基于PCA-LSTM小麦叶片水分检测研究

为实现小麦叶片含水量精准检测,该文提出基于主成分分析(Principal Component Analysis,PCA)和长短时记忆网络(long Short-Term Memory,LSTM)构建预测模型对小麦叶片含水量进行精准检测。试验以济麦22号小麦为研究对象,均匀划分其种植区域并灌溉不同水量以作叶片水分梯度分析;然后采集叶片图像并提取叶片R、G、B颜色特征值,运用灰度梯度共生矩阵提取均值、灰度熵、逆差距、梯度熵、混合熵、惯性、等15个纹理特征值,形状特征值提取面积、宽、伸缩率;最后基于主成分分析对提取特征值进行降维处理,并分别应用BP神经网络、支持向量机(Support Vector Machine,SVM)进行检测对比。试验证明:该模型平均绝对误差、平均绝对百分误差、均方根误差分别为0.002、0.002和0.011,均优于传统预测方法,具有良好的预测性能和泛化能力。由此表明,该方法切实可行,能够满足小麦叶片水分预测的实际需要,为后期研发智能灌溉系统提供坚实理论指导。     

图像去噪及分割算法在枣叶含水率估算中的影响研究

为了研究图像去噪及分割算法在枣叶含水率估算中的影响,对2种图像去噪和3种阈值分割算法在枣叶图像分析中的影响进行了探讨。结果表明:中值滤波和均值滤波在枣叶图像去噪中的效果区分不明显,若比较去噪后的MSE和PSNR则前者略优;最大类间方差分割和迭代分割都能较好地将叶片从图像中分割出来,消除高光区域的影响;经均值滤波和迭代分割算法处理后,图像颜色特征(G-R)、H、G/R与枣叶含水率之间均呈现出显著的相关关系,以三者为自变量的枣叶含水率线性回归模型的相关系数R2高达0.965 2,F检验的显著性水平为0.002 2,回归效果极显著,可用于枣叶含水率的预测估算。     

基于数字图像处理技术的叶绿素含量检测系统

采用数字图像处理技术对叶片图像进行图像分割,将叶片从背景图像中分离出来,并针对叶片图像的各种颜色特征值与叶绿素含量进行相关性分析,建立回归模型。将拟合度最高的颜色特征值作为预测叶绿素含量的最佳模型。实验表明:采用此方法检测的叶绿素值与传统分光光度计检测方法相比较,准确率达到了89.7%;采用的颜色特征值与叶绿素含量的相关性达到-0.968。     

基于多光谱视觉的油菜叶片氮素营养检测方法研究

应用多光谱视觉技术对油菜叶片氮含量百分率进行了定量分析.在RGB颜色模型下,对采集的油菜叶片图像的颜色特征进行分析.分析结果表明:G/R-G/B和G/R与叶片氮含量百分率呈高度相关,相关系数分别为0.89和0.88,而其它图像特征同含氮量百分率之间相关性都比较弱.为此,使用G/R-G/B与G/R分别与叶片氮含量百分率建立线性回归模型,经验证G/R-G/B建立的回归模型预测值平均相对误差在9%以内,这表明此特征可用于多光谱视觉快速诊断油菜叶片氮素营养的特征.     

基于图像处理的葡萄叶片含水率诊断初探

随着图像处理与分析技术的蓬勃发展,许多专家学者利用图像获取工具比人眼更精细的分辨能力,应用图像处理技术进行信息诊断研究。以温室大棚中的葡萄植株为研究对象,使用卡西欧ex-2750数码相机采集葡萄冠层叶片图像,并通过烘干法测量叶片样本的含水率,通过MATLAB计算叶片图像的灰度均值。通过对提取的15组葡萄叶片样本数据的多项式曲线拟合,建立了基于叶片图像灰度均值的叶片含水率估算模型,模型的确定系数R2高达0.780 3。结果表明,利用叶片图像的灰度均值可以对葡萄叶片的含水率进行诊断。     

基于高光谱技术的牛肉含水率无损检测

牛肉含水率的高低不仅直接影响牛肉品质,而且会对消费者造成经济损失。为此,通过实验探究了采用高光谱图像技术对牛肉含水率进行检测的可行性,为检测牛肉品质提供依据。采用82个牛肉后腿样本作为实验材料,按5×4×1cm的规格通过国际烘干法测量其真实含水量,并采集它们的光谱图像;获取样本的光谱信息后,通过ENVI及Mat Lab软件获取感兴趣区域。同时,利用不同的预处理方法,分别建立BP神经网络和偏最小二乘校正模型,通过比对两种模型结果,偏最小二乘校正模型能够更有效预测牛肉含水率,校正集相关系数为0.91,校正标准差为0.121,预测集的相关系数为0.89,预测标准差为0.118。研究结果证实,利用高光谱图像技术可以快速无损检测牛肉含水率。     

