基于无人机近感的高通量田间作物几何表型研究
发布时间：2023-05-10 04:19
作物的基因型、环境因子及两者间的复杂相互作用,使得作物表型具有高度变异性。现代大型育种项目的育种群体通常包含上千小区,且重复分布在不同育种环境中。如何快速、准确和无损地获取田间环境下育种群体小区尺度上的表型参数,并将表型参数与基因型、环境因子进行关联分析,加速选育符合特定育种目标的新品种,已成为当前育种研究领域的迫切需求。高通量田间作物表型测定技术是满足这些需求的关键技术。利用无人机近感平台获取田间作物图像信息,并结合数字图像处理技术和表型数据分析方法,能够为高通量田间作物表型参数的提取、分析和评估提供有效的解决方案。本文的主要研究内容和结论如下:1.提出了利用无人机航拍图像高通量地估算作物株高的方法。分析现有文献中的基于无人机航拍图像估算田间作物株高的方法(点云法和参照地面法)所存在的局限性,基于数据融合的理念,将部分株高实测数据与无人机表型平台获取的航拍图像数据进行融合,提出并实现了新的基于无人机航拍图像高通量提取作物株高的方法(自校准法)。将此三种方法应用于估算大规模高粱育种群体小区(1440个小区)的株高,并将估算值与实测值比较,对三种方法的估算精度进行评估。结果表明,自校准法...
【文章页数】：109 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 引言
1.1 研究意义
1.2 国内外研究进展
1.2.1 作物表型研究的发展
1.2.2 高通量田间作物表型测定平台的构建
1.2.3 图像处理技术在高通量作物表型研究中的应用
1.2.4 无人机近感技术在高通量田间作物表型研究中的应用
1.3 主要内容
1.3.1 研究目标
1.3.2 研究内容
1.3.3 研究方案
1.3.4 技术路线
第二章 大田实验与冠层图像获取
2.1 大田高粱冠层无人机RGB航拍图像的获取
2.1.1 田间实验设计
2.1.2 高粱株高的田间测量
2.1.3 基于无人机近感平台的RGB航拍图像的获取
2.2 大田实验小区小麦冠层RGB图像获取
2.2.1 田间实验设计
2.2.2 利用手持数码相机获取实验小区的高分辨率RGB图像
第三章 图像处理的相关算法与软件
3.1 无人机航拍图像的三维重建
3.1.1 概述
3.1.2 参考坐标系与对极几何
3.1.3 图像特征点的提取与匹配
3.1.4 基于从运动恢复结构的稀疏重建
3.1.5 基于多视角立体视觉的稠密重建
3.1.6 DSM的生成
3.1.7 Pix4DMapper软件
3.2 空间插值算法
3.2.1 概述
3.2.2 常用的空间插值算法
3.3 常用图像插值算法的比较
3.3.1 概述
3.3.2 常用图像插值算法
3.3.3 三次样条插值
3.4 基于机器学习算法的图像像素分类
3.4.1 训练集的构建
3.4.2 关键颜色特征的筛选
3.4.3 像素分类模型的构建和二值图像的生成
第四章 基于无人机航拍图像的大田高粱株高估算
4.1 利用Pix4DMapper处理无人机航拍图像
4.2 小区分割
4.3 株高的估算和精度评估
4.3.1 冠层上边界的估算
4.3.2 基于点云法和自校准法的地面高程估算
4.3.3 基于株高实测数据和无人机航拍数据融合的地面高程估算
4.3.4 小区抽样策略对自校准法估算株高精度影响的评估
4.3.5 方法评估和统计分析
4.4 结果
4.4.1 株高实测值
4.4.2 三种株高估算方法精度的比较
4.4.3 自校准小区抽样策略对应用自校准法估算株高精度的影响
4.5 讨论
4.5.1 手动测量和无人机近感技术在株高定量化中的局限性
4.5.2 自校准法能够提高应用无人机航拍图像估算株高的精度
第五章 基于航拍模拟图像的植被覆盖度计算精度评估
5.1 基于三次样条插值的航拍模拟图像的生成
5.1.1 模拟图像像素大小水平的确定
5.1.2 利用三次样条插值生成航拍模拟图像
5.2 基于机器学习算法的冠层参照和航拍模拟图像像素分类
5.2.1 训练集的构建
5.2.2 像素分类模型的构建与应用
5.3 植被覆盖度的计算和精度评估与统计分析
5.3.1 植被覆盖度的计算
