论文部分内容阅读
干旱是主要的农业自然灾害之一,严重影响小麦生长和产量水平。快速、精确、无损的对干旱进行监测提高灌溉的及时性和精确性,对节约水资源,保障小麦丰产稳产具有重要意义。常用的干旱诊断方法有土壤水分监测,农业气象预报等,此类方法通过土壤水分或气象数据间接的对小麦干旱进行监测,精度低,间接监测有一定的滞后性。在干旱胁迫下,小麦植株表现出萎焉,叶片变黄,叶片卷曲等表型特征。同时,随着人工智能的发展,深度学习模型对图像识别达到很高的精度,并已超过人类水平。因此,本文探索基于干旱胁迫下小麦表型特征,使用深度学习和基于深度学习的目标检测方法对小麦干旱进行识别和分级,通过小麦植株的表型特征即干旱承灾体对干旱进行直接监测具有重要的理论意义和应用价值,论文主要内容与贡献如下:（1）采用盆栽控旱试验,设置5个干旱胁迫等级,适宜、轻旱、中旱、重旱和特旱,使用单反相机获取小麦三个关键生育阶段（起身-拔节、抽穗-开花、开花-成熟）不同干旱胁迫程度的数字图像,建立了小麦干旱胁迫图像数据集,共130123张,其中起身-拔节阶段47503张、抽穗-开花阶段45352张、开花-成熟阶段37268张,同时将每个生育阶段的数据集划分上午、中午、下午三个子集。（2）针对间接的干旱监测费时费力,有滞后性等缺点,本文提出基于小麦表型特征使用深度学习模型对小麦干旱进行识别和分级,结果表明深度学习模型对小麦干旱识别和分级的准确率均达到很高的精度,起身-拔节阶段小麦干旱识别和分级准确率分别为99.47%和97.40%;抽穗-开花阶段为98.73%和98.64%;开花-成熟阶段为99.93%和99.88%。深度学习模型对不同时间阶段下（上午、中午、下午）小麦干旱识别的准确率均在99%以上,分级准确率均高于96%。在不同的干旱胁迫处理中,适宜和特旱处理的精度要高于其他三个处理。（3）针对传统机器学习模型使用手动提取图像特征,图像识别精度较低等问题,本文对比了深度学习和传统机器学习模型对小麦干旱识别和分级的精度,结果表明深度学习模型对小麦干旱识别的精度显著高于传统机器学习模型。在起身-拔节、抽穗-开花和开花-成熟阶段深度学习模型对小麦干旱识别和分级的准确率分别比机器学习模型高0.24%-20.79%、0.33%-14.32%和0.58%-12.84%。（4）叶片卷曲是小麦干旱胁迫最典型的表型特征之一,本文提出通过叶片卷曲检测的方法对小麦干旱进行识别,并通过提取小麦卷曲叶片的检测信息,设计了基于小麦卷曲叶片检测信息,使用机器学习模型对小麦干旱进行分级的方法,结果表明目标检测模型能对小麦卷曲叶片进行精确的检测和定位,卷曲检测置信度高。在IOU阈值为0.5时模型的均值平均精度mAP为92.22%,精确度为85.94%。机器学习模型对基于小麦叶片卷曲检测信息的干旱分级准确率均高于82%,在所有模型中KNN的准确度、精度、召回率和F1score均最高,分别为95.83%、96%、96%和95.67%。