基于机器视觉的玉米苗期土壤湿度检测试验研究

在玉米苗期进行土壤湿度动态监测是提供精准灌溉的重要依据,对于玉米在此阶段快速健康生长具有重要意义。本文模拟超低空图像采集设备的试验方式,通过试验平台采集玉米苗期土壤水分的变化情况,以期建立图像与土壤水分数据的联系。利用超绿特征(2G-R-B)对采集到的玉米苗期土壤图像进行分割以排除植株本身对图像的影响。对试验中分割处理后的土壤图像的均值、归一化方差特征参数与试验平台测得土壤水分数据进行分析比较,分析后对所处理图像采用4G-R-B颜色特征修正,通过计算归一化方差σ_(4G-R-B)作为特征参数与实测土壤湿度进行线性回归分析,二者相关性验证结果为:R~2=0.73,RMSE=3.2%。表明修正处理后图像归一化方差σ_(4G-R-B)图像特征参数能够较好的表征土壤的水分变化。     

基于激光激发叶绿素荧光分析的叶片水分利用效率模型

以无损检测为前提,采用激光为激发光源,对杨树活体叶片进行荧光光谱采集,对采集到的光谱数据进行处理分析得到水分利用效率的荧光光谱敏感波段,建立基于叶片温度修正下的植物水分利用效率与荧光光谱的数学回归模型,模型的复相关系数R2=0.975.并对建立的数学回归模型进行效果检验,相关系数r=0.8746,模型的检测效果较好.     

基于植物生长柜的病变叶片检测方法

提取植物叶片的颜色特征是LED植物生长柜实现智能监控的关键之一。针对植物生长柜,提出了一种用于检测叶片是否发生病变的简便方法。通过计算机提取叶片在RGB和HSV颜色系统下的颜色特征,对比选择合适的颜色参数以及计算颜色参数的均值和方差,分别从整体和部分分析判断叶片是否健康、是否发生病变。将采集的健康叶片图像及病变叶片图像进行对比测试,实验结果表明:色调H参数能够实现较好地反映出叶片的颜色特征和生长的健康状态,而且能够将病变部分区分并提取出来,以此可以诊断病因,为植物生长柜的管理者尽早发现问题来采取合理的措施提供理论依据。     

基于随机森林算法的黄瓜种子腔图像分割方法

针对黄瓜表型测量中图像识别问题,为解决黄瓜种子腔与果肉图像灰度差别不大情况下的分割难题,提出了基于随机森林算法(Random Forest,RF)的黄瓜种子腔图像分割方法。首先,通过颜色空间变换,提取样本在RGB、HSV、YCb Cr模型下的9个颜色分量;接着,基于灰度共生矩阵提取样本的能量、熵、对比度、相关性的均值与标准差等8个纹理特征。结合纹理与颜色特征,运用随机森林算法构建像素分类器,实现了种子腔的粗分割。为了提高分割质量,对粗分割的图像进行形态学处理得到最终分割图像。最后,与K-均值聚类(Kmeans)算法、支持向量机(Support Vector Machine,SVM)算法做对比。实验表明:随机森林分割算法正确识别率高达95%,错误识别率在10%之内,处理时间1.6 s左右,分割质量上优于其它两种算法。     

基于反射光谱的苹果叶片叶绿素和含水率预测模型

为探索苹果叶片叶绿素含量(质量比)、叶片含水率与反射光谱之间的关系,以华北地区苹果树为研究对象,分别测定了各个关键生长期苹果叶片的光谱反射率、叶绿素含量和叶片含水率。分析光谱反射率与叶绿素含量以及叶片含水率之间相关性发现,在不同生长时期,苹果叶片叶绿素a含量与反射光谱在515~590 nm和688~715 nm两组波段内具有较高的相关性,且果实成熟期数据显示相关度最高(R2=0.6)。在420~500 nm、640~680 nm、740~860 nm 3个波段叶片含水率与反射光谱有较高的相关性,且果实膨大期的叶片含水率在可见光波段的相关系数最大。根据所选敏感波段,分别利用多元线性回归、主成分分析和人工神经元网络建立基于反射光谱的苹果叶片不同生长时期叶绿素和含水率的预测模型。通过对所建立的预测模型进行校验,结果显示,利用主成分分析方法所建立的苹果叶片叶绿素含量预测模型的决定系数最高(R2=0.885 2),校验系数为0.828 9。该模型可以较为准确地预测苹果叶片叶绿素含量。而采用神经元网络所建立苹果叶片含水率预测模型的决定系数R2=0.862,校验系数为0.8375,预测效果最好。     

