检索结果-内蒙古大学图书馆

农业机械学报 2025年第3期56卷 158-168页

作者：苗全龙周扬李建涛周延锁李玉浙江科技大学信息与电子工程学院杭州310023 西湖大学(杭州)发展有限公司杭州310024 浙江省现代农业装备设计研究院杭州310003 浙江省工业和信息化研究院杭州310003

针对双孢蘑菇采摘前人工获取其表型参数效率低、成本高的问题,提出了一种基于实例分割且适用于现代化工厂环境的双孢蘑菇表型参数提取方法。首先,对YOLO v8n-Seg实例分割模型进行改进,引入快速神经网络(Faster neural network,FasterNe... 详细信息

针对双孢蘑菇采摘前人工获取其表型参数效率低、成本高的问题,提出了一种基于实例分割且适用于现代化工厂环境的双孢蘑菇表型参数提取方法。首先,对YOLO v8n-Seg实例分割模型进行改进,引入快速神经网络(Faster neural network,FasterNet),并采用局部卷积(Partial convolutions,PConv)减少冗余计算和内存访问,引入SE(Squeeze-and-excitation)注意力机制到特征融合网络中,增加了网络对输入信息中重要部分的关注度,降低无关信息的干扰,改进后的模型完成了对双孢蘑菇目标的实例分割。最后,基于分割结果,提出了双孢蘑菇子实体4种表型参数的提取方法,包括菇盖直径、菇盖圆度、菇盖白度以及菇盖表面色斑。实验结果表明,YOLO v8-ABSeg模型在自建双孢蘑菇数据集上的mask精度比原模型提高了1.6个百分点,且参数量、浮点数运算量和内存占用量分别降低了38.7%、25.0%和36.8%,帧率提高了11.3%。此外,双孢蘑菇表型参数计算结果与人工测量结果误差小于10%。该方法可应用于双孢蘑菇表型参数的自动化获取,为生长模型建立、在线实时环境控制等提供技术基础。

关键词：双孢蘑菇表型参数提取实例分割轻量化注意力机制 YOLO v8

来源：评论

学校读者我要写书评

暂无评论

基于水稻三维模型的表型参数提取及生物量估测

引用

河南农业科学 2023年第7期52卷 144-153页

作者：程志强方圣辉武汉大学遥感信息工程学院湖北武汉430072

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... 详细信息

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。

关键词：水稻三维重建 Alpha-shape 表型参数提取体积生物量

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的食用菌表型参数提取方法研究

基于深度学习的食用菌表型参数提取方法研究

引用

作者：陆嘉豪广西大学

学位级别：硕士

中国的食用菌产业规模庞大,但是在工厂化栽培生产中还严重依赖国外选育的菌种。菌种的品质直接影响食用菌的产量和质量,如何独立自主地培育优良菌种,已成为中国食用菌产业发展中一个亟待解决的问题。食用菌菌丝体的形状和大小、子实体... 详细信息

中国的食用菌产业规模庞大,但是在工厂化栽培生产中还严重依赖国外选育的菌种。菌种的品质直接影响食用菌的产量和质量,如何独立自主地培育优良菌种,已成为中国食用菌产业发展中一个亟待解决的问题。食用菌菌丝体的形状和大小、子实体的菌盖形状和大小以及菌柄长宽等表型特征在食用菌种质资源评价和育种工作中有着非常重要的应用。通过收集和分析这些表型特征数据,可以筛选出具备理想特征和性能的菌株,并在后续育种工作中重点培育和改良它们,从而满足市场需要和生产要求。本文利用深度学习技术分别对食用菌菌丝体和子实体的表型参数提取方法进行研究,主要研究内容如下: （1）针对阈值分割方法易受噪声和光亮度影响导致分割效果不佳的问题,提出一种基于改进UNet++的食用菌菌丝体表型参数提取方法。首先构建菌丝体图像数据集,然后利用可变形卷积、残差连接和CARAFE算子改进UNet++模型。实验结果表明,改进后的模型对菌丝体区域分割的精确率、召回率、F1值和交并比分别超过阈值分割方法31.12、32.16、31.63和34.09个百分点,充分展现了深度学习方法的优越性。最后使用Open CV相关函数处理模型分割结果,计算菌丝体半径、周长和面积等表型参数。将该方法与人工测量的结果对比发现,各表型参数R2不小于0.986,RMSE均在误差允许范围内。（2）目前多数研究限于单个子实体的表型测量,无法同时检测多个子实体,也不支持跨菌种表型参数提取。针对这一问题,提出一种基于目标检测和语义分割的子实体表型参数提取方法。从特征增强网络、检测头和损失函数三个方面改进YOLOv8m,得到子实体检测模型。以UNet++为基准,引入残差连接和卷积注意力模块,得到子实体分割模型。子实体图像经检测模型和分割模型处理得到多幅仅包含单一子实体的分割结果图像,再分别计算子实体的表型参数,从而实现单幅图像中多个子实体的跨菌种表型参数提取。将该方法与人工测量的结果对比发现,各表型参数R2不小于0.912,RMSE均在误差允许范围内。（3）为实现食用菌菌丝体和子实体表型数据的自动化采集与录入,设计并开发一个基于桌面端的食用菌表型参数提取系统。用户只需将图像输入系统,系统即可快速准确地提取菌丝体或子实体的各项表型参数。该系统提高了表型数据采集的效率和准确性,同时统一了数据采集标准,为食用菌育种研究工作提供参考。

