基于机器视觉的棉花群体叶绿素监测

研究了利用机器视觉技术快速获取棉花群体叶绿素信息的方法，以期获得预测性高的颜色特征参数。结果表明，RGB颜色系统的G－R、(G－R)/(G+R)、r与g的组合值和棉花功能叶叶绿素含量、群体绿色指数呈极显著相关，而且拟合度较高；HIS颜色系统的Hue值和棉花功能叶叶绿素含量、群体绿色指数之间也极显著相关。对筛选出的两组模型进行检验，预测精度在84.07%~93.04%之间，推荐预测精度最高的G－R参数作为获取棉花群体叶绿素信息的最佳颜色指标。G－R预测叶绿素含量和群体绿色指数的模型分别为y=－1.3008+0.2125(G－R)－0.0038(G－R)2（R²=0.8669**）和y=－0.9726+0.1227 (G－R)－0.0016(G－R)²（R²=0.7487**）。     

基于颜色特征的叶片含水率与比叶重估算模型初探

通过不同氮素营养水平的水培试验,采用线性拟合和逐步回归分析,建立了黄瓜叶片干基含水率与比叶重的颜色特征估算模型。结果表明：颜色特征与叶片干基含水率、比叶重的线性拟合分析中,S、G/(R+G+B)、B/(R+G+B)、G/R、G/B、G-R和H/S构成的颜色特征变量的相关系数与叶片干基含水率相关密切;S、G/(R+G+B)、B/(R+G+B)、G/R、G/B、G-R、H/S和H/I构成的颜色特征变量的相关系数与叶片比叶重相关密切。运用逐步回归分析技术找出了G/(R+G+B)和G-R可以作为叶片干基含水量估算的主要颜色特征参数; G/(R+G+B)和H/I是叶片比叶重估算的主要颜色特征参数。     

应用数码图像技术对梨树叶片营养诊断的初探

本文使用数码相机获取黄金梨叶片图像并进行色彩分析,研究了利用数码图像技术进行黄金梨元素营养诊断的可行性,结果表明：黄金梨叶片的图像数字化指标绿光深度绝对值G与叶片全氮成显著性正相关;常规测试指标与钾的相关系数介于-0.703~0.923之间,R、G、B与镁含量呈显著或极显著负相关性;R、G与SPAD读数呈显著正相关。NRI与钾、锌分别成显著性负相关和极显著负相关;NGI和铁呈显著性正相关;NBI与钾、铁的相关系数分别为0.819**、-0.753*。数字图像分析技术在果业的可持续发展中将具有良好的应用发展前景。     

棉花叶绿素密度和叶片氮积累量的高光谱监测研究

利用非成像高光谱仪,获取棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,应用光谱多元统计分析技术,研究表明,棉花冠层叶绿素密度（CH.D）和叶片氮积累量（LNA）分别在反射光谱762 nm和763 nm处的相关系数达最大值（R_CH.D= 0.8845**和R_LNA= 0.7870**,n = 47）;而一阶微分光谱数据对CH.D、LNA最敏感的波段均发生在750 nm处(R_CH.D= 0.9098**和R_LNA = 0.9164**,n = 47);采用47个建模样本的一阶微分光谱750 nm处的数值与棉花冠层CH.D建立线性相关模型方程,估算47个检验样本的棉花冠层CH.D,再根据CH.D与LNA建立的线性相关方程估算检验样本的LNA,47个检验样本的实测LNA与估测LNA极显著线性相关（R = 0.8982**,n = 94）,模型方程的估算精度达86.3%,实测值与估算值的R_MSE = 1.0155,相对误差为0.1380。说明基于高光谱数据的棉花冠层叶绿素密度的遥感估测,可以间接用于棉花冠层叶片氮积累量的监测研究。     

地面数字图像技术在棉花氮素营养诊断中的初步研究

为了探讨利用图像处理技术进行棉花氮素营养诊断的可行性,通过多水平的氮肥田间试验,采用数码相机获取棉花冠层图像,分析了不同氮水平下棉花冠层图像色彩参数与施氮量、产量及多个氮素营养诊断指标之间的关系.研究表明:南疆畦灌条件下,氮素营养水平直接影响到棉花冠层光谱反射特性.红、蓝光标准化值与铃期施氮量、产量之间有极显著的线性负相关关系,采用R/(R G B)、B/(R G B)值可以直接用来诊断棉花铃期的氮素营养状况,或间接估测产量;铃期绿光值G和绿光与红光比值G/R与叶柄硝酸盐浓度、植株全氮和地上部生物量之间都有较大的相关性,可以较为灵敏地反映棉花氮素营养水平,适宜作为氮素营养诊断指标.因此,应用数字图像技术进行棉花氮素营养诊断是可行的.     

