黄瓜侵染性病害图像处理及特征值提取方法的研究

为了实现温室植物病害的智能化防治,采用数字图像处理技术对植物病害进行诊断已成为主要技术之一。就黄瓜侵染性病害的图象处理及特征值提取方法进行了研究。研究在图像预处理中,由于病变叶片形状大小不一、背景的存在和病状的不同,必然套对图像处理造成影响。本研究以选择图像的背景为切入点,分离了叶片与背景；利用边框裁减算法进行了图像处理窗口的确定,从而有效地提高了处理速度；比较了两种滤波的效果：选择邻域均值法作为颜色特征提取前的预处理,选择中值滤波作为纹理特征提取前的预处理；根据RGB三体对人眼的刺激程度的不同对图像进行了灰度化处理,从而简化了图像的处理难度．并提高了处理速度；利用双峰法从背景中分割出有效分析叶片部分,利用OSTU法将叶片正常部位与病态部位分割出来。从而为后续提取有效的病害诊断特征参数和建立模式识剐系统奠定了基础。     

紫甘薯主要物质含量及处理方式对其色素的影响

以不同品种的紫甘薯为研究对象,测定其主要物质含量,探讨不同处理方式对其色素含量和色值变化的影响。结果表明:淀粉、蛋白质和色素含量以紫A1为最高,还原糖和氨基态氮含量以川山紫为最高;紫甘薯经冷藏、冷冻后,其色素含量显著降低,经微波处理和煮后冻藏处理,紫甘薯色素含量分别为鲜薯的84.5%和83.3%;50℃热风干制对紫甘薯的色素含量影响较小。     

温室蔬菜病害智能识别图像预处理及其特征提取方法的研究

采用计算机图像处理技术对温室蔬菜病害进行了智能化识别,并以黄瓜霜霉病为例研究了温室蔬菜病害智能识别图像预处理和特征提取的方法。试验选择白色作为病害叶片的背景,利用中值滤波法有效地去除了噪声的干扰,利用双峰法从背景中分离出病害图像,再对图像进行边缘检测,准确地提取了病斑的几何特征。该方法能够实现对病害图像的预处理,并且能够准确地提取病害特征。     

次生盐渍土高光谱特征研究

基于次生盐渍土修复过程中硝酸盐含量和同步实测光谱数据,针对原始光谱数据及其不同变换后7种光谱数据集,分别以相关系数极值和间隔偏最小二乘2种方法分析其最佳敏感波段范围。在此基础上,运用偏最小二乘回归(partial least squares regression,PLSR)方法,分别基于全波段(400~1 650nm)和分析获得的最佳敏感波段建立了次生盐渍土壤NO-3含量的光谱反演模型。结果表明,采用2种方法提取的土壤最佳敏感波段,均集中在844.5和846.18nm;基于全波段与最佳敏感波段的土壤NO-3含量光谱反演模型,均以原始反射光谱经一阶微分处理的结果更为显著;其中,基于间隔偏最小二乘法提取的775~899和1 025~1 149nm为最佳敏感波段的预测模型,其决定系数R2p与标准差(root mean standard error of prediction,RMSEP)分别为0.962和0.057。该研究结果可为今后次生盐渍土中硝酸盐含量的快速无损检测提供重要的科学参考。     

不同盐分胁迫对美洲红树耐盐性和耐旱性的影响

为了提高树木对干旱、盐碱环境的适应性,苗木时期人为制造一定程度的不良环境,锻炼苗木对不良环境的适应能力,从而提高造林后林分的效益和稳定性。该试验分为前处理和本处理,前处理设淡水区、1/2海水区(含盐1.7%)和海水区(含盐3.4%),生长45 d后,进行本处理,统一用含盐浓度7%的盐水进行浇灌。结果表明:经过前处理的1/2海水区中生长的苗木其叶、茎、根的生长量均超过淡水区中生长的苗木。说明一定程度的耐盐锻炼能够增强苗木对盐碱、干旱环境的适应能力。     

基于1D-CNN的土壤全氮近红外光谱预测模型

摘要：【目的】传统的基于近红外光谱数据预测土壤全氮的方法需要对原始光谱数据做复杂的预处理，筛选出与土壤全氮含量相关性高的敏感波长之后进行模型的回归拟合。本文提出一种一维卷积神经网络（1D-CNN）模型，可以在对数据进行简单预处理甚至无处理的情况下达到非常理想的结果，实现用近红外光谱技术对土壤全氮含量的预测。【方法】于江苏无锡采集410个土壤样品，利用半微量开氏法(NY/T 53-1987)测定土壤的全氮含量，并利用NIR Quest 512光谱仪，在室内环境下对每份土壤样品做光谱检测，并用均值中心化(CT)、标准正态变换(SNV)、趋势校正(DT)对光谱进行预处理，运用偏最小二乘回归（PLS）、BP神经网络、1D-CNN方法建立土壤全氮含量的回归预测模型。每种模型在采用不同预处理方法的数据集上做十折交叉验证，记录预测模型的决定系数(R2)和均方根误差(RMSE)的平均值，并对比三种预处理方法对模型精度的影响。【结果】证明了本文提出的1D-CNN模型基于土壤近红外光谱数据预测土壤全氮含量的可靠性。使用原始数据与经均值中心化、标准正态变换、趋势校正预处理的数据训练得到的1D-CNN模型的决定系数分别为0.907、0.931、0.922、0.964，构建的PLS回归模型决定系数为0.856、0.863、0.861、0.880，训练的BP神经网络的决定系数为0.874、0.907、0.901、0.911。【结论】本文提出的1D-CNN模型在原始数据和经预处理的光谱数据上的表现都优于PLS和BP神经网络，且可以证明，对光谱数据进行预处理能够有效提高1D-CNN模型的性能，尤其是趋势校正对模型的提升效果最明显。研究表明，1D-CNN能更好地提取光谱特征并建立其与含氮量的映射关系，有效地避免过拟合，在未经过预处理的光谱数据上依然能够达到一定的精度。