叶片的形态测量在苗木生长自动监测中具有重要意义,在形态测量前首先要将完整的叶片从背景中提取出来。针对彩色苗木叶片图像的特点研究了利用几何活动轮廓模型进行完整叶片的自动分割的方法。首先利用图像的全局信息和C-V模型进行初始分割,当曲线到达目标边界附近时,利用改进的基于图像局部信息的能量模型进行边界的精确定位。该方法将C-V模型不受初始位置影响的优点和改进模型克服弱边界泄漏的优点结合起来,实现了叶片的自动分割,取得了令人满意的实验结果。

针对传统方法和叶面积仪法测定作物叶面积、叶长、叶宽等参数费时费力,成本高等问题,提出苹果叶面积、叶长、叶宽和周长的图像测定法。首先采用颜色空间转换法转换RGB(红、绿、蓝)图为HIS(色调、亮度、饱和度)图,并以大津法(Otsu)阈值色调(H)获取二值图像;再根据二值图中苹果叶边缘像素坐标分布特征,计算叶长、叶宽和叶周长,根据苹果叶片像素数计算叶面积;最后对叶长、叶宽和叶面积的计算值与实测值之间进行均方根误差(RMSE)和决定系数(R~2)计算,并以测定硬币周长的方式验证周长算法。结果表明:苹果叶面积、叶长、叶宽的RMSE值分别为0.58cm~2、0.46和0.10cm,R~2值分别为0.99、0.93、0.97,测定的1元、5角、1角硬币的周长分别为7.68、6.42和6.10cm。RMSE取值较小和R~2取值较高表明叶面积、叶长和叶宽算法结果可靠,周长算法验证结果表明周长计算值与实测值之间差异较小。

【目的】构建基于生物量的水稻叶片主要几何属性模型,为水稻株型设计与调控提供理论依据。【方法】以两优108、86优8、南粳43及扬稻6号为材料,设置品种、氮肥与密度田间试验,观测水稻主茎不同叶位叶片长度和宽度,分析了水稻主茎叶片长和宽的关系、比叶重(SLW)随叶位的变化规律,以及水稻叶片干重与叶长和叶宽的关系,构建基于生物量的水稻叶片主要几何属性模型。【结果】叶长与叶宽的关系可用幂指数方程表达,比叶重随叶位呈二次曲线变化。采用独立的试验资料检验模型,主茎叶片叶长、叶宽模拟值与实测值的根均方差(RMSE)分别为2.55和0.06cm。【结论】几何属性模型可较好地模拟不同生长条件下水稻主茎不同叶位叶...

针对不同光照以及不同天气条件造成葡萄叶片图像不能准确分割的问题,提出了一种改进的图割分割算法。采用G/R以及a*颜色特征自动选择叶片目标和背景种子点,利用混合高斯模型对叶片和背景的概率密度分布进行估计;在马尔科夫随机场的基础上,建立像素特征的能量函数;通过求解能量函数最小化对叶片实现了自动分割。对多种不同分割特征的分割效果进行对比试验,结果表明:对于不同时间、不同天气的叶片图像,单一G/R和a*具有较好的效果,分割精度分别达到86.74%和92.38%,若用它们组合为双特征,分割效果会进一步提高,分割精度

目的在生长模型输出的基础上,构建预测水稻叶片几何参数的动态模型,以便更准确地实现水稻的虚拟生长。方法在试验观测的基础上,分析了不同品种类型水稻分蘖与主茎同伸叶片叶长之间以及叶长与叶宽之间的定量关系,进一步耦合水稻叶龄、叶面积和茎蘖数模拟模型,进行水稻叶片几何参数变化的动态模型构建。结果不同品种类型水稻分蘖与主茎同伸叶片的叶长比随分蘖叶序呈二次曲线变化,叶长与叶宽的关系可用幂指数函数描述。运用独立实测资料对模型进行的初步检验显示,本模型可较好地模拟不同生长条件下水稻不同叶位叶片的几何参数。结论本研究构建的水稻叶片几何参数分析模型较好地体现了器官几何参数受生态环境、品种类型和栽培措施影响的形态生理...

