为探究水分胁迫下冬小麦冠层反射率在各生育期响应叶片叶绿素变化的特性, 针对2020年—2021年小麦生长季11个品种(分为强、 一般和弱3个抗旱性品系), 设置了2次灌溉(拔节、 扬花)、 1次灌溉(冬季、 返青、 拔节、 拔节后7天和拔节后14天)以及无灌溉总共3个水分梯度处理, 分析了叶绿素与反射率之间的相关性, 利用波长随机组合方式［简单比值(SRSI)、 简单差值(SDSI)和归一化(NDSI)］与线性拟合方法, 筛选了对叶绿素最为敏感的窄波段光谱指数。 结果表明： (1)所有品系叶绿素含量在各生育期均差异显著, 从拔节到灌浆大致表现为降低─升高─降低态势, 但冬季和返青期灌溉处理下的抗旱性一般品系、 以及返青期灌溉处理下的抗旱性较差品系除外; (2)随着发育进程推移和品种抗旱性减弱, 不同处理间在近红外区域的冠层反射率差距逐渐增大。 (3)叶绿素与窄波段光谱指数的线性拟合决定系数高值区集中在绿(445～591 nm)和红边(701～755 nm)波段。 抗旱性较强品系和抗旱性较差品系的SRSI指数均在开花期反演叶绿素的精度最高, 分别达0.762和0.811; 抗旱性一般品系的NDSI指数在灌浆期精度最高, 为0.732。 该研究对于揭示水分胁迫下叶绿素变化的反射率响应在冬小麦各关键生育期以及品种间差异等, 具有一定参考价值, 可为基于无人机载高光谱技术的抗旱小麦品种高效筛选奠定基础。

病害严重影响作物品质, 并造成经济损失。 病斑分割是病害定量诊断的重要过程, 其分割结果可为后续的识别和严重度估算提供有效依据。 由于病斑具有不规则性和复杂性, 且自然环境下病斑可见光谱图像易受光照变化等影响, 传统的图像处理方法对病斑图像分割存在准确率低、 普适性低和鲁棒性不高等问题。 该工作提出了基于语义分割和可见光谱图像的作物叶部病害病斑分割方法。 首先, 以花生褐斑病、 烟草赤星病为研究对象, 使用尼康D300s单反相机共采集到165张可见光谱图像。 通过Matlab Image Labeler APP对病害可见光谱图像进行像素标记, 分别标记出褐斑病病斑、 赤星病病斑和背景区域。 其次, 对标记后的数据采用水平翻转、 垂直翻转、 改变亮度等图像扩充方式, 获得1 850份增强后样本数据集。 为了节约计算成本, 将数据集的像素分辨率调整为300×300。 最后, 基于FCN, SegNet和U-Net 3种语义分割网络, 构建4 种作物叶部病害病斑分割模型, 探索了数据增强、 病害类别对病斑分割模型的影响, 并采用4种分割指标评价模型效果。 结果表明: 仅对于病斑分割, 图像增强能够提高模型的分割精度, 增强后FCN模型的平均精度(MP)和平均交并比(MIoU)分别为95.71%和93.36%。 4个语义分割模型显著优于支持向量机(SVM), 其中FCN与U-Net, SegNet-2和SegNet-4分割模型相比, 能够有效避免光线变化等影响, 病斑分割精度(P)和交并比(IoU)分别达到99.25%和97.55%。 对于病斑分类分割实验, FCN对两种病害的分割精度Pd分别达到97.54%和90.41%, 对两种病害的交并比IOUd分别为95.61%和70.30%, 均优于其他3种分割模型。 FCN能够在分割病斑的同时也准确地识别病害类别, 有较好的泛化性和鲁棒性, 实现了自然场景下作物叶部病害病斑的识别与分割, 为计算混合病害严重度提供了技术参考。

