發(fā)布時(shí)間：2021-02-06 02:04

　　干旱是影響玉米生產(chǎn)的重要災(zāi)種,創(chuàng)新玉米旱情監(jiān)測(cè)預(yù)警途徑,意義重大。本研究基于玉米表型特征和BP神經(jīng)網(wǎng)絡(luò)對(duì)玉米干旱進(jìn)行識(shí)別,以探究玉米干旱識(shí)別新方法,為提高玉米干旱監(jiān)測(cè)識(shí)別水平奠定基礎(chǔ)。本研究利用可見光成像方式采集不同干旱脅迫下的玉米圖像,通過(guò)編程從玉米圖像中提取表型特征變量,以多個(gè)BP神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的方法構(gòu)建玉米不同生長(zhǎng)發(fā)育階段的干旱識(shí)別模型,識(shí)別不同程度干旱脅迫下的玉米植株。研究結(jié)果表明:玉米形態(tài)特征是識(shí)別干旱的最有效特征,顏色和紋理特征在玉米生長(zhǎng)中后期是識(shí)別干旱的重要特征。不同程度干旱脅迫下,玉米表型特征差異性明顯,無(wú)旱和特旱脅迫下玉米的表型特征最具獨(dú)特性,因而模型對(duì)玉米無(wú)旱和特旱程度的識(shí)別度高。玉米出苗-拔節(jié)、拔節(jié)-抽雄和抽雄-成熟3個(gè)生長(zhǎng)發(fā)育階段的干旱識(shí)別模型識(shí)別玉米干旱的準(zhǔn)確率均在90%以上,出苗-拔節(jié)、拔節(jié)-抽雄2個(gè)生長(zhǎng)發(fā)育階段的模型識(shí)別玉米不同干旱程度的誤差在0.015以下,而抽雄-成熟生長(zhǎng)發(fā)育階段的模型識(shí)別玉米不同干旱程度的誤差相對(duì)較高,在0.02⁰.05之間。出苗-拔節(jié)生長(zhǎng)發(fā)育階段的模型識(shí)別玉米不同干旱程度的精度均在97%以上,拔節(jié)-抽雄生長(zhǎng)發(fā)... 

【文章來(lái)源】：中國(guó)農(nóng)業(yè)科學(xué)院北京市

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線圖

中國(guó)農(nóng)業(yè)科學(xué)院碩士學(xué)位論文 第二章 材料與方法化自動(dòng)提取。2.4.2 圖像分割方法圖像分割是玉米表型特征變量提取過(guò)程中的首要環(huán)節(jié)，能否完整得將玉米植株分割出來(lái)，直接決定玉米表型特征變量提取的準(zhǔn)確性。常用的圖像分割方法多是基于邊緣、區(qū)域、圖論、閾值等（Sourav et al., 2016），經(jīng)試驗(yàn)得知，基于邊緣、區(qū)域和圖論的分割方法不適用于玉米植株圖像的分割，效果較差，因此最終選用顏色閾值法對(duì)玉米植株進(jìn)行分割。顏色閾值分割法通過(guò)設(shè)定顏色閾值來(lái)劃分分割的前景點(diǎn)和背景點(diǎn)，對(duì)于綠色特征明顯的玉米植株，可以通過(guò)設(shè)定像素 G 分量分別與 R 分量和 B 分量的差值閾值，判斷圖像中每個(gè)像素點(diǎn)的屬性，將屬于植株區(qū)域的綠色像素點(diǎn)保留，其余像素點(diǎn)顏色值設(shè)為 0，即可得到背景為純黑色的玉米植株分割圖像（Ispiryan et al.,2013），如圖 2 所示。玉米植株在生長(zhǎng)前期莖基部會(huì)出現(xiàn)紅色部分，而在生長(zhǎng)后期由于干旱脅迫會(huì)導(dǎo)致葉片變黃，對(duì)于植株紅色和黃色部分的分割，同樣可以采用顏色閾值法提取像素點(diǎn)。

