基于物联网技术的智能农业管理系统设计

随着信息时代的发展,智能农业得到了前所未有的发展空间。为了提高农业管理的科学性,提高工作效率,本文设计了一种基于物联网技术的智能农业管理系统,该系统基于阿里云物联网平台通过智能传感器技术采集农业数据和智能管理。系统具有实时采集和监控功能,使用户能够及时处理各种环境信息,提高管理效率和生产效率。实验测试结果表明：本文所设计的智能农业管理系统具有稳定性强、可靠性高、价格低廉等特点,为智能化农业管理系统提供了一种可行的方案。     

基于随机森林算法的自然光照条件下绿色苹果识别

果实识别是自动化采摘系统中的重要环节，能否快速、准确地识别出果实直接影响采摘机器人的实时性和可靠性。为了实现自然光照条件下绿色苹果的识别，本文采集了果实生长期苹果树图像，并利用随机森林算法实现了绿色苹果果实的分类和识别。针对果树背景颜色和纹理特征的复杂性，尤其是绿色果实和叶片在很多特征上的相似性，论文基于RGB颜色空间进行了Otsu阈值分割和滤波处理，去除枝干等背景，得到仅剩果实和叶片的图像。然后，分别提取叶片和苹果的灰度及纹理特征构成训练集合，建立了绿色苹果随机森林识别模型，并使用像素模板验证数据集，对模型进行预测试验，正确率为90%。最后，选择10幅自然光照条件下不同的果树图像作为检测对象，使用该模型进行果实识别并使用霍夫变换绘制果实轮廓，平均识别正确率为88%。结果表明，该方法具有较高的鲁棒性、稳定性、准确性，能够用于自然光照条件下绿色果实的快速识别。     

基于三维点云的苹果树冠层光照分布模型研究

为给果园精细管理中果树修枝整形、果实品质评价以及果实产量估算等提供科学的理论依据和技术指导,以果园自然开心形苹果树为研究对象,基于果树三维点云结构,进行果树冠层空间光照分布建模研究。用三维点云重构技术和点云分割技术获取果树不同高度的点云分层,分别使用像素占比和Graham扫描算法计算各高度点云分层垂直投影的有效投影面积和占地面积及有效叶面积指数。以果树冠层不同高度层的有效叶面积指数为自变量,对不同高度层平均相对光照强度进行线性回归,获得果树冠层光照分布模型,并对模型进行验证。结果表明:所建果树冠层光照分布模型的校正决定系数R2c为0.924,校正均方根误差RMSEC为0.05,验证决定系数R2v为0.955,验证均方根误差RMSEP为0.04,相对分析误差RPD为4.91。该模型具有较高的预测精度和较强的预测能力。     

冬枣氮素含量预测模型中特征波长选择方法的应用

为了提高近红外光谱法快速测定枣叶氮含量的准确性和鲁棒性。采用偏最小二乘法建立了冬枣叶片氮含量近红外光谱模型。模型的相关系数为0.799,均方根误差为0.055。整个光谱区域包含了许多与冬枣氮含量无关的光谱变量。冗余信息的存在降低了模型的预测性能。所以采用间隔偏最小二乘(IPLS)结合遗传算法和模拟退火算法来选择冬枣叶片氮含量的特征波长。用凯氏定氮法测定冬枣叶样品的氮含量。试验选用15棵枣树,每棵树5个叶片作为试验对象。用于光谱测量的仪器是ASD光谱仪,测试仪在350~2 500 nm波长范围内,光谱分辨率为1 nm。在数据采集前使用了白板进行校正(标准白板反射系数为1),每个样品测量了5次,取平均值作为样品的相对反射率。遗传算法结合间隔偏最小二乘法选取的4个特征波长为685,689,781,783 nm。根据这4个波长,建立了冬枣叶片氮含量近红外光谱模型。模型预测相关系数为0.9175,预测均方根误差为0.063。利用模拟退火算法,建立了7个波长的冬枣叶片氮含量的近红外光谱模型。模型的相关系数为0.9301,均方根误差为0.052。因此,近红外光谱结合光谱选择方法的特点,可以有效地提高模型的精度,使模型更实用。但光谱选择方法的特点并不普遍。基于单波长变量选择的模型更为敏感,更适用于均匀采样。基于波长间隔选择的模型抗干扰能力相对较强,但更适合于不均匀采样。因此,基于状态与模型相结合的特征选择可以更好地应用于模型。     