关键词：食用菌菌丝体子实体表型参数提取语义分割目标检测

来源：评论

学校读者我要写书评

暂无评论

作物表型参数提取关键技术研究——以水稻为例

作物表型参数提取关键技术研究——以水稻为例

引用

作者：陈琳海中国科学院大学

学位级别：硕士

水稻是我国主要的粮食和经济作物，随着我国人口剧增和水稻种植面积减少，如何提高单位面积水稻产量成为一个亟待解决的问题。国家对优质种子的需求使得分子育种技术得以迅速发展，而如何实现作物全生育期、高通量无损表型监测成为分子... 详细信息

水稻是我国主要的粮食和经济作物，随着我国人口剧增和水稻种植面积减少，如何提高单位面积水稻产量成为一个亟待解决的问题。国家对优质种子的需求使得分子育种技术得以迅速发展，而如何实现作物全生育期、高通量无损表型监测成为分子育种技术发展的瓶颈。\n 为了给分子育种技术带来突破，研究组在激光雷达(Light Detection andRanging，LiDAR)技术支持下，辅以多光谱成像仪、热成像仪和高分相机，搭建了一套软硬件一体化的作物全生育期无损表型分析测量系统。本论文重点探讨了激光雷达技术在水稻表型参数提取中的应用潜力，主要研究内容和结论如下:\n (1)单株水稻参数提取算法研究。论文对水稻的株高、株幅和分蘖数提取算法进行了研究，进而对单株水稻进行叶片分割，获取叶片数、叶长、叶宽、叶倾角、叶面积等参数。通过与实测数据对比，发现株高、分蘖数、叶长和叶宽提取算法的R2分别达到0.94、0.8、0.913和0.88。\n (2)群体水稻参数提取算法研究。以北京郊区实验田获取的群体水稻点云作为实验数据，论文提出了冠层高度模型、冠层覆盖度、作物面积密度等参数的提取算法。\n (3)软件平台集成。采用C++将基于不同数据源获取作物表型参数的算法集成为一套集数据可视化、预处理、形态结构和生理生化参数提取等功能于一体的软件平台。\n 由于激光雷达点云数据在水稻表型参数提取中的应用研究相对较少，本论文的研究工作还存在很多需要改善的地方，未来的研究方向包括算法的优化、平台的稳定性测试等。

关键词：水稻分子育种表型参数提取激光雷达

来源：评论

学校读者我要写书评

暂无评论

基于深度相机的作物三维重建及表型参数提取

基于深度相机的作物三维重建及表型参数提取

引用

作者：陈华元安徽农业大学

学位级别：硕士

三维表型是作物生长状态的综合表现,其三维表型参数的提取对作物的生长状态、育种、种植优化的研究具有重要意义。但是在传统农业研究中人工测量作物表型参数费事费力,且因测量人员不同容易产生误差。而基于二维图像的表型参数提取虽然... 详细信息