中國(guó)農(nóng)業(yè)科學(xué)院碩士學(xué)位論文 第二章 材料與方法特征與土壤干旱的相關(guān)性。另外，利用 MATLAB 對(duì)提取的原始玉米表型特征數(shù)據(jù)集進(jìn)行主成分分析，將原始多維的表型特征變量降低為若干維度的主成分變量（Mishra et al., 2017），利用前 維的主成分?jǐn)?shù)據(jù)做 3 維空間圖，觀察玉米出苗-拔節(jié)、拔節(jié)-抽雄、抽雄-成熟 3 個(gè)生長(zhǎng)階段不同干旱脅迫下玉米植株的表性特征差異性。2.6 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建方法2.6.1 模型結(jié)構(gòu)設(shè)計(jì)與訓(xùn)練方法采用 BP 神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的方式構(gòu)建玉米干旱識(shí)別模型，主要包括初級(jí)網(wǎng)絡(luò)和次級(jí)網(wǎng)絡(luò)，初級(jí)網(wǎng)絡(luò)由 5 個(gè)平行的 BP 神經(jīng)網(wǎng)絡(luò)構(gòu)成，次級(jí)網(wǎng)絡(luò)為 1 個(gè) BP 神經(jīng)網(wǎng)絡(luò)。原始訓(xùn)練集隨機(jī)分為 等份用于初級(jí)網(wǎng)絡(luò)的訓(xùn)練，初級(jí)網(wǎng)絡(luò)中第 1 個(gè) BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值為[-1,1]之間的隨機(jī)數(shù)，其訓(xùn)練結(jié)束后的最終權(quán)值作為第 2 個(gè) BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，以此類推，直到 5 個(gè) BP 神經(jīng)網(wǎng)絡(luò)全部訓(xùn)練結(jié)束，輸出 5 組預(yù)測(cè)值作為新的輸入變量，對(duì)次級(jí) BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到最終預(yù)測(cè)結(jié)果，具體訓(xùn)練流程如圖 5 所示，具體的預(yù)設(shè)訓(xùn)練參數(shù)如表 4 所示。

【參考文獻(xiàn)】：
期刊論文
[1]國(guó)內(nèi)外干旱監(jiān)測(cè)評(píng)估信息化建設(shè)現(xiàn)狀分析及建議[J]. 蘇志誠(chéng),孫洪泉.  中國(guó)防汛抗旱. 2017(03)
[2]基于多特征融合的玉米前期圖像的旱情識(shí)別[J]. 路志英,劉書辰,宮志宏.  激光與光電子學(xué)進(jìn)展. 2017(08)
[3]基于深度相機(jī)的玉米株型參數(shù)提取方法研究[J]. 宗澤,郭彩玲,張雪,馬麗,劉剛,弋景剛.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2015(S1)
[4]基于優(yōu)化PROSAIL葉傾角分布函數(shù)的玉米LAI反演方法[J]. 蘇偉,郭皓,趙冬玲,劉婷,張明政.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2016(03)
[5]農(nóng)業(yè)干旱監(jiān)測(cè)研究進(jìn)展與展望[J]. 劉憲鋒,朱秀芳,潘耀忠,李雙雙,劉焱序.  地理學(xué)報(bào). 2015(11)
[6]我國(guó)農(nóng)業(yè)旱情監(jiān)測(cè)技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)分析[J]. 吳冬平.  自然災(zāi)害學(xué)報(bào). 2015(04)
[7]基于圖像處理的玉米葉片特征提取與識(shí)別系統(tǒng)[J]. 鄧立苗,唐俊,馬文杰.  中國(guó)農(nóng)機(jī)化學(xué)報(bào). 2014(06)
[8]一種圖像敏感對(duì)象的識(shí)別方法[J]. 張永梅,吳攀,李煒.  計(jì)算機(jī)測(cè)量與控制. 2014(07)
[9]基于顏色矩的圖像檢索算法研究[J]. 張少博,全書海,石英,楊陽(yáng),李云路,程姝.  計(jì)算機(jī)工程. 2014(06)
[10]基于超像素的互惠最近鄰聚類彩色圖像分割[J]. 羅學(xué)剛,呂俊瑞,王華軍,黃偉.  廣西大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(02)

碩士論文
[1]基于圖像處理的玉米葉部抗旱性特征提取研究[D]. 陳浩.西北農(nóng)林科技大學(xué) 2015
[2]玉米自交系抗旱性鑒定指標(biāo)體系研究[D]. 李運(yùn)朝.河北農(nóng)業(yè)大學(xué) 2004



本文編號(hào)：3019962