近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测

为了快速检测赣南脐橙果树叶片含水率,提出近红外光谱结合最小二乘支持向量机的快速检测方法。采用积分球漫反射方式采集叶片的近红外光谱,通过间隔偏最小二乘法从2 074个光谱变量中优选出345个变量作为建模的输入向量,分别建立最小二乘支持向量机和偏最小二乘校正模型。经比较,以径向基函数为核函数的最小二乘支持向量机模型预测结果最优,预测相关系数为0.942,预测均方根误差为2.7%,模型建立及预测时间为0.176s。实验结果表明近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测方法是可行的。     

偏振光谱在枣叶无损检测中的应用

红枣通过光谱无损检测技术可以快速预测红枣水分、糖分等参量,而将偏振光谱技术应用于红枣叶片的无损检测可以快速对枣叶的水分、叶绿素进行预测,进而预测枣树的生长状态。利用近红外偏振光谱技术对南疆红枣叶片含水量和叶绿素含量进行无损检测,分别选用偏最小二乘法(PLS)和主成分回归分析法(PCR)的化学计量学方法建立红枣叶片校正模型,光谱数据预处理分别选择原始光谱、一阶导数光谱、SG平滑。预测含水率使用0度偏振片和PLS方法效果最好,其校正相关系数(Rc)、校正标准偏差(RMSEC)、预测均方差(RMSEP)分别为0.94222、0.00845、0.00826,预测叶绿素使用0度偏振片和PCR方法效果最好,其Rc、RMSEC、RMSEP分别为0.53646、3.49、4.25。通过试验结果可以看出偏振片为0度时的预测效果最好,且PLS对含水率预测效果更好,PCR对叶绿素预测效果更好。     

基于BP神经网络的烟叶颜色自动分级研究

在形状、身份、油分及颜色等因素中,颜色是影响烟叶等级的一个重要因子。为实现根据烟叶颜色特征对烟叶等级的自动区分,选取贵州黔南地区中部六个等级的烟叶作为实验样本,经过样本采集、预处理,提取出样本的颜色特征值,分析RGB、HIS及HSV三种颜色模型下各颜色分量对烟叶等级影响的研究;基于BP神经网络,依据烟叶等级间差异较大的颜色分量作为神经网络输入因子,从而实现烟叶等级的预测识别。结果显示,用该模型进行烟叶等级预测识别的准确率可达89.17%,耗时仅0.39s。说明根据设计的BP神经网络可实现通过颜色特征对烟叶等级较为准确的预测,可靠性高。     

基于LM算法的土壤表层含水率遥感监测

为探讨数据挖掘技术中LM(Levenberg-Marquardt)算法在土壤表层(约1 cm)含水率遥感监测中的应用,选取黄绵土、粘黄土、红土为试验材料,配制含水率分别为0、6%、10%、14%、18%、22%的土壤样本,在09:00—10:00和15:00—16:00时间段进行可见光采样,并对图像亮度进行梯度处理,以此模拟全天光线变化。采用样本实测含水率及图像RGB三阶颜色矩数据作为数据集,对上午、下午样本和两时间段混合样本采用LM算法建立含水率回归模型,并与BP(Back propagation)算法和分类回归树(Classification and regression trees,CART)算法进行比较。结果表明,基于土壤表层RGB颜色矩的LM算法具有较好的应用效果,混合样本不同土样回归模型决定系数R~2分别为0. 958、0. 943、0. 949,均方根误差(RMSE)分别为1. 6%、2. 0%、1. 9%,相对分析误差(RPD)分别为4. 873、4. 183、4. 440。不同光照时的混合样品分析结果表明,LM算法适用于不同光线采集样品的土壤含水率监测,适用于土壤表层(约1 cm)含水率的监测。     

