下载文档原格式
《基于机器学习的牧草识别算法研究及应用》篇一一、引言牧草是畜牧业的重要组成部分，对于畜牧业的持续发展和生产效益的提升具有重要意义。
然而，牧草种类繁多，生长环境差异大，人工识别牧草不仅效率低下，而且易受人为因素影响。
随着机器学习技术的发展，利用机器学习算法进行牧草识别已成为研究热点。
本文旨在研究基于机器学习的牧草识别算法，并探讨其在实际应用中的效果。
二、机器学习在牧草识别中的应用1. 数据收集与预处理机器学习算法需要大量的数据来进行训练。
因此，首先需要收集多种牧草的图像数据，包括不同生长阶段、不同环境下的牧草图像。
然后，对收集到的数据进行预处理，包括图像裁剪、归一化、去噪等操作，以便于后续的算法训练。
2. 特征提取与选择特征提取是机器学习算法的关键步骤。
通过深度学习等技术，可以从原始图像中提取出有意义的特征，如颜色、形状、纹理等。
然后，通过特征选择算法，选择出对牧草识别最具代表性的特征，以提高算法的准确性和效率。
3. 算法训练与优化利用提取的特征，训练机器学习模型。
常用的机器学习算法包括支持向量机（SVM）、随机森林、神经网络等。
在训练过程中，通过调整算法参数、优化模型结构等方式，提高模型的识别准确率和泛化能力。
三、牧草识别算法的应用1. 牧场管理牧草识别算法可以应用于牧场管理中，帮助牧场主快速了解牧草种类和生长情况，以便进行合理的饲草料调配和养殖管理。
同时，通过分析牧草生长环境等因素，可以预测牧草生长趋势，为牧场的规划和决策提供依据。
2. 农业保险在农业保险领域，牧草识别算法可以帮助保险公司快速评估灾害对牧草的影响程度，为保险理赔提供依据。
同时，通过分析不同地区、不同品种的牧草抗灾能力，可以为农民提供有针对性的防灾减灾建议。
3. 农业科研牧草识别算法还可以应用于农业科研领域，帮助研究人员快速获取牧草的生长信息、遗传信息等，为牧草品种的选育和改良提供支持。
同时，通过分析不同品种牧草的生长特性、抗病性等，可以为农业生产提供科学依据。
ʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏʏ㊀㊀总体来说,积极应用以上专利策略,可以在自身相关领域的研发㊁生产和市场活动中防范风险,取得更大收益㊂参考文献:[1]史㊀波.专利信息分析的思路及其内容[J].中国发明与专利,2007(5):81-82.[2]柯㊀进.专利信息分析工作探讨[J].现代情报,2005,25(4):46-47,54.[3]王圣东,张雪清.对专利战略研究几个问题的思考[J].农业科技管理,2006,25(6):30-32.[4]郭婕婷,肖国华.专利分析方法研究[J].情报杂志,2008,27(1):12-14,11.[5]唐正艳,李㊀勇,陈克禄,等.我国太阳能产业专利状况分析[J].可再生能源,2011,29(5):6-9.[6]张㊀然,鲁㊀楠,张雪清.对吉林省蔬菜主要技术研究领域的专利分析[J].吉林蔬菜,2008(6):83-85.[7]张雪清,穆㊀楠,鲁㊀楠,等.我国生物质能源技术开发状况与专利分析[J].吉林农业科学,2008,33(5):63-65.[8]张文菁.我国农业标准化专利战略的建立和完善[J].中国质量技术监督,2005(4):38-39.[9]田文英,范静波.我国农业标准化专利战略研究[J].安徽农业科学,2005,33(4):689-690,704.[10]范静波.试论我国农业标准化专利战略的建立[J].世界标准化与质量管理,2005(3):38-40.崔世钢,杨莉莉,吴兴利,等.图像分析法测量植物生长柜中的根系形态[J ].江苏农业科学,2014,42(10):383-385.图像分析法测量植物生长柜中的根系形态崔世钢,杨莉莉,吴兴利,梁㊀帆,次丹妮(天津职业技术师范大学/天津市信息传感与智能控制重点实验室,天津300222)㊀㊀摘要:采用数码相机拍摄植物生长柜中蔬菜的根部图像,利用计算机视觉图像处理技术,对采集的图像进行阈值分割及边缘提取,可以较为完整地提取植物根部信息㊂利用Matlab 软件的自带函数及对图像横纵向链码进行扫描,可以得出根部的具体形态数据,不仅克服了人工测量费时费力的缺点,而且还将实现作物根系分析的无损测量㊂㊀㊀关键词:植物生长柜;图像分析法;动态监测;根系形态;阈值分割㊀㊀中图分类号:S126;TP391.41㊀㊀文献标志码:A㊀㊀文章编号:1002-1302(2014)10-0383-03收稿日期:2014-01-15基金项目:国家自然科学基金(编号:61178048㊁61275169㊁61178081);国家社会科学基金(编号:BFA110049);天津职业技术师范大学校级基金(编号:KYQD13022)㊂作者简介:崔世钢(1963 ),男,天津人,博士,教授,从事现代农业智能环境控制研究㊂E -mail:cuisg@㊂㊀㊀植物需要大量的水及肥料来供给枝叶生长,其中绝大部分是通过根部吸收的㊂根系是植物吸收水分㊁养分的重要器官,植物根系越发达,枝叶越繁茂;反之,则枝叶枯黄㊁生长发育不良㊂作物的产量与根系长势关系十分密切[1]㊂虽然很早以前就有学者开始关注植物根系的生长状态,但是由于在以往的土培环境下,根系埋藏在土壤之中,而且地下根系数量多,增加了根系的研究难度,导致根系相关研究进展较为缓慢[2-3]㊂LED 植物生长柜作为一种新型的农业生产方式,采用营养液水培方法,将植物根系固定在定植板上,再浸在水槽的营养液中,从营养液中吸收植物生长所需的营养元素及水分㊂LED 植物生长柜充分运用了现代光学㊁生物科技㊁营养液栽培㊁信息技术等手段,为植物提供了安全健康的生长环境[4]㊂本研究以LED 植物生长柜中的作物根系作为研究对象,利用计算机图像处理技术测量植物根的长度㊁数目等指标,旨在为实现LED 植物生长柜的智能化控制提供依据㊂1 材料与方法1.1㊀生长柜内环境控制以笔者所在实验室自主研发的LED 植物生长柜作为试验平台,以先优7号油菜幼苗作为研究对象,将研究对象分为2组㊂为保证植物生长所必需的各种营养元素以及提供适宜的生长环境,A 组为标准营养液,B 组将标准营养液稀释至50%㊂通过植物生长柜的智能控制面板调节其内部环境参数,将光照度控制在2800~3000lx,温度控制在18~25ħ,湿度控制在60%左右,二氧化碳浓度控制在660~800μL /L,A㊁B 