基于亚像元分解与增强的MODIS卫星林火监测图像制作

为提高低空间分辨率遥感影像在卫星林火监测部门的应用质量,获取更准确的火灾信息,制作可视效果更好、便于基层部门使用的卫星林火监测图像。本研究以2013年2月6日云南省大理市黄家村森林火灾为背景,研究了一种基于亚像元分解与增强技术的卫星林火监测图像制作技术。结果表明,通过亚像元分解与增强技术,对空间分辨率低的气象卫星遥感图像进行处理,可得到空间分辨率为30 m的图像产品,能够将低分辨率遥感影像处理成超分辨率的遥感影像图像。该技术可应用于林火监测部门发布相关的监测图像。     

便携式豆类品质监控系统研究

传统的破坏性检测方法已难以满足豆类品质快速检测的需求。现有的无损检测设备存在稳定性及准确性不高等问题,为提高豆类品质含量检测装置的性能,基于近红外光谱技术研发了豆类品质无损检测装置,体积小、便于携带,能够适用于现场检测。基于所研发的装置,各取30个黄豆、绿豆、红豆、黑豆样本,通过旋转静态采集多次光谱求平均值与采集1次光谱的方式,对同一样品重复测量20次,得出随着采集次数的增加,光谱反射率变异系数平均值逐渐减小直至平缓,选取最佳豆类采集次数分别为16、8、14、16,对应的光谱变异系数平均值为2.9%、2.435%、2.763%、3.019%。以黄豆为例,选取80个样品,使用不同的预处理方法,分别建立黄豆蛋白质、粗脂肪和淀粉含量的偏最小二乘预测模型,结果表明,蛋白质、粗脂肪、淀粉质量分数预测的最优模型预处理方式分别为SG-MSC、SNV、SNV,其预测集相关系数R_p分别为0.974 6、0.950 5、0.960 7,均方根误差分别为0.249%、0.572%、0.623%。取40个黄豆样本对装置模型进行试验验证,蛋白质、粗脂肪、淀粉质量分数的独立验证相关系数R     

基于纹理-颜色特征与植被指数融合的冬小麦LAI估测

准确、快速、无损估测叶面积指数(LAI)对于冬小麦生产管理具有重要意义。利用无人机搭载Prime ALTUM多光谱相机获取冬小麦拔节期、孕穗期、抽穗期、灌浆期多光谱图像,利用LAI-2200C型植物冠层分析仪获取地面LAI数据。通过Pearson相关性分析筛选出25个植被指数,并提取植被指数影像中8种纹理特征：对比度(CON)、熵(ENT)、方差(VAR)、均值(MEA)、协同性(HOM)、相异性(DIS)、二阶矩(SEM)和相关性(COR),以及3种颜色特征：一阶矩(M)、二阶矩(V)和三阶矩(S),再分别利用多元逐步回归模型(MSR)、支持向量回归模型(SVR)和高斯过程回归模型(GPR)构建冬小麦LAI估测模型。结果表明：相对于考虑单一类型变量,考虑结合纹理特征和颜色特征进行估测时模型精度更高;3类模型中,GPR模型估测冬小麦LAI的精度最高;所有模型中,基于纹理-颜色特征与植被指数融合的GPR模型估测冬小麦LAI精度最高(决定系数R²为0.94,均方根误差(RMSE)为0.17 m²/m²,平均绝对误差(MAE)...     

基于图像处理的土壤表层含水率在线检测方法研究

土壤表层含水率是影响作物生长的重要因素,在节水灌溉控制系统中对其进行在线检测尤为重要。运用计算机数字图像处理技术,探索一种土壤表层含水率在线检测的新方法。通过土壤表层图像的中值滤波、图像模式转换和“坏区”过滤,提取图像的特征参数——灰度值,并对土壤表层图像的灰度值与其含水率的关系进行了试验研究。理论分析与试验结果表明,土壤含水率的百分比与土壤表层图像的灰度值之间是一种近似线性的函数关系。     

不同产地马铃薯主要成分的近红外无损测定模型

收集全国6个省(区)不同品种和分级的36份马铃薯(Solanum tuberosum L.)样品,以精确化学方法测定的成分含量值为依据,利用偏最小二乘回归法(PLS)建立马铃薯水分、还原糖和淀粉含量的近红外无损测定模型。结果表明,建立的马铃薯水分、还原糖和淀粉模型的决定系数(R2)分别为0.88、0.84和0.92,交互验证均方根误差(RMSCV)均小于1,验证集标准偏差与预测标准偏差的比值(RPD)均大于2.5。通过外部验证发现,模型预测的各成分含量决定系数R2均大于0.9,预测值与实测值的相对偏差较小。     