不同棉花群体冠层数字图像颜色变化特征研究

 为了探索利用数字图像监测棉花长势的方法,研究了不同群体的冠层数字图像颜色变化特征。结果表明,RGB模型中,R分量在全生育期呈现开口向上的二次曲线变化趋势;G分量变化为开口向下的二次曲线;不同密度B分量差异较大,变化曲线形状介于R和G之间。RGB组合性状中,R/(G+B)、R/G、R、R/B类似,B、B/(G+R)、B/G类似,G、G/(R+B)类似,其中R/G、G/(R+B)、R/(G+B)的二次曲线特征更明显。HIS模型中,H分量变化趋势为开口向上的二次曲线;I分量变化基本符合二次曲线;S分量变化无二次曲线特征。R,G,R/G、G/(R+B)、R/(G+B)以及H分量在整个生育期变化具有一定的规律可循,可能是反映作物长势的潜在指标,这将对数字图像监测作物长势具有重要意义。     

基于数字图像的棉花长势空间变异分析

为了尽快获取棉花长势信息,分析大田棉花长势空间变异特性,采用计算机数字图像处理技术,在常规光照条件下,利用网格取样方法,采集棉花冠层长势数字图像,提取图像色调值H,研究冠层图像H值的空间分布特点以及数字图像H值与相关农艺性状的关系。结果表明,棉花冠层数字图像H值的空间分布具有中度空间相关性,其变异半方差函数模型为球状模型;数字图像H值与LAI有较好的对数关系,决定系数R2=0.8123;表明群体冠层数字图像H值是可以用来描述棉花田间长势信息的潜在可靠性指标。研究结果将为生产实践提供指导作用,为精准农业田间信息采集与快速检测提供理论依据。     

用机器视觉技术获取棉花叶片叶绿素浓度

运用机器视觉技术获取棉花叶片颜色特征，建立棉花叶片叶绿素测定模型。研究表明，（1）RGB颜色系统的B/R、色度坐标b、b/r值及HIS彩色系统中的饱和度S值均与棉叶叶绿素含量显著或极显著相关，可用于测定叶片叶绿素浓度；（2）棉花叶片正、背面RGB、HIS颜色系统的颜色特征值与叶绿素浓度的相关性高度一致，且叶片背面的颜色特征值与叶绿素浓度之间的相关性更高；（3）基于机器视觉技术建立和筛选出了6组棉叶叶绿素含量预测模型，预测误差在7.8%~13.65%之间。为棉花生长的快速监测提供了依据。     

棉花早衰程度诊断数码图像数字化指标的研究

应用计算机数字图像技术研究了诊断棉花早衰程度的方法。在光照条件下采集了棉田群体图像,然后分别提取了红绿蓝(RGB)三色分量和色度、饱和度和亮度指标(HSI)。在RGB和HSI颜色模型下分析了各分量与棉花早衰程度的相关特性。然后得出诊断棉花早衰程度的指标。分析结果表明:颜色分量G/(R B)和色度H分量与棉花早衰程度线性相关,可用作利用数字图像技术快速诊断作物长势的指标,而其它分量与棉花早衰程度没有明显的相关性;诊断模型G/(R B)分量比色度H分量有更好的拟合优度。     

紫色土壤施氮对棉花产量品质的效应

通过盆栽试验、田间试验研究了紫色土壤施氮对棉花产量品质的效应。结果表明，施氮对棉花产量有极显著的增产效应，氮与产量的效应模型呈二次抛物线型，施氮量２５０ｋｇ·ｈｍ－２时，棉花产量最高；氮对纤维品质有一定影响，能提高比强度，并有降低麦克隆值、增加细度的趋势，纤维品质受氮磷钾影响顺序为伸长度＞麦克隆值＞比强度＞整齐度＞２．５％跨距长度；施氮能增加棉花叶片中叶绿素含量，但对叶绿素ａ和叶绿素ｂ的含量比例无明显影响；土壤中氮的含量与棉株对氮的吸收和棉株体对氮的积累量呈显著和极显著的正相关。     

