基于近红外光谱的小麦品质分类研究

为了快速、简便、准确地鉴别小麦品质的类别,本研究提出了应用近红外光谱分析技术结合BP神经网络的鉴别方法对小麦进行品质分类。研究过程中对小麦样品的光谱数据进行了详细分析,采用马氏距离剔除了光谱数据中异常数据,并通过主成分分析说明利用近红外光谱鉴别小麦品质分类的可行性。为了提高所建模型的性能,采用SPXY算法对小麦样品进行合理的划分。并选取了一阶微分加归一化的预处理方法来处理光谱数据,消除无关信息和噪声对小麦光谱数据的影响。运用偏最小二乘法压缩光谱数据,减少了数据量,节省建模时间。最后采用BP神经网络方法建立了小麦品质分类模型。实验结果显示：模型的鉴别效果较好,对强筋样品识别的准确率高达94.4%,弱筋样品识别的准确率高达100%。实现了快速、准确地对小麦品质强筋和弱筋两类的鉴别,对小麦生产、市场交易及食品加工有着非常重要的意义。     

多种分类器在农用地分等中的应用及其用法改良

以广东省第二次土壤普查成果资料为主要数据源,选取贝叶斯决策、BP神经网络、概率神经网络、聚类等分类方法分别对数据源进行分类;并且,笔者为了充分利用有监督学习分类准确率高和无监督学习无需标定的学习样本的优点,提出了基于监督--非监督的聚类算法,然后对上述五种方法的评价结果作了比较分析;实验表明文章提出的基于监督--非监督聚类方法只利用少量的有标定学习样本,即可得到较高的分类准确率,特别在少量样本时,该方法能得到比贝叶斯决策方法、BP神经网络和概率神经网络等监督学习方法更好的土地评价结果;在实际应用中,可以尝试结合监督和非监督学习的方法,实现分类正确率和获取大量有类标签的样本之间的折中。     

基于改进的 AlexNet 卷积神经网络的植物叶片识别

针对多类植物叶片识别准确率和计算效率低问题,通过残差连接卷积层,构建了一种基于残差连接的Alexnet卷积神经网络。对卷积层的输入数据进行批归一化,进而加速网络的收敛速度。利用两种不同的全局池化算法既能减少特征图数目又能提高算法识别植物叶片的准确性和计算效率。对于不同种类植物叶片,实验验证残差连接的Alexnet卷积神经网络能够进行高效识别。     

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%。     

单时相MERSI数据在冬小麦种植面积监测中的应用

以FY-3A MERSI可见光到近红外波段250 m分辨率数据为信息源,采用PPI（像元纯净指数）提取结合实测数据的方法,经反复试验最终提取了山西南部冬小麦区的不同地物覆盖特征谱,进而采用基于监督分类的最大似然法、神经网络等方法进行不同地物类型的分类,同时根据不同地物光谱特征采用混合像元分解技术提取冬小麦种植面积。结果表明：单时相FY-3A MERSI数据提取作物种植面积是可行的,神经网络法好于最大似然法,混合像元分解提取的面积同实际种植面积最为接近。     

基于HY-1C/CZI数据的冬小麦早期识别研究

[目的]为充分发掘海洋一号C星(HY-1C)CZI数据的农业应用潜力,[方法]该文以HY-1C/CZI数据为基础数据源,结合土地利用现状数据、目视解译结果数据,以河南省商丘市及其附近区域作为研究区,对早播冬小麦、晚播冬小麦、裸地及建筑、森林、水体五类地物的光谱特征进行了分析,并在光谱分析的基础上基于决策树分类方法对冬小麦区域进行了提取。[结果]冬小麦面积提取结果表明,2018年研究区内冬小麦总播种面积69.42万公顷。以目视解译获得的地面验证点数据对提取结果进行精度验证,结果表明,冬小麦提取结果的总体精度为91.80%,Kappa系数为0.84,冬小麦用户精度和制图精度分别为91.88%和92.91%。 [结论] 基于HY-1C/CZI数据可以实现对冬小麦的早期识别和提取,提取精度较高,达到了其他相似数据源相近的识别精度,表明基于海洋一号卫星CZI数据具有一定的农业应用潜力。     

