發(fā)布時(shí)間：2021-04-21 18:40

　　秋葵是我國(guó)常見的食用作物,具有高營(yíng)養(yǎng)價(jià)值和觀賞價(jià)值,其品種繁多,產(chǎn)地遍布亞洲、歐洲、北美洲、非洲和澳洲。不同品種秋葵的環(huán)境抗性存在較大差異,因此在本地化育種栽培過程中,往往需要借助表型信息篩選高產(chǎn)量秋葵品種。目前在生產(chǎn)和育種篩選上,對(duì)于作物表型的無損檢測(cè)技術(shù)有著迫切的需求。傳統(tǒng)作物表型參數(shù)的獲取依靠人工測(cè)量,人力成本高、時(shí)效性差且測(cè)量結(jié)果易受主觀判斷的影響。高光譜成像技術(shù)是一種非破壞性且快速高效的分析手段,近幾年在植物表型分析領(lǐng)域發(fā)揮著越來越重要的作用。在利用光譜技術(shù)分析植物表型過程中,根據(jù)不同作物開發(fā)魯棒性強(qiáng)的算法是作物表型測(cè)量和分析的關(guān)鍵所在。此外,結(jié)合光譜成像技術(shù)解析的表型信息,能有效地減少環(huán)境因素的干擾,也是實(shí)現(xiàn)精細(xì)化生產(chǎn)和育種篩選的關(guān)鍵技術(shù)。本研究針對(duì)秋葵育種栽培中的植株定位、表型信息獲取和耐鹽性檢測(cè)等重要問題,基于光譜成像、圖像處理和數(shù)學(xué)建模技術(shù),采用圖像分割、高光譜特征波長(zhǎng)提取、光譜圖像信息融合、層次聚類等理論方法,實(shí)現(xiàn)了對(duì)秋葵表型參數(shù)的快速檢測(cè),應(yīng)用表型信息和光譜信息實(shí)現(xiàn)多品種秋葵耐鹽性水平快速分類,主要研究成果如下:（1）鹽脅迫下秋葵生理生化機(jī)理研究為探究鹽脅迫對(duì)秋葵... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：95 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
Abstract
主要英文縮寫表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究進(jìn)展
        1.2.1 國(guó)內(nèi)鹽堿地概述
        1.2.2 鹽害對(duì)作物產(chǎn)量、品質(zhì)的影響
        1.2.3 秋葵種質(zhì)資源及其利用
        1.2.4 傳統(tǒng)育種表型的獲取
        1.2.5 高光譜成像技術(shù)在作物表型中的應(yīng)用
        1.2.6 圖像深度學(xué)習(xí)及其在作物表型中的應(yīng)用
    1.3 研究目的和內(nèi)容
    1.4 論文內(nèi)容安排
第二章 材料與方法
    2.1 試驗(yàn)材料
        2.1.1 秋葵栽培
        2.1.2 苗期鹽處理
        2.1.3 生理生化值測(cè)量
    2.2 試驗(yàn)儀器
        2.2.1 高光譜成像系統(tǒng)
        2.2.2 SPAD測(cè)量?jī)x
        2.2.3 便攜式光合儀
        2.2.4 生物量的測(cè)定
        2.2.5 葉片元素含量測(cè)定
    2.3 高光譜圖像處理方法
        2.3.1 秋葵光譜圖像數(shù)據(jù)集標(biāo)注
        2.3.2 基于策略搜索的注意力機(jī)制的級(jí)聯(lián)式實(shí)例分割算法
        2.3.3 基于光譜曲線的SPAD值預(yù)測(cè)模型
        2.3.4 基于最大均值差異的秋葵耐鹽性評(píng)估
    2.4 本章小結(jié)
第三章 鹽脅迫對(duì)秋葵理化值變化特性影響研究
    3.1 引言
    3.2 鹽脅迫對(duì)秋葵理化值變化特性影響
        3.2.1 鹽脅迫對(duì)秋葵生物量的影響
        3.2.2 鹽脅迫對(duì)秋葵葉片SPAD值的影響
        3.2.3 鹽脅迫對(duì)秋葵葉片光合參數(shù)的影響
