Growth response of Lagerstroemia speciosa seedlings to water stress and release
-
摘要:目的
分析不同水分处理对抗性树种大花紫薇Lagerstroemia speciosa生长的影响,探究大花紫薇形态性状的响应机制,为抗性园林树种的选择及水分管理提供理论依据。
方法以大花紫薇的1年生幼苗为材料,设置干旱(DR)、水淹(WL)、水淹−干旱交叉(WD)和对照(正常浇水,CK) 4种水分处理,开展30 d水分胁迫试验,随后解除水分胁迫,并维持DR、WL、WD处理组植株的土壤水分在CK水平,进行为期30 d的恢复生长,测定水分胁迫及解除后植株的叶性状、根系性状和生物量指标。
结果DR、WD胁迫终期和WL恢复终期的总叶面积相较CK显著下降;3种水分胁迫处理的叶组织密度在胁迫终期相较CK显著上升,比叶面积在恢复终期显著下降。胁迫终期时,WL和WD处理提升了细根根长占比和细根表面积占比;恢复终期时,DR、WL、WD处理的细根表面积占比分别比CK升高了9.59%、12.42%、13.57%;胁迫终期和恢复终期时,WL处理的比根长和比根面积显著高于CK。胁迫终期时,3种水分胁迫下的植株增加了对茎的生物量分配,且WL处理植株生长的不定根占总根系生物量的26.95%;DR胁迫终期和恢复终期的根系生物量分配显著升高,根冠比分别相比各自CK提升了40.93%和70.06%。相关性分析表明,叶性状间、根系性状间分别存在权衡关系;根长、根表面积与叶组织密度呈显著正相关。
结论大花紫薇叶−根系性状间存在一定的相关性;短期的水分胁迫对大花紫薇幼苗根系生长具促进作用,使其更好地适应城市园林绿地复杂多变的水环境。
Abstract:ObjectiveTo analyze the effects of different water treatments on the growth of resistant tree species Lagerstroemia speciosa, explore the response mechanism of morphological traits of L. speciosa, and provide a theoretical basis for the selection and water management of resistant landscape tree species.
MethodUsing the one-year-old seedlings of L. speciosa as materials, a 30-day water stress experiment was conducted by setting up four types of water treatments, drought (DR), waterlogging (WL), waterlogging-drought alternating (WD), and control (normal water supply, CK). Subsequently, the water stress was relieved and the soil moisture in the DR, WL and WD treatments was maintained at the CK level for a 30-day recovery period of growth. The leaf traits, root traits and biomass indicators of plants after water stress and relief were measured.
ResultTotal leaf areas of L. speciosa significantly decreased at the end of DR, WD stress and at the end of recovery after WL stress compared with CK. Leaf tissue densities of the three water stress treatments were significantly higher at the end of stress compared to CK, and specific leaf areas were significantly lower at the end of recovery. Compared with CK, the WL and WD treatments increased the rates of fine root length and the rates of fine root surface area at the end of stress. At the end of recovery, the rates of fine root surface area were higher in the DR, WL and WD treatments by 9.59%, 12.42%, and 13.57%, respectively, compared to CK. At the end of stress and recovery, the specific root length and specific root surface area in WL treatment was significantly higher compared to CK. At the end of stress, plants under the three water stress treatments increased biomass allocations to stems, and WL treatment plants grew adventitious roots that accounted for 26.95% of total root biomass. Under DR treatment, the root biomass allocation at the end of stress and recovery significantly increased, and the root-shoot ratio increased by 40.93% and 70.06% respectively, compared to their own CK. Correlation analysis showed that there was a trade-off relationship among leaf traits and root traits respectively. Root length, root surface area, and leaf tissue density were significantly positively correlated, and root growth had a positive effect on the leaf tissue density.
ConclusionThere is a certain correlation between leaf and root traits. Short term water stress can promote the root growth of L. speciosa seedlings, making them better adapt to the complex and varied water environment of urban landscaping and green spaces.
