基于高光谱成像技术的秋葵表型参数检测研究
发布时间：2021-04-21 18:40
秋葵是我国常见的食用作物,具有高营养价值和观赏价值,其品种繁多,产地遍布亚洲、欧洲、北美洲、非洲和澳洲。不同品种秋葵的环境抗性存在较大差异,因此在本地化育种栽培过程中,往往需要借助表型信息筛选高产量秋葵品种。目前在生产和育种筛选上,对于作物表型的无损检测技术有着迫切的需求。传统作物表型参数的获取依靠人工测量,人力成本高、时效性差且测量结果易受主观判断的影响。高光谱成像技术是一种非破坏性且快速高效的分析手段,近几年在植物表型分析领域发挥着越来越重要的作用。在利用光谱技术分析植物表型过程中,根据不同作物开发鲁棒性强的算法是作物表型测量和分析的关键所在。此外,结合光谱成像技术解析的表型信息,能有效地减少环境因素的干扰,也是实现精细化生产和育种筛选的关键技术。本研究针对秋葵育种栽培中的植株定位、表型信息获取和耐盐性检测等重要问题,基于光谱成像、图像处理和数学建模技术,采用图像分割、高光谱特征波长提取、光谱图像信息融合、层次聚类等理论方法,实现了对秋葵表型参数的快速检测,应用表型信息和光谱信息实现多品种秋葵耐盐性水平快速分类,主要研究成果如下:（1）盐胁迫下秋葵生理生化机理研究为探究盐胁迫对秋葵...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
Abstract
主要英文缩写表
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究进展
1.2.1 国内盐碱地概述
1.2.2 盐害对作物产量、品质的影响
1.2.3 秋葵种质资源及其利用
1.2.4 传统育种表型的获取
1.2.5 高光谱成像技术在作物表型中的应用
1.2.6 图像深度学习及其在作物表型中的应用
1.3 研究目的和内容
1.4 论文内容安排
第二章 材料与方法
2.1 试验材料
2.1.1 秋葵栽培
2.1.2 苗期盐处理
2.1.3 生理生化值测量
2.2 试验仪器
2.2.1 高光谱成像系统
2.2.2 SPAD测量仪
2.2.3 便携式光合仪
2.2.4 生物量的测定
2.2.5 叶片元素含量测定
2.3 高光谱图像处理方法
2.3.1 秋葵光谱图像数据集标注
2.3.2 基于策略搜索的注意力机制的级联式实例分割算法
2.3.3 基于光谱曲线的SPAD值预测模型
2.3.4 基于最大均值差异的秋葵耐盐性评估
2.4 本章小结
第三章 盐胁迫对秋葵理化值变化特性影响研究
3.1 引言
3.2 盐胁迫对秋葵理化值变化特性影响
3.2.1 盐胁迫对秋葵生物量的影响
3.2.2 盐胁迫对秋葵叶片SPAD值的影响
3.2.3 盐胁迫对秋葵叶片光合参数的影响
3.2.4 盐胁迫对秋葵叶片元素含量影响
3.3 基于理化性质和光谱特性的秋葵聚类分析
3.3.1 基于生理参数的秋葵耐盐性分析
3.3.2 基于高光谱成像技术的秋葵耐盐性分析
3.4 本章小结
第四章 基于高光谱成像技术的盐胁迫下秋葵表型获取技术研究
4.1 引言
4.2 基于深度学习的秋葵光谱图像分割
4.2.1 语义分割试验结果
4.2.2 实例分割试验结果
4.3 作物像素数和生物量建模
4.4 基于光谱曲线的SPAD值预测模型
4.5 光谱图像信息融合
4.6 本章小结
第五章 结论与展望
5.1 主要结论
5.2 主要创新点
5.3 进一步展望
参考文献
作者简介
【参考文献】：
期刊论文
[1]基于称重式蒸渗仪及多种传感器的作物表型及蒸散监测系统研制[J]. 刘艳萍,杜雅丽,聂铭君,薛绪掌,张馨,郑文刚,崔可旺. 农业工程学报. 2019(01)
[2]叶绿素荧光技术在植物表型分析的研究进展[J]. 岑海燕,姚洁妮,翁海勇,徐海霞,朱月明,何勇. 光谱学与光谱分析. 2018(12)
[3]基于深度学习的森林虫害无人机实时监测方法[J]. 孙钰,周焱,袁明帅,刘文萍,骆有庆,宗世祥. 农业工程学报. 2018(21)
[4]黄秋葵育种及其研究前景[J]. 徐碧珍,沈文杰,李育军,植石灿,秦树香,吴彩玉. 长江蔬菜. 2018(20)
[5]基于自适应判别深度置信网络的棉花病虫害预测[J]. 王献锋,张传雷,张善文,朱义海. 农业工程学报. 2018(14)
[6]基于深度学习的植物病虫害图像识别[J]. 安强强,张峰,李赵兴,张雅琼. 农业工程. 2018(07)
[7]基于高光谱图像的龙眼叶片叶绿素含量分布模型[J]. 岳学军,凌康杰,洪添胜,甘海明,刘永鑫,王林惠. 农业机械学报. 2018(08)
[8]基于机器视觉的温室大枣表型特征测量[J]. 文怀兴,王春普,黄正祥. 江苏农业科学. 2018(06)
[9]基于机器视觉的大田植株生长动态三维定量化研究[J]. 朱冰琳,刘扶桑,朱晋宇,郭焱,马韫韬. 农业机械学报. 2018(05)