组环境参数均相同㊂1.2㊀图像采集生长柜中的植物晾根后,由于受到重力影响,根会轻微下垂,不会像在营养液中一样散乱㊂为了突出植物根系的形态特征,以黑色带刻度纸板作为背景;固定数码相机,使相机的光轴垂直于背景纸板;拍摄图像之前,调节相机处于自动对焦状态,保证采集图像的清晰度;最后将图像传输到计算机,保存为.JPG 格式㊂1.3㊀图像处理根系生长状态图像处理流程包括3个主要步骤:预处理㊁图像分割㊁特征提取,图像处理流程图如图1所示㊂1.3.1㊀图像预处理㊀尽管目标根系呈白色,背景纸板为黑色,但是在自然光照条件下拍摄的图像并非只有黑白2个颜色㊂彩色图像占用的存储空间较大,会降低系统后续处理速度,所以要将图像灰度化处理,既不破坏图像信息,又显著降低存储空间㊂图像在采集㊁传输过程中总会有噪声,导致图像质量下降,因此需要对图像进行滤波㊂本研究采用中值滤波,383 江苏农业科学㊀2014年第42卷第10期因为它是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,可以去除图像中的椒盐噪声,平滑效果优于均值滤波,在抑制噪声的同时能够保持图像边缘清晰[5-10]㊂1.3.2㊀图像分割㊀在水培环境下,植物根系呈白色,与黑色背景形成鲜明的对比㊂对于物体和背景对比较为明显的图像,其灰度直方图会呈现1个双峰形状,选择两峰之间的波谷对应的像素值作为全局阈值,可将图像分割为目标对象与背景2部分,所用公式为:g (x ,y )=1,f (x ,y )>K 0,f (x ,y )ɤK{㊂(1)其中f (x ,y )为点(x ,y )的像素值;g (x ,y )为分割后的图像像素值;K 为全局阈值,K 可以通过灰度直方图来获取㊂对采集的根系图像进行阈值分割后,得到像素值只有1与0的二值化图像,其中1代表对象,0代表背景㊂1.3.3㊀形态学边缘提取㊀图像的边缘提取方法多样,对于集合A ,其边界可以通过B 对A 进行腐蚀操作,然后用A 减去腐蚀后的图像得到;也可以通过B 对A 进行膨胀操作,然后用膨胀后的图像减去A 得到㊂如果A 的边界表示为f (A ),那么f (A )=A -(A ΘB ),或者f (A )=(A ⊕B )-A ,其中B 为适当的结构元素㊂除此之外,利用Matlab 软件图像处理工具箱中的bwperim 函数也可以实现图像的边缘提取,其调用格式为:BW2=bwperim (BW1,conn),其中参数BW1为输入图像,conn 为连接属性,输出参数BW2为图像BW1的边界图像,而且是仅包含输入图像中的目标像素的边界二值图像,像素确定为边界像素的条件为像素本身值非0,且其邻域中至少有1个像素值为0㊂1.3.4㊀特征提取㊀根系形态特征分析主要研究根系的长度,包括根系总长度㊁最长根及根的条数等㊂通过对阈值分割后的图像进行形态学边缘提取,可得到目标对象的边界轮廓㊂水培条件下油菜根很微细,所以对提取的边界进行细化处理过程中,采用只保留每条根右边缘在每一行的像素值的方法㊂对于8连通边界(图2),其边界长度为对角码个数乘上2再加上水平及垂直像素点个数的和,即L =2N 奇+N 偶㊂㊀㊀随着植物的生长,根越来越长,容易出现交叉情况㊂由于细化处理后的根系图像中,每条根都对应端点与交点,因此,可以对目标图像逐行逐列进行扫描,统计连续链码数目,从而得到根数目,其算法流程见图3㊂2 结果与分析2.1㊀图像处理与分析㊀㊀利用Matlab 软件对采集的图像进行预处理,再利用其直方图分布找到合适的阈值K ,对其进行二值化处理,得到阈值分割后的图像之后再提取图像边缘,结果如图4所示㊂本研究采用只保留每条根右边缘在每一行的像素值的方法对根系图像进行了细化(图5),从二值图像的矩阵分布上看,每条根的左边缘与右边缘之间的距离很短,约为3~6个像素点,因此对根系图像进行细化处理并不会影响测量根长度㊂2.2㊀数据统计在水平方向每条根上只有1个像素值为1的点,图像在水平㊁垂直方向上分别扫描图像像素,可利用8向链码统计像483 江苏农业科学㊀2014年第42卷第10期素值为1的像素数目,从而得到根的总长度,其连续像素数目的最大值即为最长根的长度㊂利用上述根数统计算法,可以统计采集图像的根数㊂本研究中,A㊁B组油菜根系均钻出栽培器后,分别选取10株幼苗作为研究对象,采集其根系图像,2组油菜根的长度㊁数量分别见表1㊁表2㊂表1㊀A组油菜根的长度㊁数量序号总长度(cm)最长根长度(cm)根数(条)18.472 5.8582 212.625 6.4873 39.841 6.5312 48.990 6.1532 517.659 6.5054 618.381 6.6524 710.334 6.2312 88.536 6.0392 99.816 6.2872 1012.125 6.4013表2㊀B组油菜根的长度㊁数量序号总长度(cm)最长根长度(cm)根数(条)1 4.428 4.4281 27.102 4.99523 4.125 4.12514 3.873 3.87315 4.306 4.30616 4.324 4.3241 77.431 4.72228 4.048 4.04819 3.806 3.806110 4.252 4.25212.3㊀图像测量的精确度检验为验证上述方法的准确性,选取A1㊁A5㊁B1㊁B5共4株油菜,将其最长根捋直,然后用千分尺分别测量3次,求取平均值,得到根系长度(表3)㊂表3㊀手工测量及图像处理结果对比序号根长手测1手测2手测3手测均值图像分析误差(%) A1 5.633 5.634 5.634 5.6337 5.858 3.98 A5 6.362 6.362 6.361 6.3617 6.505 2.25 B1 4.222 4.220 4.221 4.2210 4.428 4.90 B5 4.187 4.188 4.187 4.1873 4.306 2.83㊀㊀由表1㊁表2㊁表3可知,一方面植物根系的生长速度与营养液浓度有关,另一方面本研究所使用的图像处理方法能够较为精确地测量LED植物生长柜中油菜的根长㊁根数等数据㊂3㊀结论与讨论本研究通过数码相机拍摄植物生长柜中蔬菜的根部图像,然后利用计算机视觉图像处理技术,对采集的图像进行阈值分割及边缘提取,可以较为完整地提取植物根部信息㊂利用Matlab软件的自带函数及通过对图像横纵向链码进行扫描,可以求出根部的具体形态数据,得到的计算结果较为理想,能够取代人工测量,不仅克服了人工测量费时费力的缺点,而且还将实现作物根系分析的无损测量㊂植物生长过程中,采集植物的根系形态数据,不仅能够评估植物的长势,同时还能反映植物的生长环境是否适宜其快速生长,便于管理者及时调整营养液及外界环境参数配置,为作物提供适宜的生长环境㊂实时掌握植物根系的生长状态,便于植物生长柜管理者掌握植物的生长节奏,对于保证植物生长柜内作物朝预期的方向生长以及促进增产增收都具有重要的作用㊂参考文献:[1]顾东祥,汤㊀亮,曹卫星,等.