基于深度学习的油菜叶片生长信息监测方法与装置研究
这是一篇关于油菜,叶片监测,图像处理,深度学习,缺素诊断的论文, 主要内容为油菜是一种需肥量较大而又耐肥性较强的作物,其叶片作为主要器官之一,生长状态能够反映作物的营养情况,通过监测叶片在不同胁迫下的生长状况,能够更好地了解植物生长规律,合理利用资源。但现有检测方法如人工测量和拉伸测量方法,存在人工强度大、费时费力、难以持续和精准度低的问题。本文根据油菜叶片生长特性,利用机器视觉和深度学习技术,设计搭建了一种无损油菜叶片图像采集装置,提出了叶片形态学特征提取方法,构建了缺素油菜诊断模型,实现了对油菜叶片生长的精准监测和营养状况诊断。主要研究内容和结论如下:(1)油菜叶片图像无损采集装置设计与试验。为实现油菜叶片图像信息的无损获取,设计了一种基于机器视觉技术的油菜叶片无损采集装置。该装置由笔记本电脑和工业相机和灯光控制系统构成,利用电脑端发送指令控制工业相机和灯光系统以实现叶片图像的无损采集。以扫描仪和专业叶片处理软件得到的面积作为标准值,对比装置采集图像与传统人工测量和现有拉伸测量法做比较。结果表明,传统人工测量、拉伸测量法检测误差为9.13%和4.60%,本文设计的夹板测量法误差为1.25%。本文设计的夹板测量法装置监测的油菜生长情况接近于自然状态下的油菜生长状态,说明所设计的装置实现了油菜叶片的无损采集,为后续分割模型训练中数据集的采集提供了技术支持。(2)提出基于语义分割的油菜叶片分割模型。基于油菜叶片图像信息连续采集装置,采集油菜图像1080张。为保证深度网络模型的鲁棒性,利用剪切、镜像、拉伸和旋转等操作对油菜数据集进行增强,增强后的图像共18360张。比较了常用的几种语义分割网络模型在油菜图像数据集上的表现,选取表现较好的UNet网络模型作为分割网络主干,在该网络中添加了SENet注意力机制,增加了网络提取细节特征的能力。对增加了注意力机制的特征层进行可视化输出,结果表明注意力机制有效减少了无用特征的识别,增加了叶片部分的特征识别。比较CE、Focal和Dice损失函数及其组合作为油菜叶片分割任务中损失函数的对模型训练的影响,试验证明CE+Dice的损失函数组合能使得模型收敛速度快,减少了训练模型需要的时间。利用Python语言编写叶片形态学参数提取算法,利用该算法从分割后的图像中提取叶片的叶长、叶宽、叶面积和叶片周长。(3)提出基于深度学习的油菜缺素诊断模型。针对油菜叶片缺素症状人工识别困难问题,提出一种基于深度学习,融合多尺度特征提取和注意力机制的油菜缺素诊断模型。针对Res Net50网络中原有的固定尺度卷积核对油菜叶片特征感知效果不明显问题,提出一种由多尺度卷积核构成的特征提取模块,利用多尺度特征融合改进了Res Net50的特征提取效果,优化残差卷积结构之间特征的传递。同时添加注意力机制使得模型特征提取更集中于叶片区域,有选择性的突出信息特征,实现特征准确定位。结果表明,多尺度特征融合模块和注意力机制有效提高了对图像特征信息的提取效果。CBAM-Muti-Res Net50网络相较于VGG和Mobile Net V2网络,准确率分别提高1.1%和11.3%,精确度分别提高2.2%和18%,召回率分别提高1.6%和17.5%,F1得分分别提高2.1%和18.3%,对于缺素油菜叶片,识别准确率达到了99.4%,模型能够有效识别缺素症状之间的差别,满足油菜叶片缺素图像的高精度识别要求,适用范围广,为作物叶片缺素判别提供可靠依据。(4)油菜叶片检测软件设计。使用Py QT5搭建软件界面,集成叶片形态学参数提取模型与油菜缺素诊断模型。在PC端利用Py QT5界面设计软件和Python编程语言集成了叶片形态学参数提取模型与油菜缺素诊断模型。该软件具有提取叶片的参数和对油菜叶片进行缺素诊断功能。用户只需选择电脑上的图像,并点击相应操作按钮,就能得到结果。软件界面简洁,操作简单,结果准确,为用户提供一种对于油菜叶片的快速无损检测工具。本文设计了一套油菜叶片监测系统,搭建油菜叶片图像采集装置,采集油菜图像。结合叶片语义分割模型,建立油菜叶片形态学特征提取模型和油菜缺素诊断模型。该研究是油菜生长状况的无损监测技术的新探索,为油菜智能监测提供新思路与技术支撑。
油菜直播机组无人播种作业远程监测系统设计与试验