【目的】以林木易测因子为预测变量,构建黑龙江省人工落叶松树冠最大外部轮廓及内部轮廓(未着叶部分)的预估模型,为进一步估计人工落叶松树冠表面积、树冠体积和树冠生物量提供依据。【方法】基于佳木斯市孟家岗林场49株解析木的枝解析数据,树冠外部轮廓模型采用分段回归技术,构建带有约束条件并满足生物学意义的连续性分段曲线模型,即在梢头处树冠半径为"0",在整个树冠内外部轮廓的拐点的存在是唯一的,且在拐点处树冠半径达到最大值;内部轮廓直接采用线性模型进行模拟。分析模型参数与林木变量之间的相关性,将关系密切的树木变量或变

【目的】对Kozak方程进行修正,采用树木易测因子为预测变量,构建人工樟子松树冠外部轮廓预估模型,为研究树木生理和树木竞争提供依据,为模拟单木树冠表面积和树冠体积奠定基础。【方法】基于黑龙江省14块固定样地70株人工樟子松解析木907个最大枝条数据,以Kozak方程基本形式为基础并对其进行修正,选出构建人工樟子松树冠外部轮廓基础模型的最优模型形式。在最优模型基础上,建立分别考虑样地效应、样木效应及同时考虑样地和样木效应两水平的非线性混合效应模型。利用R软件的nlme软件包求解非线性混合效应模型参数,采用AIC、BIC、-2LL对混合效应模型中不同随机效应参数组合形式、不同随机效应矩阵、方差-协方差矩阵和方差函数进行比较,选出最优模型形式,并对人工樟子松外部轮廓随树木因子的变化规律进行探讨。以林分密度为哑变量,构建不同密度的人工樟子松树冠外部轮廓预估模型。【结果】人工樟子松树冠外部轮廓预估模型因子包含胸径(DBH)、冠长率(CR)和高径比(HD)。与基础模型相比,分别考虑样地效应、样木效应的混合模型能够显著提高模型拟合效果,外部轮廓模型差异主要来源于样木效应。以样木为单水平的混合效应模型中,a_2、a_6为随机参数,对角矩阵为方差-协方差矩阵形式,ARMA(1, 1)为解释组内方差的矩阵,采用幂函数消除异方差的模型形式为最优模型。同时考虑样地和样木效应两水平混合模型的拟合效果较单水平混合模型有所提高。以两水平混合模型的固定效应部分模拟外部轮廓与树木因子之间的关系,在分别固定另外2个变量的情况下,树冠半径随着DBH、CR增大均逐渐增大,树冠上半部分半径随着HD增大而增大,下半部分半径随着HD增大而减小。外部轮廓拐点的变化范围为0.625 0～0.917 0,拐点平均位置为0.841 3,随着林木在林分中被压强度增大,拐点位置向树冠基部移动。密度小于1 000株·hm~(-2)林分中单木的冠形与1 000～2 000株·hm~(-2)和大于2 000株·hm~(-2)林分中单木的冠形区别很大。【结论】修正后的Kozak模型满足梢头处半径为0、在整个树冠范围内存在拐点且拐点唯一的特性,能够对人工樟子松树冠外部轮廓进行合理模拟及预测。两水平非线性混合效应模型可显著提高模型拟合效果,能够在树冠外部轮廓模型中应用。

[目的]本文旨在解决不同光照和复杂背景下葡萄病害叶片图像的自动分割。[方法]使用了一种全卷积网络(FCN)的葡萄病害叶片图像的自动分割算法。该算法在结构上将传统的卷积神经网络(CNN)后3个全连接层换成3个卷积层。通过多层的卷积,对输入葡萄叶片图像的特征进行提取;通过池化层,对特征信息进行筛选,缩减特征尺寸,以达到减少网络参数的目的。再通过反卷积对特征上采样,从高维、小尺寸特征恢复到图像原始尺寸,对具有原始尺寸的特征进行逐像素分类,确定原图像中每个像素位置的标签是背景还是前景。因只经过上采样处理后的分割图像会较粗糙,故通过跳跃结构将较为粗糙的原图进行局部信息与整体信息的整合,达到对分割结果进行精细化处理的目的。[结果]本算法对葡萄病害叶片有较好的分割效果,单叶片和复杂多叶片图像的马修斯相互系数(MCC)分别为0.821和0.747,MCC平均值较对比算法提高了6.5%。[结论]本算法能够较精确地分割自然条件下成像的葡萄病害叶片图像,为后续在叶片精准分割病害区域和提取病害特征创造了良好的条件。

~~

针对农业工程中猪舍漏粪地板的动力响应问题，采用静力分析方法，对漏粪地板进行自振特性进行研究。在考虑地基的压缩和剪切刚度、梁的弯曲和剪切变形、运动的平动和转动惯性力以及轴力的二阶效应的基础上，建立了几何非线性压剪平转动Timoshenko弹性地基梁动力基本方程，并给出了动力位移和内力方程；提出了组合地基梁的自振特性分析方法，对典型猪舍漏粪地板自振周期及振型进行了计算。结果表明：组合地基梁的周期及振型规律明显异于普通梁；不同结构参数对漏粪地板自振周期的影响程度各不相同：端部缝间板条不改变振动特性；支承长度和地基刚度作用显著；剪切变形、转动惯性力和地基剪切刚度引起的偏差较小，可忽略其影响。本研究建立的几何非线性动力组合地基梁模型能够用于猪舍漏粪地板舒适性验算和动力安全性设计。

