基于EMD的土壤有机质含量近红外光谱检测

以检测土壤有机质含量为例,探讨经验模态分解在土壤近红外光谱检测中的应用,提出了应用的原理和步骤.用处理后的光谱计算了土壤中的有机质含量,并与九点平滑和小波变换方法的处理结果进行了对比分析.结果表明:与传统的九点平滑处理结果相比,SNR从3 dB左右提高到10 dB左右,原始信号与消噪信号之间的标准差由2.972降到0.901;预测集的决定系数r2由0.9410提高到0.9803,预测均方根误差RMSEP由0.6702降为0.301 1.证明了经验模态分解方法在光谱处理过程中的可靠性,提高了土壤有机质含量近红外光谱的定量分析精度.     

基于EMD的土壤有机质含量近红外光谱检测

以检测土壤有机质含量为例,探讨经验模态分解在土壤近红外光谱检测中的应用,提出了应用的原理和步骤。用处理后的光谱计算了土壤中的有机质含量,并与九点平滑和小波变换方法的处理结果进行了对比分析。结果表明：与传统的九点平滑处理结果相比,SNR从3 dB左右提高到10 dB左右,原始信号与消噪信号之间的标准差由2.972降到0.901;预测集的决定系数r2由0.9410提高到0.9803, 预测均方根误差RMSEP由0.6702降为0.3011。证明了经验模态分解方法在光谱处理过程中的可靠性,提高了土壤有机质含量近红外光谱的定量分析精度。     

基于优化光谱指数的土壤有机质含量估算

基于高光谱数据快速监测土壤有机质含量对于评价土壤肥沃程度具有重要意义。本文试图寻求估算土壤有机质含量的最佳光谱参数,实现土壤养分无损监测。使用ASD Field-Spec3高光谱仪对野外采集的土壤样品进行室内光谱测定,并通过重铬酸钾氧化容量法测定土壤样品有机质质量比;利用两波段优化算法对构建的新算法(SOM_(CI/ND))进行波段优化,筛选基于不同光谱数据(原始光谱反射率及其对应的4种数学变换)运算下的最敏感波段组合,从而建立土壤有机质质量比高光谱估算模型。结果表明:通过归一化光谱指数(I_(ND))和概念指数(I_(CI))比值构建的新算法(SOM_(CI/ND))优化后与土壤有机质质量比之间的相关性显著提高,在光谱原始数据及其平方根、倒数变换形式下,相关系数绝对值达到0.82,且敏感的组合波段集中在2220 nm～2240 nm和2160 nm～2195 nm。基于平方根波段优化的估算模型效果最佳,估算精度为R_p~2为0.84,RMSE_P为2.24 g/kg,RPD为2.89。因此,对光谱数据的适当数学变换有利于优化光谱指数更好地估算土壤有机质质量比,进一步实现土壤有机质质量比高精度动态监测。     

基于反射光谱特性的土壤有机质含量测定仪设计

阐述了利用有机质的反射光谱特性对土壤有机质含量进行测定的原理及方法。对仪器的总体方案、光路系统及仪器的硬件和软件进行了设计。为了减小测量误差、提高仪器总体性能,光路系统设计中在前人采用单一波长的光信号为变量的基础上增加了另外两路光信号以反映土壤中胡富比(胡敏酸和富啡酸含量之比)的变化;采用了偏最小二乘回归的数据处理方法来消除模型中变量间极有可能存在的多重相关性;在试验设计中通过增加土壤分类功能,采取了对土壤先分类后建模以及与合适的土样预处理相结合的方法降低了土壤质地对有机质测量的影响。试验表明,仪器测试结果与常规的有机质含量测量法对比,其精度达到了土样有机质含量速测的要求。     