-
Keywords:
- Lagerstroemia speciosa /
- Landscape tree /
- Water stress /
- Leaf trait /
- Root trait /
- Biomass
-
野外环境下断蕾机器人需对多特征多目标进行识别,特别是农业机器人在切断香蕉花蕾和估产时,要同时识别香蕉果串、果轴和花蕾3种不同特征的目标,其单一目标的大小是一种变量,每次检测的目标尺寸和位置都不一样。另外,目标还受到树叶、遮挡及光照影响,研究复杂环境下的视觉检测方法意义重大。因此,针对香蕉、花蕾及果轴的识别问题,本研究提出多特征目标的快速识别方法。
断蕾机器人的关键视觉技术是对目标进行自动定位,视觉检测一直被认为是最具挑战性的问题之一[1-6]。Tang等[7]用多目视觉跟踪钢管的动态变形,探索其破坏机理;Dai等[8]把深度学习算法用于交通管理;研究还将视觉技术应用于水果采摘机器人识别[9-13]、估产[14]和病虫害检测[15]等。
在植物目标的视觉定位检测中,常用基于颜色、阈值分割、边缘检测等经典的图像处理算法[16]。罗陆锋等[17]结合颜色和聚类方法识别葡萄,精确度达87.63%。Hočevar等[18]基于HSL(色调、饱和度、亮度)识别估算苹果花。然而,颜色与阈值等识别方法受光照变化、枝叶或遮挡等因素影响。与经典模型和手工特征提取方法相比,深度卷积神经网络在识别方面取得了较好的性能[11],在野外环境中检测目标具有优势。深度学习用于香蕉及果轴的多特征图像检测,可让模型自我学习目标特征,实现自动分类识别。
深度学习算法主要有2种类型的对象检测器,第1类为两阶段目标检测算法,它将检测分为2个阶段。以香蕉为例,第1阶段使含有香蕉的候选区域(Region proposal networks,RPN)生成1个包含待检感兴趣的候选框,选定后再作后续处理;第2阶段是把所感兴趣的香蕉区域提议发送到通道中,进行分类和边界框回归,用卷积神经网络(Convolutional neural network,CNN)完成对候选框中候选香蕉位置与类别的预测,例如R-CNN、Fast R-CNN、Faster R-CNN或Mask R-CNN。CNN是一种前馈神经网络,其卷积计算具有很深的结构,Mask R-CNN增加了图像分割功能,准确率较高,但速度较慢[19]。第2类为单阶段检测器,省去了第1阶段的RPN,直接用卷积神经网络模型预测目标边界,通过获取输入图像将对象检测视为回归问题,同时学习边界框坐标和类标签概率。与2阶段的探测器相比,该算法速度较快,但准确率稍低。常见的单阶段目标检测算法有SSD(Single shot multibox detector)、YOLO(You only look once)及其改进的系列算法YOLOv2、YOLOv3等[1, 20]。
对于第1类方法的研究,Alexe等[21]提出了一种线索综合性的方法来达到更好、更有效的预测效果。Lin等[22]提出一种具有重叠影响的草莓花识别系统,试验表明R-CNN、Fast R-CNN、Faster R-CNN的目标检出率分别约为63%、77%和86%。Tian等[23]提出改进Mask-R-CNN的图像分割算法,用于苹果花的多特征检测,准确率为96%。对于第2类方法的研究,Koirala等[24]用YOLO和R2CNN检测芒果花穗,认为YOLOv3模型用于计数时较优,R2CNN模型用于分类时较准确。陈燕等[25]改进了YOLOv3算法,用于检测荔枝串,平均检测精度为94%,结果可用于采摘机器人的预定位。
视觉检测及深度学习算法主要用于香蕉果实(果串)及树干(假径)、荔枝果串等单一目标检测[26-28]。但是机器人作业时需了解香蕉果实、花蕾及果轴情况,为切下花蕾提供定位信息。不同香蕉果树的香蕉果实、花蕾和果轴大小不等,且部分目标被遮挡,增加了检测复杂度,多特征目标的视觉精确识别方法仍然有待完善。
多种算法在检测精度和速度方面各有特点,目标图像分类识别的结果最终应用于视觉机器人作业控制。因此,研究者需要在目标检测的准确性和速度之间取得平衡[29]。机器视觉对香蕉多目标的快速精确识别成为关键问题。为了能够实现对果轴的精确切割,在图像采集设备将待采摘区域的图像数据输入视觉识别系统后,视觉识别系统应迅速查找画面中的果实、果轴和花蕾,使回归框的各边界准确地与目标边缘相切,并将回归框区域中的画面提取出来,以便进行进一步形态学处理和计算。对此,本文提出一种探索多特征多目标检测方法,优选模型参数,融合聚类算法优化YOLOv3模型的网络结构参数,并建立损失函数模型,形成YOLO-Banana模型。分别选用Faster R-CNN和YOLO-Banana进行多目标分类,对香蕉、花蕾及果轴进行试验验证算法的有效性,为复杂场景多目标多特征精确快速识别提供支持。
1. 试验设备和数据采集
1.1 试验设备
试验设备由硬件设备与软件组成。图像处理使用的计算机主要配置为:i7-7700K 处理器,内存为16 G、2400 MHz;显卡为GTX1080Ti、11G。样本采集时,用普通相机和高像素的手机,图像分辨率是1600万像素。
1.2 图像与数据采集
香蕉树通常只有香蕉果实串、花蕾及连接花蕾与香蕉的花序轴,简称果轴,花蕾及果轴朝下。为了提高产量,当香蕉果实串生长到一定时期,需要从果轴部位切下花蕾,称断蕾。本次采集样品包括香蕉果实、花蕾和果轴(图1),以便为机器人断蕾提供定位信息。
野外机器人作业时无法通过增加标记或靶标等辅助手段来提高精度[3, 7],而是采用无标记的目标定位。为了适应实际作业场景,视觉检测时不在目标上做定位靶标。在采样时,我们的策略是,只要有香蕉和花蕾就采样,以便机器人学习判别香蕉开花,做出决策。
香蕉多目标样本试验图像采集拍摄分2批进行。2020年7月25日,晴天,拍摄地点为广东省广州市水果世界岭南鲜果基地。2020年8月4、5日,晴天转阴天,拍摄地点为广东江门果园。采集图像时,包括香蕉果实、果轴、花蕾。图像采集过程中,将相机与花蕾间的距离保持在600 mm左右,在不同背景和光照条件下共采集1285幅图像。通过Labelimg标注软件对图片数据进行批量标注,通过编写脚本按比例自动随机选取训练样本集合、验证样本集合以及测试样本集,其中训练集1029张,占总样本80%;验证集64张,占总样本5%;测试集192张,占总样本15%。
2. 算法描述
2.1 图像的多目标分类