玉米拔节期冠层叶绿素含量多光谱图像检测

为了探索大田玉米冠层叶片叶绿素指标的快速检测方法。采用自主研发的2-CCD多光谱图像成像系统采集了大田玉米拔节期冠层图像,并同步获取了样本叶绿素含量指标SPAD值。对多光谱图像进行了平滑滤波,并基于HSI颜色空间实现了冠层图像的分割。提取了玉米冠层可见光(blue(B),green(G),red(R);400~700 nm)和近红外(near-infrared,NIR,760~1 000 nm)4个波段平均灰度值并计算了平均灰度值计算比值植被指数(RVI,ratio vegetation index)、归一化植被指数(NDVI,normalized difference vegetation index)、修改型二次土壤调节植被指数(MSAVI2,modified soil-adjusted vegetation index)等8种常见植被指数作为图像检测参数。分析了这12个检测参数与叶绿素指标之间的相关性,讨论了图像检测参数的多种组合,建立了叶绿素指标的多元线性回归分析(MLRA,multiple linear regression analysis)模型。研究结果表明:R、G、B波段的平均灰度值与叶绿素指标成较高负相关,相关系数分别为-0.73,-0.71和-0.71,植被指数中相关性较好的是NDVI、MSAVI2和RVI,相关系数分别为0.83、0.81和-0.81。基于这6个参数组合建立的叶绿素指标估算模型拟合度最好,其建模集决定系数为0.79,验证集决定系数为0.71,研究结果为无损检测玉米拔节期叶绿素含量提供了支持。     

基于透射光谱的玉米叶片水分含量快速检测

为实现玉米叶片水分含量快速检测,利用近红外光谱仪在300~1 700 nm采用透射法对玉米叶片水分含量进行快速检测。试验利用烘干法对叶片水分梯度进行控制,并测量玉米叶片的透射光谱曲线和含水率。对透射光谱数据采用Savitzky-Golay方法进行平滑预处理,滤除光谱波动噪声干扰。分析了叶片透射光谱与含水率之间的相关关系,通过相关性分析提取敏感波长800、932、1 423 nm;利用主成分分析法提取敏感波长478、748、1058和1 323 nm。综合二者敏感波长最终筛选出水分敏感波长800、1 323、1 058和1 423 nm。利用这4个波长的组合得到比值植被指数、差值植被指数和归一化植被指数等12种植被指数,选取了最优差值植被指数DVI(1423、800)与透射率T1 323和T1 058建立了玉米叶片含水率多元线性回归诊断模型,建模集决定系数Rc2=0.968 8,验证集决定系数Rv2=0.951 9,预测结果方根误差为0.061。结果表明,利用透射光谱技术检测的玉米叶片水分含量具有较高的精度,可为植物叶片水分快速检测仪器开发提供指导。     

集成3S，ZigBee和射频识别的土壤采样远程智能管理系统

为实现农田土壤样本采样及管理智能化,设计了基于3S(GIS:geographic information system;GPS:global positioning system;RS:remote sensing)、ZigBee无线通信、射频识别(radio frequency identification,RFID)、4G等技术的土壤采样智能管理系统,该系统由采集节点、协调器网关、移动终端和远程管理软件组成,其中采集节点用来获取土壤样本的地理位置信息、RFID电子标签数据以及土壤环境的温湿度。协调器网关由ZigBee协调器连接4G模块组成,实现ZigBee无线网络转换为4G网络。4G模块经配置软件配置好服务器IP和端口号等信息后,将采集节点获取的数据传输到远程服务器的管理软件中。通过系统稳定性试验测试,丢包率为0.2%,该系统具有较高的可靠性。移动终端采用掌上电脑PDA(personal digital assistant),实现土样采集的现场监测管理。远程管理软件应用Web、SQL Server(structured query language server)、Socket等技术开发了数据接收显示、百度地图、数据自动成图(2D、3D)等功能模块。利用GPS信息在百度地图中可以实现采样点的实时跟踪,调用数据库数据或者本地试验数据可以自动生成有关土壤信息的空间分布图。该系统采集土壤样本信息的同时也可获取相应的土壤样本养分信息,将土壤养分信息数据按照RFID标签导入土壤管理软件中对应的土样信息栏,生成了土壤养分空间分布图,为后续变量施肥提供决策支持。     

