1 江苏省农业科学院农业信息研究所, 江苏 南京 210014
2 江苏省农业科学院植物保护研究所, 江苏 南京 210014
3 中国科学院地理科学与资源研究所, 北京 100101
4 江苏省农业科学院农业信息研究所, 江苏 南京 210014江苏大学农业工程学院, 江苏 镇江 212013
油菜菌核病为土传病害, 发病早期叶片无可见症状, 从植株表面很难发现。 用叶片的普通光谱图像或RGB图像无法对其进行识别。 采用高光谱图像作为监测技术, 结合深度学习模型构建油菜菌核病发病早期识别模型, 并取得了较好的识别效果。 以油菜菌核病为研究对象, 采用菌丝块接种法, 在油菜根部诱发病害。 分别于发病后第2、 5、 7、 9天采集发病油菜植株和健康植株光谱图像。 对高光谱图像去除背景、 S-G光谱曲线平滑处理、 剪切、 分割等处理后构建模型训练测试数据集。 以Resnet50深度学习模型为基础, 通过增加特征图数量, 减小第1层卷积核大小来提高模型对油菜菌核病发病早期的识别能力。 通过交叉验证、 模型结构改进前后识别能力对比、 模型泛化能力测试等, 验证了改进模型的识别能力和泛化能力。 Resnet50模型结构改进前后, 对油菜菌核病发病早期的识别正确率分别是66.79%、 83.78%和88.66%, 改进后模型的识别正确率分别提高了16.99%和4.88%, 模型的识别精度和召回率也得到很大提高。 所提出的识别模型平均识别正确率为88.66%, 精度和召回率达到83%以上, 只有对发病第7天的召回率为79.04%。 把构建的多分类模型设定为是否受病害胁迫的二分类模型, 则模型的正确率97.97%, 精度99.19%, 召回率98.02%, 同时, 模型对第9天测试集的识别正确率达到91.25%。 改进后的Resnet50模型可有效保留数据的光谱特征和局部特征, 使模型对油菜菌核病发病早期的识别能力显著提高。 该模型对发病1周内的油菜菌核病严重程度具有较好的识别能力。 对是否发病的识别能力更高, 模型识别正确率、 精度和召回率均达到97.97%以上。 模型对油菜菌核病发病早期识别具有很好识别能力和泛化能力。 因此, 该模型可综合利用高光谱图像的光谱和图像特征, 解决油菜菌核病发病早期无症状、 识别困难的问题; 也可为基于高光谱或多光谱图像的农作物病害早期识别技术的发展提供参考。
深度卷积神经网络 高光谱图像 油菜菌核病 早期诊断 Deep convolution neural network Hyperspectral imaging Sclerotinia stem rot on oilseed rape Early recognition Resnet50 Resnet50 光谱学与光谱分析
2023, 43(7): 2220
辐射研究与辐射工艺学报
2023, 41(6): 060401
1 南昌大学空间科学与技术研究院，江西 南昌 330031
2 南昌大学信息工程学院，江西 南昌 330031
在大区域尺度实现快速、精确的作物产量估测对我国粮食安全、作物种植结构调整、进出口贸易等具有重要意义。遥感技术的发展为农业估产领域带来了新的技术和手段。以湖北省油菜为研究对象，针对如何利用有限的地面观测数据进行大区域范围油菜产量估测的问题，结合遥感数据和气象数据，通过WOFOST模型进行数据同化，模拟油菜生长过程中的叶面积指数（LAI）变化，提取油菜关键生长期的LAI，以弥补大区域尺度数据的不足。之后，利用LAI作为中间量构建基于GF-1 WFV数据的大区域尺度油菜估产算法。研究发现，油菜蕾苔期和花期的综合LAI能够实现提前、准确的油菜产量预估，在蕾苔期SR植被指数与LAI相关性最好，在花期则是可见光大气阻抗（VARIgreen）植被指数与LAI相关性最好。为了验证估产算法的有效性和鲁棒性，在阳新县进行了测试。结果表明，与统计年鉴的产量数据相比估产误差低于6%，说明所提算法在大区域尺度油菜估产领域具有很强的潜力。
遥感 WOFOST模型 油菜 高分一号卫星影像 叶面积指数 产量 激光与光电子学进展
2023, 60(10): 1028009
1 湖南农业大学 a. 农学院
2 湖南农业大学 b. 商学院, 长沙 410128
3 2. 国家油料作物改良中心湖南分中心, 长沙 410128
为了实现单株油菜叶面积“无损、高精确度和高效率”的测量目标, 提出了一套综合运用图像处理法、叶面积仪法、系数回归法(叶长宽积, 以下缩写为L×W)和纸样称重法四种方法的单叶累加测量策略, 并开展了相应的实证研究。测量精确度分析结果表明, 图像处理法、叶面积仪法、系数回归法(L×W)均可实现油菜叶面积的田间无损精确测量, 其中测量精确度图像处理法最高, 叶面积仪法次之, 系数回归法(L×W)最低, 测量误差分别为2.94%、4.47%、6.01%。图像处理法测量叶面积, 对于因拍摄角度差异造成的测量误差不明显。同一方法不同生育期建立相应校正模型更有利于精确的测量。测量效率分析结果表明, 叶面积仪法测量效率最高, 系数回归法(L×W)次之, 图像处理法最低, 但在人力可接受范畴内。结合不同生育期叶数和叶形特点, 并科学处理“高精确度”和“高效率”之间的关系, 制订了一个测量方案, 叶宽大于12 cm的长柄叶主要通过图像处理法进行测量, 叶宽小于12?cm的短柄叶、无柄叶主要以叶面积仪法测量, 所有叶通过系数回归法(L×W)测量, 用于少数残缺或漏测叶片的补充及对其他方法测量结果作对比分析, 通过纸样称重法校正模型进行校正。该方案可为单株油菜叶面积田间无损测量提供技术支撑。