基于图像分析方法的水稻根系形态特征指标的定量分析[J].作物学报,2010,36(5):810-817. [2]吴长高,罗锡文.计算机视觉技术在根系形态和构型分析中的应用[J].农业机械学报,2000,31(3):63-66.[3]魏洛刚,朱㊀晖,谢春花.一种二值图像的快速细化算法[J].华中理工大学学报:社会科学版,1994,22(5):65-68. [4]李长缨,滕光辉,赵春江,等.利用计算机视觉技术实现对温室植物生长的无损监测[J].农业工程学报,2003,19(3):140-143.[5]马晓路,刘㊀倩,胡开云,等.MATLAB图像处理从入门到精通[M].北京:中国铁道出版社,2013.[6]袁道军,刘安国,刘志雄,等.利用计算机视觉技术进行作物生长监测的研究进展[J].农业网络信息,2007(2):21-25. [7]杨㊀丹,赵海滨,龙㊀哲,等.MATLAB图像处理实例详解[M].北京:清华大学出版社,2013.[8]刘代平,宋海星,刘㊀强,等.油菜根系形态和生理特性与其氮效率的关系[J].土壤,2008,40(5):765-769.[9]程建峰,戴廷波,荆㊀奇,等.不同水稻基因型的根系形态生理特性与高效氮素吸收[J].土壤学报,2007,44(2):266-272. [10]王㊀艳,米国华,张福锁.氮对不同基因型玉米根系形态变化的影响研究[J].中国生态农业学报,2003,11(3):69-71.583江苏农业科学㊀2014年第42卷第10期图像分析法测量植物生长柜中的根系形态作者：崔世钢， 杨莉莉， 吴兴利， 梁帆， 次丹妮作者单位：天津职业技术师范大学/天津市信息传感与智能控制重点实验室,天津,300222刊名：江苏农业科学英文刊名：Jiangsu Agricultural Sciences年，卷(期)：2014(10)本文链接：/Periodical_jsnykx201410129.aspx。
数字图像处理技术在中药材鉴定中的应用数字图像处理技术在中药材鉴定中的应用中药材鉴定技术，主要包括基原鉴定、性状鉴定、显微鉴定、理化鉴定以及生物鉴定等方法。
这些鉴定方法中，最终用以辨析药材间差异性的指标中包含了大量的视觉特征，如：药源植物形态、颜色等，药材的显微纹理、颜色等，色谱光谱图的形态以及基因芯片扫描图像的识别等。
以人的肉眼识别这些特征，需要具有丰富的经验，识别难度大，同时识别带有主观性强、易疲劳等局限性。
把数字图像处理技术应用到中药材鉴别的方法中，可以克服肉眼观察存在的局限，使中药材鉴别操作简化、测量准确、可重复性好。
本文以中药材植物的鉴别为例，综述了数字图像处理技术在中药材鉴定中的国内外应用研究进展，旨在为提高中药材的真伪鉴别和质量评价的效率和准确性提供方法上的借鉴。
1.数字图像处理技术在中药基原鉴定中的应用对中药材原植物的观察和描述以及科属种名的确定是基原鉴别的一项主要内容。
采用规范化图像获取技术，建立标本药用植物图像数据库，利用数字图像处理技术得到待定药材的原植物各器官形态参数，通过与标本库中模式图像数据的参数核对，达到正确鉴别的目的，这将大大简化基原鉴别的程序，提高鉴别效率。
祁亨年等通过基于叶子特征的植物识别模型的探讨和研究实践，表明应用图像处理和分析技术自动提取植物特征进行植物分类和识别的理论可行性，进而提出了计算机辅助植物识别和分类的系统方案，并对相关技术尤其是图像阴影消除技术进行了分析，表明计算机辅助植物分类和识别无论从理论和技术条件上都是可行的。
有关植物株型和单个器官形态的图像识别技术研究备受国内外学者的关注。
Guyer等分析植物叶片形状，用专家系统对提取的几何参数进行处理，可以对8种植物进行识别，其正确率达到69％。
Meyer 等利用相互垂直的两个相机获取作物图像的二维信息，由两个二维图像构造三维图像的坐标变换方程，在三维空间中求取植物叶柄长度、茎秆直径和叶倾角等特征。
图像处理技术在农业生产中的应用与效果评估农业作为国民经济的重要组成部分，在农产品生产、农田管理、灾害监测、肥料用量控制等方面面临着许多挑战。
随着科技的不断进步，图像处理技术逐渐应用于农业生产中，为解决这些问题提供了新的方法与解决方案。
本文将介绍图像处理技术在农业生产中的具体应用，并评估其效果。
一、图像处理技术在农业生产中的应用1. 农作物测量与识别图像处理技术可以帮助农民进行农作物的测量与识别。
通过采集大量的农田图像，利用计算机视觉技术进行图像分析，可以实现对农作物生长状况、密度、长势等方面的测量和识别。
这对于农业生产而言非常重要，农民可以及时了解农作物的生长情况，并根据测量结果进行种植操作和管理，提高农作物的产量和质量。
2. 病虫害识别与预警系统病虫害是影响农作物生产的主要因素之一。
利用图像处理技术和人工智能算法，可以实现对农作物病虫害的识别和预警。
通过收集多个农田的图像数据，并训练机器学习模型，可以实现对病虫害的快速、准确的识别。
一旦发现病虫害的迹象，系统将会自动发送预警信息给农民，提前采取相应的防治措施，减少病虫害对农作物的损害，提高农作物的抗病虫能力。
3. 土壤质量分析与施肥控制土壤质量是农业生产中至关重要的因素之一。
利用图像处理技术，可以对农田的土壤质量进行分析与评估。
通过采集土壤的图像数据，并利用图像处理算法提取土壤的相关特征，可以了解土壤的肥力水平、含水率等指标。
农民可以根据土壤质量的分析结果进行精确施肥，提高施肥的精度和效果，减少农药和肥料的使用量，降低生产成本。
4. 农田灾害监测与预警农业生产常常受到自然灾害的影响，如干旱、洪涝、冰雹等。
图像处理技术可以对农田进行实时监测，提前发现灾害的迹象并进行预警。
通过监测和分析图像数据，可以预测灾害的发生时间和范围，并提供相应的农田灾害防治措施，保护农作物免受灾害的侵害，减少农业生产的损失。
二、图像处理技术在农业生产中的效果评估图像处理技术在农业生产中的应用已取得一定的效果和成效。
