论文部分内容阅读
田间作物表型信息获取与分析是当前作物遗传育种研究中的瓶颈,表型信息获取效率是制约育种研究的一个关键因素。花生抗旱品种的选育一直是花生育种研究的主要内容之一,不同品种花生植株的表型信息差异很大,当前田间花生表型信息获取的常用方法是研究人员手工测量每个育种小区特定的植株高度、冠层温度等参数。手工测量为主的田间花生表型信息的获取存在着主观性大、随机性强、效率低下、信息获取数量少等缺点,这些缺点已经严重制约了花生育种研究的进展。针对这一问题,本文在美国农业部USDA“USDA-ARSNIFAProject(No.3072-21220-007-00D)”的资助下,借鉴当前国际最新的表型研究技术,结合田间花生育种实际情况,对田间花生高通量表型信息获取与分析方法进行了研究,主要研究内容如下:
(1)针对田间花生的实际情况,分别构建了基于LiDAR和KinectV2的移动式和自走式两代田间地面高通量表型信息平台,并根据使用环境和使用目的分析计算了其载荷、动力、运行速度等性能参数。移动式地面高通量表型平台由两个自行车车体搭载,自走式高通量表型平台由金属车体框架构成。平台通过搭载GPS、RGB相机、RGB-D相机、激光雷达LiDAR、热成像相机和超声波等多种传感器,实现多类型、高通量的田间表型信息自动获取。相对于传统的费时费力的人工测量,该平台的使用大大提高了工作人员的工作效率,丰富了育种工作中信息获取的种类和量级。
(2)研究了基于LiDAR的高通量表型信息获取方法。选用德国SICK公司型号为LMS291-S05的二维单线激光雷达,设计了相应的田间试验进行田间数据的获取并最终得到花生冠层的相关信息。首先通过高次函数曲线拟合构建了一种花生冠层目标区域获取算法,同时根据此算法利用LiDAR获取的三维点云数据来确定花生冠层的轮廓,并以高次函数拟合曲线的极值点为依据判定了目标冠层的边界范围;然后针对标定杆、杂草等干扰因素对数据进行了两次过滤及修正,得到了有效的冠层高度和宽度数据集;最后根据花生冠层的有效数据分析了三个品种的花生冠层在不同生长阶段的平均株高和株宽,并和手工测量的结果进行了比较,验证了方法的可靠性。
(3)研究了基于KinectV2的高通量表型信息获取方法。选用微软公司的第二代产品KinectV2,首先对其进行了校准和标定,获取了KinectV2的测量精度以及深度图像和RGB图像的视场角。并通过分别在深度图像和RGB图像中搜索、计算孔洞的位置和距离,设计了一种基于RGB-D相机的快速孔板标定方法,从而得到了两种图像之间的成像比和像素匹配关系;然后分别采用基于GPS信息和基于灰度投影模板的两种方法对试验获取花生冠层图像进行了小区级别的图像拼接,并对其拼接效果进行了对比;最后以拼接完成的图像为基础,通过三次滤波进行了冠层覆盖区域的精确筛选,并根据RGB图像与深度图像之间像素的对应匹配关系,提取了花生冠层中有效的表型信息。结果表明基于灰度投影模板的方法可以实现花生冠层表型信息的精准、快速的提取。
(4)研究了花生冠层表型信息的分析方法。利用欧拉数、熵、簇数和连通区域平均面积这四个冠层结构特征指数构建了一种基于花生冠层性状及密度特性分析的SDA算法,该算法通过将冠层高度矩阵CHM转换为灰度图像和二值图像,建立了关于欧拉数、熵、簇数和连通区域平均面积等特征指数与冠层轮廓及密度的表征关系,然后对不同品种、不同时期的花生冠层特性进行了分析,得到冠层轮廓及密度信息。最后分别利用基于颜色与形态学和基于YOLO深度卷积神经网络的两种方法进行了花生花朵的识别和检测,并比较了两者的检测效果。实验结果表明基于YOLO深度卷积神经网络的检测效果可以减少环境因素的影响,优于传统的基于颜色和形态识别的方法。
(1)针对田间花生的实际情况,分别构建了基于LiDAR和KinectV2的移动式和自走式两代田间地面高通量表型信息平台,并根据使用环境和使用目的分析计算了其载荷、动力、运行速度等性能参数。移动式地面高通量表型平台由两个自行车车体搭载,自走式高通量表型平台由金属车体框架构成。平台通过搭载GPS、RGB相机、RGB-D相机、激光雷达LiDAR、热成像相机和超声波等多种传感器,实现多类型、高通量的田间表型信息自动获取。相对于传统的费时费力的人工测量,该平台的使用大大提高了工作人员的工作效率,丰富了育种工作中信息获取的种类和量级。
(2)研究了基于LiDAR的高通量表型信息获取方法。选用德国SICK公司型号为LMS291-S05的二维单线激光雷达,设计了相应的田间试验进行田间数据的获取并最终得到花生冠层的相关信息。首先通过高次函数曲线拟合构建了一种花生冠层目标区域获取算法,同时根据此算法利用LiDAR获取的三维点云数据来确定花生冠层的轮廓,并以高次函数拟合曲线的极值点为依据判定了目标冠层的边界范围;然后针对标定杆、杂草等干扰因素对数据进行了两次过滤及修正,得到了有效的冠层高度和宽度数据集;最后根据花生冠层的有效数据分析了三个品种的花生冠层在不同生长阶段的平均株高和株宽,并和手工测量的结果进行了比较,验证了方法的可靠性。
(3)研究了基于KinectV2的高通量表型信息获取方法。选用微软公司的第二代产品KinectV2,首先对其进行了校准和标定,获取了KinectV2的测量精度以及深度图像和RGB图像的视场角。并通过分别在深度图像和RGB图像中搜索、计算孔洞的位置和距离,设计了一种基于RGB-D相机的快速孔板标定方法,从而得到了两种图像之间的成像比和像素匹配关系;然后分别采用基于GPS信息和基于灰度投影模板的两种方法对试验获取花生冠层图像进行了小区级别的图像拼接,并对其拼接效果进行了对比;最后以拼接完成的图像为基础,通过三次滤波进行了冠层覆盖区域的精确筛选,并根据RGB图像与深度图像之间像素的对应匹配关系,提取了花生冠层中有效的表型信息。结果表明基于灰度投影模板的方法可以实现花生冠层表型信息的精准、快速的提取。
(4)研究了花生冠层表型信息的分析方法。利用欧拉数、熵、簇数和连通区域平均面积这四个冠层结构特征指数构建了一种基于花生冠层性状及密度特性分析的SDA算法,该算法通过将冠层高度矩阵CHM转换为灰度图像和二值图像,建立了关于欧拉数、熵、簇数和连通区域平均面积等特征指数与冠层轮廓及密度的表征关系,然后对不同品种、不同时期的花生冠层特性进行了分析,得到冠层轮廓及密度信息。最后分别利用基于颜色与形态学和基于YOLO深度卷积神经网络的两种方法进行了花生花朵的识别和检测,并比较了两者的检测效果。实验结果表明基于YOLO深度卷积神经网络的检测效果可以减少环境因素的影响,优于传统的基于颜色和形态识别的方法。