分蘖数是表征冬小麦生长的关键性参数, 对于冬小麦苗情监测、 产量预估具有重要意义。 针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题, 提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法, 以期实现冬小麦分蘖数无损快速估算, 并且可嵌入移动终端设备。 可见光图像具有获取便捷, 处理简单的特点, 利用数码相机连续采集2017年-2018年和2018年-2019年两个生长季的冬小麦冠层可见光图像。 利用该数据图像, 分别构建基于轻量级卷积神经网络MobileNetV2, SqueezeNett, ShuffleNet的冬小麦分蘖数估算模型进行比较试验, 并与基于非轻量级卷积神经网络AlexNet和ResNet系列构建的估算模型进行对比试验。 开展冬小麦分蘖数估算模型针对不同植株密度数据的鲁棒性以及针对不同生长季数据的泛化能力的验证试验。 结果表明, 基于MobileNetV2构建的冬小麦分蘖数估算模型的决定系数(R2)为0.7, 归一化均方根误差(NRMSE)为0.2, 在三个轻量级卷积神经网络中具有最优表现; 基于非轻量级卷积神经网络构建的冬小麦分蘖数估算模型体积是基于MobileNetV2构建的冬小麦分蘖数估算模型的2.3~16.1倍。 与非轻量级卷积神经网络相比较, 基于MobileNetV2构建的估算模型在具有较好R2的同时有较小的体量, 适宜嵌入移动终端设备; 针对120, 270和420 株·m-2三个不同植株密度的可见光图像数据集, 基于MobileNetV2构建的冬小麦分蘖数估算模型的R2分别为0.8, 0.8和0.7, 表现鲁棒; 针对两个生长季的可见光图像, 基于MobileNetV2构建的冬小麦分蘖数估算模型通过迁移学习将R2提升了2倍, NRMSE下降了7.6%, 表现出对数据季节性差异较好的适应性, 体现了模型的泛化能力。 利用可见光图像, 基于MobileNetV2构建的估算模型能够满足冬小麦分蘖数估算需求, 为冬小麦生长观测以及田间农艺措施管理决策提供了一个准确、 鲁棒、 可嵌入移动终端设备的工具。

温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件, 对于减少农药使用量、 提升温室黄瓜品质和农民经济效益具有重要意义。 机器学习在植物病害诊断领域的应用越来越广泛, 已经取得了丰富的研究成果, 病害严重程度的估算萌发了新的思路。 利用霜霉病可见光图像并结合机器学习方法, 开展温室黄瓜霜霉病严重度快速准确定量估算研究。 利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理, 剔除病害图像的背景。 以黄瓜霜霉病叶片图像为输入, 构建基于卷积神经网络（CNN）的估算模型。 利用可见光光谱颜色特征（CVCF）结合支持向量机进行温室黄瓜霜霉病病斑图像分割, 采用SURF（speeded up robust features）特征及形态学操作对分割结果进行优化。 在获取黄瓜霜霉病病斑分割图像后, 提取病斑图像RGB, HSV, L*a*b*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征, 以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、 相关性、 熵和平稳度4个纹理特征, 共计90个特征； 利用Pearson相关性分析进行特征优选, 采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型, 包括支持基于向量机回归（SVR）的估算模型和基于BP神经网络（BPNN）的估算模型。 基于以上3种估算模型开展黄瓜霜霉病严重度定量估算, 采用决定系数（R2）和归一化均方根误差（NRMSE）对估算模型准确率进行定量评价。 结果表明, 模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系, 其中, 基于CNN的估算模型准确率最高, 模型的R2为0.919 0, NRMSE为23.33%, 其次是基于BPNN的估算模型, 其R2为0.890 8, NRMSE为24.64%, 基于SVR的估算模型的准确率最低, 其R2为0.8901, NRMSE为31.08%。 研究结果表明, 利用黄瓜霜霉病可见光图像数据, 结合卷积神经网络估算模型, 实现了温室黄瓜霜霉病严重度的准确估算, 能够为温室黄瓜霜霉病的科学防治提供参考, 提高病害防治效率, 减少农药使用。

