基于机器视觉的膜下滴灌青贮玉米长势监测与营养诊断体系构建

Monitoring crop growth and diagnosing crop N status based on computer vision technology are widely used in recent years. Computer vision technology combining near ground remote sensing for crop precise monitoring provide new theoretical basis and technical support because it has convenient, efficient, and widely applicable monitoring traits, which could provide a new theoretical basis and technical support for the practical application of remote sensing monitoring technology. In this study, color images of silage maize canopies were captured with a digital camera fitted with a charged-coupled device (CCD) as an image sensor. An image analysis approach was developed to extract the RGB color feature parameters of the silage maize images. The objectives of this study were to calibrate models describing the relationship between the spectral and biological properties of silage maize canopies based on different color feature parmeters, to verify the models using data collected from three fields of high-yield silage maize, and to build a remote service system platform for measuring the growth and N status of silage maize in Ningxia based on computer vision technology.

基于计算机视觉技术的作物长势监测与诊断是近年来农业信息技术研究的主要方向与发展趋势。其快速、高效、实用的监测方法为农作物精准监测提供新的理论基础和技术支撑，对于推动现代农业近地面遥感监测技术的实际应用具有一定的学术价值与社会价值。因此，构建基于计算机视觉技术的作物长势监测与诊断体系具有极其深远的意义。本研究采用数码相机或CCD数字摄像头对膜下滴管青贮玉米进行实时跟踪监测，通过数字图像分割技术对青贮玉米群体冠层图像进行分析处理，筛选青贮玉米长势监测与N素营养诊断反应敏感的特征颜色参数，主要目的旨在构建不同特征颜色参数与青贮玉米农学属性间的关系模型，并通过3个高产田独立试验对模型进行检验，力图搭建基于计算机视觉技术的青贮玉米长势监测与N素营养诊断远程服务平台，实现对宁夏引黄、扬黄灌区青贮玉米生长信息和氮素营养状况进行快速准确的监测与诊断。

针对宁夏灌区玉米高产精准管理中存在的问题，本项目于2016-2019年采用智能手机和无人机等视觉监测设备实时快速跟踪监测，量化无损获取玉米群体表型表征，运用图像分割技术、机器学习和深度学习法分析筛选出玉米冠层图像特征参数，建立了宁夏覆膜滴灌玉米生长监测与营养诊断机理模型。研发了作物生长采集与监测装备，研制了玉米籽粒无损识别系统。主要结果如下：.1. 基于无人机的玉米出苗率估算。通过深度优化处理技术得出玉米苗期图像轮廓，精准统计玉米株数，计算出苗率。.2. 基于手机图像的玉米光响应曲线特征模型。将玉米冠层图像参数与光响应曲线参数有机结合，建立了CC与α间有理函数模型，与Pn-max间幂函数模型，与LCP间指数函数模型，与Rd间二次多项式模型，能快速准确反映玉米光响应特征。.3. 基于数字图像的玉米果穗发育动态估算。研究玉米灌浆过程中穗形态与CC间的指数函数关系，构建模型并评价，估算结果达0.714。.4. 基于机器学习的滴灌玉米光合响应特征模型。运用网格搜索法对光响应特征参数计算可知，α、Pnmax、Rd、LSP和LCP变化与其光合参数相似。在施钾量为360 kg·hm-2时，光响应特征参数均达到最大，在450 kg·hm-2时出现光抑制。.5. 基于机器学习与高光谱成像的玉米叶氮含量预测。分析玉米叶片高光谱数据，得出De-trending预处理法结合机器学习PLS法可预测玉米叶片氮含量。.6. 基于临界氮浓度的宁夏玉米氮吸收与亏缺模型。滴灌玉米Nc、Nmax和Nmin与地上干物质量呈幂函数关系；NNI可衡量滴灌玉米氮素营养状况，推荐宁夏引黄灌区滴灌玉米施氮量以270-311 kg/hm2为宜。.7. 玉米籽粒无损识别与分离系统。可一次性完成脱粒、表型识别、霉变检测、霉变籽粒分离，分离预测率达96%。.通过本项目研究，推进了玉米生产信息化管理以及数字化监测，提高了玉米产业经济效益，对调整农业结构和促进农民增收具有重大意义，对于加快近地遥感监测诊断技术在农业是的应用具有一定的学术价值与社会效益。