基于高光谱成像的大豆叶片叶绿素分布可视化

[目的]利用高光谱成像技术估测大豆叶片叶绿素含量并实现其分布可视化,为直观监测大豆元素营养水平和生长发育状况提供技术支持.[方法]利用高光谱成像技术采集80片生长发育程度不同的大豆叶片高光谱图像,提取并计算叶片平均光谱后测定其对应的叶绿素含量,分析大豆叶片反射光谱特征差异,比较叶绿素与叶片反射光谱特征的关系,通过不同的...     

基于高光谱图像技术的马铃薯种类的鉴别

红、黄、紫马铃薯果肉颜色相近,肉眼很难识别,不同种类的马铃薯其营养成分各异,因此需要将马铃薯准确分类。传统的分类主要依靠化学实验方法,操作复杂且费时费力。利用高光谱技术对不同种类的马铃薯实施分类,不仅弥补传统方法的缺点而且能够快速、准确地实现分类。实验过程中首先利用高光谱成像系统采集黄、红、紫3种马铃薯的高光谱图像,并提取反射光谱数据;然后对光谱进行多元散射较正(MSC)预处理,接着运用主成分分析(PCA)选出7个特征波段;最后建立全波段、特征波段的支持向量机(SVM)和BP人工神经网络(BP-ANN)模型,实现马铃薯种类鉴别,准确率分别达到100%,说明利用高光谱图像技术能够准确的实现马铃薯分类。     

未辐射校正高光谱数据应用于分类的可行性分析——应用光谱角制图法

常用的高光谱图像分类识别技术要求图像首先经过辐射校正处理.考虑到该过程的复杂性,我们通过比较光谱角制图法对辐射校正前后高光谱数据分类识别的结果,分析了未辐射校正数据应用于分类的可行性.使用光谱角制图法的原因在于该方法通过比较光谱向量间的角度确定相似程度,且参考光谱可以从原始图像中直接提取,这两点为辐射校正前数据用于分类提供了可能性.     

基于卷积神经网络模型的大豆花叶病初期高光谱检测

为减轻花叶病对大豆产量的影响,实现对大豆花叶病害初期的快速检测,本文提出了一种基于卷积神经网络(convolutional neural network, CNN)模型的大豆花叶病害的诊断识别方法。首先对分别接种SC3、SC7病毒7 d后发病初期及正常的‘南农1138-2’大豆样本各80片(共计240片)进行高光谱图像采集,根据其图像信息提取并计算感兴趣区域的平均光谱值,建立基于高光谱图像的CNN模型。最终模型训练集识别率达到94.79%,预测集识别率达到92.08%,其中对接种SC3病毒的花叶病叶片识别率为88.75%,对接种SC7病毒的花叶病叶片识别率为93.13%,对正常叶片识别率为94.38%。对比最小二乘支持向量机和极限学习机模型,CNN模型能够更充分提取光谱的深层特征信息,识别效果显著提高。研究表明,基于高光谱图像的CNN模型能够更精确地实现对大豆花叶病初期检测,将CNN与高光谱结合的方法也为病害检测提供了一种新思路。     

基于BP神经网络的荒漠化草原草种识别与分类

草原退化与荒漠化已经成为中国草原的主要生态问题,其典型标志为草原植被结构的改变,草原草种的识别与分类成为草原退化监测的重要手段。文章基于内蒙古乌兰察布市四子王旗草原,在自然光条件下,使用高光谱仪采集高光谱图像,利用高光谱的图像和光谱信息,实现对草种的分类。本研究通过提取图像的纹理特征和光谱的二阶导数,将提取到的特征输入到BP神经网络中进行分类,实验结果表明,该种方法对草种识别的精度能达到93%,实现了草原草种的高光谱图像分类,为高光谱遥感实现草原退化监测提供了可能。     