单个采样点会稍微变动拍摄角度来采集多幅图像,因此图片按照默认序列进行训练与检测时可能会出现测试集、验证集等均为少数采样点的若干相似图像的情况,使得训练、检测效果与样本本身有较强的关联性。为了避免这种关联性、减少随机性,在筛去无效图像以后,我们将剩余的图片随机打乱顺序,并按照1个标准格式进行命名。命名完成后,采用Labelimg软件对图像中的目标进行手工标注,并生成1个和图像同名的标签数据文档。图像数据与标签数据将按照VOC2007数据集格式进行分组与整理,按照6∶2∶2的比例划分为训练集、验证集和测试集。采集样图的像素为721×960,在进行图像处理需要把它缩放至像素为416×416。通过输入一张任意大小图片,缩放至像素为416×416,作为网络的输入,即网络的输入是1张像素为416×416、3通道的RGB图。对于比例不为1∶1的图片,通过在图片的上、下或者左、右分别添加2块区域,并将补上的区域以全黑(0,0,0)或全白(255,255,255)像素填充,将其补齐为一张1∶1的3通道图片,由于补齐的区域不包含任何与待检测目标相似的内容,所以对检测结果没有影响。补齐以后通过升或降采样的方式将图片统一为416×416×3的图片,即可输入网络。
2.2 多尺度特征融合
采用多尺度对香蕉多目标进行检测。分辨率对预测的影响主要取决于分辨率信息,也就是像素的数量(图2)。在第2类方法的YOLOv3中,我们采用(类似FPN)上采样(Upsample)和数据融合算法,融合了香蕉图像中的3个尺度(13×13、26×26和52×52),在多尺度融合特征图上对目标进行独立检测,以优化效果。本文设计了一种新的分类器,通过设计多标签分类的Logistic分类器,用多个独立的Logistic分类器替代传统的Softmax层解决多标签分类问题,并保持准确性。传统Softmax分类器用于处理目标互斥的多分类问题,传统的Logistic分类器用于处理目标互斥的二分类问题。在采样得到的图片中,果轴、果实和花蕾并不存在明确的分界线,三者在图像上均有一定的重叠区域。若采用传统的Softmax分类器,由于各标签是互斥关系,所以这种区域重叠的情况会出现比较明显的分类错误或回归偏差;若采用传统的Logistic分类器,则无法处理这种多目标的检测问题。本文采用由多个独立的Logistic并联组成的分类器来解决这个问题,既能实现多目标检测,又能实现非互斥目标的准确分类。
2.3 基于香蕉多特征目标的YOLO v3网络结构
因算法采用多尺度融合特征的图像对多特征香蕉(含轴和花蕾)多目标进行单独检测,有效地增强了对大小不同目标和被遮挡目标的检测效果,并引入跃层连接强化收敛效果。因香蕉树生长于野外,已有的YOLOv3结构仍需要改进(图2)。本文在损失函数的部分进行改进,采用交叉熵损失函数代替方差损失函数,二者均为损失函数,损失函数可以衡量预测模型与真实模型的偏差,其偏差越小(即损失函数的值越小),则预测模型与真实模型越接近。对于单样本的一次梯度下降过程中,有如下关系:
$$ \mathrm{线}\mathrm{性}\mathrm{部}\mathrm{分}:z=wx+b \text{,} $$ (1) $$ \mathrm{非}\mathrm{线}\mathrm{性}\mathrm{部}\mathrm{分}:\widehat{y}=a=\sigma \left(z\right) \text{,} $$ (2) 对于均方差损失函数,其损失函数定义为:
$$ {\rm{{Loss}_{MSE}}}(y,a)=\frac{1}{2}{\left(y-a\right)}^{2} \text{,} $$ (3) 对于交叉熵损失函数,其损失函数定义为:
$$ {\rm{{Loss}_{CE}}}(y,a)=-\left[y{\rm{lg}}\left(a\right)+\left(1-y\right){\rm{lg}}\left(1-a\right)\right] \text{,} $$ (4) 对于一次梯度下降中权重(w)和偏置(b)的更新,有
$$ w=w-\alpha \frac{{\partial} {\rm{Loss}}(y,a)}{{\partial} w} \text{,} $$ (5) $$ b=b-\alpha \frac{{\rm{\partial}} {\rm{Loss}}(y,a)}{{\rm{\partial}} b} \text{,} $$ (6) 分别将均方差损失函数与交叉熵损失函数对参数求偏导:
$$ 令: z=wx+b \text{,} $$ (7) 则对于均方差损失函数,有:
$$ \frac{\partial {{\rm{Loss}_{MSE}}}\left(y,a\right)}{\partial w}=-\left|y-\sigma \left(z\right)\right|{\sigma }^{\text{'}}\left(z\right)x \text{,} $$ (8) $$ \frac{\partial {{\rm{Loss}_{MSE}}}\left(y,a\right)}{\partial b}=-\left|y-\sigma \left(z\right)\right|{\sigma }^{\text{'}}\left(z\right) \text{,} $$ (9) 对于交叉熵损失函数,有:
$$ \frac{\partial {{\rm{Loss}_{CE}}}\left(y,a\right)}{\partial w}=x\left[\sigma \left(z\right)-y\right] \text{,} $$ (10) $$ \frac{\partial {{\rm{Loss}_{CE}}}\left(y,a\right)}{\partial b}=\sigma \left(z\right)-y \text{,} $$ (11) 可见,对于均方差损失函数,其对参数的偏导中均含有Sigmoid函数的导数,对于Sigmoid函数,其表达式为:
$$ \sigma \left(z\right)=\frac{1}{1+{{\rm{e}}}^{-z}} \text{,} $$ (12) 可见,当输入值很大或很小时,其导数趋近于0,这将导致权重和偏置变化速度急剧下降,即梯度消失。而交叉熵损失函数的偏导中不含有Sigmoid的导数项,可以有效避免梯度消失的问题,从而改善网络训练速度。
本文所采用的网络结构中该算法使用Darknet53作为骨架网络进行特征提取,再对特征图进行坐标回归和分类,结构中的最小组件由Conv+BN+Leaky_relu激活函数组成。
2.4 YOLO-Banana模型与评估