Analysis of the Spatial Variability in Cotton Growth Conditions based on Digital Imaging

Digital images of cotton canopy growth information, which was determined using the grid sampling method to obtain the parameter Hue of HIS color system in conventional light conditions, were used to examine the spatial distribution characteristics of the canopy image H value and the relationship between the digital image H value and agronomic traits. We used these data to obtain information on cotton growth on June 21, 2014, then analyzed the spatial variation characteristics of cotton growth in the field. We found that the spatial distribution of cotton canopy digital image H value was moderately correlated with space, and the semi-variogram function model was spherical. In addition, we found that there was a logarithmic relationship between the H value and Leaf Area Index（LAI） (R² = 0.8123), which suggests that the canopy digital image H value is a potentially reliable index to describe cotton growth across a cotton field. These results can provide guidance for improved production methods, and also lay a foundation for collection of field information and rapid detection methods for precision agriculture.     

Application of modified Deep Belief Network in Forecasting Cotton Diseases and Insect Pests

[Objective] The occurrence and development of cotton diseases and insect pests are mainly related to environmental information. Because this environmental information is various, complex and unstable, the study on the prediction methods of cotton diseases and insect pests is a certain challenge. This study aims to establish a forecasting model for the timely and accurate prediction of cotton diseases and insect pests. [Method] A forecasting model of cotton diseases and insect pests is proposed based on environmental information and a modified Deep Belief Network (DBN) that is constructed by a three-layer restricted Boltzmann machine (RBM) and a supervised back-propagation (BP) network. In the method, the RBM is used to transform the original environmental information vectors into a new feature space related to the diseases and pests; the BP network is trained to classify and forecast the features generated by the last RBM layer and two rules of dynamic learning and comparison and dispersion are adopted to accelerate the training process of RBM. The proposed model was validated on a dataset of cotton bollworm, aphids, spider, cotton Verticillium wilt, and Fusarium wilt in a recent six-year period. [Result] Compared with the traditional prediction models of cotton diseases and insect pests, the proposed model can deeply explore the extensive correlation between the occurrence of cotton diseases and pests and environmental information. The results show that the proposed model has a higher accuracy compared with the classical predictive models, and the average forecasting accuracy is above 83%. [Conclusion] The proposed method is an effective crop disease and pest forecasting method that can provide a technical support for preventing cotton disease and insect pests.     

基于数码图像的棉花叶片氮含量估测研究

为了探究利用数码图像处理技术诊断棉花氮素营养的最佳图像特征参数和最佳叶位,以‘新陆早53号’为材料,使用智能手机获取棉花不同叶位叶片图像,利用数字图像处理技术提取叶片图像颜色和纹理特征参数,分析叶片氮含量和特征参数的相关性,构建基于不同图像特征参数的氮含量估测模型。结果表明：颜色特征参数r、G/(B+R)、G/B和纹理特征参数COR、ASM与叶片氮含量相关性较好,相关性系数(r)均大于0.55。基于颜色-纹理综合特征参数构建的氮含量估测模型均优于基于颜色或纹理特征参数所建模型,其中倒4叶氮含量估测模型最优,模型决定系数(R²)为0.875、均方根误差(RMSE)为1.324、相对误差(RE)为8.09%。因此,利用数字图像处理进行棉花氮素营养诊断时,应选择的最佳图像特征参数为r、G/(B+R)、G/B、COR、ASM,应选择的最佳叶位为棉花倒4叶。     