基于GoogLeNet和无人机图像的水稻秧苗形态识别

【目的】针对目前国内评价插秧质量主要以人工观察和随机抽样的现状,提出一种基于卷积神经网络GoogLeNet对水稻秧苗图像进行形态识别的方法。【方法】首先,利用无人机超低空航拍获取清晰、完整的稻田秧苗图像,通过裁剪标记制作漂秧、伤秧和合格秧苗数据集;然后,基于GoogLeNet结构训练数据,得到最佳网络识别模型;最后,对单穴秧苗图像进行分类试验,并与传统图像分类算法(SVM、BP神经网络)进行对比。【结果】在相同样本的条件下,基于GoogLeNet的秧苗形态识别方法更快、更准确地完成了判断分类,秧苗形态识别的平均正确率为91.17%,平均耗时0.27 s;与SVM和BP神经网络相比,分类平均精度分别提高了21和13个百分点,检测时间分别缩短了1.09和0.58 s。【结论】本研究可为水稻插秧质量评价提供相关支持。     

基于探地雷达的果树根系检测试验与分析

果树的根系健康与水果品质息息相关,如何检测根系的健康状况一直是果树养护管理领域的难题。探地雷达作为新兴的无损检测技术日益受到学术界和业界的重视。选择江南大学校内果园和江苏省苏州市吴中区东山镇双湾村果园内的枇杷和水蜜桃果树试样,利用探地雷达对试样进行根系检测试验,以评价探地雷达对果树根系检测的可行性。结果表明,通过分别设置900 MHz和400 MHz的天线频率,探地雷达能够获取果树试样的细根和粗根分布图,包括雷达信号波形图、三维总览图和分层密度图,根系图像准确地反映了果树地下根系分布状况,结果有助于果树健康风险评价和养护管理。     

基于Macbm-RCNN的叶片周长和面积测量方法

为进一步提高日常背景下叶片周长面积测量精度和便利性,提出一种新的深度卷积网络模型Macbm RCNN,该模型在经典Mask RCNN模型基础上引入注意力机制。Macbm RCNN能对经过压缩处理过的图片进行准确检测和标注,并最终输出叶片周长和面积。通过最终的试验数据表明,Macbm RCNN网络模型的训练准确率相比于Mask RCNN提高1.65%,在复杂图像处理中,平均训练时间提升0.022 s,平均推理时间提升0.018 s。计算效率高于叶面仪和方格法,计算误差小于1.5%。验证表明,引入注意力机制的Macbm RCNN网络能提高叶片预测的准确率,在复杂情况下处理的速率有明显提升;在叶片周长和面积的计算中误差较小。在实际应用中能有效提高工作效率。     

便携式近红外光谱仪及其在农业中的应用现状

便携式近红外光谱分析技术因具有检测速度快、范围广、无损、价格低廉等优点,已被广泛应用于工业、农业、医药、食品等领域。为全面认识便携式近红外光谱仪及其在农业中的应用现状,归纳便携式近红外光谱仪的主要构成与类型,基于光路结构差异性阐述光栅扫描型、滤光片型、傅里叶变换型、声光可调滤波器型、微机电型光谱仪的基本原理与特点,并针对便携式近红外光谱仪在农业领域中的应用,重点总结便携式近红外光谱分析技术在水果、粮食作物、蔬菜、土壤及农业其他领域中的应用研究进展,探讨便携式近红外光谱仪在模型构建、测量精度、仪器微型化方面所面临的问题与挑战,进而提出改进措施,旨在为农产品的品质评价及种植管理提供参考。     

基于深度视觉和蚁群避障算法的果园精准喷施路径规划方法

为了实现对Y-shaped果树的精准喷施,本文融合了彩色及深度视觉图像,提出了1种基于蚁群避障算法的果园最优行驶路径的规划方法。首先,对彩色图像进行图像分割处理,划分道路及果树树墙障碍区域,得出喷施设备的可行驶区域,提出了喷施行驶范围检测算法;然后,通过对深度图像和彩色图像融合的处理,将Y-shaped果树树冠边缘轮廓精准拟合形成栅格地图,并与蚁群避障算法相结合,提出了最优行驶路径规划算法。最后,对拟合曲线和Y-shaped果树树冠边缘轮廓进行检验,验证算法的拟合程度。实验结果证明,本文提出的路径规划算法可以准确地检测出果树区域,并实现对行驶路径的精准规划。