基于Matlab7.0的大豆苗期土壤背景与杂草分割算法

解决大豆苗期图像中的土壤背景分割是大豆田间杂草识别的前提和基础.为了解决大豆苗期田间杂草识别中受光照影响及环境适应性差等问题,通过对400幅不同环境下苗期大豆图像的植被颜色和背景颜色分量的统计分析,得出用3基色红(R)绿(G)蓝(B)合成的同一像素点,绿色植被图像的颜色分量G值都大于R和B值,而背景则恰恰相反.研究表明,采用G-R和G-B双阈值颜色特征分割进行土壤背景分离取得了很好的效果,此方法较2G-R-B颜色特征分割法对绿色植物和土壤背景的分离更为有效,可广泛应用于处于各种农作物田间杂草识别及其它绿色植被分割中受光照变化影响较大的领域.     

高光谱成像在农产品无损检测中的应用

：随着计算机技术和光谱技术的发展,高光谱成像技术逐渐成为农产品检测的重要手段之一。高光 谱成像技术将图像分析和光谱分析有机结合起来,而图像信息可以表现出农产品的外部品质和特征,光谱信 息则可以用来检测农产品的内部品质,农产品的内外部品质信息可以完全反映出来,实现对农产品内外品质 的快速、无损检测。介绍了高光谱成像的基本原理,总结了国内外高光谱成像技术在果蔬、肉类、谷物等农产 品无损检测中的应用。     

应用多光谱数字图像识别苗期作物与杂草

通过对多光谱成像仪获得的数字图片,采用一定的目标分割与形态学处理,对豆苗和杂草进行识别判断.为解决识别速度与正确率的矛盾,以豆苗和杂草图像的识别为例,提出一种基于多光谱图像算法的杂草识别新方法.应用3CCD多光谱成像仪获取豆苗与杂草图像,以多光谱图像的近红外IR通道图像为基础,利用图像分割和形态学方法,将所有豆苗叶子影像提取出来.对于剩下的2种杂草(牛筋草,空心莲子草)图像,先利用图像分析工具统计出图像块的长度、宽度、面积等基本特征参数,并根据它们形状的不同,总结出两条简单的判别规则,进行进一步的识别.本试验对147个目标进行判断,其中误判14个,正确率为90.5%,表明该方法算法简单、计算量小、速度快,能够有效识别这2种杂草,为田间杂草的快速识别提供了一种新方法.     

高光谱成像技术在农产品检测中的应用

新时期计算机及光谱技术得到快速发展,高光谱成像技术以其自身准确性、实用性在各个行业广泛应用,成为农产品检测重要方式之一。高光谱成像技术其将图像和光谱结合起来,展现出农产品外部特点特征的同时,也可以通过光谱信息了解农产品内部品质,反映农产品全面情况,实现产品迅速无损检测。本文对高光谱成像技术介绍后,对其在农产品检测中的实际应用详细分析,为农产品检测机构更好应用高光谱成像技术打下坚实基础。     

基于高光谱图像技术的大豆品种无损鉴别

为解决传统大豆品种检测方法存在的效率低和精度差等问题,应用高光谱图像分析技术展开大豆品种甄别研究。采集10个品种(每品种100粒,共1 000粒)大豆样本400.92~999.53 nm的高光谱反射图像,分别进行中值平滑、多元散射校正和数据标准归一化预处理去噪,提取样本图像中心30×30 pixels感兴趣区域的平均光谱曲线和标准差曲线。分别以样本平均光谱值主成分得分、标准差光谱值主成分得分及两者结合作为模型输入,基于T-S模糊神经网络和随机森林思想组合分类器构建鉴别模型。经中值平滑的光谱平均值和标准差作输入,结合随机森林思想的组合分类模型鉴别效果最佳,训练集、测试集的平均鉴别率分别达99.6%和97.6%。结果表明,采用高光谱图像技术可实现大豆品种高精度无损鉴别。     

基于近红外光谱茶叶种类的快速识别

分别应用2种不同型号近红外分析仪测定4个不同种类茶叶的光谱曲线,对不同的光谱数据预处理方式和不确定因子系数进行比较,确立最优定性判别定标模型.结果表明,NIRsysterns6500型分析仪对不同种类茶叶的准确识别率达100%,效果较好.这种利用近红外光谱的判别技术可对茶叶的种类进行快速识别.     