在农业领域利用图像处理技术进行作物生长监测与预测随着科技的不断进步，农业领域也开始运用图像处理技术来进行作物生长监测与预测。
这种技术的应用，提供了农民和农业专家们一个全新的工具，以便更好地了解和管理作物的生长情况，从而提高农作物的产量和品质。
本文将探讨如何利用图像处理技术进行作物生长监测与预测，并介绍其应用前景和优势。
首先，图像处理技术在作物生长监测方面发挥了重要作用。
通过利用成像设备，如无人机、卫星和传感器，可以获取高质量和高分辨率的农田图像。
这些图像能够提供大量关于作物生长状态的信息，如叶片颜色、叶片数量和植物高度等。
利用图像处理技术，我们可以对这些图像进行处理和分析，以获得更准确的数据和信息。
通过对图像进行分类、分割和特征提取等操作，可以确定出作物的生长情况，并跟踪其变化趋势。
这样，农民和农业专家们就能够及时发现作物的生长异常，采取相应的措施来管理和保护作物，从而最大程度地提高农作物的产量和品质。
其次，图像处理技术还可以用于作物生长的预测。
基于历史图像数据和相关的生长模型，可以通过图像处理技术来预测作物的生长情况。
利用机器学习和模式识别等技术，可以从大量的图像数据中提取特征，并建立起生长模型。
这些模型能够分析和预测作物的生长过程，包括生长速度、生长趋势和生长周期等。
通过不断的训练和优化，这些模型可以逐渐提高预测的准确性和可靠性。
这种预测能力对于农民和农业专家们来说具有重要的意义，他们可以根据预测结果制定出合理的种植计划和管理策略，从而更好地管理和控制作物的生长过程。
利用图像处理技术进行作物生长监测与预测不仅可以提高农作物的产量和品质，还具有许多其他的优势。
首先，这种技术能够大大减少人工劳动和成本。
传统的农业监测和预测通常需要大量的人力和时间投入，而图像处理技术可以快速、准确地获取和分析作物的信息，节省了大量的人力和时间成本。
其次，这种技术可以实现对大范围和多地区的作物生长情况进行实时监测和预测。
基于云计算的农业图像处理系统设计与算法研究的开题报告一、研究背景与意义农业生产是我国国民经济的支柱产业，其中农作物的生长和发展对于农业产量和质量有着至关重要的影响。
为了提高作物生产的效率和产量，农业图像处理技术可以提供大量的信息和数据支持，以帮助农业工作者监测、预测、诊断和决策掌控作物生长过程。
传统的农业图像处理系统通常是采用人工或单机算法对农业图像进行处理和分析，这种方式不仅效率低下，而且存在信息不对称、误差传播等问题。
随着云计算技术的发展，基于云计算的农业图像处理系统能够实现数据共享和分析，在全局范围内提高农业监测和管理效率，更加符合现代农业的发展需求。
因此，开展基于云计算的农业图像处理系统设计与算法研究具有重要的科学价值和实际意义，有利于提高我国农业生产的管理和效率水平，满足市场对高品质、高效率的农业产品的不断增长需求。
二、主要研究内容和目标1.基于云计算的农业图像处理系统设计：研究如何将云计算技术应用于农业图像处理系统中，采用云服务器作为数据中心和计算平台，设计完善的系统架构和数据流程，实现高效的农业图像处理和数据管理。
2.农业图像处理算法研究：研发适合云计算平台的农业图像处理算法，包括图像预处理、特征提取、分类识别等方法，提高农业图像处理和分析的准确度和效率。
3.系统性能测试与评估：针对基于云计算的农业图像处理系统设计和算法研究，进行实验验证和性能测试，评估其对农业生产管理和决策的支撑作用，发现问题并进行改进。
三、主要研究方法1.文献综述法：对于农业图像处理系统和云计算技术现有的研究成果、应用案例和方法进行梳理和综述，总结出发展趋势和存在的问题。
2.系统分析法：对于不同类型的农业图像数据和处理需求，进行系统性分析和建模，设计出合适的数据预处理、特征提取和模型分类等算法，提高农业图像处理和分析的准确度和效率。
3.实验研究法：利用云计算平台进行农业图像处理系统的设计和算法的研究，通过反复验证和改进，评估系统的性能和实际效果。
图像分辨率对草本植物根系形态学参数的影响张泽悠;汪先军;郭水良【摘要】应用EPSON V7000图像扫描仪,选择不同的图像分辨率,获得了北美车前(Plantago virginica)、加拿大一枝黄花(Solidago canadensis)、小飞蓬(Conyza canadensis)和春飞蓬(Erigeron philadelphicus)4种草本植物的根系图片,应用WinRhizo根系分析软件测定了不同分辨率下的每种植物的根总长、总面积、总体积这3个参数.结果表明:不同分辨率测定对根系形态参数均存在明显影响,分辨(X)和形态参数(Y)均符合:Y=A·e(B/X),拟合的相关系数均在0.92以上.分析表明:对于不同的植物,既能保证数据精度又能有较高工作效率的图像分辨率并不相同.例如北美车前和加拿大一枝黄花根系扫描时建议图像分辨率为200 dpi,而小飞蓬和春飞蓬的图像建议的分辨率为400 dpi.【期刊名称】《上海师范大学学报（自然科学版）》【年(卷),期】2014(043)003【总页数】6页(P273-278)【关键词】图像分辨率;根系形态参数;WinRhizo根系分析软件【作者】张泽悠;汪先军;郭水良【作者单位】上海师范大学生命与环境科学学院,上海200234;上海师范大学生命与环境科学学院,上海200234;上海师范大学生命与环境科学学院,上海200234【正文语种】中文【中图分类】Q948.10 引言植物根系对于作物的生长发育和产量形成具有极其重要的影响,但由于作物根系隐藏于地下,人们对根系的了解,是一个从自发认识到自觉研究的过程.根系是植物的重要组成部分,是植物生长发育、新陈代谢的主要营养器官.根系形态参数是反映根系生长状况的主要因素,通过定期测量和分析植物根系形态参数对于了解、研究植物的生长发育状况以及防治病虫灾害均具有重要意义.随着时代的发展,计算机辅助电子影像分析系统的应用提高了根系测定的精度和效率,避免了人为观察造成的主观影响.如用EPSON V7000根系扫描仪以及与其配套的WinRhizo根系图像分析软件可以一次测定获得根系长度、面积、体积、平均直径、根尖数等多项指标,广泛地运用于根系形态和构型研究[1-3].EPSON V7000根系扫描仪的原理是,利用高质量图形扫描仪获取高分辨率植物根系彩色图像或黑白图像,该扫描仪在扫描面板下方和上盖中安装有专门的双光源照明系统,并且在扫面板上预留了双光源校准区域.