快捷搜索:  汽车  科技

专业关注作物高产:专题推荐作物表型前沿技术与应用专题

专业关注作物高产:专题推荐作物表型前沿技术与应用专题LIU Shouyang JIN Shichao GUO Qinghua ZHU Yan FRED Baret. An algorithm for estimating field wheat canopy light interception based on Digital Plant Phenotyping Platform[J]. Smart Agriculture 2020 2(1): 87-98.[2]刘守阳 金时超 郭庆华 朱艳 FRED Baret. 基于数字化植物表型平台(D3P)的田间小麦冠层光截获算法开发[J]. 智慧农业(中英文) 2020 2(1): 87-98.XU Lingxiang CHEN Jiawei DING Guohui LU Wei DING Yanfeng ZHU Yan ZHOU Ji. Indoor phe

本专题小编共整理了12篇文章,来自南京农业大学、浙江省农业科学院农业装备研究所、北京农业信息技术研究中心、 中国农业大学、浙江大学、华中农业大学、山西农业大学、沈阳农业大学、东北农业大学等单位。

文章包含室内植物表型平台及性状鉴定、田间小麦冠层光截获算法、西兰花表型快速提取、玉米籽粒显微表型特征、玉米叶面积指数和生物量评估、油菜冠层生化参数垂直异质性分析、多时序激光点云数据提取棉花表型参数、谷穗检测、玉米植株点云雄穗分割、柚子果形检测分级、田间玉米苗期高通量动态监测、作物三维重构技术等内容。供大家阅读、参考。

专题--作物表型前沿技术与应用

Topic--Frontier Technology and Application of Agricultural Phenotype

[1]徐凌翔 陈佳玮 丁国辉 卢伟 丁艳锋 朱艳 周济. 室内植物表型平台及性状鉴定研究进展和展望[J]. 智慧农业(中英文) 2020 2(1): 23-42.

XU Lingxiang CHEN Jiawei DING Guohui LU Wei DING Yanfeng ZHU Yan ZHOU Ji. Indoor phenotyping platforms and associated trait measurement: Progress and prospects[J]. Smart Agriculture 2020 2(1): 23-42.

摘要:植物表型组学研究正逐渐向综合化、规模化、多尺度和高通量的方向快速发展。本文首先介绍了植物表型研究的最新动向。然后针对室内表型监测平台的特点和各类室内表型针对的表型性状进行了系统介绍,包括产量、品质、胁迫抗性(包括干旱、抗冷热、盐胁迫、重金属和病虫害)等。在此基础上,本文还根据通量、传感器集成度和平台大小等把一些国内外流行的室内植物表型平台进行了分类,并介绍了这些室内表型平台在植物研究中的应用情况。同时,本文还介绍了室内表型数据的管理和解析方法。最后,本文着重讨论了室内表型平台的发展方向,并结合中国植物研究的实际情况对表型组学在中国的发展提出了展望,以期为中国植物表型研究提供指导和建议。

知网阅读

[2]刘守阳 金时超 郭庆华 朱艳 FRED Baret. 基于数字化植物表型平台(D3P)的田间小麦冠层光截获算法开发[J]. 智慧农业(中英文) 2020 2(1): 87-98.

LIU Shouyang JIN Shichao GUO Qinghua ZHU Yan FRED Baret. An algorithm for estimating field wheat canopy light interception based on Digital Plant Phenotyping Platform[J]. Smart Agriculture 2020 2(1): 87-98.

摘要:冠层光截获能力是反映作物品种间差异的重要功能性状,高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标,利用数字化植物表型平台(D3P)模拟生成了100种冠层结构不同的小麦品种在5个生育期的三维冠层场景,记录了从原始冠层结构中提取的绿色叶面积指数(GAI)、平均倾角(AIA)和散射光截获率(FIPARdif)信息作为真实值 进一步利用上述三维小麦场景开展了虚拟的激光雷达(LiDAR)模拟实验,生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征(H)和绿色分数特征(GF)。最后,利用人工神经网络(ANN)算法分别构建了从不同LiDAR点云特征(H、GF和H GF)输入到FIPARdif、GAI和AIA的反演模型。结果表明,对于GAI、AIA和FIPARdif,预测精度从高到低对应的点云特征输入为GF H > H > GF。由此可见,H特征对提高目标表型特性的估算精度起到了重要作用。输入GF H特征,在中等测量噪音(10%)情况下,FIPARdif和GAI的估算均获得了满意精度,R2分别为0.95和0.98,而AIA的估算精度(R2=0.20)还有待进一步提升。本研究基于D3P模拟数据开展,算法的实际表现还有待通过田间数据进一步验证。尽管如此,本研究验证了D3P协助表型算法开发的能力,展示了高通量LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。

知网阅读

[3]周成全 叶宏宝 俞国红 胡俊 徐志福. 基于机器视觉与深度学习的西兰花表型快速提取方法研究[J]. 智慧农业(中英文) 2020 2(1): 121-132.