这是一篇关于油菜,远程监测,数据传输,播种状态图,电控液压改装的论文, 主要内容为油菜直播机组无人播种过程中的田间播种质量数据对于评估田间播种效果、提高油菜播种智能化水平具有重要的意义。为解决直播机组无人播种作业过程中难以实时直观展示田间播种质量信息的问题,设计了一套油菜直播机组无人播种作业远程监测系统,实现了直播机组的无人播种作业和对田间播种质量信息的采集存储、可视化展示,并进行了路面与田间试验。具体研究内容和结论如下:(1)构建了油菜直播机组无人播种作业系统。本文以雷沃804拖拉机及其搭载的2BYQ-8型气送式油菜直播机为试验平台,设计了系统总体方案并阐明其工作原理,确定了拖拉机转向、档位、离合、悬挂机构的电控改装方案,通过加装电磁控制阀组、液压缸和霍尔接近开关等部件实现对液压改装机构的闭环控制;分别设计并封装了拖拉机转向和液压机构控制箱,开发液压机构闭环控制策略;设计了直播机组无人播种作业导航路径,并确定播种机具控制方法。路面试验表明,该系统可实现基于油菜直播机组的无人播种作业,电控液压机构运行稳定,满足无人播种作业需求。(2)设计了无人播种作业数据采集系统。为实现对播种质量数据与导航定位数据的融合同步,设计了数据采集系统总体结构,采用车载路由器组建车载局域网融合播种和定位数据,进行数据采集系统硬件设计,开展了播种监测终端、传感装置的外壳、检测电路原理图和PCB电路板的设计,设计并开发了数据同步采集软件程序,融合播种和定位数据进行云存储,最后设计了无人播种作业数据包,保证监测数据的安全、高效传输。播量检测准确率台架试验表明:当排种频率在20Hz～40Hz范围内,数据采集系统播量检测准确率不低于96.81%,并且试验过程中未发生堵塞情况。(3)设计了播种作业质量监测云平台。为直观展示油菜田间播种状态信息,确定了播种监测云平台总体结构,开展了云平台数据库、服务器和网页端的设计,进行播种数据存储数据表设计,设计了云服务器并部署web Socket网络服务,设计了云平台网页界面,确定了播种状态图生成方法,进行田间播种质量数据计算,构建了直播机与各通道播种位置映射模型,生成田间作业区域的播种状态图,并分析了状态图显示效果。(4)开展了无人播种作业远程监测系统试验。为验证无人播种作业系统实际作业效果,开展了路面试验,试验表明,油菜直播机组可对无人作业导航路径进行跟踪,播种执行机构可配合完成无人播种作业,其中播种作业段跟踪横向平均偏差为0.037m,最大偏差为0.125m。开展了数据采集系统的数据传输实时性测试,测试结果表明,车载计算机与云平台之间最大数据传输时延不超过100ms,满足数据传输实时性要求。开展了播量检测准确率台架试验,试验结果表明,排种频率在20Hz～40Hz范围内,播量检测准确率不低于96.81%,且未发生堵塞情况。进行了状态图生成田间试验,田间试验表明,拖拉机电控液压改装系统运行稳定、可靠;田间检测播量准确率不低于96.16%;田间数据传输时延不超过100ms,传输实时性较高;播种作业远程监测系统具有较高稳定性,播种状态图能有效反映田间实际播种效果。
氮肥和钾肥配合施用对油菜冠层生长的影响及其潜在机制研究
这是一篇关于油菜,氮钾配施,产量,冠层光合,冠层光、氮分布,氮形态的论文, 主要内容为油菜(Brassica napus L.)是我国重要的油料作物。油菜生产中存在重施氮肥、轻施钾肥的现象,然而油菜主产区高强度轮作及雨热同期,土壤钾素被大量带走,致使氮钾肥不平衡施用限制了油菜产量潜力的发挥。氮钾配施是提高油菜产量的重要农艺技术措施之一,冠层作为作物光合作用的主要场所,解析氮钾配施对油菜冠层生长及光合能力的影响对于深入挖掘油菜产量潜力、提高氮肥利用率具有重要的理论和实践意义。本研究采用氮钾互作田间试验(包含4个氮肥用量:0、90、180和270 kg N/hm2和2个钾肥用量:0和120 kg K2O/hm2,共8个处理),研究通过两年的田间试验明确了氮钾配施对油菜产量和肥料利用效率的影响,进一步从冠层生长、光合能力,冠层内光、氮分布和氮素分配等角度,初步解析了氮钾配施提高产量的生理机制。主要结果如下:(1)氮钾配施显著提高了油菜产量、地上部养分吸收和肥料利用率。与不施氮钾肥相比,氮钾配施处理油菜产量、地上部氮和钾养分积累量分别提高了1.2-4.7倍、2.3-6.8倍和4.0-5.3倍,显著高于单施氮肥或钾肥处理。在钾供应不足时(K0),施氮后油菜平均增产率为89.5%,而在钾供应充足(K120)条件下,氮肥施用后平均增产率高达214.0%。与不施钾处理相比,氮肥回收利用率提高了9.4-32.5个百分点;与不施氮相比,保证氮供应充足(N180和N270),钾肥回收效率增加了42.1-51.3个百分点。保证钾肥施用时,达到区域平均产量的氮肥用量减少了25.4%-30.5%。在本试验条件下适宜的氮钾配施量分别为180 kg N/hm2和120 kg K2O/hm2。(2)氮钾配施改善了油菜冠层的生长和光合能力,维持了冠层温度的稳定。油菜各生育时期的光合面积、净光合速率和冠层温度日较差与油菜生物量和产量显著相关。在越冬期、薹期、花期和角果期叶面积或角果皮面积指数每增加0.1,油菜籽粒产量可分别提高67.7、45.8、33.5和30.7 kg/hm2;在越冬期、薹期和角果期净光合速率每增加1μmol m-2 s-1,籽粒产量可分别提高88.3、56.1和348.9kg/hm2;在越冬期、薹期、花期和角果期冠层温度日较差每增加1℃,籽粒产量分别减少599.1、719.4、509.9和369.5 kg/hm2。在整个生育期内,与N0K0处理相比,N180K120处理光合器官面积和净光合速率分别平均提高了80.4%和66.6%,冠层温度日较差平均降低了7.0%。(3)适宜氮用量下(N180)保证钾的供应能改善薹期冠层叶片结构,增加冠层光截获,协调氮素利用。与N0K0处理相比,N180K120处理油菜中、下部冠层光透射率分别降低了74.6%和96.4%,显著提高了冠层光截获;随着氮供应增加,冠层光衰减系数(KL)、冠层单位面积叶片氮含量(SLN)逐渐增大,氮素衰减系数(KN)却下降,导致光氮协调性(KN/KL)相对变差。但相较于施氮肥不施钾肥,氮钾配施后油菜SLN、KN和KN/KL分别提高了66.0%、43.8%和15.5%,其中KN/KL的提高是由于钾的供应促使冠层下部叶片氮,尤其是水溶性蛋白氮向上、中部叶片转移,同时改善了脂溶蛋白氮的分布,从而充分发挥氮素营养功能,促进光、氮协调利用。而拟合关系表明,在保证氮供应(N180和N270)条件下,KN/KL与油菜净光合速率和生物量呈显著正相关。综上所述,氮钾配施提高了冠层光合能力、优化了冠层光、氮分布与氮素分配从而促进了油菜冠层生长、提高了油菜产量和肥料利用效率。
油菜直播机组无人播种作业远程监测系统设计与试验
这是一篇关于油菜,远程监测,数据传输,播种状态图,电控液压改装的论文, 主要内容为油菜直播机组无人播种过程中的田间播种质量数据对于评估田间播种效果、提高油菜播种智能化水平具有重要的意义。为解决直播机组无人播种作业过程中难以实时直观展示田间播种质量信息的问题,设计了一套油菜直播机组无人播种作业远程监测系统,实现了直播机组的无人播种作业和对田间播种质量信息的采集存储、可视化展示,并进行了路面与田间试验。具体研究内容和结论如下:(1)构建了油菜直播机组无人播种作业系统。本文以雷沃804拖拉机及其搭载的2BYQ-8型气送式油菜直播机为试验平台,设计了系统总体方案并阐明其工作原理,确定了拖拉机转向、档位、离合、悬挂机构的电控改装方案,通过加装电磁控制阀组、液压缸和霍尔接近开关等部件实现对液压改装机构的闭环控制;分别设计并封装了拖拉机转向和液压机构控制箱,开发液压机构闭环控制策略;设计了直播机组无人播种作业导航路径,并确定播种机具控制方法。路面试验表明,该系统可实现基于油菜直播机组的无人播种作业,电控液压机构运行稳定,满足无人播种作业需求。(2)设计了无人播种作业数据采集系统。为实现对播种质量数据与导航定位数据的融合同步,设计了数据采集系统总体结构,采用车载路由器组建车载局域网融合播种和定位数据,进行数据采集系统硬件设计,开展了播种监测终端、传感装置的外壳、检测电路原理图和PCB电路板的设计,设计并开发了数据同步采集软件程序,融合播种和定位数据进行云存储,最后设计了无人播种作业数据包,保证监测数据的安全、高效传输。播量检测准确率台架试验表明:当排种频率在20Hz～40Hz范围内,数据采集系统播量检测准确率不低于96.81%,并且试验过程中未发生堵塞情况。(3)设计了播种作业质量监测云平台。为直观展示油菜田间播种状态信息,确定了播种监测云平台总体结构,开展了云平台数据库、服务器和网页端的设计,进行播种数据存储数据表设计,设计了云服务器并部署web Socket网络服务,设计了云平台网页界面,确定了播种状态图生成方法,进行田间播种质量数据计算,构建了直播机与各通道播种位置映射模型,生成田间作业区域的播种状态图,并分析了状态图显示效果。