基于GF-1卫星遥感数据识别京津冀冬小麦面积

省级尺度冬小麦面积的精准获取技术是农作物面积遥感监测研究的主要内容之一。为了获取省级尺度的冬小麦种植面积, 该文以北京市(京)、天津市(津)和河北省(冀) 3个省域范围为例, 以国家标准地形图分幅为分类的图幅单元, 利用国产GF-1/WFV数据, 构建冬小麦面积指数, 实现了省级尺度冬小麦面积的识别。本文以冬小麦全部9个月生育期的984景影像作为数据源, 依次经过数据预处理、标准图幅单元的NDVI合成、样本点选择、冬小麦面积指数构建、冬小麦作物类型确认、省域范围制图及精度验证等步骤完成研究区域内冬小麦面积的提取。采用区域网平差和6S大气校正算法对数据源预处理, 以中国1︰10万标准地形图分幅为分类图幅单元构建冬小麦面积指数, 将冬小麦面积指数按照1%的比例等分, 并将面积指数从0到100%分割为101个提取节点, 将提取节点的NDVI值依次与类型确认样本比较, 精度最高的则确认为冬小麦面积提取阈值, 同时将该阈值应用于图幅单元内冬小麦面积指数影像, 获取冬小麦种植分布。最后冬小麦面积识别的精度表明, 以标准地图分幅作为计算单元, 在GF-1影像基础上, 利用冬小麦面积指数能够显著提高冬小麦与其他地物类型的波谱差异, 且冬小麦的总体识别精度达到89.6%, 用户精度达到89.8%, 制图精度96.5%, Kappa系数0.72。在典型区域, 本文算法与监督分类算法精度结果较为一致, 除制图精度相差4.77%外, 总体精度与用户精度差都在1.00%以内, 说明本文算法具有精度高、运行效率高、分类单元识别结果一致性强的特点, 能够满足省级尺度农情遥感业务监测的需要。     

基于颜色和纹理特征的花生仁外观品质检测研究

为了提高对花生仁外观缺陷的在线分类准确率及效率。通过对采集完好、破损、霉变的花生仁RGB图像进行均值位移法、灰度处理以及阈值分割等预处理,研究提取了花生仁HSV颜色空间下的H、S、V各分量的一阶矩和二阶矩共6个颜色特征值,再基于灰度共生矩阵法提取能量、熵、对比度、逆差分矩共4个纹理特征值,构建颜色和纹理结合的特征向量,最后分别采用BP神经网络和SVM分类器对花生仁进行分类识别。结果表明：在花生仁的整体识别准确率上,BP神经网络为96.67%,SVM分类器为97.22%,后者优于前者,在识别时间上BP和SVM分别为2.5 s和1.1 s,识别效率上也是SVM更好,综合识别准确率和效率两方面考虑,优先选择SVM分类器模型来对花生仁进行分类识别。     

基于深度卷积网络的小麦品种识别研究

为研究无破坏性、高准确度、适应性强的快速小麦品种识别方法,选取9种已知的小麦品种为样品,每种小麦籽粒2000粒,通过深度卷积网络自动提取小麦特征,采用Softmax分类器辨识小麦品种。该方法小麦品种平均识别准确率达到97.78%,分类混淆矩阵基本呈对角阵。同时该方法在网络训练完后可重复使用,具有泛化性强、成本低的特点,在小麦品种识别领域有较好的实用价值。     

基于多特征的BP神经网络多种植物叶片病害识别研究

为准确识别植物的健康状况,更好地对植物进行健康管理和治疗,以芒果、柠檬和石榴3种植物健康和病害叶片为研究对象,设计BP神经网络模型对植物健康状况进行识别。首先提取植物叶片表型特征数据,包括叶片颜色特征、形状特征和纹理特征。其中使用小波变换提取植物叶片的纹理特征,并用PCA主成分分析法对提取的特征数据降维。其次建立BP神经网络模型对植物进行分类识别。采用不同特征组合进行实验,识别准确率最高可达83.9%。采用颜色、形状和纹理组合特征建立的BP神经网络植物叶片健康识别模型具有最好的识别效果,可以便捷、高效地识别植物病害。     