ZHOU Chengquan YE Hongbao YU Guohong HU Jun XU Zhifu. A fast extraction method of broccoli phenotype based on machine vision and deep learning[J]. Smart Agriculture 2020 2(1): 121-132.

摘要:准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤,本研究通过对深度残差网络ResNet进行改进得到一种新型的西兰花花球分割模型,并通过花球部位黄绿颜色占比判断其新鲜度,实现低成本高效准确地西兰花表型信息提取。主要技术流程包括:(1)基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集;(2)对训练图像进行预处理并输入模型进行分割;(3)基于颜色信息用粒子群结构PSO和大津法Otsu对分割结果进一步进行阈值分割,获取其新鲜度指标。试验结果表明:本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型,4个评价指标结构相似性指数(SSIM)、平均精度(Precision)、平均召回率(Recall)、F-度量(F-measure)结果分别为0.911、0.897、0.908和0.907,相比于传统方法提升了10%-15%,且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时,在分割结果的基础上采用PSO-Otsu法可以实现花球新鲜度快速分析,其精度超过了0.8。本研究结果实现了西兰花田间多表型参数的高通量获取,可以为作物田间长势监测研究提供重要参考。

知网阅读

[4]赵欢 王璟璐 廖生进 张颖 卢宪菊 郭新宇 赵春江. 基于Micro-CT的玉米籽粒显微表型特征研究[J]. 智慧农业(中英文) 2021 3(1): 16-28.

ZHAO Huan WANG Jinglu LIAO Shengjin ZHANG Ying LU Xianju GUO Xinyu ZHAO Chunjiang. Study on the micro-phenotype of different types of maize kernels based on Micro-CT[J]. Smart Agriculture 2021 3(1): 16-28.

摘要:植物显微表型主要是指植物组织、细胞和亚细胞水平的表型信息,是植物表型组学研究的重要组成部分。针对传统籽粒显微性状检测方法效率低、误差大且指标单一等问题,本研究利用Micro-CT扫描技术对5种类型11个品种玉米籽粒开展显微表型精准鉴定研究。基于对CT序列图像的处理解析,共获取籽粒、胚、胚乳、空腔、皮下空腔、胚乳空腔和胚空腔的34项显微表型指标。其中,胚乳空腔表面积、籽粒体积、胚乳体积比和胚乳空腔比表面积等4项表型指标在不同类型玉米间差异显著(P-value<0.05)。普通玉米胚乳空腔表面积和籽粒体积显著大于其它类型玉米,高油玉米胚乳空腔比表面积最大,甜玉米胚乳空腔比表面积最小,爆裂玉米胚乳体积比最大。进一步利用34项玉米籽粒表型指标开展差异分析和聚类分析,可将11个不同品种玉米分为四类,其中第一类以普通玉米为主,第二类以爆裂玉米为主,第三类是甜玉米,第四类是高油玉米。结果表明,Micro-CT扫描技术不仅可以实现玉米籽粒显微表型的精准鉴定,还可以为玉米籽粒分类、品种检测等提供技术支撑。

知网阅读

[5]束美艳 陈向阳 王喜庆 马韫韬. 基于高光谱数据的玉米叶面积指数和生物量评估[J]. 智慧农业(中英文) 2021 3(1): 29-39.

SHU Meiyan CHEN Xiangyang WANG Xiqing MA Yuntao. Estimation of maize leaf area index and aboveground biomass based on hyperspectral data[J]. Smart Agriculture 2021 3(1): 29-39.

