分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］利用低空无人机技术并结合深度学习语义分割模型精准提取作物倒伏区域是一种高效的倒 伏灾害监测手段。然而，在实际应用中，受田间各种客观条件（不同无人机飞行高度低于120 m、多个研究区、 关键生育期不同天气状况等） 限制，无人机获取的图像数量仍偏少，难以满足高精度深度学习模型训练的要求。 本研究旨在探索一种在作物生育期和研究区有限的情况下精准提取倒伏面积的方法。［方法］以健康/倒伏小麦为 研究对象，在其灌浆期和成熟期开展麦田图像采集工作。设置2个飞行高度（40和80 m），采集并拼接获取2019、 2020、2021和2023年份3个研究区的数字正射影像图（Digital Ortho⁃photo Map，DOM）；在Swin-Transformer深度 学习语义分割框架基础上，分别使用40 m训练集单独训练、40和80 m训练集混合训练、40 m训练集预训练80 m 训练集迁移学习等3种训练方法，获得对照模型、混合训练模型和迁移学习模型；采用对比实验比较上述3种模型 分割80 m高度预测集图像的精度并评估模型性能。［结果和讨论］迁移学习模型倒伏面积提取精度最高，交并比、 正确率、精确率、召回率和F1-Score共5个指标平均数分别为85.37%、94.98%、91.30%、92.52%和91.84%，高于 对照组模型1.08%~3.19%，平均加权帧率达到738.35 fps/m2，高于40 m图像183.12 fps/m2。［结论］利用低飞行高 度（40 m） 预训练语义分割模型，在较高飞行高度（80 m） 空图像做迁移学习的方法提取倒伏小麦面积是可行的， 这为解决空域飞行高度限制下，较少80 m及以上图像数据集无法满足语义分割模型训练的要求的问题，提供了一 种有效的方法。
分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］基于遥感手段的稻叶瘟（Rice Leaf Blast，RLB）无损早期监测对于抗性育种和植保防控具 有重要作用。目前对稻瘟病的研究多使用反射光谱在其显症阶段进行监测，针对稻叶瘟早期侵染阶段的日光诱导 叶绿素荧光（Solar-Induced Chlorophyll Fluorescence，SIF） 光谱监测研究尚未见报道。本研究的目的是基于不同叶 位的日光诱导叶绿素荧光信息，实现水稻叶瘟病早期阶段感病叶片的准确识别。［方法］基于一年的温室接种试验 和大田采样实验，配合使用主动光源、ASD（Analytical Spectral Devices） 地物光谱仪和FluoWat叶片夹，获取了拔 节期和抽穗期水稻植株顶1至顶4叶位的叶片SIF光谱，并人工标注了被测样本的发病等级。研究基于连续小波分 析（Continue Wavelet Analysis，CWA） 提取对稻叶瘟敏感的小波特征，比较了不同叶位敏感特征及其感病叶片识 别精度，最后基于线性判别分析（Linear Discriminant Analysis，LDA）算法构建了稻叶瘟识别模型。［结果和讨论］ 各叶位感病叶片远红光区域的上行和下行SIF均显著高于健康叶片；基于SIF小波特征的感病叶片识别精度显著高 于原始SIF波段，顶1叶的稻瘟病识别精度显著高于其他三个叶位，其识别精度最高可达70%；提取的适用于多叶 位的共性敏感小波特征WF832，3和WF809，3在顶1至顶4叶的精度分别达到69.45%、62.19%、60.35%、63.00%和 69.98%、62.78%、60.51%、61.30%。［结论］本研究揭示了稻瘟病胁迫下水稻叶片SIF光谱响应规律，提取了对稻 叶瘟敏感的SIF小波特征，结果证明了连续小波分析和SIF技术用于诊断稻叶瘟的潜力，为实现稻瘟病的田间早 期、快速、原位诊断提供了重要参考与技术支撑。
点击量
点击量
下载量
评论
