柑橘叶片叶绿素含量高光谱无损检测模型

针对柑橘叶片叶绿素含量的传统化学检测,不仅耗时长且损伤柑橘叶片,还依赖检测者实操技术,无法集成于精细农业中变量喷施农机具的诸多弊端,该文探讨快速无损检测柑橘叶片叶绿素含量方法。以117棵园栽萝岗甜橙树为研究对象,选用ASD Field Spec 3光谱仪对萌芽期、稳果期、壮果促梢期、采果期共4个生长时期的柑橘叶片进行高光谱反射率采集,并同步采用分光光度法测得叶片的叶绿素含量;以原始光谱及其变换形式作为模型输入矢量,分别在主成分分析(principle component analysis,PCA)降维的基础上利用支持向量机回归(support vector regression,SVR)算法和在小波去噪的基础上利用偏最小二乘回归(partial least square regression,PLSR)算法对柑橘叶片叶绿素含量进行建模预测,全生长期整体建模的校正集和验证集最佳模型决定系数R2分别为0.8713和0.8670,均方根误差RMSE(root-mean-square error)分别为0.1517和0.1544,试验结果表明,高光谱可快速无损地对柑橘叶片叶绿素含量进行精确的定量检测,为柑橘不同生长期的营养监测提供理论依据。     

土壤重金属镉污染的植物修复与土壤酶活性

用盆栽法研究植物对土壤重金属 Cd的吸收富集和植物修复效应、土壤重金属 Cd浓度与土壤酶活性的关系 ,以及经植物修复后不同时间内土壤酶活性恢复情况。研究结果表明 :1植物对土壤 Cd污染具有富集和修复作用 ,但种间存在较大差异 ;2土壤脲酶活性随土壤 Cd浓度的增加而降低 ;3回归分析表明土壤脲酶活性与土壤 Cd浓度显著相关 ,可表示出土壤受 Cd污染程度 ;4受 Cd污染的土壤经过植物修复后 ,脲酶活性得到恢复 ,可根据脲酶活性恢复状况判断植物的修复效果。     

基于WiFi的无人机视频传输系统设计与试验

针对目前传统无人机视频传输系统抗干扰能力差、无法多用户监测的缺点,设计了一种基于Wi Fi的无人机网络实时视频监控系统。系统采用Tiny210嵌入式开发板为核心,通过架设在无人机上的网络监控摄像头和无线网关实现视频采集与传输;嵌入式系统采用Linux操作系统,采用Mjpg-Streamer视频传输方案;S5P210对网络摄像头获得的视频数据依据Mjpg-Streamer方案进行数据格式转换和压缩,通过无线网关上传到网络服务器,监控端计算机组通过监听相应的网络端口实现视频监控。测试结果表明,视频设定分辨率为76 800,当理论帧率在10至25 fps之间递增,视频传输的实际帧率随理论帧率变化接近线性增加,最大实际帧率达到3.27 fps,同时系统占用带宽在每秒1到2 M之间递增,当理论帧率大于25 fps,实际帧率保持最大传输帧率不变,而此过程系统占用带宽在理论帧率25至40 fps之间缓慢递增,大于40 fps后带宽开始下降。设置分辨率大于307 200,摄像头接近其工作极限,视频实际传输帧率维持稳定,与用户设定帧率无关,系统占用带宽平缓保持在每秒2到3 M之间,上位机画面清晰流畅,满足大数据传输下的视频传输要求。该研究为无人机实时性传输、减小运行功耗的深入研究提供了参考。     

基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型

【目的】探讨龙眼Dimocarpus longan Lour.叶片发育过程中叶绿素含量二维分布变化规律,实现无损检测病虫害对叶片叶绿素含量分布的影响,为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。【方法】利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像,自动提取感兴趣区域,利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性,建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性,将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量,结合"图谱信息"的SAE模型预测龙眼叶片叶绿素含量的分布情况。【结果】龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰,嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698和705 nm;全发育期的最敏感波段相关性远高于3个生长发育期,r达到0.890 3。回归模型中,吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R_c~2=0.856 8,RMSEc=0.219 5;R_v~2=0.771 2,RMSEv=0.286 2),其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中,结合"图谱信息"的SAE模型预测效果最好(R_c~2=0.979 6,RMSEc=0.171 2;R_v~2=0.911 2,RMSEv=0.211 5),且预测性能受叶片成熟度影响相对较小,3个生长阶段R_v~2的标准偏差仅为最小二乘回归模型标准偏差的29.9%。【结论】提出了一种自动提取感兴趣区域的方法,成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大,而基于"图谱信息"融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高,SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。