北方冬小麦干旱灾损风险区划

本文基于风险分析的原理,利用北方冬麦区长年小麦产量资料和气象资料,建立了适用于北方冬小麦干旱灾损风险评估的指标体系,包括自然水分亏缺率风险指数、减产率风险指数和抗灾性能趋势向量系数等风险评估指标的意义、表达模式和估算技术、计算和分区。结果表明,北方冬小麦各项风险评估指标均具有明显的区域差异和一定的连     

基于颜色特征和AdaBoost算法的麦穗识别的研究

单位面积麦穗数是小麦产量预测中的一个重要参数。在应用图像处理技术识别麦穗的个数研究中,提出了一种小麦颜色信息和AdaBoost算法相结合的麦穗检测方法。先用麦穗颜色分割法排除非小麦区域的干扰,然后用AdaBoost算法训练的分类器对麦穗区域进行定位识别。该方法在保证检测率的同时,大大减少了目标区域的误检率,提高了小麦检测准确率。试验证明所用方法能有效去除叶片和秆茎的干扰,对于角度倾抖有一定鲁棒性。在随机抽取的100个样本中检测率为88.7%,有很强的识别能力。     

应用数字图像技术估测冬小麦冠层生物量垂直分布特征的研究

用数字图像技术研究了冬小麦冠层生物量的垂直分布。表明用一行小麦图像比多行小麦图像估测小麦生物量能更好地满足线性回归关系,估测效果更佳,以此为基础进一步研究了分层像素数估测小麦冠层分层现存生物量和有效生物量的方法。利用分层绿色像素数(LGPN)指标定性分析了不同栽培模式下冬小麦群体有效生物量的垂直分布和动态变化,并确定了基于图像特征的可用于定量分析的小麦群体垂直分布指数（I）。     

基于GF-1卫星影像的中国冬小麦制图研究

旨在实现冬小麦面积自动化提取,本文提出一种基于冬小麦NDVI加权指数(WNDVI)的分类算法。将影像分割成标准的小区域,从而构建冬小麦分类单元,采用自适应方法确定冬小麦种植区和非种植区WNDVI分割阈值。以2013年10月至2014年5月期间的GF-1卫星WFV影像为例,构建了全国14个省（市、区）的1180个分类单元的WNDVI,实现了2014年全国主产区冬小麦种植区的空间分布图;采用14233个样本对结果进行验证精度,总体精度达到了90.6%。本方法自动化程度高,结果稳定,适合大范围冬小麦面积监测业务化运行。     

安徽省冬小麦灌浆期连阴雨灾害等级指标的确定

为确定冬小麦灌浆期连阴雨灾害等级指标,利用1980—2012年安徽省冬小麦灌浆期间逐日气象观测数据、连阴雨灾害样本和灾情资料,遴选出连阴雨灾害过程的阴雨日数、累计雨量和日照时数3个主要致灾因子,采用主成分法(PCA)、有序样本最优分割法等数理统计方法,构建了冬小麦灌浆期间连阴雨灾害综合指数(D),并结合危害特征和产量损失情况进行了灾情等级划分。结果表明,冬小麦灌浆期间的连阴雨灾害可由连阴雨综合指数(D)表达,并划分为轻、中、重、严重4个等级,对应的连阴雨综合指数(D)的分级阈值分别为：＜0.2、[0.2, 0.4)、[0.4,0.6)、≥0.6。经对典型连阴雨年的验证,研究中构建的连阴雨等级指标较单要素指标,对连阴雨灾害具有较高识别能力,可作为冬小麦灌浆期连阴雨灾害监测与评估业务指标使用。     

作物类型遥感识别研究进展

及时获取作物种植面积是研究粮食区域平衡,预测农业综合生产力和人口承载力的基础。遥感技术已经成为提取作物种植面积的重要手段,而前提是识别作物。为了理清当前该领域的国内外研究现状,以遥感在作物类型识别中的应用为主线,归纳了国内外作物类型识别研究中常用的各类遥感数据,如资源遥感影像、气象遥感影像、高分辨率影像、高光谱影像和微波影像等,分析其优缺点和适用性;同时总结了利用遥感进行作物类型识别的3 类研究方法,包括基于光谱的识别方法、基于物候差异的识别方法以及光谱与物候相结合的方法,分析了各种方法的特点;指出目前作物类型遥感识别中存在的主要问题,如影像空间精度与价格的平衡问题,多分辨率遥感数据的综合应用问题,物候差异对作物识别的影响问题等;认为不同分辨率遥感数据的结合可以弥补各自不足,遥感影像的时相选择是提高精度的关键,另外需要应用除光谱和物候以外的更多解译标志;建议进一步深入研究作物识别机理和多尺度数据融合方法。以期为遥感技术在作物类型识别中的深入研究提供参考和借鉴。     