基于多传感器人工嗅觉系统的土壤有机质含量检测方法

为了实现对土壤有机质含量的快速、方便、准确测量,本文提出了一种基于多传感器人工嗅觉系统的土壤有机质含量检测方法。选取10个不同型号的氧化物半导体式气体传感器组成传感器阵列,并采用不同浓度的硫化氢、氨气和甲烷等标准气体对传感器阵列进行了响应测试,从响应曲线可以看出,传感器阵列对不同浓度、种类的标准气体皆有响应且响应结果不同,随着标准气体浓度的增大传感器阵列的响应曲线也随之上升,表明传感器阵列具有较高的特异性和一定的交叉敏感性。提取每个传感器土壤气体响应曲线上的响应面积、最大值、平均微分系数、方差、平均值和最大梯度6个特征构建人工嗅觉特征空间。采用偏最小二乘法回归(PLSR)、支持向量机回归(SVR)和BP神经网络(BPNN)算法建立人工嗅觉特征空间与土壤有机质含量关系的预测模型,使用决定系数(R²)、均方根误差(RMSE)和绝对平均误差(MAE)评估预测模型的性能。试验结果表明,PLSR、BPNN、SVR测试集的R²分别为0.808 78、0.871 79和0.919 57,RMSE分别为3.678 4、3.161 4、2.425 4 g/kg...     

基于反射光谱特性的土壤有机质含量测定仪改进设计

阐述了利用有机质的反射光谱特性对土壤有机质含量测定的原理及方法,并设计了测定仪器的总体设计方案、光路系统及仪器的硬件.为了进一步减小测量误差、提高仪器总体性能,在以前研究的基础上对光路系统的设计进行了改进--增加了另外3路光信号以反映土壤光谱在600 nm处的弓曲差,研究了不同土样处理方法对土壤有机质含量测量精度的影响.结果表明:在仪器中引入弓曲差信息后,仪器的测量精度得到了进一步提高,测量误差从7.69%减小到3.76%.     

基于吸收特征参数的有机质含量光谱估算模型研究

连续统去除法是简便、准确而有效地提取光谱吸收特征参数的方法之一.为此,研究利用ASD FieldSpec Pro地物光谱仪在自然环境条件下对不同有机质含量的土壤样本进行光谱测量,提取特征吸收面积来评价与有机质含量的关系,发现基于包含有机质含量敏感波段在内的450～580nm波段范围特征吸收面积建立的有机质含量对数诊断模型预测精度较高.结果表明,土壤有机质吸收特征参数估算模型为土壤肥力的快速测定提供了新的途径.     

基于人工嗅觉系统的土壤有机质检测方法研究

为了实现土壤有机质快速、准确的测量,提出了一种基于人工嗅觉的土壤有机质含量检测方法。首先,由不同温度控制的10个气体传感器所构成的阵列对土壤样品气体进行采集;然后,提取每个传感器响应曲线上的7个特征(包括最大值、最小值、平均值、平均微分系数、响应面积、第30秒的瞬态值和第60秒的瞬态值),构建嗅觉特征空间;对特征空间优化后,采用回归算法建立预测模型。为减小不同测定算法、异常样本以及冗余特征对模型预测性能的影响,在应用蒙特卡罗抽样(Monte Carlo sampling,MCS)法剔除异常样本的基础上,采用主成分分析(Principal component analysis,PCA)法对特征空间进行降维处理,评估了包括偏最小二乘法回归(Partial least square regression,PLSR)、支持向量机回归(Support vector machine regression,SVR)和BP神经网络(Back propagation neural network,BPNN)等3种建模方法对土壤有机质含量的预测性能,选用决定系数R2、均方根误差(RMSE)和预测偏差比(RPD)评价各模型的预测性能。测试集验证结果表明,PLSR、SVR和BPNN这3种模型的预测值和样本的观测值之间的R2分别为0. 86、0. 91和0. 85,RMSE分别为2. 49、2. 05、2. 68 g/kg,RPD分别为2. 49、3. 02和2. 32。SVR模型的预测性能高于PLSR模型和BPNN模型,可对土壤有机质含量进行准确预测。     

融合多光谱成像与深度学习的作物植株叶绿素检测系统研究

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared, NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm, SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression, ...     

基于多光谱图像的库尔勒香梨表面缺陷检测

表面缺陷会导致水果腐烂,降低商业经济价值,引发食品质量和安全问题.为此,利用机器视觉技术检测果皮表面缺陷是水果采后加工的主要任务之一.然而,由于香梨果皮颜色及缺陷多样性,用图像处理方法检测库尔勒香梨表面缺陷较为困难.为实现快而准确的香梨缺陷检测,提出一种基于多光谱图像的库尔勒香梨表面缺陷检测方法,并研究了疤痕、病害、虫...     