三维表型是作物生长状态的综合表现,其三维表型参数的提取对作物的生长状态、育种、种植优化的研究具有重要意义。但是在传统农业研究中人工测量作物表型参数费事费力,且因测量人员不同容易产生误差。而基于二维图像的表型参数提取虽然能够对作物的纹理、长势等表型信息进行精确识别,但却缺失了大部分三维信息,无法提取作物的部分三维表型参数。本文基于计算机视觉技术,使用三维重建技术重建作物的三维结构,再对作物三维结构模型进行相关表型参数提取。并且通过开发作物三维重建及表型参数提取软件,能够为科研及农技人员提供快速便捷获取作物三维表型信息的方法,为作物研究与生产优化提供数据支持。主要研究工作和结果如下: 1)作物三维重建。设计了一种三个角度点云融合的三维重建方法,将单株作物放置在匀速转台上,使用微软Kinect V2获取点云数据,再通过预处理、配准、表面重构步骤获取作物的完整三维模型。以圆叶椒草作为对象,本文在预处理环节加入的基于色彩分割算法的点滤波相较于传统方法去噪精度平均提升了12.12%,在配准环节设计的基于SAC-IA算法与NDT算法结果的ICP算法相较于传统的NDT算法与ICP算法在均方根误差RMSE分别降低了1.12%、0.83%,平均误差ME分别降低了2.19%、1.68%。实验结果表明本文的三维重建方法具有较高的精确度,重建所得到的作物三维模型清晰完整,能够满足后续表型参数提取的需求。 2)基于三维重建结果的表型参数提取。通过对作物点云模型使用表面三维重构算法,获得作物的网格化模型。再使用相关表型获取方法对三维点云模型与三维网格化模型进行分析,获取作物的株高、冠层宽度、冠层面积、叶面积、茎粗、叶倾角等表型信息。以彩椒作为实验对象,上述方法采集的各表型参数提取结果与人工测量结果呈明显的线性关系,拟合后的决定系数R2分别为0.88、0.91、0.89、0.92、0.84和0.98,均方根误差RMSE分别为0.50cm、0.35cm、20.15cm2、0.55cm2、0.32mm和2.04°。实验结果表明本文的测量方法具有较高的精确度,能够较为准确的提取作物的各项表型参数。 3)作物三维重建与表型参数提取软件研发。使用Qt结合PCL点云库,对作物三维重建算法与表型参数提取算法进行集成,开发了一款具备自动三维重建、多表型参数提取与监控等功能的软件,界面简洁直观、操作方便友好。

关键词：三维重建表型参数提取深度相机点云软件开发

来源：评论

学校读者我要写书评

暂无评论

基于YOLO v8和CycleGAN的红掌植株表型参数自动提取方法

引用

农业机械学报 2024年第11期55卷 154-159,319页

作者：卢鹏孙天文陈明王振华郑宗生上海海洋大学信息学院上海201306

植株表型参数是描述植物形态、结构和生理特征的定量化指标,可揭示植物生长规律,以及与环境因素之间的关系。现有的人工测量和激光雷达点云植株表型参数提取方法存在数据误差大、易损伤植株、成本高和数据量大等问题。为此,本文提出了... 详细信息

植株表型参数是描述植物形态、结构和生理特征的定量化指标,可揭示植物生长规律,以及与环境因素之间的关系。现有的人工测量和激光雷达点云植株表型参数提取方法存在数据误差大、易损伤植株、成本高和数据量大等问题。为此,本文提出了一种基于YOLO v8和CycleGAN的红掌植株表型参数自动提取方法,利用双重注意力机制CBAM改进YOLO v8,提高模型特征提取能力,对红掌植株叶片进行检测与分割;通过Grabcut算法去除分割后图像背景区域特征,并利用VGG模型对其进行分类,分出完整型红掌植株叶片和缺失型红掌植株叶片;在CycleGAN的生成器中引入双重注意力机制和特征金字塔,提高模型多尺度特征的提取能力,引入SmoohL1损失函数,提升模型稳定性,对缺失型红掌植株叶片进行修复;提出一种表型参数提取算法(Phenotypic parameters extraction algorithms,PPEA),实现对红掌植株叶长、叶宽和叶面积的自动提取。以650幅自建数据集为例,对上述方法进行了比较与分析,实验结果证明,本文方法在红掌植株表型参数自动提取方面具有良好的效果。