基于颜色和纹理特征的花生仁外观品质检测研究

为了提高对花生仁外观缺陷的在线分类准确率及效率。通过对采集完好、破损、霉变的花生仁RGB图像进行均值位移法、灰度处理以及阈值分割等预处理,研究提取了花生仁HSV颜色空间下的H、S、V各分量的一阶矩和二阶矩共6个颜色特征值,再基于灰度共生矩阵法提取能量、熵、对比度、逆差分矩共4个纹理特征值,构建颜色和纹理结合的特征向量,最后分别采用BP神经网络和SVM分类器对花生仁进行分类识别。结果表明：在花生仁的整体识别准确率上,BP神经网络为96.67%,SVM分类器为97.22%,后者优于前者,在识别时间上BP和SVM分别为2.5 s和1.1 s,识别效率上也是SVM更好,综合识别准确率和效率两方面考虑,优先选择SVM分类器模型来对花生仁进行分类识别。     

Application of Artificial Neural Network in Elastic Internal Force Analysis of Two Way Slab

In this paper, the Artificial Neural Network (ANN) is applied to the internal force analysis of structure. After introducing the model and algorithm of back-propagation network, a trained BP network of three layers is used to calculate the maximum of elastic moment of middle span of two-way slab. In order to enhance the generalized capability of network, the modified value of weight should be regarded as convergence standard and in order to accelerate the learning process without vibration, the method of adding momentum coefficient is adopted. The analysis program of BP network is carried out with the software of Matlab. The result demonstrates that application of ANN in structure analysis is feasible.     

基于人工神经网络的落叶松毛虫发生量预测模型的研究

运用人工神经网络的原理和算法,根据相关系数法和逐步回归法选取了蒸发量、气温、风速、相对湿度等气象因子作为预报因子,建立了内蒙古东部地区的鄂伦春自治旗落叶松毛虫的发生面积及虫口密度与气象因子之间的BP网络模型。结果表明：所建立的模型具有较高的预测效果。通过逐步回归筛选出的预报因子,与事实吻合,选取合理。误差较小,控制在0.1%~25.0%之间。可以作为病虫害综合防治的依据。     

利用无人机遥感技术提取农作物植被覆盖度方法研究

基于无人机的遥感信息获取技术已广泛应用在农业领域。无人机遥感平台获取农作物信息技术具有高时效、高分辨率、低成本、快速、准确等特点,是目前精准农业中农田信息获取的重要手段之一。利用无人机遥感技术获取可见光影像,以棉花、花生和玉米为研究对象,选取不同的植被指数进行可见光图像阈值分割,结合研究区域可见光影像监督分类结果,确定3种作物提取植被覆盖度方法。试验结果表明,利用无人机可见光图像植被指数阈值分类方法,可以有效提取作物植被覆盖度。该方法对于棉花、花生和玉米3种作物植被覆盖信息的提取精度较高。     

中国棉花纤维品质检验和评价的研究进展

 在综述国内外棉花纤维主要品质指标研究进展和棉花纤维品质评价方法的基础上,比较并论述了棉花色特征指标如明度指标光反射率（Rd）和饱和度指示纤维黄度（+b）和传统棉花纤维品质指标如目测等级、长度、强度和细度的测定与应用,以及生态和气候类型对棉花纤维品质的影响等方面的研究进展。分析了棉花纤维品质指标与棉花色特征指标的关系。综述了在棉花质量标准革新与国际化背景下开展棉花色特征质量评价体系研究的重要性及色特征研究的发展前景。展望在构建棉花色特征气象生态模型基础上建立中国棉花分类分级系统的必要性,提出了将生态模型与GIS进行结合,对棉花纤维品质指标、生态指标和棉花纤维色特征的空间地域分异评价与预测。     

基于数值预报产品的地表温度预报方法研究

为了开展地表温度预报业务,提高逐日地表温度预报准确率,利用2007—2012年的ECMWF和T213数值预报产品资料及抚顺市的逐日地表温度资料,采用逐步回归分析方法和BP神经网络模型分别构建抚顺市地表温度预报模型,并对模型的精度进行检验。结果表明,地表温度与ECMWF的高度场、海平面气压场、温度场和T213的散度场、高度场、海平面气压场、地面气压场、海平面K指数、水汽通量、相对湿度、温度场、地面气温和场涡度场均呈显著相关。对预报模型进行精度检验显示,地表平均温度和地表最低温度的预报效果较好,≤3℃预报准确率均达到79%以上。2种模型对比显示,BP神经网络预报模型总体上优于逐步回归预报模型;逐步回归预报模型较BP神经网络预报模型稳定。