基于表型特征的玉米干旱识别
发布时间：2021-02-06 02:04
干旱是影响玉米生产的重要灾种,创新玉米旱情监测预警途径,意义重大。本研究基于玉米表型特征和BP神经网络对玉米干旱进行识别,以探究玉米干旱识别新方法,为提高玉米干旱监测识别水平奠定基础。本研究利用可见光成像方式采集不同干旱胁迫下的玉米图像,通过编程从玉米图像中提取表型特征变量,以多个BP神经网络集成学习的方法构建玉米不同生长发育阶段的干旱识别模型,识别不同程度干旱胁迫下的玉米植株。研究结果表明:玉米形态特征是识别干旱的最有效特征,颜色和纹理特征在玉米生长中后期是识别干旱的重要特征。不同程度干旱胁迫下,玉米表型特征差异性明显,无旱和特旱胁迫下玉米的表型特征最具独特性,因而模型对玉米无旱和特旱程度的识别度高。玉米出苗-拔节、拔节-抽雄和抽雄-成熟3个生长发育阶段的干旱识别模型识别玉米干旱的准确率均在90%以上,出苗-拔节、拔节-抽雄2个生长发育阶段的模型识别玉米不同干旱程度的误差在0.015以下,而抽雄-成熟生长发育阶段的模型识别玉米不同干旱程度的误差相对较高,在0.020.05之间。出苗-拔节生长发育阶段的模型识别玉米不同干旱程度的精度均在97%以上,拔节-抽雄生长发...
【文章来源】：中国农业科学院北京市
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
技术路线图
中国农业科学院硕士学位论文 第二章 材料与方法化自动提取。2.4.2 图像分割方法图像分割是玉米表型特征变量提取过程中的首要环节，能否完整得将玉米植株分割出来，直接决定玉米表型特征变量提取的准确性。常用的图像分割方法多是基于边缘、区域、图论、阈值等（Sourav et al., 2016），经试验得知，基于边缘、区域和图论的分割方法不适用于玉米植株图像的分割，效果较差，因此最终选用颜色阈值法对玉米植株进行分割。颜色阈值分割法通过设定颜色阈值来划分分割的前景点和背景点，对于绿色特征明显的玉米植株，可以通过设定像素 G 分量分别与 R 分量和 B 分量的差值阈值，判断图像中每个像素点的属性，将属于植株区域的绿色像素点保留，其余像素点颜色值设为 0，即可得到背景为纯黑色的玉米植株分割图像（Ispiryan et al.,2013），如图 2 所示。玉米植株在生长前期茎基部会出现红色部分，而在生长后期由于干旱胁迫会导致叶片变黄，对于植株红色和黄色部分的分割，同样可以采用颜色阈值法提取像素点。
中国农业科学院硕士学位论文 第二章 材料与方法特征与土壤干旱的相关性。另外，利用 MATLAB 对提取的原始玉米表型特征数据集进行主成分分析，将原始多维的表型特征变量降低为若干维度的主成分变量（Mishra et al., 2017），利用前 维的主成分数据做 3 维空间图，观察玉米出苗-拔节、拔节-抽雄、抽雄-成熟 3 个生长阶段不同干旱胁迫下玉米植株的表性特征差异性。2.6 神经网络模型构建方法2.6.1 模型结构设计与训练方法采用 BP 神经网络集成学习的方式构建玉米干旱识别模型，主要包括初级网络和次级网络，初级网络由 5 个平行的 BP 神经网络构成，次级网络为 1 个 BP 神经网络。原始训练集随机分为 等份用于初级网络的训练，初级网络中第 1 个 BP 神经网络的初始权值为[-1,1]之间的随机数，其训练结束后的最终权值作为第 2 个 BP 神经网络的初始权值，以此类推，直到 5 个 BP 神经网络全部训练结束，输出 5 组预测值作为新的输入变量，对次级 BP 神经网络进行训练，得到最终预测结果，具体训练流程如图 5 所示，具体的预设训练参数如表 4 所示。
【参考文献】：
期刊论文
[1]国内外干旱监测评估信息化建设现状分析及建议[J]. 苏志诚,孙洪泉. 中国防汛抗旱. 2017(03)
[2]基于多特征融合的玉米前期图像的旱情识别[J]. 路志英,刘书辰,宫志宏. 激光与光电子学进展. 2017(08)
[3]基于深度相机的玉米株型参数提取方法研究[J]. 宗泽,郭彩玲,张雪,马丽,刘刚,弋景刚. 农业机械学报. 2015(S1)
[4]基于优化PROSAIL叶倾角分布函数的玉米LAI反演方法[J]. 苏伟,郭皓,赵冬玲,刘婷,张明政. 农业机械学报. 2016(03)
[5]农业干旱监测研究进展与展望[J]. 刘宪锋,朱秀芳,潘耀忠,李双双,刘焱序. 地理学报. 2015(11)
[6]我国农业旱情监测技术现状及发展趋势分析[J]. 吴冬平. 自然灾害学报. 2015(04)
[7]基于图像处理的玉米叶片特征提取与识别系统[J]. 邓立苗,唐俊,马文杰. 中国农机化学报. 2014(06)
[8]一种图像敏感对象的识别方法[J]. 张永梅,吴攀,李炜. 计算机测量与控制. 2014(07)