关键词：表型参数提取红掌目标检测图像修复 YOLO v8 CycleGAN

来源：评论

学校读者我要写书评

暂无评论

基于三维点云的木荷幼苗表型参数自动测量方法

引用

传感器与微系统 2024年第5期43卷 121-124页

作者：王斐周扬龙伟王斌周志春吴统贵浙江科技大学信息与电子工程学院浙江杭州310023 浙江科技大学中德工程师学院浙江杭州310023 中国林业科学研究院亚热带林业研究所浙江省林木育种技术研究重点实验室浙江杭州311400

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... 详细信息

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。

关键词：木荷 Azure Kinect 点云骨架化表型参数提取

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的盆栽小麦表型性状提取与分析

基于深度学习的盆栽小麦表型性状提取与分析

引用

作者：付晶波华中农业大学

学位级别：硕士

小麦作为重要的粮食作物,在粮食安全地位上日益增强,而我国更是世界上小麦种植面积最大、产量最高的国家,保持小麦的高产对保障我国粮食安全至关重要。其中小麦株高、茎秆以及叶片都是影响其产量的重要因素。可利用成熟期小麦植株的表... 详细信息

小麦作为重要的粮食作物,在粮食安全地位上日益增强,而我国更是世界上小麦种植面积最大、产量最高的国家,保持小麦的高产对保障我国粮食安全至关重要。其中小麦株高、茎秆以及叶片都是影响其产量的重要因素。可利用成熟期小麦植株的表型参数来建模预测小麦产量。但利用成熟期小麦表型性状建模只能估产,无法促进增产。因为成熟期小麦已发育较为完全,无法通过精准灌溉、精准施肥等手段来调控其生长发育,从而达到增产效果。而苗期小麦生长状况对其最终产量会有一定影响,因此,对小麦苗期表型性状精确提取也极为重要。通过挖掘苗期小麦叶片生长速率、茎秆生长速率等前期生长发育性状与产量关系,可以为小麦苗期精准水肥管理提供依据,促进小麦增产。本文对于小麦的表型性状提取与分析分为两部分,一部分为盆栽幼苗小麦的性状提取与分析,另一部分为成熟小麦的性状提取与分析。对于盆栽幼苗小麦性状提取与分析,主要是以高通量表型采集系统连续采集小麦苗期图片为材料,提出了一种基于深度学习的盆栽幼苗小麦表型性状提取方法。提取性状所采用深度学习模型需经过训练、测试及优化结果三阶段处理,并通过观察像素准确率PA和交并比IOU两个衡量分割结果评估参数以确保模型分割效果准确性。该方法在文中数据集中最终模型IOU和PA分别为0.916及0.869,证明模型的分割效果符合标准。在该方法对图片进行精度分割后,利用传统图像处理方法进一步提取小麦苗期株高、叶片长度、茎秆长度、叶角度等表型性状。用该方法提取株高与叶片长度与人工值线性拟合的R分别为0.9828及0.8735,说明小麦表型性状提取精度较好。基于这些性状可计算小麦叶片生长速率、茎秆生长速率等衍生参数。对于成熟小麦的性状提取与分析,因为小麦成熟期图片叶片、茎秆、麦穗相互遮挡严重,无法获取高精度标注样本,利用深度学习对小麦部分器官分割效果不好,所以本文采用改进阈值分割处理方法对小麦整株进行分割并提取了16个表型性状性状,主要包括颜色性状、生物量性状、形态性状、纹理性状4个方面。通过逐步线性回归筛选出与产量相关性最高表型性状TPA＿W,TPA＿W与小麦单株产量的相关性为0.609。以TPA＿W作为自变量,产量作为因变量进行多模型预测分析,并通过十折交叉验证可以得到线性拟合结果相关性达到了0.617,误差波动在5%和7%之间,表明线性拟合的准确性。同时通过对幼苗小麦提取出的衍生参数与TPA＿W进行建模分析,发现叶片生长速率与TPA＿W相关性最好,两者相关性为0.3405,间接说明小麦叶片生长速率与产量具有一定联系,小麦苗期部分性状可以作为指导小麦早期生长发育精细管理的参考依据。

关键词：深度学习图像分割表型参数提取建模分析

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：