個數(shù)的計算方法。通過對撒播和條播多個樣本圖像進(jìn)行計

8、數(shù)實驗,準(zhǔn)確率分別為95.63%和97.07%。本研究結(jié)果說明,利用顏色特征和紋理特征均可以將麥穗從復(fù)雜的背景中提取出來,并可以通過形態(tài)學(xué)的腐蝕和膨脹以及孔洞填充算法得到麥穗的主要區(qū)域,然而利用顏色特征提取麥穗的速度遠(yuǎn)高于利用紋理特征提取。麥穗二值圖像骨架的Harris角點能夠較好的反映粘連區(qū)域的麥穗個數(shù),Harris角點檢測算法可以用于解決麥穗計數(shù)時粘連區(qū)域麥穗個數(shù)計算。本研究提出的麥穗計數(shù)方法在撒播小麥和條播小麥上的平均準(zhǔn)確率分別為

9、95.63%和97.07%。本研究提出的麥穗計數(shù)方法在不同品種上的平均高于95%,且麥穗計數(shù)結(jié)果在不同品種之間沒有顯著差異,說明該大田麥穗計數(shù)方法較為可靠,可以為大田麥穗的智能化計數(shù)提供有效的參考。
  (4)構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的小麥群體質(zhì)量評價模型。智能化地評價群體質(zhì)量對于小麥智能化生產(chǎn)和快速制定栽培管理方案具有積極意義,完成群體質(zhì)量評價模型的構(gòu)建需要進(jìn)行兩部分工作:1)探明不同產(chǎn)量群體在不同生育期里表現(xiàn)的農(nóng)學(xué)特征,明確高產(chǎn)

10、群體在不同生育期的農(nóng)學(xué)參數(shù)表現(xiàn);2)構(gòu)建不同生育期的小麥群體群體質(zhì)量評價標(biāo)準(zhǔn)和評價模型。
  在第一部分研究中,試驗選擇揚糯麥1號為供試品種,采用二因素隨機區(qū)組試驗來構(gòu)建不同結(jié)構(gòu)的群體,設(shè)五個種植密度水平,四個氮肥施用量水平,重復(fù)兩年。研究結(jié)果如下:1)探明了產(chǎn)量隨種植密度變化的趨勢和高產(chǎn)群體的種植密度范圍;2)探明了越冬、拔節(jié)和孕穗期干物重、葉面積指數(shù)、莖蘗數(shù)、氮素積累量的變化對產(chǎn)量的影響和這4個農(nóng)學(xué)指標(biāo)在不同產(chǎn)量群體的區(qū)間;3

11、)探明了產(chǎn)量隨穗數(shù)的變化趨勢和高產(chǎn)群體的穗數(shù)范圍。這部分研究是群體質(zhì)量評價的依據(jù)。
  依據(jù)前面所探明的苗數(shù)、干物重、葉面積指數(shù)、莖蘗數(shù)、氮素積累量、麥穗數(shù)與產(chǎn)量的關(guān)系,構(gòu)建了基于這些農(nóng)學(xué)參數(shù)的小麥群體質(zhì)量評價模型。研究中通過K-means聚類算法對群體等級進(jìn)行劃分,以產(chǎn)量為標(biāo)準(zhǔn)劃分各個時期的級別,同時基于這些農(nóng)學(xué)參數(shù)的模擬值構(gòu)建了用于評價小麥群體質(zhì)量的BP神經(jīng)網(wǎng)絡(luò)模型,各個時期評價的依據(jù)分別為:1)苗期,以苗數(shù)為依據(jù)評價群體種植

12、密度的合理性。2)越冬、孕穗和拔節(jié)期,以干物重、葉面積指數(shù)、莖蘗數(shù)和氮素積累量為依據(jù),綜合對這幾個時期的群體質(zhì)量進(jìn)行評價。3)成熟期,以穗數(shù)為依據(jù),判斷群體穗數(shù)的合理性并對產(chǎn)量進(jìn)行預(yù)測。研究解決了對小麥群體質(zhì)量評價中各個農(nóng)學(xué)參數(shù)與群體質(zhì)量的非線性映射關(guān)系以及各個指標(biāo)貢獻(xiàn)率的問題。研究結(jié)果顯示,研究中構(gòu)建的群體質(zhì)量評價模型在對苗期、越冬期、拔節(jié)期、孕穗期和成熟期的群體質(zhì)量進(jìn)行評價時,得到了較高的R2值和相對較低的RMSE值,說明模型可以用

13、于評價小麥各個生育期的群體質(zhì)量。該模型是后期開發(fā)群體質(zhì)量評價系統(tǒng)和栽培決策的核心組成,亦可為其他作物群體質(zhì)量評價提供一定的參考。
  (5)小麥群體農(nóng)學(xué)參數(shù)測量與群體質(zhì)量評價軟件系統(tǒng)的構(gòu)建。軟件系統(tǒng)的構(gòu)建是將此前提出算法的具體實踐,是將小麥群體智能評價方法實用化的有效途徑。本系統(tǒng)基于C/S的三層結(jié)構(gòu)來開發(fā),使用Microsoft Visual Studio2013開發(fā)平臺,MATLAB2014a圖像處理和計算機視覺工具箱,SQL

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論