此外,还配备有不同尺寸的专用、高透明度根系放置盘.扫描时,扫面板下的光源和上盖板中的光源同时扫过高透明度根盘中的根系样品,这样可以避免根系扫描时容易产生的阴影和不均匀等现象的影响,有效地保证了获取的图像质量.顾东祥等已经注意到了扫描仪得到的图像的灰度阈值对根系形态参数的影响[4].他们发现,使用根系分析软件需要调节灰度图像阈值来分析图像上粗细不同的根.扫描仪有不同的分辨率,不同分辨率的图像在应用根系分析软件获得的根系形态参数是否不同？是否影响到研究的结果？目前尚无人关注这一问题.另一方面,扫描仪分辨率高低决定了扫描仪所能记录的图像的细致程度.但是,扫描分辨率越大,获得的图像文件尺寸也越大,需要更长的时间、更多的内存.本研究的目的是,应用北美车前(Plantago virginica)、加拿大一枝黄花(Solidagocanadensis)、小飞蓬(Conyza canadensis)和春飞蓬(Erigeron philadelphicus)4种不同生活型的草本植物,通过不同分辨率下根系形态参数的比较,了解图像分辨率对根系形态参数分析结果的影响,并回答应该选择什么样的图像分辨率,既能保证数据的精度又能达到节约时间的目的.1 材料与方法于2012年3月从上海师范大学徐汇校园采集北美车前、小飞蓬、加拿大一枝黄花和春飞蓬这6种草本植物.材料洗净后通过根系扫描仪测量记录4种植物的地下部分形态指标,每种植物均进行了5～8种不同分辨率的测定.其中,北美车前、酢浆草和加拿大一枝黄花均采用50、150、240、300、360、600、800 dpi 7个分辨率,小飞蓬和春飞蓬均采用50、150、240、300、360、600、800、2400 dpi 8个分辨率,牛繁缕采用0、150、240、300、360 dpi 5个分辨率.在此基础上,再应用扫描仪配套的WinRHIZO根系分析系统软件对根的长度、面积、直径、体积、根尖数、分叉数等进行定量分析.在获得根系各形态学参数的基础上,比较不同分辨率在根总长、根投影面积、根体积等方面的区别.为了定量反映图像不同分辨率对根系形态数据的影响,选择根系形态学分析中最常用的根长、体积和面积3个指标,借助于Curve-Expert 1.3曲线按拟合软件建立分辨率(X)和根系形态指标(Y)之间的函数关系,选择极统计上达到极显著相关的函数式表达两者之间的关系.最后,对3个根系形态指标进行最大值标准化,以标准化后的数据为指标(Y),建立与图像分辨率之间的函数,应用EXCEL的作图功能,在同一图上反映3个根系指标随着图像分辨率变化而改变的特点,进而提出每种植物根系分析时的图像分辨率.为进一步了解图像分辨率对根系其他形态指标的影响,以小飞蓬为例,将形态指标进行最大值标准化后,进一步分析了图像分辨率对根分叉数(fork)、根尖数(Tip),以及10个直径等级的根长、面积、体积等形态指标的影响.2 结果与分析4种草本植物根根系总长度、投影面积、总体积、平均直径等指标见表1、3(对应函数关系见表2,4).从表1、3和图1、2的结果来看,根系扫描时的分辨率选择对根系形态参数有强烈的影响.随着设置的图像分辨率的提高,根的总长度开始呈现指数式上升,后趋于某一值,而根的面积、体积和直径则开始呈指数式下降,后趋于某一值.4个形态指数(Y)与图像分辨率(X)的关系均可以用Y=A·e(B/X)来表示,而且两者的相关系数均在0.99以上(P<0.001).表1 不同分辨率下北美车前、加拿大一枝黄花根系4个形态指标分辨率/dpi时间/s北美车前总长/cm面积/cm2体积/cm3直径/mm加拿大一枝黄花总长/cm面积/cm2体积/cm3直径/mm504063.00637.55810.7121.1996157.460728.78134.1321.827815053102.83766.59990.3330.6418280.446723.92511.6030.853124056109.32946.29070.2840.5754319.092423.11551.3150.724430060118.87366.30040.2620.53359.274122.51051.1080.626636071113.98726.16970.2620.5413351.019222.51811.1350.641560090128.16496.2080.2360.4844477.938622.23740.8130.4653800180133.25916.14150.2220.4609504.397321.91330.7480.4344表2 表1各指标对应函数的关系时间/s北美车前总长/cm面积/cm2体积/cm3直径/mm加拿大一枝黄花总长/cm面积/cm2体积/cm3直径/mmY=0.1941X+8.4599R=0.9866y=134.1850·e (-39.480/x)r=0.9840y=6.0544·e(11.1572/x)r=0.9947y=0.2177·e(59.3653/x)r=0.9991y=0.4573·e(48.3386/x)r =0.9981y=498.7082·e (-79.0631/x)r=0.9236y=21.6410·e(14.3103/x)r=0.9987y=0.8567·e(8.9295/x)r=0.9933y=0.4999·e(65.2156/x)r= 0.9933表3 不同分辨率下小飞蓬和春飞蓬根系4个形态指标分辨率/dpi时间/s小飞蓬总长/cm面积/cm2体积/cm3直径/mm春飞蓬总长/cm面积/cm2体积/cm3直径/mm5040 63.7169.37411.0831.471299.55110.05560.7981.01015053 141.12147.04050.2760.4989186.69929.02820.3430.483624056172.94296.68180.2030.3864229.26818.80950.2660.384230060191.71696.30010.1630.3286242.4338.65980.2430.357236071188.06556.4110.1720.3409239.57528.6540.2460.361260090223.56375.90770.1230.2643271.71298.33970.2010.3069800180227.2595.83320.1180.2567283.29528.29010.1910.29262400483249.06145.7 