文献类型：期刊文章

作　　者：马浚诚[1] 刘红杰[2] 郑飞翔[1] 杜克明[1] 张领先[3] 胡新[2] 孙忠富[1]

Ma Juncheng;Liu Hongjie;Zheng Feixiang;Du Keming;Zhang Lingxian;Hu Xin;Sun Zhongfu(Institute of Environment and Sustainable Development in Agriculture,Chinese Academy of Agricultural Sciences,Beijing 100081,China;Wheat Research Laboratory,Shangqiu Academy of Agriculture and Forestry Sciences,Shangqiu 476000,China;College of Information and Electrical Engineering,China Agricultural University,Beijing 100083,China)

机构地区：[1]中国农业科学院农业环境与可持续发展研究所,北京100081 [2]河南省商丘市农林科学院小麦研究所,商丘476000 [3]中国农业大学信息与电气工程学院,北京100083

出　　处：《农业工程学报》

基　　金：国家自然科学基金(31801264);国家重点研发计划项目(2016YFD0300606和2017YFD0300402)

年　　份：2019

卷　　号：35

期　　号：5

起止页码：183-189

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对目前基于计算机视觉估算冬小麦苗期长势参数存在易受噪声干扰且对人工特征依赖性较强的问题,该文综合运用图像处理和深度学习技术,提出一种基于卷积神经网络(convolutional neural network, CNN)的冬小麦苗期长势参数估算方法。以冬小麦苗期冠层可见光图像作为输入,构建了适用于冬小麦苗期长势参数估算卷积神经网络模型,通过学习的方式建立冬小麦冠层可见光图像与长势参数的关系,实现了农田尺度冬小麦苗期冠层叶面积指数(leaf area index,LAI)和地上生物量(above ground biomass, AGB)的准确估算。为验证方法的有效性,该研究采用以冠层覆盖率(canopy cover, CC)作为自变量的线性回归模型和以图像特征为输入的随机森林(random forest, RF)、支持向量机回归(support vectormachinesregression,SVM)进行对比分析,采用决定系数(coefficientofdetermination,R2)和归一化均方根误差(normalized root mean square error, NRMSE)定量评价估算方法的准确率。结果表明:该方法估算准确率均优于对比方法,其中AGB估算结果的R2为0.7917,NRMSE为24.37%,LAI估算结果的R2为0.8256,NRMSE为23.33%。研究可为冬小麦苗期长势监测与田间精细管理提供参考。

关 键 词：作物  生长  参数估算  冬小麦 苗期 叶面积指数 地上生物量 卷积神经网络

分 类 号：S512.11]