摘要:利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平。本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数(LAI)和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,比较分析两类高光谱数据在玉米表型性状参数上的监测能力。结果表明,野生型玉米材料的冠层光谱反射率在近红外波段随着种植密度的增大而增大;同一种植密度下的野生型玉米材料的光谱反射率在可见光和近红外波段均为最低。在可见光波段550 nm的波峰处,4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高4.52%~19.9%,在近红外波段870 nm的波峰处,4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高23.64%~57.05%。基于21个高光谱植被指数构建的模型对LAI的估算效果最好,测试集决定系数R2为0.70,均方根误差RMSE为0.92,相对均方根误差rRMSE为15.94%。敏感波段反射率(839~893 nm和1336~1348 nm)对玉米单株地上部生物量估算效果最佳,测试集R2为0.71,RMSE为12.31 g,rRMSE为15.89%。综上,田间非成像高光谱和无人机成像高光谱在玉米LAI及生物量估算方面具有较好的一致性,能够快速有效地提取地块尺度玉米农学参数信息,本研究可为高光谱技术在小区尺度的精准农业管理应用提供参考。

知网阅读

[6]张佳菲 万亮 何勇 岑海燕. 基于快速叶绿素荧光技术的油菜冠层生化参数垂直异质性分析[J]. 智慧农业(中英文) 2021 3(1): 40-50.

ZHANG Jiafei WAN Liang HE Yong CEN Haiyan. Vertical heterogeneity analysis of biochemical parameters in oilseed rape canopy based on fast chlorophyll fluorescence technology[J]. Smart Agriculture 2021 3(1): 40-50.

摘要:准确获取作物冠层生化信息对监测作物生长和指导精准施肥具有重要意义。现有的作物生化参数的垂直分布研究以高光谱遥感反演为主,缺乏与光合生理的联系。本研究主要探究了不同氮素处理水平下油菜苗期冠层内的叶绿素、类胡萝卜素、干物质和水分等生化参数的垂直分布变化特性,同时利用快速叶绿素荧光技术测定了叶片的光合性能,并通过线性回归分析和主成分分析进一步剖析了荧光响应与生化参数的内在联系。试验结果表明:(1)苗期中期油菜冠层的叶绿素含量、类胡萝卜素含量、干物质和水分含量均呈抛物线型的非均匀垂直分布,而叶绿素与类胡萝卜素的比值具有与其他生化参数不同的垂直分布模式,其随着叶位升高和施氮量的增加逐渐下降,与推动力DFTotal、电子链末端量子产额φRo等荧光参数的垂直分布模式相同;(2)荧光参数,特别是DFTotal,对油菜叶片叶绿素与类胡萝卜的比值、叶绿素和干物质含量具有较强的评估能力;(3)缺氮会降低苗期油菜叶片的光系统I和II(PSI和PSII)性能,通过最大光化学效率φPo等荧光参数可对氮素胁迫进行诊断;而不同叶位叶片在PSI性能即电子末端传递效率上具有显著差异,通过DFTotal可有效表征冠层生化参数的垂直异质性。上述结果表明,应用快速叶绿素荧光技术对作物进行生化信息的垂直异质性监测具有可行性,可为指导精准施肥和提高优质优产提供新思路和技术支撑。

知网阅读

[7]阳旭 胡松涛 王应华 杨万能 翟瑞芳. 利用多时序激光点云数据提取棉花表型参数方法[J]. 智慧农业(中英文) 2021 3(1): 51-62.

YANG Xu HU Songtao WANG Yinghua YANG Wanneng ZHAI Ruifang. Cotton phenotypic trait extraction using multi-temporal laser point clouds[J]. Smart Agriculture 2021 3(1): 51-62.

摘要:当前,能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象,采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据,针对棉花植株主干的几何特性,利用随机抽样一致算法(RANSAC)结合直线模型完成主干提取,并对剩余的点云进行区域增长聚类,实现各叶片的分割;在此基础上,完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据,采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时,对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据,分别完成了主干提取、叶片分割,以及表型参数测量和动态量化。试验结果表明,本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时,本研究实现了棉花表型参数的动态量化过程,为三维表型技术的实现提供了一种有效的方法。

知网阅读

[8]郝王丽 尉培岩 郝飞 韩猛 韩冀皖 孙玮蓉 李富忠. 基于YOLOv4和自适应锚框调整的谷穗检测方法[J]. 智慧农业(中英文) 2021 3(1): 63-74.

HAO Wangli YU Peiyan HAO Fei HAN Meng HAN Jiwan SUN Weirong LI Fuzhong. Foxtail millet ear detection approach based on YOLOv4 and adaptive anchor box adjustment[J]. Smart Agriculture 2021 3(1): 63-74.