(4)开展了无人播种作业远程监测系统试验。为验证无人播种作业系统实际作业效果,开展了路面试验,试验表明,油菜直播机组可对无人作业导航路径进行跟踪,播种执行机构可配合完成无人播种作业,其中播种作业段跟踪横向平均偏差为0.037m,最大偏差为0.125m。开展了数据采集系统的数据传输实时性测试,测试结果表明,车载计算机与云平台之间最大数据传输时延不超过100ms,满足数据传输实时性要求。开展了播量检测准确率台架试验,试验结果表明,排种频率在20Hz～40Hz范围内,播量检测准确率不低于96.81%,且未发生堵塞情况。进行了状态图生成田间试验,田间试验表明,拖拉机电控液压改装系统运行稳定、可靠;田间检测播量准确率不低于96.16%;田间数据传输时延不超过100ms,传输实时性较高;播种作业远程监测系统具有较高稳定性,播种状态图能有效反映田间实际播种效果。
油菜铁、硼胁迫高光谱巡检系统研究
这是一篇关于油菜,铁、硼胁迫,巡检系统,高光谱的论文, 主要内容为微量元素铁、硼是影响油菜生长发育的重要因子,铁和硼的缺乏制约了油菜的产量和品质。因此,对油菜铁、硼缺乏症状的监测,是其栽培管理中的应有之义。而现阶段的农作物微量元素含量诊断主要是依靠人工视觉与经验的形态诊断方法,已逐渐不能满足精准农业的要求。近年来,光谱技术在植被农学参数估测方面的研究日益增多,而关于油菜缺素检测的研究主要集中在大量元素氮、磷、钾上,对油菜微量元素缺乏症状的自动化检测方法上的研究较少,同时缺乏相配合的田间智能巡检装备。基于此,本研究搭建了基于ROS(Robot Operating System)与STM32(Italian Semiconductor 32-bit Series Microcontroller Chip)的高光谱巡检系统;建立了基于机器学习算法的油菜铁、硼胁迫光谱数据分类模型;集成开发了田间装置运动控制与油菜光谱特征识别软件系统。主要工作结果如下:(1)本研究基于阿克曼式小车搭建了巡检系统运动机构,基于ROS与STM32搭建了小车运动控制系统,实现了“远程客户端—工控机—STM32主控板—驱动机构”的控制流程,能实现直行、转弯、线速度与角速度调节等基本控制要求,试验证明其指令延迟小于0.2s,可以满足田间巡检工作的需求。(2)利用支持向量机(Support Vector Machine,SVM)与线性判别分析(Linear Discriminant Analysis,LDA)两种分类识别方法对全波段的甘蓝型油菜叶面光谱数据进行分类识别,试验证明基于全波段光谱数据的SVM模型可以很好的识别健康油菜叶片与铁、硼元素缺乏的油菜叶片,但对于缺铁叶片与缺硼叶片之间的识别准确率还有待提高;其中以多元散射校正(Multiplicative Scatter Correction,MSC)作为预处理方法的LDA模型为甘蓝型油菜铁、硼缺乏症状的最佳判别技术。(3)分别使用连续投影算法(Successive Projections Algorithm,SPA)与竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS)对油菜叶片光谱数据进行特征波段筛选,其中SPA共选择出18个特征波长,CARS共选择出33个特征波长。采用依据SPA、CARS筛选出的2个特征波长子集进行MSC-SPALDA与MSC-CARS-LDA建模判别,结果证明MSC-CARS-LDA模型是本试验中识别准确率最高的模型。(4)利用Matlab GUI、Robotics System Toolbox工具与ROS操作系统,设计并实现了一个油菜铁硼胁迫光谱巡检软件系统。整合了巡检系统运动控制、光谱数据异常值筛除、光谱预处理、油菜光谱数据分类建模等功能,同时开发了数据可视化、事务处理记录显示等软件功能。本研究所建立的巡检系统能较好地适应田间油菜光谱巡检工作的需要,开发的油菜铁、硼胁迫光谱分类识别模型能达到较高的识别准确率,并建立了软件平台以方便用户操作。本文工作为油菜铁、硼缺乏症状的高光谱识别提供了前期实践基础,同时可为农作物营养状态田间监测技术的开发提供参考。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码驿站 ，原文地址：https://bishedaima.com/lunwen/54507.html