在网络模型参数设计与训练中,通常将epoch参数设置为100进行迭代,batch_size为16~32,花费时间和内存消耗相对增加。
在建立的YOLOv3网络中,优化了Iteration、batch_size和epoch这3个参数,使损失函数Loss曲线趋于稳定,再进一步地对YOLOv3模型的目标候选框维度进行聚类优化,以提高分类识别的精度。尽管YOLOv3自带默认的目标候选框数量、高宽比维度,它具有一定的通用性,但应用于野外复杂背景及变化光照环境下的香蕉多目标还需要优化改进。因此,本文融合聚类算法来优化YOLOv3模型,优化后的模型称为YOLO-Banana模型,利用k均值聚类算法,基于训练数据集,重新获得适应于预测的目标候选框个数、新的高与宽,并进行聚类分析,优化参数见表1。
表 1 香蕉多目标候选框参数Table 1. Parameters of banana multi target candidate box for banana候选框参数 Parameters of candidate box 1 2 3 4 5 6 7 8 9 新候选框高 Height of new candidate box 23 25 28 31 43 51 66 169 172 新候选框宽 Width of new candidate box 31 53 81 148 67 87 111 233 158 原候选框高 Height of original candidate box 10 16 33 30 62 59 116 156 373 原候选框宽 Width of original candidate box 13 30 23 61 45 119 90 198 326 为了评估模型的泛化能力并逐步优化模型,评估参数包括精度(Precision)、召回率(Recall)和二分类模型精确度的指标F1。计算公式如下:
$$ \mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times 100{\text{%}} \text{,} $$ (13) $$ \mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times 100{\text{%}} \text{,} $$ (14) $$ {F}_{1}=2\times \frac{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}\times \mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}+\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}\times 100{\text{%}} \text{,} $$ (15) 式中,TP表示正类判定为正类;FP表示负类判定为正类,“存伪”;FN表示正类判定为负类,“去真”。
训练中,batch size设计为8,即每次Iteration训练8张图片,故Iteration为128,对每个香蕉目标的全数据集进行1次运行,每次运行可得到1组Precision和Recall。当对模型算法设定不同的阈值时,会得到多组Precision和Recall,进而画出1条PR曲线,该曲线的面积为平均精度(Average precision, AP)。
3. 结果与分析
用上文提出的方法,在野外环境中完成香蕉多目标样本采集和训练模型。通过采样建立各类图像数据库,训练模型。
用视觉平台在香蕉果园采集香蕉、花蕾和果轴样本。软件系统主要以 OpenCV函数库与 YOLOv3为基础编写而成,硬件设备为有限通用水果采摘机器人及其视觉平台[28],为末端执行器切断花蕾提供定位(图3)。
将本文数据集在YOLO-Banana模型的神经网络中进行训练和检测,选择训练的最优模型在验证集中进行验证,YOLO-Banana模型网络结构中的Neck部分采用的是FPN结构,通过多尺度反复提取主干层和检测层的特征,以提升网络检测微小目标效率。
用YOLO-Banana模型和Faster R-CNN模型进行比较。分别获得香蕉花蕾、香蕉果实和香蕉果轴的精度、召回率等评价参数。效果见图4、图5。
图 4 顺光下香蕉测试结果对比图a1, b1, c1表示香蕉原图;a2(1.00, 0.93, 0.99), b2(0.99, 0.92, 0.98), c2(1.00, 0.98, 1.00)表示YOLO-Banana模型处理后的香蕉图像;a3(1.00, 1.00, 1.00), b3(1.00, 1.00, 0.999), c3(1.00, 1.00, 0.999)表示 Faster R-CNN模型处理后的香蕉图像;括号内数字分别代表该算法对香蕉果实, 果轴和花蕾的置信度Figure 4. Comparison of banana test results under frontlighta1, b1 and c1 are original images of banana; a2(1.00, 0.93, 0.99), b2(0.99, 0.92, 0.98), c2(1.00, 0.98, 1.00) are banana images treated by YOLO-Banana model; a3(1.00, 1.00, 1.00), b3(1.00, 1.00, 0.999), c3(1.00, 1.00, 0.999) are banana images treated by Faster R-CNN model; The numbers in parentheses represent the confidence of the algorithm for banana fruit, fruit axis and flower bud, respectively图 5 逆光下香蕉测试结果对比a1表示香蕉原图;a2(0.97, 0.35, 0.99)表示YOLO-Banana模型处理后的香蕉图像;a3(1.00, 0.999, 0.999)表示 Faster R-CNN模型处理后的香蕉图像;括号内数字分别代表该算法对香蕉果实, 果轴和花蕾的置信度Figure 5. Comparison of banana test results under backlighta1 is original image of banana, a2 (0.97, 0.35, 0.99)is banana image treated by YOLO-Banana model; a3 (1.00, 0.999, 0.999) is banana image treated by Faster R-CNN model; The numbers in parentheses represent the confidence of the algorithm for banana fruit, fruit axis and flower bud, respectively从图4、图5可看出,香蕉和花蕾的检测精度较高,YOLO-Banana对较长的果轴检测精度较高,与Faster R-CNN检测结果接近;当果轴很短为小目标时,部分被向上长的花瓣遮挡,背景复杂且逆光,用YOLO-Banana检测目标的置信度很低,仅为0.35,Faster R-CNN则为0.999(图5)。