摘要:谷穗的检测和计数对于预测谷子产量和育种至关重要。但是,传统的谷穗计数主要基于人工统计,既费时又费力。为解决上述问题,本研究首先建立了一个包含784张图像和10 000个谷穗样本的谷穗检测数据集。提出了一种基于YOLOv4和自适应锚框调整的谷穗检测方法,可快速准确地检测特定框中的谷穗。通过自适应地调整锚框,可生成符合谷穗目标的候选框,从而提升检测的准确率。为验证该方法的有效性,采用了多个标准,包括平均精度(mAP),F1得分(F1-Score),精度(Precision)和召回率(Recall)进行评价。此外,设计了对比试验验证所提出方法的有效性,包括与其他模型(YOLOv2,YOLOv3和Faster-RCNN)进行比较来评估模型的性能,评估模型在不同交并比(IOU)取值下的性能,评估模型在自适应锚框调整下的谷穗检测性能,评估引起模型评价标准变化的原因,以及评估模型在不同原始输入图像尺寸下的性能。试验结果表明,YOLOv4获得了良好的谷穗检测性能。YOLOv4的mAP达到78.99%,F1-score达到83.00%,Precision达到87%和Recall达到79.00%,在所有评价标准上均比其他比较模型高出8%。试验结果表明,该方法具有较好的准确性和高效性。

知网阅读

[9]朱超 吴凡 刘长斌 赵健翔 林丽丽 田雪莹 苗腾. 基于超体素聚类和局部特征的玉米植株点云雄穗分割[J]. 智慧农业(中英文) 2021 3(1): 75-85.

ZHU Chao WU Fan LIU Changbin ZHAO Jianxiang LIN Lili TIAN Xueying MIAO Teng. Tassel segmentation of maize point cloud based on super voxels clustering and local features[J]. Smart Agriculture 2021 3(1): 75-85.

摘要:针对当前三维点云处理方法在玉米植株点云中识别雄穗相对困难的问题,提出一种基于超体素聚类和局部特征的玉米植株点云雄穗分割方法。首先通过边连接操作建立玉米植株点云无向图,利用法向量差异计算边权值,并采用谱聚类方法将植株点云分解为多个超体素子区域;随后结合主成分分析方法和点云直线特征提取植株顶部的子区域;最后利用玉米植株点云的平面局部特征在顶部子区域中识别雄穗点云。对3种点云密度的15株成熟期玉米植株点云进行测试,采用F1分数作为分割精度判别指标,试验结果与手动分割真值相比,当点云密度为0.8、1.3和1.9个点/cm时,雄穗点云分割的平均F1分数分别为0.763、0.875和0.889,分割精度随点云密度增加而增高。结果表明,本研究提出的基于超体素聚类和局部特征的玉米植株点云雄穗分割方法具备在玉米植株点云中提取雄穗的能力,可为玉米高通量表型检测、玉米三维重建等研究和应用提供技术支持。

知网阅读

[10]李燕 沈杰 谢航 高广垠 刘建雄 刘洁. 基于轮廓坐标系转换拟合的柚子果形检测分级方法[J]. 智慧农业(中英文) 2021 3(1): 86-95.

LI Yan SHEN Jie XIE Hang GAO Guangyin LIU Jianxiong LIU Jie. Detection and grading method of pomelo shape based on contour coordinate transformation and fitting[J]. Smart Agriculture 2021 3(1): 86-95.

摘要:针对柚子果形和尺寸分级依赖人工经验判断的现状,本研究提出一种采用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法检测柚子纵、横径尺寸并基于果形指数对柚子形状缺陷进行判断的方法。以CMOS相机、点阵式LED光源、平面镜、计算机、箱体和支架搭建图像采集装置,获取168个不同尺寸与形状等级的沙田柚样本全表面图像数据。选择G-B分量灰度图像进行去噪与分割,利用Laplacian算子边缘检测算法提取果实的边缘像素,采用多项式拟合方式完成直角坐标向极坐标的转换从而简化果形描述,利用特征点极角值补偿样本纵横径的随机方向,继而区别类球形和类梨形两种类型计算柚子的纵径和横径。以广东梅州沙田柚为对象进行试验,结果表明,利用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法的方法检测柚子纵径的平均绝对误差、最大绝对误差和平均相对误差分别为2.23 mm、7.39 mm和1.6%,横径的平均绝对误差、最大绝对误差和平均相对误差分别为2.21 mm、7.66 mm和1.4%。从柚子轮廓极坐标的拟合函数中提取3个峰值高度、3个波峰宽度和1个波谷值差值7个特征值,利用BP神经网络算法建立柚子果形判别模型并用独立验证集进行验证,形状判别的总识别率为83.7%。本方法能为柚子尺寸和形状的自动化检测与分级提供快速无损方法。

知网阅读

[11]张小青 邵松 郭新宇 樊江川. 田间玉米苗期高通量动态监测方法[J]. 智慧农业(中英文) 2021 3(2): 88-99.