基于无人机多光谱影像和关键点检测的雪茄烟株数提取

为从无人机遥感影像中准确识别烟草,实现植株定位与计数,以雪茄烟草植株为研究对象,提出一种新的深度学习模型。区别于传统的利用检测框识别目标,本文模型利用少量的关键点学习烟草中心形态学特征,并采用轻量级的编、解码器从无人机遥感影像快速识别烟草并定位计数。首先,提出的模型针对烟草植物形态学特点,通过中心关键点标注的方法,使用高斯函数生成概率密度图,引入更多监督信息。其次,对比不同主干网络在模型中的效果,ResNet18作为主干网络时平均精度大于99.5%,精度和置信度都高于测试的其他主干网络。而MobileNetV2在CPU环境下达到运行效率最优,但平均置信度相对较低。使用损失函数Focal Loss与MSE Loss结合的Union Loss时,平均精度大于99.5%。最后,利用不同波段组合作为训练数据,对比结果发现使用红边波段更有助于模型快速收敛且能够很好地区分烟草和杂草。由于红边波段与植株冠层结构相关,使用红边、红、绿波段时平均精度达到99.6%。本文提出的深度学习模型能够准确地检测无人机遥感影像中的烟草,可为烟草的农情监测提供数据支持。     

基于OSC和PLS的土壤有机质近红外光谱测定

分析了经过简单处理的土壤样本光谱特性,将正交信号校正与偏最小二乘算法回归相结合,建立了土壤光谱特性与土壤有机质含量之间的定量分析模型。结果表明,正交信号校正可以消除噪声信息对土壤有机质含量预测的影响,预测样本的预测相关系数达到0.893、标准偏差为0.051%、预测标准差为0.050%;而不采用正交信号校正建立定量分析模型的对应参数分别为0.818、0.069%和0.085%。     

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于DeepLab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法.通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播.基于2018-2019年连续2年内蒙古自治区河...     

基于无人机多光谱影像的柑橘冠层叶绿素含量反演

叶绿素是一种反映植物生长水平和健康状况的重要生理生化指标,为快速、无损地大规模获取柑橘冠层的叶绿素含量以精确指导果园管理,利用多旋翼无人机搭载多光谱传感器获取多波段反射率数据,使用多光谱阴影指数对冠层阴影和土壤背景进行剔除,计算得到植被指数与纹理特征,将地面实测的叶绿素含量作为验证,综合对比了全子集回归、偏最小二乘回归和深层神经网络的反演精度以选取最优模型。结果表明,植被指数与叶绿素含量的相关性良好;将仅使用植被指数与仅使用纹理特征的建模结果进行对比,仅使用纹理特征的模型在全子集回归和偏最小二乘回归的反演精度均有明显提升;结合植被指数与纹理特征共同建模后,全子集回归和偏最小二乘回归的反演精度相比仅使用纹理特征的模型均能获得提升;深层神经网络因其良好的非线性拟合能力,获得了最高的反演精度,R²、MAE、RMSE分别为0.665、7.69 mg/m²、9.49 mg/m²,成为本文最优模型。本研究利用无人机多光谱影像反演得到柑橘冠层叶绿素含量,为实现柑橘生长监测提供指导作用。     

基于无人机多光谱遥感的土壤含水率反演研究

为研究无人机多光谱遥感技术对裸土土壤含水率的大范围快速测定和最佳监测深度的确定,以杨凌地区粘壤土为试验材料,分别配制成2种不同深度(5 cm和10 cm)、含水率为3%~30%的土壤样本。用无人机搭载多光谱相机对土样连续监测3 d,监测时刻均为15:00。采集6个波段(490、550、680、720、800、900 nm)处的土壤光谱反射率,同时对2种不同深度的土壤样本表层(约1 cm)含水率和整体含水率进行测定。分别采用偏最小二乘回归法、逐步回归法和岭回归法,建立不同波段光谱反射率因素反演土壤含水率的回归模型,并分析其定量关系。试验结果表明,逐步回归预测精度最佳,决定系数(R2)分别为0.775、0.764、0.798、0.694,而预测均方根误差(RMSE)分别为0.028、0.042、0.037、0.038;其次为岭回归法;偏最小二乘法的预测精度最低。综合比较得最佳回归方法为逐步回归法,最佳监测深度为土壤表层(约1 cm),其次为5 cm深度,最后为10 cm深度。     

基于无人机多光谱图像的云南松虫害区域识别方法

针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了同谱异物和同物异谱现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。