[10]基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 王璨,武新慧,李志伟. 农业工程学报. 2018(05)
硕士论文
[1]基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现[D]. 周瑶.重庆大学 2017
[2]基于高光谱成像技术的不同品种羊肉识别方法研究[D]. 杨晓忱.宁夏大学 2015
[3]基于机器视觉的葡萄表型特征测量[D]. 翟鹏.上海交通大学 2014
本文编号：3152281
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
Abstract
主要英文缩写表
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究进展
1.2.1 国内盐碱地概述
1.2.2 盐害对作物产量、品质的影响
1.2.3 秋葵种质资源及其利用
1.2.4 传统育种表型的获取
1.2.5 高光谱成像技术在作物表型中的应用
1.2.6 图像深度学习及其在作物表型中的应用
1.3 研究目的和内容
1.4 论文内容安排
第二章 材料与方法
2.1 试验材料
2.1.1 秋葵栽培
2.1.2 苗期盐处理
2.1.3 生理生化值测量
2.2 试验仪器
2.2.1 高光谱成像系统
2.2.2 SPAD测量仪
2.2.3 便携式光合仪
2.2.4 生物量的测定
2.2.5 叶片元素含量测定
2.3 高光谱图像处理方法
2.3.1 秋葵光谱图像数据集标注
2.3.2 基于策略搜索的注意力机制的级联式实例分割算法
2.3.3 基于光谱曲线的SPAD值预测模型
2.3.4 基于最大均值差异的秋葵耐盐性评估
2.4 本章小结
第三章 盐胁迫对秋葵理化值变化特性影响研究
3.1 引言
3.2 盐胁迫对秋葵理化值变化特性影响
3.2.1 盐胁迫对秋葵生物量的影响
3.2.2 盐胁迫对秋葵叶片SPAD值的影响
3.2.3 盐胁迫对秋葵叶片光合参数的影响
3.2.4 盐胁迫对秋葵叶片元素含量影响
3.3 基于理化性质和光谱特性的秋葵聚类分析
3.3.1 基于生理参数的秋葵耐盐性分析
3.3.2 基于高光谱成像技术的秋葵耐盐性分析
3.4 本章小结
第四章 基于高光谱成像技术的盐胁迫下秋葵表型获取技术研究
4.1 引言
4.2 基于深度学习的秋葵光谱图像分割
4.2.1 语义分割试验结果
4.2.2 实例分割试验结果
4.3 作物像素数和生物量建模
4.4 基于光谱曲线的SPAD值预测模型
4.5 光谱图像信息融合
4.6 本章小结
第五章 结论与展望
5.1 主要结论
5.2 主要创新点
5.3 进一步展望
参考文献
作者简介
【参考文献】：
期刊论文
[1]基于称重式蒸渗仪及多种传感器的作物表型及蒸散监测系统研制[J]. 刘艳萍,杜雅丽,聂铭君,薛绪掌,张馨,郑文刚,崔可旺. 农业工程学报. 2019(01)
[2]叶绿素荧光技术在植物表型分析的研究进展[J]. 岑海燕,姚洁妮,翁海勇,徐海霞,朱月明,何勇. 光谱学与光谱分析. 2018(12)
[3]基于深度学习的森林虫害无人机实时监测方法[J]. 孙钰,周焱,袁明帅,刘文萍,骆有庆,宗世祥. 农业工程学报. 2018(21)
[4]黄秋葵育种及其研究前景[J]. 徐碧珍,沈文杰,李育军,植石灿,秦树香,吴彩玉. 长江蔬菜. 2018(20)
[5]基于自适应判别深度置信网络的棉花病虫害预测[J]. 王献锋,张传雷,张善文,朱义海. 农业工程学报. 2018(14)
[6]基于深度学习的植物病虫害图像识别[J]. 安强强,张峰,李赵兴,张雅琼. 农业工程. 2018(07)
[7]基于高光谱图像的龙眼叶片叶绿素含量分布模型[J]. 岳学军,凌康杰,洪添胜,甘海明,刘永鑫,王林惠. 农业机械学报. 2018(08)
[8]基于机器视觉的温室大枣表型特征测量[J]. 文怀兴,王春普,黄正祥. 江苏农业科学. 2018(06)
[9]基于机器视觉的大田植株生长动态三维定量化研究[J]. 朱冰琳,刘扶桑,朱晋宇,郭焱,马韫韬. 农业机械学报. 2018(05)
[10]基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 王璨,武新慧,李志伟. 农业工程学报. 2018(05)
硕士论文
[1]基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现[D]. 周瑶.重庆大学 2017
[2]基于高光谱成像技术的不同品种羊肉识别方法研究[D]. 杨晓忱.宁夏大学 2015
[3]基于机器视觉的葡萄表型特征测量[D]. 翟鹏.上海交通大学 2014
本文编号：3152281
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3152281.html