【目的】树冠外轮廓模型不仅能够描述任意位置处树冠半径,而且能够推导预测树冠体积与树木地上部分生物量。根据福建地区98块杉木Cunninghamia lanceolata人工林样地的413株杉木调查数据,构建了具有同一套模型参数的树冠外轮廓模型和树冠体积预测联立方程组系统。【方法】选取4种常用的可积分树冠外轮廓备选模型,利用积分法对备选模型进行推导,得到树冠体积预测模型;将模型方程分别两两联立建立树冠外轮廓与体积相容性联立方程组,并利用SAS软件模块中的似乎不相关回归过程估计联立方程组模型系统的参数。为了消除模型异方差,采用加权回归方法拟合模型,并对不同模型系统的拟合精度、预测精度进行对比分析。【结果】基于模型4的联立方程组拟合精度高、预测性能好,其树冠外轮廓和体积拟合精度分别达到0.829 5和0.861 0,预测结果精度分别为0.803 9和0.856 0;通过似乎不相关回归法解决了联立方程组共线性问题,加权回归方法一定程度上消除了模型中存在的异方差性。【结论】所构建的树冠外轮廓-体积一致性模型方程实现了树冠外轮廓与体积模型之间互相推导,为进一步估测树木地上部分生物量提供了理论依据。图3表3参30

在充分分析现有无向图存储结构优缺点的基础上 ,结合二维工程图形的特点 ,提出了一种改进的无向图存储结构——分类邻接表存储结构。采用该存储结构可降低程序的时间复杂度 ,提高求解效率

利用多重分形理论中的基于sum容量测度、max容量测度和min容量测度的多重分形谱分割方法,分别对油菜菌核病害、白斑病害、油菜潜叶蝇虫害叶片图像进行识别与分割。结果表明:基于多重分形理论的油菜病虫害叶片图像分割优于传统的阈值分割,基于C均值聚类的分割以及传统区域分割,主要在于能够清晰地分割出病虫害叶片边缘轮廓,准确定位病虫斑区域,同时还能保留较多细节,具有局部性强、准确性高的特点。相比而言,基于max和min容量测度的分割优于基于sum容量测度的分割。

【目的】提出了一种基于光源不变图的病斑分割方法,以提高病斑识别程序的准确性和稳定性。【方法】将阴影区和非阴影区视为不同光源照明,通过最小熵法计算原图的光源不变图,在该图上采用K均值聚类算法对病斑进行分割,以采集的病斑叶片为材料,对该方法的处理效果进行验证。【结果】比较光源不变图法和H分量法的处理结果后发现,采用光源不变图法处理病斑不同区域的平均差异较H分量法更低,仅为10.7%;聚类分割算法对使用光源不变图法处理病斑图像的分割准确率为95.0%,较H分量法具有更高的正确率,且误检率更低。【结论】采用光源不变图法对病斑图像处理的效果好、性能稳定,同一目标在不同光照条件下处理结果的一致性较高。

【目的】植物叶片分割旨在从背景中分割出叶片区域,去除背景对象干扰。这对植物病害识别和物种鉴定具有重大意义。【方法】本文设计了基于全卷积神经网络的植物叶片分割算法。首先,目标函数用对数逻辑函数代替复杂的Softmax多类预测函数,从而将分割任务转化为适合于植物叶片分割的二分类问题;其次,把批归一化技术引入全卷积神经网络,从而改善网络整体的收敛性。最后,针对当前植物叶片分割研究中缺乏评估指标的状况,设计了新的评估协议——受试者工作特征曲线,该曲线反映了不同阈值情况下植物叶片图像分割的召回率与误报率之间的变化情况。【结果】本文提出的算法降低了全卷积神经网络的参数复杂度,改善了网络的收敛性。实验结果表明,该方法比Leafsnap提到的基于颜色的分割方法更完整地分割了植物叶片区域;提出的ROC曲线能够充分评估植物叶片的分割性能。【结论】与传统方法相比,基于深度学习的植物叶片分割方法实现了输入图像的端对端处理,无需图像转换、噪声滤波和形态运算等预处理技术,因此在植物叶片分割上具有可行性。