排序方式: 共有27条查询结果,搜索用时 62 毫秒
11.
基于高光谱成像的猕猴桃表面疤痕无损识别 总被引:1,自引:0,他引:1
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。 相似文献
12.
13.
能量和蛋白质是肉牛生长发育所必须的两大营养要素,传统的肉牛饲养中普遍只注意能量的供给,而忽视了蛋白质的补充,解决肉牛饲料中蛋白质供给不足,并使其有效利用,对肉牛的生长具有重要的意义。肉牛蛋白质饲料可分为植物性蛋白质饲料、动物性蛋白质饲料、非蛋白氮饲料和单细胞蛋 相似文献
14.
为探究不同畜禽粪长期施用后,对黑土有机无机复合状况及有机碳在土壤有机无机复合体中分布的动态影响,以吉林农业大学教学实验田始于2010年的长期定位试验下的黑土作为研究对象。试验共设4个处理,分别为施用鸡粪(JF)、施用牛粪(NF)、施用猪粪(ZF)以及对照处理(CK)。土壤样品选取连续施用畜禽粪的第1年(2010年)、第3年(2012年)、第6年(2015年)、第9年(2018年)和第11年(2020年)土壤,测定不同处理下黑土重组有机碳含量、有机无机复合度、胶散复合体含量以及有机碳在各组分复合体中的分布。结果表明:试验初期,外源有机物质对土壤复合状况的影响并不显著,但随着时间的延长,并随着畜禽粪的长期施入,更多的有机无机复合体形成,有机质的积累得到显著提升,其中鸡粪效果最好。到2020年使用鸡粪处理下的重组有机碳及原土复合量分别比空白对照提高12.0%和10.0%。施用畜禽粪后,各组分胶散复合体含量也高于空白对照,但G1复合体含量呈现下降趋势。从有机碳在各组复合体上的分布来看,畜禽粪长期施用可以增加各组分复合体上分布的有机碳。畜禽粪施入可以改善土壤复合状况,提高复合体及其碳含量,其中以鸡粪还田效果最好。 相似文献
15.
可见/近红外光谱技术无损识别苹果品种的研究 总被引:1,自引:0,他引:1
为了能快速无损鉴别苹果的品种,基于高光谱成像技术结合模式识别算法,分别建立了判别苹果品种K最近邻(KNN)识别模型与偏最小二乘判别分析(PLS-DA)识别模型。综合比较了不同光谱预处理方法(二阶微分(SD)、标准正态变换(SNV)和多元散射校正(MSC))对各模型识别效果的影响,并利用主成分分析方法对预处理后的光谱数据进行降维,以提取能反映苹果品种的特征光谱。结果表明:采用主成分分析法选择了累计贡献率超过99.9%的前10个主成分作为样本集特征光谱数据,很好地实现了光谱数据的降维;MSC预处理方法对光谱反射率预处理的效果最好;2种判别模型均能基本满足实际要求,且MSC+KNN识别模型的识别性能最优,对预测集样本的正确识别率高达100%。 相似文献
16.
基于深度学习的农作物病害图像识别技术进展 总被引:5,自引:0,他引:5
农作物病害的无损检测和早期识别是精准农业和生态农业发展的关键。随着图像采集和图像处理技术的进步,高光谱成像等先进成像探测技术和基于深度学习的图像分析技术越来越多地应用于农作物病虫害的无损检测中。本文首先简单介绍了以深度学习为代表的图像识别技术的基本原理,然后系统地阐述了基于深度学习的先进成像技术和先进图像识别分析技术在农作物病害检测识别中的国内外研究现状,分析了其在农作物病害检测识别上存在的优缺点,如具有快速、准确率高等优点以及数据量过大处理不便等缺点,并进一步指出,利用高光谱成像和热红外成像与深度学习相结合,将成为今后研究农作物病虫害早期检测的主要发展方向。 相似文献
17.
为了更好地预测苹果的可溶性固形物含量(SSC),试验采用反射式光谱采集系统获取采后“富士”苹果的光谱反射率。分析了3种光谱预处理方法(标准正态变换、多元散射校正以及二阶导数)对预测模型的影响;利用主成分分析方法对预处理后的光谱数据进行降维,并基于选取的特征变量建立预测苹果SSC的回归模型。结果表明:采用主成分分析方法从全光谱的1 024个波长中选取了前23个主成分得分作为特征变量;基于特征变量建立的回归预测模型具有较好的预测能力,其预测集相关系数RP=0.908,均方根误差RMSEP=0.499。这表明采用光谱技术结合主成分回归预测苹果SSC是可行的。 相似文献
18.
19.
20.