内蒙古草地光谱特征分析

通过野外定点光谱采样,对线叶菊、羊草等几种常见的草甸草原类型进行光谱特征分析和种类识别,并分析了不同退化梯度草原的光谱特征.结果表明通过高光谱可以很好的体现不同草地类型、不同植物光谱差异特征.羊草在可见光比针茅的反射率大,而一阶导数,针茅的峰值比羊草大,红边位置与红边面积有所不同,且存在BEP“红移”.并发现在可见光区域重度退化草原的光谱反射率大于轻度退化的光谱反射率,而在近红外要小于轻度退化的光谱反射率.     

基于高光谱成像技术的红酸枝木材种类识别

为了实现市场上常见红酸枝类Dalbergia spp.木材的快速无损识别,利用高光谱成像技术对不同红酸枝木材进行种类识别研究。以交趾黄檀 Dalbergia cochinchinensis,巴里黄檀 Dalbergia bariensis,奥氏黄檀Dalbergia oliveri和微凹黄檀 Dalbergia retusa为研究对象,采集高光谱图像并提取感兴趣区域内的反射光谱,采用Savitsky-Golay（SG）平滑算法、标准正态变量变换（SNV）和多元散射校正（MSC）对955~1 642 nm 波段光谱进行预处理,并通过主成分分析法（PCA）,回归系数法（RC）以及连续投影法（SPA）选择特征波长,分别建立了偏最小二乘判别分析（PLS-DA）和极限学习机（ELM）判别分析模型。研究结果表明:经SG和MSC光谱预处理,采用SPA选择的特征波长建立的ELM模型性能最优,建模集和预测集的识别率均为100.0%。这为红酸枝木材种类的快速无损识别提供了新的方法。图5表4参17     

汗水铺就育种路倾心培育科技花——记吉林省农业科学院王曙明研究员

大豆起源于中国,是世界上最重要的油料作物和粮饲兼用作物,在国际农产品贸易中占据十分重要的地位.近年来,世界大豆研究水平不断提高,大豆生产稳步发展.对保障人类粮食安全发挥了重要作用.中国在大豆种质资源、遗传育种、栽培、生理、病虫害防治、生物技术、食品加工等研究方面都取得了可喜的成就.作为中国大豆主产区,吉林省农业科学院大豆研究中心的农业专家们长期从事大豆科研及成果推广工作.为中国大豆事业的发展作出了突出贡献.     

大力发展绿色有机农业拓展大豆产业生存空间

有关中国农业在加入WTO后将受到进口农产品冲击的忧虑,在加入WTO后的5年得以印证。不过与最初预想的不同,冲击中国大豆产业的并不是国外农产品的质优价廉,而是美国对豆农的巨额补贴及国际粮商在全面控制中国农产品加工、贸易环节后,向中国倾销农产品。中国的大豆产业已经成为中     

美国贸易政策不确定性对中国农产品贸易的影响

本文基于1995年1月至2018年7月中国主要粮食和畜产品进出口贸易数据及美国贸易政策不确定性指数,借助带有随机波动性的TVP-VAR模型,系统考察了美国贸易政策不确定性对中国农产品贸易的影响,并测度了特朗普贸易政策的冲击作用。研究结果表明:美国贸易政策不确定性对中国农产品进出口贸易具有显著时变影响,不同时期美国贸易政策不确定性对中国农产品贸易的冲击作用不同;美国贸易政策不确定性对中国不同农产品贸易的影响存在差异性,粮食贸易所受影响比畜产品更大,大豆进口所受冲击最大,畜产品中猪肉进口所受影响更大。中国农产品贸易具有明显的"特朗普效应",特朗普政府奉行的贸易保护主义政策对中国农产品进口冲击的负面作用明显,稻谷、小麦、大豆负面作用最大,对中国农产品出口则呈现出较为明显的积极影响;特朗普赢得美国大选、特朗普执政并宣布退出跨太平洋伙伴关系协定(TPP)、特朗普政府开始实施系列贸易保护主义政策等事件对中国农产品进口冲击基本呈明显负影响,且冲击持续时间在1年以上。     