基于图像处理技术的小麦萌芽率测试研究

本研究选择了‘郑麦618’、‘西农511’、‘中麦875’、‘豫麦58号’、‘山农27号’、‘冀麦38号’6种小麦种子作为研究对象,通过扫描仪获得了小麦种子的图像后,再对图像进行灰度化、中值滤波和图像分割等处理后,提取了3个颜色特征(R, G, B),4个形状特征(边界长度,面积,圆形度,伸长度)和4个纹理特征(熵,对比度,局部平稳性,相关性),通过人工神经网络对这11个特征进行分类识别,检测了6种小麦种子的萌芽率,准确率分别为92.97%、91.87%、91.67%、90.57%、90.9%、91.75%,每种小麦种子的预测准确率均大于90%,且图像处理效率较高。综合来看,利用计算机图像处理技术对小麦种子的检测具有速度快且准确率高的优点,在种子的育种和质量检测方面具有可观的实际应用价值。     

基于支持向量机的蘑菇毒性判别研究

毒蘑菇和可食用蘑菇在外表上非常相似,依靠传统方法难以判别。为了实现判别上的自动化和增强可靠性,提出了一种基于支持向量机的蘑菇毒性判别方法。首先给出了数据样本和数据预处理的方法,其次建立C-SVM模型并进行训练,同时依照一对一方法实现了支持向量机的多分类,最后使用定步长探索法获得了模型的最优参数。仿真实验对比分析了不同样本量,不同参数下所提方法的准确度,验证了该方法在蘑菇毒性判别上的可行性。同时,使用神经网络、决策树方法进行分类器间的性能对比,发现与神经网络、决策树的判别结果相比,所提方法具有准确率高、操作方便、实用性强等优点。     

基于多时相双极化SAR数据的作物种植面积提取

及时准确地获取农作物的空间分布信息和种植面积,在农业生产管理与农业政策的制定等斱面具有非常重要的作用。本文以多时相Sentinel-1A影像(4月17日、5月5日、6月16日、7月22日、8月27日、9月2日)为主要数据源,根据研究区作物的物候特征,提取棉花、玉米和果树在不同生长期的后向散射系数(Sigma)和归一化后向散射系数(Gamma)。通过对作物不同极化、不同时相后向散射系数的统计,建立散射特征时序变化曲线,幵分析其特征。利用人工神经网络(Artificial neural network)、支持向量机(Support vector machine)和随机森林(Random forest) 3种分类斱法对研究区的主要农作物迚行分类识别以及种植面积提取,幵对分类结果对比分析和验证。结果表明, 1)棉花的后向散射系数在6月现蕾期和7月开花期明显上升,8月仹达最高值,变化特征最明显,易与其他作物区分;玉米和果树的后向散射系数在9月仹与其他地物之间表现出显著差异。2)相较于神经网络和支持向量机,随机森林的分类效果最好,总体精度达88.97%。其中,对棉花和果园的分类精度为90.88%和93.17%,对玉米的分类效果最差,仅有71.6%。综上所述,多时相双极化SAR数据在不同类型作物的识别及面积提取斱面具有一定的应用潜力。     

基于气候适宜度指数的山东省冬小麦产量动态预报

利用山东省主产区冬小麦产量资料、生育期内的温度、降水量、日照时数资料,结合冬小麦生理特性,分别构建了冬小麦温度、降水及日照适宜度模型,利用气候适宜度与冬小麦产量的关系,建立基于气候适宜度的冬小麦产量动态预报模型。通过对2008～2010年冬小麦产量进行动态预报, 结果表明, 3月31日、4月30日和5月31日预报的小麦产量丰歉趋势的预报平均正确率均为100%,单产预报平均准确率分别为95.1%、95.1%和95.4%,预报准确率较高,能够满足业务服务的需要。