激光散斑技术在农产品检测中的应用

随着人们生活水平的提高,农产品检测技术越来越受到人们的重视,发展新颖的农产品快速检测技术是提高农产品市场竞争力,增加农民收入的有效措施。激光散斑技术灵敏度高,操作简单,作为一种新颖的无损快速检测技术已经受到越来越多的关注。本文介绍了激光散斑技术的基本原理,综述了激光散斑技术在农产品检测应用的发展概况,分析了激光散斑技术在农产品检测中需要解决的问题,同时叙述了激光散斑技术在农产品检测中的发展前景。     

激光散斑技术在农产品检测中的应用

[目的]研究激光散斑技术在农产品检测中的应用。[方法]介绍了激光散斑技术的基本原理,综述了激光散斑技术在农产品检测应用的发展概况,分析了激光散斑技术在农产品检测中需要解决的问题,同时叙述了激光散斑技术在农产品检测中的发展前景。[结果]激光散斑技术是可以用于农产品的品质检测的一种无损的检测技术,可以根据农产品的品质质量,对农产品进行合理分级。[结论]为激光散斑检测技术的研究提供借鉴和参考。     

基于形态学图像处理的麦穗形态特征无损测量

小麦穗部形态参数是直接反应小麦生长状况的重要参数,是育种和考种专家关心的重要参数。为了实现小麦穗部形态特征的无损测量和基于这些特征的快速品种分类,该文提出了基于形态学的穗部性状：芒个数、平均芒长、穗长和穗型的自动提取方法。首先通过小麦图像的形态学运算将麦芒去除得到只有小麦主部的图像,通过寻找主轴方向角和旋转计算外接矩形长度的方法计算穗长,通过对麦芒图像的细化和角点检测方法计算芒长和芒个数,通过宽度系数比例判断穗型,然后利用提取的其中8个特征参数,设计了一个3层的BP神经网络,对4个小麦品种240张图片进行分类识别,识别准确率达到88%。该方法可为小麦快速品种分类提供参考。若能将小麦的其他外部参数同时作为品种识别的输入数据,将会大大提高品种识别的准确性。     

基于麦穗特征的小麦品种BP分类器设计

基于数字图像分析,利用小麦穗部芒个数、芒长、穗长、RGB颜色的外部形态特征,对新疆的四个春小麦品种共40个样本进行了分类识别。建立了一个三层的BP神经网络分类器,平均准确识别率在85%以上,其中两个小麦品种的准确识别率达到了100%。     

机器人技术在农业中的应用方向和发展趋势

农业机器人技术的深入研究,可以使农业机器人技术更好地服务于农业生产,进而提高农业机械化程度。笔者通过对国内外大量相关资料的查阅,以及对机器人技术在农业生产中应用的深入研究,发现机器人技术在农业中的应用愈来愈广泛。农业机器人大大降低了劳动强度,提高了劳动效率,解决了劳动力不足的难题,但是在农业应用中仍存在一些不足。农业机器人技术的不断完善和创新,将会给农业生产带来更大的经济效益,成为现代化农业发展的重要途径。笔者简述了机器人技术在农业领域中最新应用及特点,分析了农业机器人的重要性及必要性,介绍了现有农业机器人的功能特点、应用领域。在此基础上,针对农业机器人应用现状存在的不足,笔者对今后机器人技术在农业中的应用方向和发展趋势提出了建议。     

基于形态学图像处理的麦穗形态特征无损测量

小麦穗部形态参数是直接反应小麦生长状况的重要参数，是育种和考种专家关心的重要参数。为了实现小麦穗部形态特征的无损测量和基于这些特征的快速品种分类，该文提出了基于形态学的穗部性状：芒个数、平均芒长、穗长和穗型的自动提取方法。首先通过小麦图像的形态学运算将麦芒去除得到只有小麦主部的图像，通过寻找主轴方向角和旋转计算外接矩形长度的方法计算穗长，通过对麦芒图像的细化和角点检测方法计算芒长和芒个数，通过宽度系数比例判断穗型，然后利用提取的其中8个特征参数，设计了一个3层的BP神经网络，对4个小麦品种240张图片进行分类识别，识别准确率达到88%。该方法可为小麦快速品种分类提供参考。若能将小麦的其他外部参数同时作为品种识别的输入数据，将会大大提高品种识别的准确性。