9110.1060.2325320.67868.30950.1690.2591表4 表3各指标对应的函数关系时间/s小飞蓬总长/cm面积/cm2体积/cm3直径/mm春飞蓬总长/cm面积/cm2体积/cm3直径/mmY=0.1941X+y8.4599R=0.9866y=249.0477·e (-79.3021/x)r=0.9903y=5.8444·e(23.9904/x)r=0.9899y=0.1186·e(110.6885/x)r=0.9985y=0.2525·e(88.2926/x) r=0.9978y=306.5218·e (-66.1158/x)r=0.9908y=8.3370·e(9.6799/x)r=0.9802y=0.1909·e(71.8256/x)r=0.9953y=0.2889·e(62.9251/x)r= 0.9947将4个形态指标进行最大值标准化处理后,形态指标(Y)与分辨率(X)的函数关系也均可以用Y=A·e(B/X)来表达,依据它们的函数式,应用EXCEL作出了分辨率与形态指标关系的曲线图(图1、2).图1 不同分辨率下北美车前(左)和加拿大一枝黄花(右)根的形态学参数根据图1、2的特点,考虑到4个指标的分析需要,不同种类根系分析时(至少在本案例研究中),图像的分辨率要求不同.例如对于北美车前和加拿大一枝黄花来说,当图像分辨率在200 dpi以上后,4个形态的数据不再呈指数式变化,而趋向于各自的某个数值,考虑到工作时间,建议采用200 dpi的分辨率进行图像扫描.而对于小飞蓬和春飞蓬,在分辨率200 dpi时,根长这一指标尚没有达到稳定,根长这一指标在分辨率为400 dpi左右时达到基本平稳,对于这小飞蓬和春飞蓬,建议用400 dpi的分辨率采集图像进行根系形态参数的分析.图2 不同分辨率下小飞蓬(左)和春飞蓬(右)根的形态学参数以小飞蓬为对象,进一步的分析表明,扫描精度对根系不同直径等级的长度、面积和体积的影响也极为明显.随着图像分辨率由低到高,最细一级(1.5<L≤2.0)的根长、面积和体积也同样呈现出先指数式变大,而后过了一定的分辨率后,形态指标变大的趋势趋缓,最后接近于某个值;而对于第2、3级(2.0<L≤2.5和2.5<L≤3.0)的根长、面积和体积则呈现相反的趋势,即随着图像分辨率由低到高,这些指标值呈指数式的下降,而后过了一定的分辨率后,形态指标变小的趋势趋缓,最后接近于某个值(图3);对于其他的直径等级下,图像分辨率对根长度、面积和体积也有强烈的影响,但是随着图像分辨率的由低到高的形态指标出现不规律的变化.图3 不同分辨率下小飞蓬不同直径等级的根长参数变化图4 不同分辨率下小飞蓬不同直径等级的面积参数变化小飞蓬的根尖数、分叉数、根系的重叠数和连接数等形态指标也随着图像分辨率的变化而变化,都呈现由小到大的趋势,但是随着图像分辨 (X)由低到高,根系交叠数(Crossing,Y)呈Y=1252.0218·e (-208.4813/x)r=0.9811)变化,即先指数式提高,后趋缓趋稳,接近于某个值.根尖数(Y1)、根交叉数(Y2)和根系连接数(Y3)则呈线性增长,分别符合:Y1=88.8862+1.6381·X (r=0.9951),Y2=214.5082+5.6604·X(r=0.9981);Y3=778.9116+9.3201·X (r=0.9970).图5 不同分辨率下小飞蓬不同直径等级的体积参数变化图6 不同分辨率下小飞蓬不同直径等级根尖数、分叉数、交叠数和连接数变化3 结语根系分析仪能够高效地提供研究对象的根系形态学参数,通过根系特点来反映植物的生理和生长状态.但是图像的参数选择会对根系分析结果有影响.例如WinRhizo 软件介绍中就提到,在分析根系图像中较细的分枝根时需要提高图像阈值,但是较高的阈值亦会增加粗根(如不定根)长度、表面积和体积等指标的测量误差[5].通过EPSON V7000根系扫描仪采集根系图像后,再应用与其配套的WinRhizo根系图像分析软件,能够一次得到根长、面积、体积、直径,根交叉数(fork)和根尖数(Tip),以及10个直径等级的根长、面积、体积等数据.本文作者定量分析了不同根系扫描精度前4个指标值的影响.结果表明:图像的扫描精度对于分析结果有强烈影响.以小飞蓬为例,进一步分析了图像分辨率对根分叉数、根尖数、交叠数和连接数的影响,发现图像分辨率对这些指标值的影响也极为强烈,而且在不同图像分辨下的数据变化特点更复杂.因此,在应用图像扫描和根系分析软件测定根系形态参数时,一定要注意图像分辨率对结果的影响,针对不同类群植物,需要开展预试验确定恰当的分辨率.参考文献:[1] 方芳,郭水良,黄华,等.北美车前的种群密度对地上和地下器官形态的影响[J].热带亚热带植物学报,2010,12(5):419-424.[2] 马献发,宋凤斌,张继舟.根系对土壤环境胁迫响应的研究进展[J].中国农学通报,2011,27(5):44-48.[3] 向小亮,宁书菊,魏道智.根系的研究进展[J].中国农学通报,2009,25(17): 105-112.[4] 顾东祥,汤亮,曹卫星,等.基于图像分析方法的水稻根系形态特征指标的定量分析[J].作物学报,2010,36(5): 810-817.[5] Regent Instruments Inc.WinRhizo Basic,Reg & Pro for Washed Root Measurement (User′s Guide)[M].Québec,QC: Regent Instruments Inc,2005.。
《基于机器学习的牧草识别算法研究及应用》篇一一、引言随着人工智能技术的快速发展，机器学习算法在农业领域的应用越来越广泛。
牧草作为畜牧业的重要饲料来源，其品种、生长状况和营养成分对畜牧业的发展具有重要影响。
因此，研究基于机器学习的牧草识别算法，对于提高牧草种植效率、优化饲料配方、促进畜牧业发展具有重要意义。
本文旨在探讨基于机器学习的牧草识别算法的研究现状、方法、应用及未来发展趋势。
二、研究现状及方法（一）研究现状近年来，随着图像处理和机器学习技术的快速发展，基于图像识别的牧草识别技术逐渐成为研究热点。