油菜叶面积 无损测量 图像处理法 叶面积仪法 系数回归法(L×W) rape leaf area non-destructive measurement image processing method leaf area meter method coefficient regression method (L×W)
湖南农业大学农学院/中国南方粮油作物协同创新中心, 湖南 长沙 410128
油菜是我国第一大国产植物油来源, 大田生产中需要施加适量的微肥以提高产量和品质。 筛选出一种可提高油菜产量的微肥配方需要经过复杂的大田统计和产量测定, 因此构建出能快速筛选微肥的模型十分重要。 以高油酸油菜“帆鸣1号”为试验材料, 使用地物波谱仪测定了不同微肥条件下全生育期的光谱反射率, 并用乙醇提取法准确测定叶绿素含量。 将光谱反射率、 叶绿素含量和最终产量性状两两间进行相关性分析。 产量测定表明, 施加微肥可以提高油菜产量和蕾薹期时叶绿素的含量, 使单株产量最高提高2%。 光谱参数与叶绿素相关性分析表明, 蕾薹期时叶绿素含量与光谱参数550和720 nm相关性较高, 表明蕾薹期光谱参数可用于预测产量进而筛选出能提高油菜产量的微肥。 叶绿素含量和产量相关性分析表明, 蕾薹期时, 叶绿素含量与产量相关性较高。 光谱参数与产量相关分析表明, 550和720 nm的光谱反射率与产量之间均呈显著负相关性。 光谱参数与产量相关分析表明, 550和720 nm的反射率与产量之间均呈显著负相关性。 综合分析施肥量、 光谱参数、 产量和叶绿素变化可知, 蕾薹时光谱参数550和720 nm与产量相关系数模拟的线性方程可用于微肥的筛选, 线性方程分别为y=-32.362x+33.097, y=4.069 5x+35.386, y=28.849x+23.735, y=-19.023x+31.005, y=12.447x+24.586, R2均大于0.6。 综合分析施肥量、 光谱参数、 产量和叶绿素变化, 油菜生长至蕾薹期时光谱参数550和720 nm与产量相关系数模拟的线性方程R2≥0.6时的微肥配比可以使产量提升。 本研究结果表明, 蕾薹期光谱参数可用于预测产量进而筛选出能提高油菜产量的微肥, 可增加样本量进一步检测相关性并开展后续验证。 鉴于地物波谱检测技术具有过程高效, 不使用化学试剂, 无需对样本进行破坏性取样, 成本低, 该模型的建立对开展大规模高油酸油菜微肥配方的快速筛选具有重要意义, 为筛选油菜微肥和促进油菜产量研究提供了理论基础。
微肥 油菜 光谱反射率 叶绿素含量 产量 Microelement fertilizer Rape Spectral reflectance Chlorophyll content Yield 
为了实现油菜叶片中叶绿素含量的快速无损检测, 开发了手持式多光谱成像系统用于采集油菜叶片在460, 520, 660, 740, 840和940 nm 六个波段的光谱图像。 将一台能够采集可见光/近红外(380~1 023 nm)512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器, 将手持式多光谱成像系统作为目标仪器后, 采用伪逆法(pseudo-inverse method)求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F, 从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构, 提高了手持式设备的光谱分辨率。 运用偏最小二乘回归算法(PLSR)建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。 结果表明, 重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性, PLSR回归模型建模集的决定系数$R_c^2$为0.82, 建模集均方根误差RMESC为1.98, 预测集的决定系数$R_p^2$为0.78, 预测集均方根误差RMESP为1.50, RPD为2.14。 虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型($R_c^2$, RMESC, $R_p^2$, RMESP和RPD分别为0.90, 1.41, 0.82, 1.36和2.37), 但是明显优于基于原始多光谱成像系统4个波段(460, 520, 660和740 nm)反射率建立的PLSR模型得到的结果($R_c^2$, RMESC, $R_p^2$, RMESP和RPD分别为0.78, 2.06, 0.72, 1.85和1.88)。 表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度, 并且与室内高光谱成像系统相比, 开发的手持式设备具有体积小、 成本低廉和操作简便等优点, 可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。