[9]基于颜色矩的图像检索算法研究[J]. 张少博,全书海,石英,杨阳,李云路,程姝. 计算机工程. 2014(06)
[10]基于超像素的互惠最近邻聚类彩色图像分割[J]. 罗学刚,吕俊瑞,王华军,黄伟. 广西大学学报(自然科学版). 2013(02)
硕士论文
[1]基于图像处理的玉米叶部抗旱性特征提取研究[D]. 陈浩.西北农林科技大学 2015
[2]玉米自交系抗旱性鉴定指标体系研究[D]. 李运朝.河北农业大学 2004
本文编号：3019962
【文章来源】：中国农业科学院北京市
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
技术路线图
中国农业科学院硕士学位论文 第二章 材料与方法化自动提取。2.4.2 图像分割方法图像分割是玉米表型特征变量提取过程中的首要环节，能否完整得将玉米植株分割出来，直接决定玉米表型特征变量提取的准确性。常用的图像分割方法多是基于边缘、区域、图论、阈值等（Sourav et al., 2016），经试验得知，基于边缘、区域和图论的分割方法不适用于玉米植株图像的分割，效果较差，因此最终选用颜色阈值法对玉米植株进行分割。颜色阈值分割法通过设定颜色阈值来划分分割的前景点和背景点，对于绿色特征明显的玉米植株，可以通过设定像素 G 分量分别与 R 分量和 B 分量的差值阈值，判断图像中每个像素点的属性，将属于植株区域的绿色像素点保留，其余像素点颜色值设为 0，即可得到背景为纯黑色的玉米植株分割图像（Ispiryan et al.,2013），如图 2 所示。玉米植株在生长前期茎基部会出现红色部分，而在生长后期由于干旱胁迫会导致叶片变黄，对于植株红色和黄色部分的分割，同样可以采用颜色阈值法提取像素点。
中国农业科学院硕士学位论文 第二章 材料与方法特征与土壤干旱的相关性。另外，利用 MATLAB 对提取的原始玉米表型特征数据集进行主成分分析，将原始多维的表型特征变量降低为若干维度的主成分变量（Mishra et al., 2017），利用前 维的主成分数据做 3 维空间图，观察玉米出苗-拔节、拔节-抽雄、抽雄-成熟 3 个生长阶段不同干旱胁迫下玉米植株的表性特征差异性。2.6 神经网络模型构建方法2.6.1 模型结构设计与训练方法采用 BP 神经网络集成学习的方式构建玉米干旱识别模型，主要包括初级网络和次级网络，初级网络由 5 个平行的 BP 神经网络构成，次级网络为 1 个 BP 神经网络。原始训练集随机分为 等份用于初级网络的训练，初级网络中第 1 个 BP 神经网络的初始权值为[-1,1]之间的随机数，其训练结束后的最终权值作为第 2 个 BP 神经网络的初始权值，以此类推，直到 5 个 BP 神经网络全部训练结束，输出 5 组预测值作为新的输入变量，对次级 BP 神经网络进行训练，得到最终预测结果，具体训练流程如图 5 所示，具体的预设训练参数如表 4 所示。
【参考文献】：
期刊论文
[1]国内外干旱监测评估信息化建设现状分析及建议[J]. 苏志诚,孙洪泉. 中国防汛抗旱. 2017(03)
[2]基于多特征融合的玉米前期图像的旱情识别[J]. 路志英,刘书辰,宫志宏. 激光与光电子学进展. 2017(08)
[3]基于深度相机的玉米株型参数提取方法研究[J]. 宗泽,郭彩玲,张雪,马丽,刘刚,弋景刚. 农业机械学报. 2015(S1)
[4]基于优化PROSAIL叶倾角分布函数的玉米LAI反演方法[J]. 苏伟,郭皓,赵冬玲,刘婷,张明政. 农业机械学报. 2016(03)
[5]农业干旱监测研究进展与展望[J]. 刘宪锋,朱秀芳,潘耀忠,李双双,刘焱序. 地理学报. 2015(11)
[6]我国农业旱情监测技术现状及发展趋势分析[J]. 吴冬平. 自然灾害学报. 2015(04)
[7]基于图像处理的玉米叶片特征提取与识别系统[J]. 邓立苗,唐俊,马文杰. 中国农机化学报. 2014(06)
[8]一种图像敏感对象的识别方法[J]. 张永梅,吴攀,李炜. 计算机测量与控制. 2014(07)
[9]基于颜色矩的图像检索算法研究[J]. 张少博,全书海,石英,杨阳,李云路,程姝. 计算机工程. 2014(06)
[10]基于超像素的互惠最近邻聚类彩色图像分割[J]. 罗学刚,吕俊瑞,王华军,黄伟. 广西大学学报(自然科学版). 2013(02)
硕士论文
[1]基于图像处理的玉米叶部抗旱性特征提取研究[D]. 陈浩.西北农林科技大学 2015
[2]玉米自交系抗旱性鉴定指标体系研究[D]. 李运朝.河北农业大学 2004
本文编号：3019962
本文链接：https://www.wllwen.com/kejilunwen/nykj/3019962.html
