排序方式： 共有7条查询结果，搜索用时 15 毫秒
1
1.
基于深度全卷积神经网络的大田稻穗分割 总被引：9，自引：7，他引：2
稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。 相似文献
2.
根系是植物吸收水分的主要通道,根系表型与植物抗旱能力息息相关。为了快速准确地获取小麦根系表型指标,利用土培根盒法进行了小麦干旱胁迫实验,共采集18个时间点的根系时序图像。设计了一套基于深度学习的根系图像处理与分析流程,针对土壤遮蔽引起的断根问题,提出了一种融合目标检测网络和沙漏注意力网络的检测-修复两阶段断根修复方法,以修复根系断裂区域,并通过多尺度训练和自适应迭代法提高修复精度和鲁棒性。提取了小麦在干旱胁迫和对照处理下的根面积、总根长、根宽、根深、根宽深比、根密度6个表型性状,分析了小麦根系对干旱胁迫的表型响应。结果显示,干旱胁迫下,小麦会有更低的根系生物量、更深的根系扎根深度及更分散的根系构型。同时计算了小麦根系干旱胁迫耐受性指数,结合主成分分析法,对小麦品种的抗旱能力进行了描述和排序。 相似文献
3.
稻穗是水稻产量、干物质积累的最终表现,稻穗米粒粒型和谷粒饱满度对水稻遗传育种及功能基因解析具有重要意义。传统稻穗米粒粒型测量需要经过脱粒、脱壳步骤,不仅过程繁琐而且可能有损伤、可靠性差,而谷粒饱满度测量主要通过水沉法或风选法,无法实现定量测量。为了实现在不脱粒、不脱壳情况下无损观测稻穗内部米粒,提出一种测量稻穗米粒粒型和谷粒饱满度的新方法。采用X-ray透射成像方式获取稻穗射线吸收图,然后采用自动阈值分割、分水岭、图像标记等算法得到单颗米粒标记图像;再采用椭圆检测、边缘提取计算得到米粒的粒长、粒宽、粒面积。对100株稻穗图像做测试,结果表明粒长、粒宽平均测量误差MAPE分别为2.14%、3.45%。同时采用K-means和高斯混合模型聚类（GMM）算法识别出米粒对应的谷粒区域,基于二者面积的比值得到稻穗谷粒饱满度的定量测量结果,基于该结果可以准确识别稻穗中的实粒和瘪粒,为稻穗复杂性状测量研究提供了一种新的有效途径。 相似文献
4.
提出了基于深度信念网络的多品种生殖生育期水稻生物量无损检测方法。对在正常生长及干旱胁迫两个不同环境下的483个水稻品种,分别于胁迫前、胁迫后和复水后3个时间点进行图像采集。利用HSL颜色空间固定阈值分割法分割图像,并对处理后的图像进行特征提取,共提取57个特征值。对数据进行归一化处理后,构建基于深度信念网络的水稻生物量模型,根据决定系数R2、平均相对误差（MAPE）及相对误差绝对值的标准差（SAPE）选择最优模型,并与逐步线性回归模型进行比较。结果表明,基于深度信念网络的生物量测量模型性能更优,R2为0.9299,MAPE为11.19%,SAPE为18.36%。本研究提供了一种精度高且适用于多品种、不同生殖生育期、不同生长环境的水稻生物量无损检测模型,为水稻研究提供了新的测量工具。 相似文献
5.
作物表型的自动化检测对于现代化农作物培育具有重要意义。针对近些年该技术的快速发展,依托Patsnap全球专利数据库,基于分类号与关键词相结合的检索策略,共计获得3 977件作物表型自动化检测技术相关专利,分别从申请及授权概况、技术生命周期、技术创新地域分布、技术分支、主要创新主体、研发重点及海外专利布局等角度切入分析评估。结果显示：全球农作物表型自动化检测相关专利的申请量在整体上呈现出快速增加趋势,尤其是在2015年之后;从全球尺度来看,该领域的技术创新主要来源于在东亚和美国,其中中国和美国处于绝对领先位置;从国内分布来看,技术创新主要来源于京津冀、长三角和珠三角地区;技术创新主要涵盖模式识别、图像处理分析、系统集成、传感器应用和计算机建模应用等技术分支;该领域的创新主体以大型跨国公司和高校科研院所为主,国外创新主体相较于国内更加注重研发方向的多元化和海外专利布局。研究结果可为政府部门及相关研发机构提供参考借鉴。 相似文献
6.
[目的]对水稻卷叶进行分类识别,为研究水稻的抗旱性和实施自动化农业、精准农业提供技术支持.[方法]通过数字图像处理方法提取5个水稻特征数据,即水稻的周长面积比、水稻面积与水稻最小外接矩形的面积比、水稻的计盒维数、水稻面积与水稻凸包的面积比、水稻绿色部分面积占比;运用MATLAB构建BP神经网络,依据水稻特征数据对水稻卷叶进行分类识别.[结果]在提取的5个水稻特征数据中,有助于分类的特征包括水稻的周长与面积比、水稻面积与最小外接矩形面积比及水稻的绿色部分占比3个特征.在300组样本数据的分类中,总体样本分类正确率达96.47%,训练样本分类正确率达96.61%,验证样本分类正确率达96.17%,测试样本分类正确率达96.33%.因此,采用BP神经网络对水稻卷叶的识别程度高达90.00%以上,具有良好的分类效果.[建议]今后应对水稻卷叶的类别多分几类进行识别,还应将BP神经网络对水稻卷叶进行分类识别的过程实现自动化,并广泛应用于水稻的学术研究和现实生产. 相似文献
7.
基于深度学习的水稻表型特征提取和穗质量预测研究 总被引：6，自引：4，他引：2
水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度.以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征.结合深度学习,运用Faster R-CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水... 相似文献
1