温室黄瓜叶片近红外图像消噪算法与含氮量快速检测

在温室基质栽培条件下,研究了温室黄瓜叶片近红外图像的消噪算法以及叶片氮素含量非线性预测.用普通CCD相机加滤光片采集不同生长时期水果型小黄瓜Deitastar的叶片图像,利用小波变换对黄瓜近红外图像进行小波消噪处理,再采用基于邓氏关联度的图像边缘检测法对图像进行分割,得到信噪比较好的目标图像,之后通过计算灰度值得到黄瓜叶片的植被指数.对获得的各种植被指数与黄瓜叶片氮含量之间进行相关分析后得到CNDVI与氮素含量相关系数最高达0.67,同时GNDVI、NDGI、NDVI与氮素相关性显著且相关系数均高于0.50.采用最小二乘支持向量机算法(LS-SVM)对植被指数同黄瓜叶片含氮量进行拟合,拟合模型的决定系数R2为0.825,验证R2为0.728,达到了较为理想的预测精度.     

基于无人机热红外遥感的冬小麦水分胁迫研究

为探究水分胁迫对冬小麦生长的影响,以不同水分处理的冬小麦为试验对象,利用无人机搭载热红外传感器,通过采集其不同生育期中一天不同时刻(11∶00,13∶00)的冠层热红外图像,提取其冠层温度信息,同时测定小麦叶片的气孔导度(Gs)、蒸腾速率(Tr)和田间土壤体积含水率(SWC)等信息。分别研究不同水分胁迫指数(CWSI、I_G、ICWSI)与各参数之间的关系,同时使用一元线性模型和多元线性回归模型进行建模并验证。结果表明:CWSI、I_G和ICWSI与Gs、Tr和SWC之间存在着显著的相关关系,在一元模型中,SWC对不同水分胁迫指数的预测效果更好,验证R~2均在0.800以上,相对分析误差均在2.0以上,在多元模型中,CWSI的预测效果最好,验证R~2为0.928,相对分析误差为3.041,同时多元模型的预测效果均优于一元模型。该研究可快速获取大量作物信息,为利用无人机热红外遥感探究冬小麦的水分胁迫状况提供了一条新途径。     

低空无人机多光谱遥感数据的土壤含水率反演

以杨凌地区黏壤土为研究对象,用无人机搭载多光谱相机采集土壤6个波段的光谱信息,探索一种快速监测土壤含水率的方法。试验通过相关系数法筛选光谱对于不同深度土壤水分的敏感波段,然后使用单一敏感波段处的光谱数据建立不同的一元回归模型并分析其定量关系。试验结果表明,一元二次回归模型的拟合效果最好,一元对数回归模型次之。其中,对于表层(约1 cm)土壤含水率的反演,模型拟合度均在0.81以上,预测相关系数均在0.92以上,预测均方根误差均在0.10以内,因此通过采集黏壤土反射率来推算表层土壤含水率是可行的。但随着深度增加,模型拟合效果急剧变差。该研究为利用无人机多光谱遥感对表层土壤含水率的快速、准确监测提供了一条新途径。     

基于颜色特征的棉株株顶识别研究

针对棉花机械打顶存在的问题,运用机器视觉技术通过对棉株株顶的精确识别实现精确打顶。对采集的棉株图像利用MATLABR2011a软件进行棉株图像处理,分割出棉株株顶和叶片等其它部分;提取棉株株顶和叶片等其它部分的R,G,B等3通道的均值、方差与标准差,作为棉株株顶区别于叶片等其它部分的特征;最后,利用BP神经网络对棉株株顶进行识别。结果表明,颜色特征能够很好地区分出棉株株顶和其它部分。     

绿茶杀青叶料含水率可见-近红外光谱检测

为实现绿茶杀青叶料含水率的快速无损检测,基于可见-近红外光谱分析建立含水率的预测模型。使用FieldSpec 3型便携式地物光谱仪,采集192个杀青叶料样品的漫反射光谱信息,基于X-Y共生距离的样本划分算法SPXY,确定144个样本的校正集和48个样本的预测集。进行一阶微分和移动平滑滤波预处理后,采用相关系数法优选出11个特征波段,建立了含水率检测的偏最小二乘回归、主成分回归、人工神经网络及其组合的模型。结果表明,选用5个主成分的偏最小二乘回归模型最佳,其校正和预测模型的相关系数分别为0.990和0.819,均方根误差分别为0.011和0.037,预测含水率的平均相对误差为3.30%。