【摘要】：水稻作為我國(guó)主要的糧食作物和重要的經(jīng)濟(jì)作物,可持續(xù)增產(chǎn)一直是水稻育種研究的首要目標(biāo)。隨著我國(guó)人口數(shù)量的迅猛增長(zhǎng),稻米的消費(fèi)量也越來越高,人多地少的現(xiàn)狀還很難在短時(shí)間內(nèi)得到緩解,因此,高產(chǎn)品種水稻的選育也就成了田間水稻研究的重點(diǎn)。傳統(tǒng)的田間水稻產(chǎn)量測(cè)量方法大多采用的是有損的方式,即水稻收獲后,進(jìn)行脫粒,揚(yáng)凈,曬干和稱重等一系列步驟,然后折算出最終的產(chǎn)量。該方法耗時(shí)耗力,并且操作中極易由于操作失誤而引入人工誤差。而無損估產(chǎn)的方式大多采用田間氣象模型或者光譜指數(shù)法,通過提取具有代表性的氣象特征或者光譜因子,然后構(gòu)建合理的產(chǎn)量預(yù)測(cè)模型,但該方法的計(jì)算量較大,且需要依賴大量的外部數(shù)據(jù)支撐,實(shí)用價(jià)值不高。因此,快速而精準(zhǔn)的田間水稻估產(chǎn)仍然是現(xiàn)階段水稻研究的重點(diǎn)。本論文提出了一種基于圖像的田間水稻產(chǎn)量預(yù)估新方法。稻穗作為水稻重要的營(yíng)養(yǎng)生殖器官,稻穗的穗長(zhǎng)、穗粒數(shù)等表型性狀與其最終產(chǎn)量息息相關(guān)。因此,在基于圖像的水稻產(chǎn)量預(yù)估研究中,稻穗?yún)^(qū)域的精準(zhǔn)分割是產(chǎn)量預(yù)估的前提,也是最為關(guān)鍵一步。本研究首先采用數(shù)碼相機(jī)獲取田間不同角度的水稻小區(qū)高分辨圖像,然后利用深度學(xué)習(xí)技術(shù)設(shè)計(jì)并提出了三種不同的稻穗分割算法(即:Panicle-SEG,Panicle Net和Panicle Net v2),比較了三種分割算法在稻穗分割精度,召回率,F值,交并比和效率等方面的優(yōu)劣,同傳統(tǒng)的分割算法相比,基于深度學(xué)習(xí)的分割算法展現(xiàn)出了優(yōu)良的分割性能。對(duì)于分割好的水稻小區(qū)稻穗圖像,本文從三個(gè)角度進(jìn)行了稻穗的特征提取。首先是基于小區(qū)的尺度,重點(diǎn)提取了稻穗小區(qū)在顏色,紋理,形態(tài)以及一些尺度不變的特征描述。然后考察了單一稻穗的細(xì)節(jié)圖像特征,提取了稻穗的穗長(zhǎng)和稻穗面積。最后分析了單株水稻的谷�？挤N特征。本文的稻穗特征提取角度多樣,更加全面的提取了稻穗的特征描述。針對(duì)提取到的大量稻穗特征,本文探討了基于多種特征自變量組合情況下的回歸模型構(gòu)建方法。嘗試了包括線性和非線性模型在內(nèi)的不同模型構(gòu)建形式,分析對(duì)比了各個(gè)產(chǎn)量模型在回歸性能優(yōu)劣。從最終的產(chǎn)量預(yù)測(cè)結(jié)果來看,基于圖像的無損水稻估產(chǎn)方法為精準(zhǔn)的早期稻田估產(chǎn)提供了可能,并且其為深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)上的應(yīng)用提供了成功案例。這種早期的水稻估產(chǎn),使得農(nóng)戶能及時(shí)了解不同水稻田塊的產(chǎn)量豐缺情況,調(diào)整管理和培育措施,總結(jié)經(jīng)驗(yàn)與不足,分析影響產(chǎn)量的主要因素,為水稻測(cè)產(chǎn)和育種研究提供了一種新思路。
【圖文】：

圖 1.1 卷積神經(jīng)網(wǎng)絡(luò)中卷積層作用與計(jì)算原理Fig 1.1 Convolution layer function and computational principle in CNN個(gè)卷積核都會(huì)計(jì)算它們的權(quán)重與對(duì)應(yīng)相連的輸入特征圖像素的點(diǎn)積。這里算為卷積核上的權(quán)重值和特征圖上對(duì)應(yīng)區(qū)域中像素的灰度值相乘然后求和

輸入卷積層的寬度為 7，高度也為 7，那么當(dāng)采用步長(zhǎng)為 S 1，零填充P 0時(shí)，如圖1.2A 所示，卷積核會(huì)逐像素的在輸入特征圖上滑動(dòng)，第一次計(jì)算如紅色方框所示，第二次為藍(lán)色方框，第三次滑動(dòng)到綠色方框描述的區(qū)域。從左到右，從上到下滑動(dòng)完全部輸入特征圖后，其輸出的空域會(huì)比原圖的四周要少一個(gè)像素，即黑色虛線框描述。也就是說，采用步長(zhǎng)為 ，零填充 這種方式，卷積層的輸出大小不會(huì)改變太多，但是輸出會(huì)比輸入特征圖的空域少了一個(gè)卷積核的半徑。采用步長(zhǎng)為 S 2，零填充 時(shí)的情況如圖 1.2B 所示，由于步長(zhǎng)為 ，也就是卷積核會(huì)每隔一個(gè)像素在輸入的特征圖上滑動(dòng)，紅色方框，藍(lán)色方框和綠色分別展示了三次卷積計(jì)算的過程，，如圖 1.2B 所示，3×3 大小的特征圖為最終的輸出結(jié)果�？梢钥闯霾捎昧� S 1的卷積核之后
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：S511;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱德峰;張玉屏;陳惠哲;向鏡;張義凱;;中國(guó)水稻高產(chǎn)栽培技術(shù)創(chuàng)新與實(shí)踐[J];中國(guó)農(nóng)業(yè)科學(xué);2015年17期

2 Jingting Zhang;Liping Feng;Haiping Zou;De Li Liu;;Using ORYZA2000 to model cold rice yield response to climate change in the Heilongjiang province, China[J];The Crop Journal;2015年04期

3 程志強(qiáng);蒙繼華;;作物單產(chǎn)估算模型研究進(jìn)展與展望[J];中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào);2015年04期

4 趙春江;;農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2014年12期

5 趙鋒;王克儉;苑迎春;;基于顏色特征和AdaBoost算法的麥穗識(shí)別的研究[J];作物雜志;2014年01期

6 金三林;朱賢強(qiáng);;我國(guó)勞動(dòng)力成本上升的成因及趨勢(shì)[J];經(jīng)濟(jì)縱橫;2013年02期

7 章元;許慶;鄔t焧

本文編號(hào)：2588398