在这种极端条件下目标的检出置信度会有所下降,但对回归位置没有显著影响。此外实际应用中这种极端条件出现频率极低,此处仅展示在极端恶劣检测环境下的检出效果。
YOLO-Banana与Faster R-CNN的香蕉多目标特征检测结果见表2。表2表明,Faster R-CNN对香蕉果实、花蕾、果轴的多特征目标的总平均识别精度为95.16%,平均每张图像处理的时间为0.434 s。YOLO-Banana对香蕉果实、花蕾、果轴的多特征目标的平均识别精度为91.03%,平均每张图像处理的时间为0.237 s。YOLO-Banana对香蕉多目标精度精度比Faster R-CNN对香蕉多目标精度要低4.13%,但是其识别速度要比Faster R-CNN的快。
表 2 YOLO-Banana与Faster R-CNN的香蕉多目标特征检测结果的对比Table 2. Comparison of multi-target feature detection results for banana between YOLO-Banana and Faster R-CNN模型
Model花蕾 Flower bud 果实 Fruit 果轴 Fruit axis 总平均精度/%
Mean of average
precisiont/s 平均精度/%
Average precision召回率/%
Recall平均精度/%
Average precision召回率/%
Recall平均精度/%
Average precision召回率/%
RecallFaster R-CNN 99 99.48 98 98.05 89 89.51 95.16 0.434 YOLO-Banana 97 97.38 95 95.12 81 85.19 91.03 0.237 为了测试野外光照的影响,选用了144个图片组,每个图片组内图片均为对同一个样本进行采样,包含香蕉、花蕾、果轴这3个部位的顺光与逆光图片进行识别试验(图4和图5),分别用本文提出的YOLO-Banana模型及Faster R-CNN进行试验,结果见表3。表3表明,本文提出的YOLO-Banana模型在顺光时的平均识别精度与Faster R-CNN精度相近,误差仅为0.06%。
表 3 YOLO-Banana与Faster R-CNN的顺光逆光下的香蕉多目标检测结果的对比Table 3. Comparison of multi-target detection results for banana between YOLO-Banana and Faster R-CNN under frontlight and backlight conditions% 模型
Model花蕾精度
Flower bud average precision果实精度
Fruit average precision果轴精度
Fruit axis average precision总平均精度
Mean of average precision顺光
Frontlight逆光
Backlight顺光
Frontlight逆光
Backlight顺光
Frontlight逆光
Backlight顺光
Frontlight逆光
BacklightFaster R-CNN 100 100 100 100 93 92 97.64 97.47 YOLO-Banana 100 98 100 93 93 83 97.58 91.24 分析原因可知,因特征明显,且形状和色彩相似度高,花蕾识别精度最高;香蕉果实特征明显,但大小形状有一些差异,有时会被树叶遮挡,识别精度比花蕾低;果轴因其形状为近似小圆柱形,常被花瓣部分遮挡,识别率相对较小,特别是在逆光环境下,精度低。本文采用了多尺度检测算法,图像会以不同的分辨率进行检测识别,对不同大小的目标均有较好的检测效果。
断蕾主要考虑的技术指标是识别率,关键在于识别断蕾切割点所在的果轴,因此研究致力于提升果轴的识别率,比如通过聚类算法对各类别求出大小和比例不一的锚框进行网络训练。一般而言,果轴部分在整个生长周期中一直呈绿色,与未成熟的果实和香蕉叶片颜色相近,且四周均被香蕉果实包围,光照条件较差,边界纹理不清晰,且有些果轴短小易被遮挡,所以果轴的识别相对较难,效果不能达到果实和花蕾同时识别的要求。回归框位置的准确性会影响后续断蕾,针对特定目标框进行图像处理,不同类别进行的图像处理方式不一致(纹理色彩等不一致),如对果轴而言,检测框越准确越能更好地进行后续边缘分割,从而获得果轴主方向,便于果轴切割。
由于深度学习无法确定断蕾位置,作者采用经典图像算法融合几何计算来确定断蕾点位置。在对多目标进行分类识别后,计算花蕾的边缘对称中心及其质心,建立花序轴求解方程,获取花序轴上的切断点。用边缘算法求得花蕾和花序轴图像边缘,利用花蕾的对称性求解花蕾质心与几何对称中心;然后,用几何方法计算花序轴上的切断点,该方法先求解检测到所有直线到质心之间的距离,再通过点线距离最小约束选取距离最短的直线作为切断点所在花序轴的位置,取线段中点坐标作为切断点。
在断蕾时,对切断果轴的轴向尺寸的精度属于自由精度范围,考虑到机器人在夹持切割机构及控制上具有一定的容错性,末端执行器对香蕉果轴检测角度具有一定的鲁棒性,当检测所得的香蕉果轴空间指向与实际香蕉果轴空间指向在一定锥角内,末端执行器均能自适应地修剪,并能获得较为一致的修剪效果。因此,野外断蕾机器人作业时,可以选择本文提出的YOLO-Banana算法。
4. 结论
