作物的基因型、環(huán)境因子及兩者間的復(fù)雜相互作用,使得作物表型具有高度變異性�，F(xiàn)代大型育種項(xiàng)目的育種群體通常包含上千小區(qū),且重復(fù)分布在不同育種環(huán)境中。如何快速、準(zhǔn)確和無損地獲取田間環(huán)境下育種群體小區(qū)尺度上的表型參數(shù),并將表型參數(shù)與基因型、環(huán)境因子進(jìn)行關(guān)聯(lián)分析,加速選育符合特定育種目標(biāo)的新品種,已成為當(dāng)前育種研究領(lǐng)域的迫切需求。高通量田間作物表型測定技術(shù)是滿足這些需求的關(guān)鍵技術(shù)。利用無人機(jī)近感平臺獲取田間作物圖像信息,并結(jié)合數(shù)字圖像處理技術(shù)和表型數(shù)據(jù)分析方法,能夠?yàn)楦咄刻镩g作物表型參數(shù)的提取、分析和評估提供有效的解決方案。本文的主要研究內(nèi)容和結(jié)論如下:1.提出了利用無人機(jī)航拍圖像高通量地估算作物株高的方法。分析現(xiàn)有文獻(xiàn)中的基于無人機(jī)航拍圖像估算田間作物株高的方法(點(diǎn)云法和參照地面法)所存在的局限性,基于數(shù)據(jù)融合的理念,將部分株高實(shí)測數(shù)據(jù)與無人機(jī)表型平臺獲取的航拍圖像數(shù)據(jù)進(jìn)行融合,提出并實(shí)現(xiàn)了新的基于無人機(jī)航拍圖像高通量提取作物株高的方法(自校準(zhǔn)法)。將此三種方法應(yīng)用于估算大規(guī)模高粱育種群體小區(qū)(1440個(gè)小區(qū))的株高,并將估算值與實(shí)測值比較,對三種方法的估算精度進(jìn)行評估。結(jié)果表明,自校準(zhǔn)法...

【文章頁數(shù)】：109 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 引言
    1.1 研究意義
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 作物表型研究的發(fā)展
        1.2.2 高通量田間作物表型測定平臺的構(gòu)建
        1.2.3 圖像處理技術(shù)在高通量作物表型研究中的應(yīng)用
        1.2.4 無人機(jī)近感技術(shù)在高通量田間作物表型研究中的應(yīng)用
    1.3 主要內(nèi)容
        1.3.1 研究目標(biāo)
        1.3.2 研究內(nèi)容
        1.3.3 研究方案
        1.3.4 技術(shù)路線
第二章 大田實(shí)驗(yàn)與冠層圖像獲取
    2.1 大田高粱冠層無人機(jī)RGB航拍圖像的獲取
        2.1.1 田間實(shí)驗(yàn)設(shè)計(jì)
        2.1.2 高粱株高的田間測量
        2.1.3 基于無人機(jī)近感平臺的RGB航拍圖像的獲取
    2.2 大田實(shí)驗(yàn)小區(qū)小麥冠層RGB圖像獲取
        2.2.1 田間實(shí)驗(yàn)設(shè)計(jì)
        2.2.2 利用手持?jǐn)?shù)碼相機(jī)獲取實(shí)驗(yàn)小區(qū)的高分辨率RGB圖像
第三章 圖像處理的相關(guān)算法與軟件
    3.1 無人機(jī)航拍圖像的三維重建
        3.1.1 概述
        3.1.2 參考坐標(biāo)系與對極幾何
        3.1.3 圖像特征點(diǎn)的提取與匹配
        3.1.4 基于從運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)的稀疏重建
        3.1.5 基于多視角立體視覺的稠密重建
        3.1.6 DSM的生成
        3.1.7 Pix4DMapper軟件
    3.2 空間插值算法
        3.2.1 概述
        3.2.2 常用的空間插值算法
    3.3 常用圖像插值算法的比較
        3.3.1 概述
        3.3.2 常用圖像插值算法
        3.3.3 三次樣條插值
    3.4 基于機(jī)器學(xué)習(xí)算法的圖像像素分類
        3.4.1 訓(xùn)練集的構(gòu)建
        3.4.2 關(guān)鍵顏色特征的篩選
        3.4.3 像素分類模型的構(gòu)建和二值圖像的生成
第四章 基于無人機(jī)航拍圖像的大田高粱株高估算
    4.1 利用Pix4DMapper處理無人機(jī)航拍圖像
    4.2 小區(qū)分割
    4.3 株高的估算和精度評估
        4.3.1 冠層上邊界的估算
        4.3.2 基于點(diǎn)云法和自校準(zhǔn)法的地面高程估算
        4.3.3 基于株高實(shí)測數(shù)據(jù)和無人機(jī)航拍數(shù)據(jù)融合的地面高程估算
        4.3.4 小區(qū)抽樣策略對自校準(zhǔn)法估算株高精度影響的評估
        4.3.5 方法評估和統(tǒng)計(jì)分析
    4.4 結(jié)果
        4.4.1 株高實(shí)測值
        4.4.2 三種株高估算方法精度的比較
        4.4.3 自校準(zhǔn)小區(qū)抽樣策略對應(yīng)用自校準(zhǔn)法估算株高精度的影響
    4.5 討論
        4.5.1 手動(dòng)測量和無人機(jī)近感技術(shù)在株高定量化中的局限性
        4.5.2 自校準(zhǔn)法能夠提高應(yīng)用無人機(jī)航拍圖像估算株高的精度
第五章 基于航拍模擬圖像的植被覆蓋度計(jì)算精度評估
    5.1 基于三次樣條插值的航拍模擬圖像的生成
        5.1.1 模擬圖像像素大小水平的確定
        5.1.2 利用三次樣條插值生成航拍模擬圖像
    5.2 基于機(jī)器學(xué)習(xí)算法的冠層參照和航拍模擬圖像像素分類
        5.2.1 訓(xùn)練集的構(gòu)建
        5.2.2 像素分類模型的構(gòu)建與應(yīng)用
    5.3 植被覆蓋度的計(jì)算和精度評估與統(tǒng)計(jì)分析
        5.3.1 植被覆蓋度的計(jì)算
        5.3.2 植被覆蓋度計(jì)算精度評估與統(tǒng)計(jì)分析
    5.4 結(jié)果
        5.4.1 參照植被覆蓋度的描述性分析
        5.4.2 圖像像素大小對作物植被覆蓋度估算的影響
    5.5 討論
        5.5.1 航拍模擬圖像的像素大小影響植被覆蓋度計(jì)算精度
        5.5.2 像素大小影響實(shí)驗(yàn)處理間植被覆蓋度差異顯著性的判別
        5.5.3 提高作物植被覆蓋度計(jì)算精度的策略
第六章 結(jié)論與展望
    6.1 主要結(jié)論
    6.2 主要?jiǎng)?chuàng)新之處
    6.3 存在的問題
    6.4 研究展望
參考文獻(xiàn)
附錄
致謝
作者簡介



本文編號：3813017