油菜 叶绿素 手持式多光谱成像系统 多光谱图像 光谱重构 偏最小二乘回归 Oilseed rape Chlorophyll content Handheld multispectral imaging system Multispectral imaging Spectral reconstruction Partial least squares regression
1 湖南农业大学农学院, 长沙 410128
2 南方粮油作物协同创新中心, 长沙 410128
在双低品质的基础上提高油酸含量是目前油菜脂肪酸改良的热点。传统品质检测和育种后代材料筛选均存在周期长、操作难、工作量大、专业性强等显著弊端。本文综述了油菜品质性状特点以及光谱技术应用的国内外研究进展, 表明利用光谱技术可以对油菜生育时期的营养器官进行油酸和其他脂肪酸含量的检测, 为高油酸油菜品质评价提供了快速的数据支撑, 进而为筛选育种材料、缩短品种选育周期、提高检测效率、降低检测成本、简化操作流程等目标构建新的技术途径, 具有重要的现实意义和指导作用。
油菜 光谱技术 高油酸 高光谱 品质检测 rape spectral technique high oleic acid hyperspectral quality inspection
安徽农业大学信息与计算机学院智慧农业技术与装备安徽省重点实验室, 安徽 合肥 230036
为自动识别油菜田间的杂草,提出基于Faster R-CNN深度网络的油菜田间杂草识别方法,利用COCO数据集的深度网络模型进行迁移训练。首先,以自然环境条件下的油菜与杂草图像为样本,利用Faster R-CNN深度网络模型共享卷积特征,对比VGG-16、ResNet-50和ResNet-101这3种特征提取网络的结果;该方法还与采用3种相同特征提取网络的SSD深度网络模型进行对比。结果表明,基于VGG-16的Faster R-CNN深度网络模型在油菜与杂草目标识别中具有明显的优势,其油菜与杂草的目标识别精确度可达83.90%,召回率达到78.86%,F1值为81.30%。该深度学习方法能够有效实现油菜与杂草目标的准确、高效识别,为多类型杂草目标识别的研究提供了参考。
机器视觉 深度学习 Faster R-CNN深度网络 目标识别 油菜与杂草图像 激光与光电子学进展
2020, 57(2): 021508
1 湖南农业大学植物激素与生长发育湖南省重点实验室, 长沙 410128
2 湖南农业大学生物科学技术学院, 长沙 410128
3 湖南农业大学农学院, 长沙 410128
以遗传背景相似、种子颜色不同的5个甘蓝型油菜品系为材料, 研究甘蓝型油菜种子发育过程中玉米素核苷(ZR)、生长素(IAA)和脱落酸(ABA)含量的动态变化及其对籽粒产量和油脂成分的影响。结果表明, 开花授粉后10~20 d, ZR呈上升趋势, 其中黄籽中ZR较黑籽积累更快含量更高, IAA在籽粒中大量积累; 开花授粉后20~25 d, 黄籽中的IAA含量均显著高于黑籽; ABA浓度先呈上升趋势, 逐渐积累ABA, 之后开始又稍有下降然后维持在一定水平。授粉后10 d油菜籽粒油酸含量逐步升高, 黄籽中的油酸、亚油酸含量均显著高于黑籽, 黄籽含油量极显著高于黑籽, 说明籽粒发育前期和中期较高浓度的ZR和IAA有利于油酸、亚油酸和油脂的积累。
黄籽油菜 植物激素 脂肪酸 油脂 千粒重 yellow-seeded oilrape pytohormone fatty acid oil thousand grain weigth
1 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
2 农业农村部光谱学重点实验室, 浙江 杭州 310058
3 浙江大学现代光仪器国家重点实验室, 浙江 杭州 310058
4 金华职业技术学院, 浙江 金华 321017
将热红外成像技术和低空遥感技术相结合, 基于冠层和叶片两个尺度对菌核病侵染油菜的过程进行检测研究。 从冠层尺度分析, 首先获取整株样本的温度值（平均温度与最大温差）, 并采集其生理指数（气孔导度、 CO2浓度、 蒸腾速率及光合速率）。 然后, 将染病样本与健康样本的温度值进行判别分析, 并对其进行单因素方差分析。 从结果可知, 平均温度和最大温差值都可以对染病样本与健康样本进行区分, 且最大温差相较平均温度结果较明显。 同时单因素方差分析也显示, 最大温差三次检测中均存在显著性差异。 对获取的生理指数进行分析, 发现染病样本与健康样本之间可以通过生理指数进行明显区分。 另外, 将生理指数与叶片温度进行相关性分析, 结果表明二氧化碳浓度与叶片温度之间的三次检测均存在显著性差异。 基于叶片尺度, 首先从单一叶片来看健康区域和染病区域的温度差异, 可以明显区分出染病区域和健康区域的温度差异。 然后, 提取健康区域与染病区域的的温度值（最大温度、 最小温度、 平均温度以及最大温差）对进行对比分析, 并对其进行单因素方差分析。 结果表明, 以上四个温度指标均可以区分叶片的染病区域和健康区域。 但根据单因素方差分析结果可知, 与冠层尺度相同, 最大温差三次检测中均存在显著性差异, 可以实现对油菜菌核病的早期识别。
热红外成像 油菜菌核病 气孔导度 Grab Cut算法 Thermal infrared imaging Sclerotinia stem rot of oilseed rape Stomatal conductance Grab Cut algorithm