为了提高野外作业机器人综合工作效率,考虑了检测精度和速度之间的平衡关系,研究了果园环境下用YOLOv3对香蕉多目标的分类识别方法,提出对香蕉目标进行多尺度特征提取及分类模型,对YOLOv3模型的一些参数进行了修改,并在此基础上,提出基于k均值聚类算法改进的YOLO-Banana模型,阐述了损失函数的误差原理,在置信度和分类误差模型中采用交叉熵的损失函数。研究了光照对香蕉果实、花蕾及果轴识别精度的影响。试验结果表明,用YOLO-Banana模型对香蕉果实、花蕾、果轴的检测精度分别为97%、95%和81%,多特征的目标总平均精度为91.03%,平均每张所需时间为0.237 s。Faster R-CNN对香蕉果实、花蕾、果轴的检测精度分别为99%、98%和89%,多特征的目标总平均精度为95.16%,平均每张所需时间为0.434 s。对比表明,前者速度快1.83倍,后者精度高。用YOLO-Banana模型与Faster R-CNN在顺光和逆光环境下进行了对比,两者顺光识别精度的误差很小,仅为0.06%,YOLO-Banana的顺光识别精度高于逆光识别精度,误差为8.26%。研究数据为机器人视觉识别与定位提供了参考。
-
图 1 水分胁迫对根系性状的影响
CK:对照,DR:干旱,WL:水淹,WD:水淹−干旱交叉;R0为水分胁迫解除的胁迫终期和恢复期起点,R15和R30分别为水分胁迫解除后恢复期的第15、30天,其中R30为恢复终期;各图中,相同时间的不同小写字母表示处理间差异显著(P<0.05,Duncan’s法)
Figure 1. The effects of water stress on the root traits
CK: Control, DR: Drought, WL: Waterlogging, WD: Waterlogging-drought alternating; R0 represents the ending of stress and the starting of recovery period after water stress is relieved, while R15 and R30 represent the 15th and 30th days of recovery period after water stress is relieved, with R30 being the ending of recovery period; In each figure, different lowercase letters of the same time indicate significant differences among treatments (P<0.05, Duncan’s method)
图 2 水分胁迫对总生物量和根冠比的影响
CK:对照,DR:干旱,WL:水淹,WD:水淹−干旱交叉;各图中,相同指标的不同小写字母表示处理间差异显著(P<0.05,Duncan’s法)
Figure 2. Effects of water stress on total biomass and root-shoot ratio
CK: Control, DR: Drought, WL: Waterlogging, WD: Waterlogging-drought alternating; In each figure, different lowercase letters of the same index indicate significant differences among treatments (P<0.05, Duncan’s method)
图 3 水分胁迫对生物量分配的影响
CK:对照,DR:干旱,WL:水淹,WD:水淹−干旱交叉;各图中,相同指标的不同小写字母表示处理间差异显著(P<0.05,Duncan’s法)
Figure 3. Effects of water stress on biomass allocation
CK: Control, DR: Drought, WL: Waterlogging, WD: Waterlogging-drought alternating; In each figure, different lowercase letters of the same index indicate significant differences among treatments (P<0.05, Duncan’s method)
图 4 叶和根系性状指标相关性分析热图
TLA:总叶面积,LT:叶厚度,SLA:比叶面积,LTD:叶组织密度,RL:根长,RSA:根表面积,SRL:比根长,SRSA:比根面积,RTD:根组织密度;“*”和“**”分别表示在P < 0.05和P < 0.01水平显著相关(Pearson法)
Figure 4. Heat map of correlation analysis among leaf and root traits
TLA: Total leaf area, LT: Leaf thickness, SLA: Specific leaf area, LTD: Leaf tissue density, RL: Root length, RSA: Root surface area, SRL: Specific root length, SRSA: Specific root surface area, RTD: Root tissue density; “*” and “**” indicate significant correlations at P<0.05 and P<0.01 levels respectively (Pearson method)
表 1 水分胁迫对叶性状的影响1)
Table 1 The effects of water stress on the leaf traits
时期
Period处理
Treatment总叶面积/cm2
Total leaf area叶厚度/mm
Leaf thickness比叶面积/(cm2·g−1)
Specific leaf area叶组织密度/(g·cm−3)
Leaf tissue density胁迫终期
Ending of stressCK 1263.33±159.44a 0.15±0.01a 285.40±25.61a 0.24±0.01c DR 566.50±55.41b 0.14±0.01a 241.11±20.47a 0.29±0.01b WL 928.86±141.87ab 0.11±0.00b 263.85±12.02a 0.35±0.01a WD 751.96±58.95b 0.11±0.00b 260.51±18.27a 0.34±0.02a 恢复终期