5.3.2 植被覆盖度计算精度评估与统计分析
5.4 结果
5.4.1 参照植被覆盖度的描述性分析
5.4.2 图像像素大小对作物植被覆盖度估算的影响
5.5 讨论
5.5.1 航拍模拟图像的像素大小影响植被覆盖度计算精度
5.5.2 像素大小影响实验处理间植被覆盖度差异显著性的判别
5.5.3 提高作物植被覆盖度计算精度的策略
第六章 结论与展望
6.1 主要结论
6.2 主要创新之处
6.3 存在的问题
6.4 研究展望
参考文献
附录
致谢
作者简介
本文编号：3813017
【文章页数】：109 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 引言
1.1 研究意义
1.2 国内外研究进展
1.2.1 作物表型研究的发展
1.2.2 高通量田间作物表型测定平台的构建
1.2.3 图像处理技术在高通量作物表型研究中的应用
1.2.4 无人机近感技术在高通量田间作物表型研究中的应用
1.3 主要内容
1.3.1 研究目标
1.3.2 研究内容
1.3.3 研究方案
1.3.4 技术路线
第二章 大田实验与冠层图像获取
2.1 大田高粱冠层无人机RGB航拍图像的获取
2.1.1 田间实验设计
2.1.2 高粱株高的田间测量
2.1.3 基于无人机近感平台的RGB航拍图像的获取
2.2 大田实验小区小麦冠层RGB图像获取
2.2.1 田间实验设计
2.2.2 利用手持数码相机获取实验小区的高分辨率RGB图像
第三章 图像处理的相关算法与软件
3.1 无人机航拍图像的三维重建
3.1.1 概述
3.1.2 参考坐标系与对极几何
3.1.3 图像特征点的提取与匹配
3.1.4 基于从运动恢复结构的稀疏重建
3.1.5 基于多视角立体视觉的稠密重建
3.1.6 DSM的生成
3.1.7 Pix4DMapper软件
3.2 空间插值算法
3.2.1 概述
3.2.2 常用的空间插值算法
3.3 常用图像插值算法的比较
3.3.1 概述
3.3.2 常用图像插值算法
3.3.3 三次样条插值
3.4 基于机器学习算法的图像像素分类
3.4.1 训练集的构建
3.4.2 关键颜色特征的筛选
3.4.3 像素分类模型的构建和二值图像的生成
第四章 基于无人机航拍图像的大田高粱株高估算
4.1 利用Pix4DMapper处理无人机航拍图像
4.2 小区分割
4.3 株高的估算和精度评估
4.3.1 冠层上边界的估算
4.3.2 基于点云法和自校准法的地面高程估算
4.3.3 基于株高实测数据和无人机航拍数据融合的地面高程估算
4.3.4 小区抽样策略对自校准法估算株高精度影响的评估
4.3.5 方法评估和统计分析
4.4 结果
4.4.1 株高实测值
4.4.2 三种株高估算方法精度的比较
4.4.3 自校准小区抽样策略对应用自校准法估算株高精度的影响
4.5 讨论
4.5.1 手动测量和无人机近感技术在株高定量化中的局限性
4.5.2 自校准法能够提高应用无人机航拍图像估算株高的精度
第五章 基于航拍模拟图像的植被覆盖度计算精度评估
5.1 基于三次样条插值的航拍模拟图像的生成
5.1.1 模拟图像像素大小水平的确定
5.1.2 利用三次样条插值生成航拍模拟图像
5.2 基于机器学习算法的冠层参照和航拍模拟图像像素分类
5.2.1 训练集的构建
5.2.2 像素分类模型的构建与应用
5.3 植被覆盖度的计算和精度评估与统计分析
5.3.1 植被覆盖度的计算
5.3.2 植被覆盖度计算精度评估与统计分析
5.4 结果
5.4.1 参照植被覆盖度的描述性分析
5.4.2 图像像素大小对作物植被覆盖度估算的影响
5.5 讨论
5.5.1 航拍模拟图像的像素大小影响植被覆盖度计算精度
5.5.2 像素大小影响实验处理间植被覆盖度差异显著性的判别
5.5.3 提高作物植被覆盖度计算精度的策略
第六章 结论与展望
6.1 主要结论
6.2 主要创新之处
6.3 存在的问题
6.4 研究展望
参考文献
附录
致谢
作者简介
本文编号：3813017
本文链接：https://www.wllwen.com/nykjlw/nygclw/3813017.html