        3.2.4 鹽脅迫對(duì)秋葵葉片元素含量影響
    3.3 基于理化性質(zhì)和光譜特性的秋葵聚類分析
        3.3.1 基于生理參數(shù)的秋葵耐鹽性分析
        3.3.2 基于高光譜成像技術(shù)的秋葵耐鹽性分析
    3.4 本章小結(jié)
第四章 基于高光譜成像技術(shù)的鹽脅迫下秋葵表型獲取技術(shù)研究
    4.1 引言
    4.2 基于深度學(xué)習(xí)的秋葵光譜圖像分割
        4.2.1 語義分割試驗(yàn)結(jié)果
        4.2.2 實(shí)例分割試驗(yàn)結(jié)果
    4.3 作物像素?cái)?shù)和生物量建模
    4.4 基于光譜曲線的SPAD值預(yù)測(cè)模型
    4.5 光譜圖像信息融合
    4.6 本章小結(jié)
第五章 結(jié)論與展望
    5.1 主要結(jié)論
    5.2 主要?jiǎng)?chuàng)新點(diǎn)
    5.3 進(jìn)一步展望
參考文獻(xiàn)
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于稱重式蒸滲儀及多種傳感器的作物表型及蒸散監(jiān)測(cè)系統(tǒng)研制[J]. 劉艷萍,杜雅麗,聶銘君,薛緒掌,張馨,鄭文剛,崔可旺.  農(nóng)業(yè)工程學(xué)報(bào). 2019(01)
[2]葉綠素?zé)晒饧夹g(shù)在植物表型分析的研究進(jìn)展[J]. 岑海燕,姚潔妮,翁海勇,徐海霞,朱月明,何勇.  光譜學(xué)與光譜分析. 2018(12)
[3]基于深度學(xué)習(xí)的森林蟲害無人機(jī)實(shí)時(shí)監(jiān)測(cè)方法[J]. 孫鈺,周焱,袁明帥,劉文萍,駱有慶,宗世祥.  農(nóng)業(yè)工程學(xué)報(bào). 2018(21)
[4]黃秋葵育種及其研究前景[J]. 徐碧珍,沈文杰,李育軍,植石燦,秦樹香,吳彩玉.  長(zhǎng)江蔬菜. 2018(20)
[5]基于自適應(yīng)判別深度置信網(wǎng)絡(luò)的棉花病蟲害預(yù)測(cè)[J]. 王獻(xiàn)鋒,張傳雷,張善文,朱義海.  農(nóng)業(yè)工程學(xué)報(bào). 2018(14)
[6]基于深度學(xué)習(xí)的植物病蟲害圖像識(shí)別[J]. 安強(qiáng)強(qiáng),張峰,李趙興,張雅瓊.  農(nóng)業(yè)工程. 2018(07)
[7]基于高光譜圖像的龍眼葉片葉綠素含量分布模型[J]. 岳學(xué)軍,凌康杰,洪添勝,甘海明,劉永鑫,王林惠.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(08)
[8]基于機(jī)器視覺的溫室大棗表型特征測(cè)量[J]. 文懷興,王春普,黃正祥.  江蘇農(nóng)業(yè)科學(xué). 2018(06)
[9]基于機(jī)器視覺的大田植株生長(zhǎng)動(dòng)態(tài)三維定量化研究[J]. 朱冰琳,劉扶桑,朱晉宇,郭焱,馬韞韜.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(05)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)提取多尺度分層特征識(shí)別玉米雜草[J]. 王璨,武新慧,李志偉.  農(nóng)業(yè)工程學(xué)報(bào). 2018(05)

碩士論文
[1]基于機(jī)器視覺與黃板誘導(dǎo)的有翅昆蟲統(tǒng)計(jì)識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D]. 周瑤.重慶大學(xué) 2017
[2]基于高光譜成像技術(shù)的不同品種羊肉識(shí)別方法研究[D]. 楊曉忱.寧夏大學(xué) 2015
[3]基于機(jī)器視覺的葡萄表型特征測(cè)量[D]. 翟鵬.上海交通大學(xué) 2014



本文編號(hào)：3152281