Ending of recoveryCK 1705.76±150.45a 0.12±0.00b 257.51±12.98a 0.32±0.01b DR 1051.85±60.89b 0.12±0.01b 176.03±6.33b 0.49±0.03a WL 1238.43±131.78b 0.15±0.01a 198.80±17.97b 0.35±0.02b WD 1254.88±98.10b 0.13±0.01ab 163.72±2.52b 0.46±0.01a 1) CK:对照,DR:干旱,WL:水淹,WD:水淹−干旱交叉;相同时期同列数据后的不同小写字母表示处理间差异显著(P<0.05,Duncan’s法)
1) CK: Control, DR: Drought, WL: Waterlogging, WD: Waterlogging-drought alternating; Different lowercase letters of the same column in the same period indicate significant differences among treatments (P<0.05, Duncan’s method) -
[1] 尹若汐, 宋雨欣, 丘建煌, 等. 水淹胁迫下桃金娘叶片生理及荧光特性研究[J]. 中国野生植物资源, 2022, 41(6): 12-17. [2] 徐春梅, 陈丽萍, 王丹英, 等. 低氧胁迫对水稻幼苗根系功能和氮代谢相关酶活性的影响[J]. 中国农业科学, 2016, 49(8): 1625-1634. [3] KARTIKA K, SAKAGAMI J, LAKITAN B, et al. Morpho-physiological response of Oryza glaberrima to gradual soil drying[J]. Rice Science, 2020, 27(1): 67-74. doi: 10.1016/j.rsci.2019.12.007
[4] 叶龙华, 杨振意, 薛立, 等. 3种幼苗对水淹胁迫的生理响应[J]. 华南农业大学学报, 2012, 33(3): 368-372. [5] WANG Y, AN X, VAN ROON M, et al. The residents’ perceptions on and willingness to pay for water sensitive industrial development: Evidence from New Zealand[J]. International Journal of Sustainable Development and World Ecology, 2022, 29(3): 230-245. doi: 10.1080/13504509.2021.1951393
[6] 翁殊斐, 朱锦心, 苏志尧, 等. 岭南地区滨水绿地植物景观质量评价[J]. 林业科学, 2017, 53(1): 20-27. [7] BAXENDALE C, ORWIN K H, POLY F, et al. Are plant-soil feedback responses explained by plant traits?[J]. New Phytologist, 2014, 204(2): 408-423. doi: 10.1111/nph.12915
[8] 潘昕, 邱权, 李吉跃, 等. 基于叶片解剖结构对青藏高原25种灌木的抗旱性评价[J]. 华南农业大学学报, 2015, 36(2): 61-68. [9] 杨振亚, 周本智, 陈庆标, 等. 干旱对杉木幼苗根系构型及非结构性碳水化合物的影响[J]. 生态学报, 2018, 38(18): 6729-6740. [10] 徐梦琦, 高艳菊, 张志浩, 等. 骆驼刺叶片和根系主要功能性状对水分胁迫的适应[J]. 草业科学, 2021, 38(8): 1559-1569. [11] 何芸雨, 郭水良, 王喆. 植物功能性状权衡关系的研究进展[J]. 植物生态学报, 2019, 43(12): 1021-1035. [12] 徐梦琦, 高艳菊, 张志浩, 等. 干旱胁迫对疏叶骆驼刺幼苗生长和生理的影响[J]. 干旱区研究, 2023, 40(2): 257-267. [13] 周友秀, 杨桂梅, 秦子博, 等. 海岸草本植物细根、叶片功能性状及其与土壤因子的关系[J]. 广西植物, 2023, 43(11): 1975-1985. [14] LOZANO Y M, AGUILAR-TRIGUEROS C A, FLAIG I C, et al. Root trait responses to drought are more heterogeneous than leaf trait responses[J]. Functional Ecology, 2020, 34(11): 2224-2235. doi: 10.1111/1365-2435.13656
[15] 马晓华, 郑坚, 张旭乐, 等. 干旱胁迫对大花紫薇与毛萼紫薇生理生化特征的影响[J]. 西南林业大学学报(自然科学), 2018, 38(5): 205-209. [16] 孙阳, 袁娟, 郭萍, 等. 大花紫薇花部综合特征和繁育特性[J]. 东北林业大学学报, 2023, 51(3): 60-66. [17] RAHMAN M, ISLAM M, MASOOD M, et al. Flood signals in tree-ring δ18O and wood anatomical parameters of Lagerstroemia speciosa: Implications for developing flood management strategies in Bangladesh[J/OL]. Science of the Total Environment, 2022, 809: 151125. [2024-05-04]. https://doi.org/10.1016/j.scitotenv.2021.151125.