地上生物量是表征冬小麦苗期长势的重要参数之一, 对于监测冬小麦苗期长势, 预测产量具有重要的实际意义。 目前, 通过计算光谱指数进行生物量估算是冬小麦苗期地上生物量无损测量的主要方法, 但该方法需要一定的平台支撑, 在便捷性方面存在一定的不足。 为此, 利用可见光图像数据获取方便、 准确率高的特点, 基于冬小麦苗期冠层可见光图像数据开展冬小麦苗期地上生物量估算研究。 采用数码相机, 采集冬小麦苗期冠层可见光图像并利用Canopeo进行冬小麦冠层与背景的分割。 在获取冠层分割图像后, 提取了CC(canopy cover)、 ExG(excessg reen)、 ExR(excess red)、 ExGR(ExG-ExR)、 NGRDI(normalized green-red difference index)、 GLI(green leaf index)、 RGRI(red-green ratio index)和RGBVI(RGB vegetation index)共8个可见光图像特征。 利用相关性分析进行特征优选, 选择与冬小麦苗期地上生物量实测数据相关性较高的图像特征构建估算模型。 利用优选的图像特征, 分别构建偏最小二乘回归(PLSR)、 BP神经网络(BPNN)、 支持向量机回归(SVR)和随机森林(RF)模型, 开展冬小麦苗期地上生物量估算研究, 并定量分析特征数量和播种密度对估算模型准确率的影响。 结果表明, ExR, GLI和RGBVI与生物量实测数据相关性较低, 因此, 将这3个特征剔除。 CC, ExG, ExGR, NGRDI和RGRI与生物量实测数据的相关性较高, 其中CC, ExG和ExGR与生物量实测数据呈正相关, 而NGRDI和RGRI与生物量实测数据呈负相关。 利用优选的图像特征构建估算模型, 研究结果表明, 基于优选的5个图像特征, PLSR的估算准确率最高, 模型R2为0.801 5, RMSE为0.0788 kg·m-2, 表明PLSR能够实现冬小麦苗期地上生物量的准确估算。 特征数量是影响估算模型准确率的因素之一, 随着特征数量的减少, 模型估算的准确率逐步下降。 利用不同播种密度数据集对估算模型进行测试, 结果表明, PLSR在不同的播种密度数据集上均取得了最高的估算准确率, 模型R2分别为0.897, 0.827 9和0.788 6, RMSE分别为0.062, 0.072和0.079 1 kg·m-2, 表明PLSR估算的冬小麦苗期地上生物量数据与实测生物量数据之间具有良好的相关关系。 随着播种密度的增加, 所有估算模型的准确率均出现下降, 而PLSR的准确率下降程度最小。 由此可见, 基于可见光图像数据, 能够实现冬小麦苗期地上生物量的准确估算, 为冬小麦苗期田间管理提供参考。

针对温室现场环境下采集的黄瓜霜霉病叶片图像中存在光照不均匀和背景复杂的问题, 提出了一种基于可见光光谱和支持向量机的温室黄瓜霜霉病图像分割方法。 首先, 提出了一种基于可见光谱的颜色特征CVCF(combination of three visible color features)及其检测方法, 该颜色特征将超红特征(excess red, ExR)、 H分量和b*分量三种颜色特征结合, 通过设置ExR参数, 降低光照条件对ExR的影响, 克服了光照不均匀对病斑分割的影响。 在CVCF的基础上, 结合基于径向基核函数的支持向量机分类器, 通过优化分类器参数构建病斑分割模型, 获得了温室黄瓜霜霉病图像初始分割结果。 在初始分割结果基础上, 采用SURF(speeded up robust features)特征及形态学操作, 对分割结果进一步优化, 消除背景噪声对分割结果的影响, 从而获得最终病斑分割结果。 为进一步验证方法的有效性, 选择了OTSU算法、 K均值聚类算法和决策树算法, 作对比研究。 结果表明, OTSU+H*0.2, K-means+H+b*, DT+H+b*和该研究算法的错分率分别为: 19.44%, 40.19%, 16.27%和7.37%, 该算法对温室现场环境下采集的黄瓜霜霉病图像的分割效果明显优于其他对比方法。 该方法能够充分克服光照不均匀和复杂背景的影响准确地提取病斑, 为病害识别提供了良好的数据来源。