果树叶片雾滴沉积量检测系统设计与试验

为了获取植保无人机喷药后雾滴在果树叶片表面的沉积量，设计了面向植保无人机果树低空施药的果树叶片雾滴沉积量检测系统。该系统由LWS型叶面湿度传感器、数据传输模块、上位机检测软件组成。通过LWS型叶面湿度传感器的标定试验，建立了电导率为553μS/cm自来水、860μS/cm甲基硫菌灵溶液、1525μS/cm磷酸二氢钾叶面肥溶液的回归方程，通过分光光度计验证试验验证了方程的准确性。之后，建立基于ZigBee的传感器系统数据无线传输网络。同时，利用Qt编写了具有数据分析和显示功能的上位机程序，建立了完整的果树叶片雾滴沉积量检测系统。最后，利用WSZ-4X型植保无人机在樱桃果园中进行了检测系统与水敏纸的对比试验。对比结果显示，使用两种方法获得的雾滴沉积密度曲线的拟合度可达0.9266。对于单个测量点的雾滴沉积密度，其平均误差为22.8%。在果园中进行试验时，受风速和无人机气流等环境因素的影响，传感器和水敏纸的雾滴分布会出现一定的差异，忽略环境因素影响，可认为两种方法在樱桃果园中测量得到的雾滴沉积密度一致性较好，而使用果树叶片雾滴沉积量检测系统可以更加快速、方便、实时地采集农药雾滴在叶面上的沉积量。     

基于移动终端的谷物产量实时监测平台设计

作物产量的空间变异性反映了农田环境和管理等因素对产量的影响，获取准确的产量空间分布信息是实施资源按需最优化投入的前提。为了获取谷物产量空间信息，设计了基于移动终端的农田谷物产量空间分布信息实时监测平台，可实现对联合收获机实时位置、作业状况和产量数据的远程监测，进而对产量数据的空间分布状况进行分析。平台主要由数据接收及存储、数据传输、数据显示和数据分析4个模块构成。其中，数据接收及存储模块接收由收获机传来的位置、谷物流量、升运器转速、谷仓温湿度和割幅宽度等作业状况信息数据包，将数据解析并存入数据库。数据传输模块为移动终端提供Web service服务，提取数据库中相应数据供前端调用。数据显示模块在移动终端上实时显示联合收获机作业位置和作业状况等信息。数据分析模块通过调用ArcGIS Server GP服务，将谷物产量信息的空间分布进行插值分析，分析结果以产量空间分布图的形式显示。经过测试，该监测平台运行稳定，能够实时显示和分析农田谷物产量信息，为农田精细管理提供技术支持。     

基于图像颜色特征的密植冬小麦覆盖指数反演

为了快速获取大田冬小麦作物生长信息,对田间植被覆盖度(VCI)进行检测。采用开发的多光谱图像采集系统,在拔节期-扬花期获取冬小麦冠层可见光( B、G、R ,400～700 nm)和近红外(NIR,760～1 000 nm)图像。图像经自适应平滑滤波处理后,针对RGB图像,采用HSI色彩空间模型,设定 H 分量阈值［π/4,6π/5］进行分割,对NIR图像采用自动阈值分割法分割,进而提出了基于“ H +NIR”组合的冬小麦冠层多光谱图像分割方法,并计算VCI值。对未经分割的原始图像提取了9个图像检测参数,包括各通道图像灰度均值( A R、 A G、 A B、 A NIR )、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、比值植被指数(RVI)、差值植被指数(DVI)和冠层 H 分量均值 A H。图像检测参数与VCI相关性分析结果表明,各植被指数与VCI的相关系数绝对值均大于0.90。应用NDVI、NDGI、RVI和DVI建立了多元线性回归模型,其 R 2 c =0.948, R 2 v =0.884,可以用于快速反演VCI,为田间作物生长评价和管理提供支持。