[18] 李许文, 刘文, 陈红锋, 等. 广州适宜的植物引种来源地与气候区选择研究[J]. 中国园林, 2016, 32(4): 96-100. [19] 秦昊林, 李碧洳, 翁殊斐, 等. 3种园林植物幼苗对旱涝胁迫的生理响应及综合评价[J]. 西南林业大学学报(自然科学), 2020, 40(4): 68-73. [20] HUANG J, HU T, YASIR M, et al. Root growth dynamics and yield responses of rice (Oryza sativa L. ) under drought-flood abrupt alternating conditions[J]. Environmental and Experimental Botany, 2019, 157: 11-25. doi: 10.1016/j.envexpbot.2018.09.018
[21] 李斐, 孙明伟, 钟尚志, 等. 不同光合类型牧草对干旱−复水的光合生理响应及生长适应策略[J]. 植物生态学报, 2022, 46(1): 74-87. [22] PIVOVAROFF A L, SACK L, SANTIAGO L S. Coordination of stem and leaf hydraulic conductance in southern California shrubs: A test of the hydraulic segmentation hypothesis[J]. New Phytologist, 2014, 203(3): 842-850. doi: 10.1111/nph.12850
[23] 陈伯祥, 杜习武, 秦俊, 等. 淹水胁迫对星花玉兰及其相关品种叶片光合特性的影响[J]. 植物资源与环境学报, 2022, 31(6): 87-89. [24] 孔令伟, 喻阳华, 熊康宁, 等. 顶坛花椒叶功能性状对经营措施的响应[J]. 森林与环境学报, 2022, 42(4): 364-373. [25] WARD D. Shade affects fine-root morphology in range-encroaching eastern redcedars (Juniperus virginiana) more than competition, soil fertility and pH[J/OL]. Pedobiologia, 2021, 84: 150708. [2024-05-04]. https://doi.org/10.1016/j.pedobi.2021.150708.
[26] YANG F, ZHANG J, CISSE E M, et al. Competitive relationship between Cleistocalyx operculatus and Syzygium jambos under well-watered conditions transforms into a mutualistic relationship under waterlogging stress[J/OL]. Frontiers in Plant Science, 2022, 13: 869418. [2024-05-04]. https://doi.org/10.3389/fpls.2022.869418.
[27] PUGLIELLI G, LAANISTO L, POORTER H, et al. Global patterns of biomass allocation in woody species with different tolerances of shade and drought: evidence for multiple strategies[J]. New Phytologist, 2021, 229(1): 308-322. doi: 10.1111/nph.16879
[28] 祖丽皮耶·托合提麦麦提, 徐敏, 亚里坤·努尔, 等. 不同干旱胁迫对黑果腺肋花楸幼苗生长及光合特性的影响[J]. 节水灌溉, 2022(7): 51-57. [29] WRIGHT I J, REICH P B, WESTOBY M, et al. The worldwide leaf economics spectrum[J]. Nature, 2004, 428(6985): 821-827. doi: 10.1038/nature02403
[30] HUANG J, LI X, WANG X, et al. Photosynthetic acclimation of riparian plant Distylium chinense to heterogeneous habitats[J]. South African Journal of Botany, 2022, 148: 672-682. doi: 10.1016/j.sajb.2022.05.034
[31] 魏圆慧, 王志鑫, 梁文召, 等. 胡杨枝叶功能性状对地下水位梯度的响应与适应[J]. 西北植物学报, 2020, 40(6): 1043-1051. [32] 王佳敏, 宋海燕, 陈金艺, 等. 多年生黑麦草对干旱胁迫下喀斯特异质生境的生长响应策略[J]. 生态学报, 2020, 40(13): 4566-4572. [33] 刘倩愿, 陈奕帆, 陈艳梅, 等. 铵硝比对亚热带树种幼苗氮吸收偏好及吸收根属性的影响[J]. 林业科学, 2023, 59(2): 48-57. [34] REICH P B. The world-wide ‘fast-slow’ plant economics spectrum: A traits manifesto[J]. Journal of Ecology, 2014, 102(2): 275-301. doi: 10.1111/1365-2745.12211
[35] BERGMANN J, WEIGELT A, VAN DER PLAS F, et al. The fungal collaboration gradient dominates the root economics space in plants[J/OL]. Science Advances, 2020, 6(27): eaba3756. [2024-05-04]. https://doi.org/10.1126/sciadv.aba3756.
[36] 陈蕾如, 马锐豪, 王斐, 等. 城乡梯度下5种园林树种叶片与细根功能性状的变异特点[J]. 生态学杂志, 2023, 42(6): 1281-1289. -
期刊类型引用(1)
1. 杨帆,李优佳,SHAMEER K S,阎伟,吕宝乾,蒋方一丁,章雨璐,涂艳,齐可欣. 原产地与入侵地椰子织蛾遗传分化特征. 福建农林大学学报(自然科学版). 2021(02): 178-183 . 百度学术
其他类型引用(0)