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(píng)價(jià)研究.pdf

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(guó)現(xiàn)代農(nóng)業(yè)發(fā)展的必然趨勢(shì)。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(píng)價(jià)研究正是在這種現(xiàn)代農(nóng)業(yè)發(fā)展的背景下展開(kāi)，探求一套可以實(shí)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(cè)算方法，并建立了小麥群體質(zhì)量的評(píng)價(jià)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(píng)價(jià)

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(kāi)發(fā)基于移動(dòng)終端的智能田間測(cè)量和評(píng)價(jià)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(jì)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(jì)數(shù)方法，探明了大田環(huán)境下麥苗計(jì)數(shù)的原理，并驗(yàn)證計(jì)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(gè)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(duì)象，利用數(shù)碼相機(jī)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(jì)算公式。研究對(duì)5種不同播種密度的5個(gè)小麥品種共計(jì)250張圖像進(jìn)行計(jì)數(shù)測(cè)試，結(jié)果發(fā)現(xiàn)本研究提出的麥苗計(jì)數(shù)方法能夠較好的對(duì)野外麥苗進(jìn)行計(jì)數(shù)，平均計(jì)數(shù)準(zhǔn)確率達(dá)89.94％，135×104株ha-1密度樣本的計(jì)數(shù)準(zhǔn)確率達(dá)到97.14％，在所有密度中最高，揚(yáng)糯麥1號(hào)品種計(jì)數(shù)準(zhǔn)確率達(dá)92.54％，在所有

4、品種中最高。麥苗計(jì)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(jì)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(méi)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(shí)本方法能夠得到92％以上的準(zhǔn)確率，說(shuō)明本文設(shè)計(jì)的方法在麥苗計(jì)數(shù)上是可靠的，可為田間麥苗智能計(jì)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(jì)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(cè)模型，為這些農(nóng)學(xué)參數(shù)的快速測(cè)量提供理論支持。通過(guò)不同的密度和氮肥施用量來(lái)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(jī)垂直獲取冠層圖像。研究通過(guò)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?cái)?shù)占總像素?cái)?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(shí)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(cè)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(cè)模型提高了單一參數(shù)模型的模擬精度，建立的4個(gè)模型對(duì)干物重、葉面積指數(shù)、莖蘗數(shù)和氮素積累量的預(yù)測(cè)效果較好，均具有較高的R2值，較低的RMSEP和REP。對(duì)于模型構(gòu)建數(shù)據(jù)集的四個(gè)農(nóng)學(xué)參數(shù)預(yù)測(cè)，R2值在0.77至0.91，REP值在15.46％至22.53％;驗(yàn)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(cè)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(jì)了成熟小麥穗數(shù)的智能化計(jì)算方法。為了實(shí)現(xiàn)不同播種方式下固定區(qū)域小麥穗數(shù)的智能計(jì)算，設(shè)計(jì)了一種利用圖像分析技術(shù)實(shí)現(xiàn)大田麥穗快速計(jì)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(diǎn)和粘連區(qū)域麥穗個(gè)數(shù)的計(jì)算方法。通過(guò)對(duì)撒播和條播多個(gè)樣本圖像進(jìn)行計(jì)

8、數(shù)實(shí)驗(yàn)，準(zhǔn)確率分別為95.63％和97.07％。本研究結(jié)果說(shuō)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(lái)，并可以通過(guò)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(diǎn)能夠較好的反映粘連區(qū)域的麥穗個(gè)數(shù)，Harris角點(diǎn)檢測(cè)算法可以用于解決麥穗計(jì)數(shù)時(shí)粘連區(qū)域麥穗個(gè)數(shù)計(jì)算。本研究提出的麥穗計(jì)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(jì)數(shù)方法在不同品種上的平均高于95％，且麥穗計(jì)數(shù)結(jié)果在不同品種之間沒(méi)有顯著差異，說(shuō)明該大田麥穗計(jì)數(shù)方法較為可靠，可以為大田麥穗的智能化計(jì)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(píng)價(jià)模型。智能化地評(píng)價(jià)群體質(zhì)量對(duì)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(píng)價(jià)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(píng)價(jià)標(biāo)準(zhǔn)和評(píng)價(jià)模型。
　　在第一部分研究中，試驗(yàn)選擇揚(yáng)糯麥1號(hào)為供試品種，采用二因素隨機(jī)區(qū)組試驗(yàn)來(lái)構(gòu)建不同結(jié)構(gòu)的群體，設(shè)五個(gè)種植密度水平，四個(gè)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(shì)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(duì)產(chǎn)量的影響和這4個(gè)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(shì)和高產(chǎn)群體的穗數(shù)范圍。這部分研究是群體質(zhì)量評(píng)價(jià)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(píng)價(jià)模型。研究中通過(guò)K-means聚類算法對(duì)群體等級(jí)進(jìn)行劃分，以產(chǎn)量為標(biāo)準(zhǔn)劃分各個(gè)時(shí)期的級(jí)別，同時(shí)基于這些農(nóng)學(xué)參數(shù)的模擬值構(gòu)建了用于評(píng)價(jià)小麥群體質(zhì)量的BP神經(jīng)網(wǎng)絡(luò)模型，各個(gè)時(shí)期評(píng)價(jià)的依據(jù)分別為:1）苗期，以苗數(shù)為依據(jù)評(píng)價(jià)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(duì)這幾個(gè)時(shí)期的群體質(zhì)量進(jìn)行評(píng)價(jià)。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(duì)產(chǎn)量進(jìn)行預(yù)測(cè)。研究解決了對(duì)小麥群體質(zhì)量評(píng)價(jià)中各個(gè)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(gè)指標(biāo)貢獻(xiàn)率的問(wèn)題。研究結(jié)果顯示，研究中構(gòu)建的群體質(zhì)量評(píng)價(jià)模型在對(duì)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(píng)價(jià)時(shí)，得到了較高的R2值和相對(duì)較低的RMSE值，說(shuō)明模型可以用

13、于評(píng)價(jià)小麥各個(gè)生育期的群體質(zhì)量。該模型是后期開(kāi)發(fā)群體質(zhì)量評(píng)價(jià)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(píng)價(jià)提供一定的參考。
　　(5)小麥群體農(nóng)學(xué)參數(shù)測(cè)量與群體質(zhì)量評(píng)價(jià)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(shí)踐，是將小麥群體智能評(píng)價(jià)方法實(shí)用化的有效途徑。本系統(tǒng)基于C/S的三層結(jié)構(gòu)來(lái)開(kāi)發(fā)，使用Microsoft Visual Studio2013開(kāi)發(fā)平臺(tái)，MATLAB2014a圖像處理和計(jì)算機(jī)視覺(jué)工具箱，SQL