基于高光谱成像技术的不同类型小麦穗发芽籽粒识别

【目的】为探索利用高光谱成像技术识别不同类型小麦籽粒穗发芽的方法。【方法】利用涵盖不同倍性、籽粒颜色的3个品种的小麦种子为材料，通过设置穗发芽对比实验，利用PCA、ICA、HSV 3种变换方法分析不同类型小麦正常和穗发芽籽粒光谱、图像的差异，提取图像和光谱特征参数，并运用最小距离法、最大似然法和支持向量机3种不同识别算法进行小麦籽粒发芽识别。【结果】穗发芽与否会在其光谱特性上有所反映，发芽籽粒的光谱反射率在品种间差异较小，发芽与未发芽籽粒的光谱反射率存在较大差异，大于未发生穗发芽品种之间的差异，特别是在光谱波段470～620 nm之间。通过光谱差异分析并结合支持向量机算法进行识别得到的结果精度更高，识别精度达到96%。【结论】研究结果可为种子质量监控、自动筛选识别等提供技术支持。     

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。     

基于高光谱成像的猕猴桃表面疤痕无损识别

为实现猕猴桃表面疤痕的快速无损识别,以贵长猕猴桃为研究对象,采用高光谱图像采集系统(400~1 000 nm)采集完好无损猕猴桃和表面有疤痕猕猴桃的高光谱图像。对采集到的高光谱图像进行了最小噪声分离变换,结合阈值分割及数学形态学处理方法提出了猕猴桃表面疤痕的识别方法。结果表明:采用最小噪声分离变换可有效地消除高光谱图像中的噪声;完好无损和表面有疤痕的猕猴桃样本在700~810 nm以及810~1 000 nm的光谱反射率值具有明显的差异,选取785.98 nm处的光谱反射率值为0.30~0.56以及982.59 nm处的光谱反射率值为0.54~0.73作为区分猕猴桃正常区域和表面疤痕区域的阈值条件,进一步利用阈值分割方法对60个完好无损的和60个表面有疤痕的猕猴桃进行识别,正确识别率分别为98.3%和95.0%,说明高光谱成像技术可用于猕猴桃表面疤痕的快速无损识别。     

基于高光谱成像的苹果损伤检测方法研究

【目的】研究苹果损伤高光谱特征,建立基于高光谱成像的苹果损伤区域最佳分类模型,为实时、快速、准确地识别苹果损伤提供重要依据。【方法】以北京平谷区收集的苹果样品为研究对象,利用高光谱图像技术检测水果表面机械损伤。利用 390 ~1 000 nm 范围的高光谱图像（HSI）数据,通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性,筛选特征波段,并构建较好地突出损伤区域特征的 3 种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。在此基础上,优选提取损伤区域能力较强的光谱指数,利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。【结果】当苹果表面受到损伤时,光谱反射率变化显著。波段优化后发现,528、676 nm 的反射率可以有效识别异常区域。基于选定的特征波段,构建苹果损伤检测的识别光谱指数,包括 NDSI、RSI 和 DSI。光谱指数图像的像素值分析发现,损伤区域特征与正常区域特征在各光谱指数（SI）增强图像中区分明显。两类图像特征的 NDSI 像素平均值相差最大、达到 0.629,表明建立的 NDSI 对损伤区域及正常区域特征具有较强的区分能力。利用无监督分类方法 ISODATA 分类,验证了光谱特征指数在检测苹果损伤方面具有较高的特异性,对苹果损伤的检测正确率 达到 92.50%。【结论】研究结果适用于苹果损伤的实时快速检测,为苹果的精准管理生产提供技术基础与参考。