目前，国内外学者在牧草识别方面取得了显著成果，主要包括基于光谱分析、基于图像处理和基于深度学习的识别方法。
其中，基于深度学习的识别方法在牧草识别领域具有较高的识别率和稳定性。
（二）研究方法本研究采用基于深度学习的机器学习算法，利用图像处理技术对牧草进行识别。
具体步骤包括：图像采集与预处理、特征提取与选择、模型训练与优化、算法测试与评估。
其中，图像采集与预处理是识别的基础，特征提取与选择是识别的关键，模型训练与优化是提高识别率的重要手段，算法测试与评估则是验证算法性能的重要环节。
三、算法实现及分析（一）算法实现本研究采用卷积神经网络（CNN）作为牧草识别的核心算法。
首先，通过图像采集与预处理，获取高质量的牧草图像；其次，利用CNN算法进行特征提取与选择，得到牧草的深层特征；然后，通过训练集对模型进行训练与优化，得到最佳的模型参数；最后，利用测试集对算法进行测试与评估，验证算法的识别性能。
（二）算法分析本研究采用的CNN算法在牧草识别方面具有较高的识别率和稳定性。
通过对不同品种、不同生长阶段的牧草进行训练和测试，算法能够准确地识别出不同种类、不同状态的牧草，为牧草种植、饲料配方优化等提供有力支持。
同时，该算法还具有较高的鲁棒性和泛化能力，能够适应不同环境、不同场景的牧草识别需求。
四、应用及效果（一）应用领域基于机器学习的牧草识别算法在农业领域具有广泛的应用前景。
中国农业大学学报 2000,5(2):96～99 Journal of Ch ina A gricultural U niversity 植物根系的分形及计算机模拟冯 斌①(中国农业大学电子电力工程学院) 杨培岭(中国农业大学水利与土木工程学院)收稿日期:19991109①冯 斌,北京清华东路17号中国农业大学(东校区)213信箱,100083摘 要 基于计算机图像技术和分形理论,建立了植物根系分形度量的计算机模型,实现了对植物根系生长过程发育形态的计算机模拟。
应用上述模型计算植物根系的分形维数与实际度量的维数基本一致,构造模拟的根系形态与实物不仅具有相近的分形维数,而且形态也非常相似。
关键词 分形;分维数;L 系统;布朗运动;根系分类号 T P 391172;S 5121107Si m ula tion of the Root Growth by Usi ng theI mage and Fracta l Growth TechnologyFeng B in (Co llege of E lectronic and E lectric Pow er Engineering,CAU )Yang Peiling(Co llege of W ater Conservancy and C ivil Engineering,CAU )Abstract A n exp lanati on abou t the app licati on of i m age and fractal grow th techno logy in si m u lati on of roo ts w as described .It is an illum inati on of p lan t roo ts grow th m odel and a confir m ati on of fractal di m en si on .T he m ethodo logy can be u sed in study of p reciseagricu ltu re ,i.e .,the si m u lati on of roo t grow th in differen t m o istu re in so il Key words fractal ;fractal di m en si on ;L 2system ;b row n ian m ovem en t ;roo t生长在土壤中的植物根系处于一个不可见的黑色系统中,对它的研究远不如对植株直观和便利。
2006年12月农业机械学报第37卷第12期基于M a tlab 的根系断层图像分割处理算法3周志艳 周学成 罗锡文 李 庆 【摘要】 根据植物根系原位形态可视化研究的需要,利用M atlab 提供的图像处理算法,编制了根系断层图像分割处理算法的优选整合程序,用多种不同算法组合对根系CT 原位图像进行实例检验,采用最终测量精度法作为评价准则,对分割效果进行分析研究。
研究结果表明,在90%的置信水平下,处理模块的不同组合顺序以及每个模块中不同算法的选择对最终分割效果有显著的影响,各因素对分割效果总变异贡献率的大小排序为分割(4611%)、灰度调整(1719%)、分割前滤波(415%)、分割后滤波(216%)、执行序列(015%)。
根据所设计的实验例证,提出了处理流程及算法中的较优组合。
关键词:根系 图像分割 算法优选中图分类号:S 126;T P 391141文献标识码:AStudy on M a tlab -ba sed Segm en ta tion A lgor ithm s forX -ray CT I mage of Plan t RootZhou Zh iyan Zhou Xuecheng L uo X i w en L i Q ing (S ou th Ch ina A g ricu ltu ra l U n iversity )AbstractA cco rding to the need of p lan t roo t m o rp ho logy visualizati on ,an op ti m al selecti on system fo r segm en tati on algo rithm s of p lan t roo t X 2ray CT i m age based on M atlab has been develop ed ,and the segm en tati on exp eri m en ts w ith real i m age in stance w ere p rovided to show the effectiveness of the system .T he analysis based on the evaluati on of algo rithm (UM A ——u lti m ate m easu rem en t accu racy )w as develop ed .A t the 90%confidence level ,the resu lts show ed that the effect of every facto r to the final segm en tati on quality w as sign ifican t .T he o rder of the facto rs ’p ercen t con tribu ti on w as :segm en tati on (4611%),in ten sity adju stm en t (1719%),and no ise reducti on filtering befo re segm en tati on (415%),no ise reducti on filtering after segm en tati on (216%)and treatm en t com b inati on s in differen t o rder (015%).T h is system cou ld be u sed as an exam inati on to find ou t the best treatm en t algo rithm com b inati on under the given exp eri m en tal in stances.Key words Roo t system s ,I m age segm en tati on ,O p ti m al algo rithm selecti on收稿日期:2005-08-123国家自然科学基金资助项目(项目编号:60375005)周志艳 华南农业大学工程学院 工程师,510642 广州市周学成 华南农业大学工程学院 副教授罗锡文 华南农业大学工程学院 教授 博士生导师 通讯作者李 庆 华南农业大学工程学院 讲师 引言采用生物医学影像技术中的XCT 、M R I 成像技术获取植物根系的原位断层图像,经过图像分割、三维重建等过程,利用计算机生成三维立体根系,是进行植物根系原位构型可视化研究的有效手段,已受到广泛关注[1]。
根系图像分析系统推进了作物根系的定量研究对于作物而言，根系是否发达决定了其生长的好坏，生长状态不好的作物，其根系不仅数量少，而且根短，因此对于养分和水分的吸收能力也差，而对于生长情况较好的作物，其根系往往是非常发达的，因此通过根系图像分析系统研究测定作物根系的相关特征，可以更好的开展水肥作业，提高水肥的利用率，达到节本增效的效果。
在没有使用托普云农根系图像分析系统之前，测定植物根系的相关指数，往往是通过挖根，清洗之后采用尺子测量，不仅麻烦，而且误差比较大，难以对其进行定量分析，但是根系图像分析系统不同，它采用的是图像分析的方式来测量相关的数据，即首先拍摄图像，然后对图像上的特征进行分析并计算，最终得到结果，因此根系图像分析系统与人工测定相比，不仅提高了测定效率，避免了人工误差，而且推进了作物根系的定量研究，是一种精度高，可以在农业研究中广泛推广应用的一种好方法。
托普云农根系图像分析系统可以定量测定根总长；根平均直径；根总面积；根总体积；根尖计数；分叉计数；交叠计数；根直径等级分布参数等指标，而利用它来开展相关的研究工作，成效也是十分明显的，比如在水稻根系形态特征指标的定量分析过程中，通过测定发现，增施氮肥可促进根系生长，明显提高不定根比例；适当控水可促进根系生长明显提高分枝根比例。
因此利用它来进一步优化水肥的配比，促进作物的健康成长，是卓有成效的。
根系图像分析系统技术参数：1、根总长；2、根平均直径；3、根总面积；4、根总体积；5、根尖计数；6、分叉数；7、交叉数；8、根直径等级9、可不等间距地自定义分段直径，自动测量各直径段长度、投影面积、表面积、体积等，及其分布参数；10、根尖段长分布；11、能进行根系的颜色分析，确定出根系存活数量，输出不同颜色根系的直径、长度、投影面积、表面积、体积；12、能进行根系的分析，自动确定根的连接数、关系角等，可单独自动分析主根或任意一支侧根的长度和分叉数等；13、可单独显示标记根系的任意直径段相应各参数（分档数、档直径范围任意可改）；14、能进行根的分叉裁剪、合并、连接等修正，修正操作能回退，以快速获得100%正确的结果。
《基于机器学习的牧草识别算法研究及应用》篇一一、引言牧草是畜牧业的重要组成部分，对提高畜牧养殖效益具有关键性作用。
近年来，随着计算机视觉技术的不断发展，特别是机器学习技术的快速进步，为牧草的精准识别与监测提供了新的方法与途径。
本文以机器学习为技术支撑，深入研究牧草识别算法的原理及方法，探讨其在实际生产中的应用。
二、牧草识别算法研究的理论基础（一）机器学习与图像处理机器学习是人工智能领域的重要分支，其通过分析大量数据来寻找规律并做出决策。
在图像处理中，机器学习能够从图像中提取出有用的信息，为图像分类、识别等任务提供支持。
而牧草识别正是基于这样的技术基础，通过图像处理技术对牧草进行识别与分类。
（二）算法模型的选择与构建针对牧草识别的特点，本文选择了深度学习中的卷积神经网络（CNN）作为主要算法模型。
卷积神经网络在图像分类、目标检测等领域具有显著优势，能够有效地提取牧草图像的特征信息，从而实现精准识别。
在模型构建过程中，本文对网络结构进行了优化设计，提高了模型的泛化能力与识别准确率。
三、牧草识别算法的研究方法与步骤（一）数据收集与预处理为确保算法的准确性与可靠性，需要收集大量的牧草图像数据。
同时，为了降低算法的复杂度与提高计算效率，需要对图像数据进行预处理，包括去噪、灰度化、二值化等操作。
（二）模型训练与优化将预处理后的图像数据输入到卷积神经网络模型中进行训练。
在训练过程中，通过调整模型参数、学习率等来优化模型的性能。
同时，采用交叉验证等方法对模型进行评估，确保其具有较好的泛化能力。
（三）算法实现与应用将优化后的模型应用于牧草识别的实际场景中，包括草地监测、病虫害诊断等方面。
通过实际应用验证算法的可行性与有效性。
四、牧草识别算法的应用（一）草地监测基于机器学习的牧草识别算法可应用于草地监测。
通过对草地中牧草的生长情况进行实时监测，可以及时掌握草地生长状况及变化趋势，为畜牧业生产提供科学依据。
同时，该算法还可用于草地资源的评估与管理，为生态环境的保护提供支持。
