简介：摘要 : 光是植物进行光合作用的主要能量来源，光照好坏直接影响作物的产量和品质。本研究针对现有植物补光系统多以功能叶光合能力为基准进行冠层补光，导致冠层新生叶光抑制、株间功能叶位补光不足以及补光位置不能适应作物生长进行动态调整的问题，以黄瓜为研究对象，设计了一种基于植株需光差异特性的设施黄瓜立体光环境智能调控系统。该系统由智能控制子系统、冠层 -株间 LED补光子系统、冠层 -株间环境监测子系统和补光灯升降子系统组成，通过 ZigBee技术实现各子系统间无线通信。其中冠层 -株间环境监测子系统分别获取冠层和株间环境信息并发送至智能控制子系统，智能控制子系统根据环境实时信息调用冠层调控模型和株间适宜叶位调控模型获得相应调控目标值，并将其下发至冠层 -株间补光灯，实现冠层与株间补光灯的动态实时调控。在陕西省泾阳县蔬菜产业综合服务区蔬菜基地分别部署立体补光设备和传统冠层补光设备，并进行系统调控效果验证试验。结果表明，立体补光区黄瓜植株的株高和茎粗显著增长，其中相比传统冠层补光区平均株高、茎粗分别增长了 8.03%和 7.24%，相比自然处理区平均株高、茎粗分别增长了 26.51%和 36.03%；在一个月的采摘期内，立体补光区相比传统冠层补光区和自然处理区产量分别提升了 0.28和 1.39 kg/m2，经济效益分别增加了 2.82和 4.88 CNY/m2，说明立体光环境调控系统能够提高经济效益，具有应用推广价值。

简介：摘要 : 冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（ D3P）模拟生成了 100种冠层结构不同的小麦品种在 5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（ GAI）、平均倾角（ AIA）和散射光截获率（ FIPARdif）信息作为真实值 ,进一步利用上述三维小麦场景开展了虚拟的激光雷达（ LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（ H）和绿色分数特征（ GF）。最后，利用人工神经网络（ ANN）算法分别构建了从不同 LiDAR点云特征（ H、 GF和 H+GF）输入到 FIPARdif、 GAI和 AIA的反演模型。结果表明，对于 GAI、 AIA和 FIPARdif，预测精度从高到低对应的点云特征输入为 GF+H > H > GF。由此可见， H特征对提高目标表型特性的估算精度起到了重要作用。输入 GF + H特征，在中等测量噪音（ 10%）情况下， FIPARdif和 GAI的估算均获得了满意精度， R2分别为 0.95和 0.98，而 AIA的估算精度（ R2=0.20）还有待进一步提升。本研究基于 D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了 D3P协助表型算法开发的能力，展示了高通量 LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。

简介：摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的 MobileNetV3网络，结合关键点预测的目标检测网络（ CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（ M-CenterNet），并通过与 CenterNet和单次多重检测器（ Single Shot Multibox Detector， SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%；模型体积和帧率分别为 14.2MB和 8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为 CenterNet网络的 1/4；相比于 SSD网络，所提网络模型的 AP提升了 3.9%，模型体积降低了 84.3%；本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。

简介：摘要 : 植被分类是高光谱影像分类中的特定应用问题，光谱特征和空间特征是植被分类中常用的两类特征，比较这两类特征的性能，对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（ PCA）提取光谱特征时，常选择前几个主成分（ PCs）作为光谱特征，虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率，针对这一问题本研究提出了一种混合特征提取方法，对高光谱影像在 PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的 PCs用于后续分类。利用一景 AVIRIS高光谱植被影像，从分类精度的角度，首先比较了所提出的混合特征提取方法和原始 PCA、独立主成分分析（ ICA）及线性判别分析（ LDA） 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集 1和 2上均获得了最高的总体分类正确率，分别为 82.7%和 86.5%。与原始 PCA相比，本研究提出的混合特征提取方法的总体分类正确率，在数据集 1和 2上分别提高了 1.5%和 2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中，总体上空间特征获得的分类正确率比光谱特征高，特别是 Gabor特征，在两个数据集上均获得了最高的总体分类正确率分别为 95.5%和 96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空 -谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。

简介：摘要 : 叶片湿润时间（ LWD）是植物病害模型的重要输入变量之一，它与许多叶部病原菌的侵染有关，影响病原侵染和发育速率。为了准确地预测日光温室黄瓜病害的发生时间和方位，本研究于 2019年 3月和 9月在北京两个不同类型日光温室内按照棋盘格法设置了 9个采样点部署温湿光传感器和目测叶片湿润时间，每隔 1 h采集一次温度、湿度、辐射和叶片湿润数据进行定量估算分析。分析结果表明： BP神经网络模型在两个温室的试验条件下获得了相似的准确度（ ACC为 0.90和 0.92），比相对湿度经验模型估算叶片湿润时间的准确度（ ACC为 0.82和 0.84）更高，平均绝对误差 MAE分别为 1.81和 1.61 h，均方根误差 RSME分别为 2.10和 1.87，决定系数 R2分别为 0.87和 0.85；在晴天和多云天气条件下，叶片湿润时间的空间分布总体规律是南部＞中部＞北部，南面是叶片湿润平均时间（ 12.17 h/d）最长的区域；由东向西方向上，叶片湿润时间的空间分布总体规律是东部＞西部＞中部，中部是叶片湿润平均时间（ 4.83 h/d）最短的区域；雨天的叶片湿润平均时间比晴天和多云长，春季和秋季分别为 17.15和 17.41 h/d。这些变化和差异对温室黄瓜种群水平方向的叶片湿润时间分布具有重要影响，与大多数高湿性黄瓜病害的发生规律密切相关。本研究为预测温室黄瓜病害分布提供了有价值的参考，对控制病害流行和减少农药使用具有重要意义，提出的区域化分析温室内叶片湿润时间的方法，可以为模拟日光温室叶片湿润时间的空间分布提供参考。