ZHANG Xiaoqing SHAO Song GUO Xinyu FAN Jiangchuan. High-throughput dynamic monitoring method of field maize seedling[J]. Smart Agriculture 2021 3(2): 88-99.

摘要:目前对玉米出苗动态检测监测主要是依靠人工观测,耗时耗力且只能选择小的样方估算整体出苗情况。为解决人工出苗动态管理不精准的问题,实现田间精细化管理,本研究以田间作物表型高通量采集平台获取的高时序可见光图像和无人机平台获取的可见光图像两种数据源构建了不同光照条件下的玉米出苗过程图像数据集。考虑到田间存在环境背景复杂、光照不均等因素,在传统Faster R-CNN的基础上构建残差单元,使用ResNet50作为新的特征提取网络来对Faster R-CNN进行优化,首先实现对复杂田间环境下玉米出苗识别和计数;进而基于表型平台所获取的高时序图像数据,对不同品种、不同密度的玉米植株进行出苗动态连续监测,对各玉米品种的出苗持续时间和出苗整齐度进行评价分析。试验结果表明,本研究提出的方法应用于田间作物高通量表型平台出苗检测时,晴天和阴天的识别精度分别为95.67%和91.36%;应用于无人机平台出苗检测时晴天和阴天的识别精度分别91.43%和89.77%,可以满足实际应用场景下玉米出苗自动检测的需求。利用表型平台可获取时序数据的优势,进一步进行了玉米动态出苗检测分析,结果表明利用本模型得到的动态出苗结果与人工实际观测具有一致性,说明本研究提出的模型的具有鲁棒性和泛化性。

知网阅读

[12]朱荣胜 李帅 孙永哲 曹阳杨 孙凯 郭益鑫 姜伯峰 王雪莹 李杨 张战国 辛大伟 胡振帮 陈庆山. 作物三维重构技术研究现状及前景展望[J]. 智慧农业(中英文) 2021 3(3): 94-115.

ZHU Rongsheng LI Shuai SUN Yongzhe CAO Yangyang SUN Kai GUO Yixin JIANG Bofeng WANG Xueying LI Yang ZHANG Zhanguo XIN Dawei HU Zhenbang CHEN Qingshan. Research advances and prospects of crop 3D reconstruction technology[J]. Smart Agriculture 2021 3(3): 94-115.

摘要:近年来,随着无人机和各类传感器在作物育种和田间生产中被广泛使用,作物表型组学得到了极大的发展。兼具了高精度、高通量和高度自动化的作物表型组学及其相关技术的发展,加快了新品种的选育和优化了田间管理。作物三维重构技术是作物表型组学最基本的技术方法之一,是精准描述作物形态全息结构的重要工具,而作物的三维重构模型对于高通量作物表型获取、作物株型特征评价、植株结构和表型相关性分析等均具有重要意义。为深入总结作物表型中三维重构技术研究进展,本文从作物三维重构的基本方法与应用特点、研究现状和前景展望等三个方面展开综述。本文首先归纳整理了现有作物三维重构方法,并对各类方法的基本原理进行了综述,分析了各类方法的特点和优缺点,同时在归纳作物三维重构方法一般性流程的基础上,对各类方法的适用性进行剖析,归纳整理出了各类方法在实施时的具体流程和注意事项;其次,本文依据研究目标对象不同将作物三维重构的应用分为单株作物重构、田间群体重构和根系重构三部分,并从这三个视角对作物三维重构技术的应用情况进行了综述,依据精度、速度和成本三方面,探究了各个方法对于不同作物三维重构的研究现状,分析整理出不同重构对象背景下作物三维重构存在的问题与挑战;最后,从作物三维重构全程自动化、4D表型的构成、作物虚拟生长与模拟育种和智慧农业发展等方面对作物三维重构技术的前景进行了展望。

知网阅读

专业关注作物高产:专题推荐作物表型前沿技术与应用专题(1)

微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流,促进智慧农业发展,为更好地服务广大读者、作者和审稿人,编辑部建立了微信交流服务群,有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。

入群方法:加小编微信331760296备注:姓名、单位、研究方向,小编拉您进群,机构营销广告人员勿扰。

信息发布

科研团队介绍及招聘信息、学术会议及相关活动的宣传推广

专业关注作物高产:专题推荐作物表型前沿技术与应用专题(2)

专业关注作物高产:专题推荐作物表型前沿技术与应用专题(3)

专业关注作物高产:专题推荐作物表型前沿技术与应用专题(4)

猜您喜欢: