作物病害的计算机视觉和光谱检测技术研究进展

目前,计算机视觉和光谱技术已广泛应用于农业领域.为此,针对计算机视觉和光谱技术及其在作物病害检测方面的应用进行了详细的分析和研究,以求获得这些新技术在作物病害检测方面的应用现状,并在此基础上,对这些新技术在此领域的应用前景进行了展望.该研究对作物病害智能检测技术的发展将起到重要的推动作用.     

基于红外热成像和机器学习的作物早期病害识别研究进展

作物的早期病害检测作为针对性的防治手段已经成为智慧农业在病害方面的趋势,实现作物早期病害检测可以做到早发现,早治疗,减少作物农药使用,提高作物品质,减少经济损失。首先介绍作物病害的机制和红外热成像原理,发现红外热成像技术可以进行作物早期病害的检测;其次介绍红外热成像和机器学习的工作原理,综合概述国内外机器学习和红外热成像技术在病害识别领域的研究现状;分析红外热图像的缺点并使用机器学习进行改进,综述机器学习应用于处理红外热图像和红外热成像技术与机器学习相结合应用于作物病害的国内外现状,发现机器学习对红外热图像的缺点有着改进作用,还发现通过两种技术结合使用可以结合两者的优点进行更快更早的作物病害检测;最后通过分析现有研究成果,讨论现存的问题并提出相应的解决方法,对未来的研究趋势进行展望。     

作物病害智能诊断与处方推荐技术研究进展

由“植物诊所”形成的电子病历为作物病害处方推荐提供了新的思路。如何高效地挖掘电子病历数据并辅助作物病害处方推荐,目前还是亟待解决的研究热点问题。在总结和整理现有国内外研究文献的基础上,对基于显微图像的作物病害病菌孢子识别、基于光谱的作物病害诊断、基于电子病历的作物病害处方推荐等作物病害诊断与处方推荐关键技术进行了系统分析与讨论。综述结果表明,围绕作物病害病菌侵染过程,以智能化处方推荐需求为导向,开展基于电子病历数据挖掘的作物病害处方推荐研究,将成为一个研究重点。针对作物病害处方推荐过程中,存在由于作物病害致病机理复杂、作物品种及病害种类多、病害病症动态变化且特征多等特点和难点,研究基于电子病历数据挖掘的作物病害致病机理解析、诊断推理、智能化处方推荐及其应用策略,将是研究的重大方向;探索基于知识图谱分析、大数据挖掘和机器学习算法推理等关键技术的作物病害电子病历数据挖掘分析研究,从区域宏观视角可视化解析作物病害致病机理及其与特征间的关联关系,面向实际应用场景实现基于诊断推理的单一作物病害处方推荐、基于语义匹配的多种作物多种病害处方推荐,具有更大的实际意义。     

红外热成像技术在作物胁迫检测方面的应用

红外热成像技术是通过接收事物自身的分子及原子无规则运动产生的热辐射后,对事物进行成像的一种机器视觉技术。目前,国内外均在红外热成像方面做了较深入的理论方法研究。为此,简要地概括了红外热成像技术的原理,介绍了该技术在农业上的应用,并从作物病害胁迫检测、水分胁迫分析、冻害胁迫分析3个方面,具体说明了红外热成像技术在作物胁迫检测方面的研究现状。最后,通过总结热红外技术的特点及优势,对未来该技术在作物检测方面的研究方向进行了展望。     

作物生长多传感信息检测系统设计与应

简述了作物生长多传感信息检测系统的硬件平台及实现.光箱系统采用卤素灯和D65型标准光源两组独立可调的均匀光照系统,结合温湿度控制装置,可以实现对多种作物生长环境的模拟.信息采集系统集成了包括光谱、多光谱图像、冠层温度、冠层光照及环境温湿度等多传感信息探测器,可以充分利用多种信息对作物生长信息进行监测.应用该系统就油菜氮素和水分的光谱、多光谱图像特征及光照对检测的影响进行了研究,结果表明:该系统能够克服环境因素的影响,能够利用多传感信息对作物营养进行较准确的定量分析,其中,油菜氮素光谱特征模型的相关系数达到0.92,均方根误差为0.53.     

光电检测技术在马铃薯品质检测中的研究进展

近年来,我国大力推动实施马铃薯主粮化战略,品质控制是重要的支撑技术,需在马铃薯的专用品种选育、主食产品加工、储藏运输及终端消费等多个产业链环节进行检测。为此,围绕马铃薯质量安全管控方面的需求,详细介绍了机器视觉技术、近红外光谱分析技术及高光谱成像技术等光电检测技术在马铃薯外观形态、内部品质及缺陷检测方面的研究和应用现状,并分析了其发展趋势,以期为马铃薯深加工过程中原料筛选和分等分级等提供参考。     

数学形态学在作物病害图像预处理中的应用研究

以大田复杂背景下采集的小麦叶部病害图像为研究对象,为进一步分析小麦病害类别及程度,针对小麦叶片的几何形状特点,设计了一种基于数学形态学的小麦叶部图像预处理方法。该方法首先采用相位一致性模型进行边缘检测,然后将数学形态学中的闭运算、开运算、形态区域填充运算及形态面积开运算相结合,用于对复杂背景下混杂大量噪声的小麦叶部病害图像进行去噪、提取及重建。实验证明,该方法能有效地将图像中最突出的小麦单个叶片从复杂背景中提取出来,并能够保留原始病害图像中的病害细节信息,图像清晰完整,为作物病害的特征提取及分类识别研究提供了新的思路。     

基于多光谱成像和卷积神经网络的玉米作物营养状况识别方法研究

水肥一体化自动装备的使用能够有效提高水肥资源利用率,但需要在作业前获知作物的营养状况及水肥需求量,而通过人工手持测量仪器来获取这些信息,存在着时效性差和劳动强度大等缺点。针对以上问题,本研究以常见的作物玉米为研究对象,使用大疆精灵Ⅲ无人机携带RedEdge-M多光谱相机在田间上空采集玉米多光谱图像,同时使用YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息,根据这些信息将采集的图像分为3个等级（每个等级共包含530幅五通道图像,其中480幅作为训练集,50幅作为验证集）,提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型,通过向模型输入彩色图像数据和五通道多光谱图像数据,分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像,能够输出玉米的营养状况等级和GPS 信息,识别彩色图像模型在验证集的正确率为84.7%,识别多光谱图像模型在验证集的正确率为90.5%,模型训练平均时间为4.5h,五通道图像识别平均用时为3.56s。该识别方法可快速无损地获取玉米作物的营养状况,为有效提高水肥资源利用率提供了方法和依据。     

作物生长信息获取多光谱传感器设计与试验

为了实时、快捷、无损获取农作物生长信息,根据作物生长指标的光谱监测机理,研制了一种四波长作物生长信息获取多光谱传感器.采用光学滤波技术提高了光辐射信息输入信噪比,依据作物冠层特征及田间作业环境实际要求,设计了适宜的探测镜头结构参数,确保了多光谱传感器灵敏度与分辨效果,应用T型电阻积分网络搭建了微弱光谱信息放大电路.通过标定,获得了多光谱传感器与FieldSpec Pro FR2500型光谱仪的关系模型,决定系数分别为0.8028、0.8068、0.8185、0.8900.对小麦的试验结果表明,该传感器的平均测量误差分别为5.6％、4.6％、1.4％、4.5％.该传感器能够较好地实现作物冠层反射光谱的实时在线检测,为作物生长监测设备的研发提供了有力支持.     

高效运算网络在作物叶部病害识别中的研究

卷积神经网络模型参数冗余太大,收敛速度慢,对硬件计算资源要求过高,导致适用性差,不适合布署在边缘侧的嵌入式设备上,且大多数识别模型鲁棒性差,在复杂环境下识别效果不佳.为解决以上问题,设计两个基本模块用于搭建病害识别网络:一是高效残差模块,采用残差和多种卷积分解结构,在保证识别精度的情况下简化模型;二是恒等残差模块,用于...     

光谱技术在作物病虫害检测中的研究进展及展望

光谱技术检测作物病虫害具有无损、快速、准确等优点.为了充分利用国内外的研究成果,促进我国在该领域的研究与应用,从作物病害和虫害两个方面,综述了基于可见光(包括图像处理)、近红外方法的光谱处理技术在作物病虫害无损检测中的研究进展,分析了各种方法的优缺点.同时,提出了今后应从特征波长选取、早期病虫害检测、实时检测、图像与光谱结合等方面开展深入研究,以实现病虫害的自动检测.     

基于高光谱成像技术的柑橘缺陷无损检测

应用高光谱成像技术无损检测柑橘的缺陷。选取蒂腐、黑斑、褐腐、结痂缺陷果和正常果各30个,提取并分析了5类果皮感兴趣区域光谱曲线并结合主成分分析法确定2个最佳波长(615nm和680nm),然后基于特征波长作主成分分析,选取第2主成分作为分类识别图像,提出采用特征波长主成分分析法与波段比算法相结合的方法,识别率达到94%。试验结果表明,高光谱成像技术可以有效地对带有蒂腐、黑斑、褐腐、结痂缺陷的柑橘进行分类识别。     

光谱及成像技术在种子活力检验中的应用研究进展

种子是农业生产的重要资源,种子活力与作物发芽生长关系密切。传统的种子活力检测方式存在耗时长、花费大、对操作人员的技术要求高等缺点,难以实现自动化、大规模的检测。随着我国农业现代化水平逐步提高,实现高效快速无损的种子活力检验无疑是未来的发展趋势。本文分别论述了近红外、高光谱成像、拉曼光谱以及X射线在种子活力无损检测中的研究现状与进展。在数据处理层面,偏最小二乘回归(PLSR)仍然是应用最广的光谱数据线性建模方式,同时机器学习与深度学习等新技术也被用于光谱数据建模。在试验设计方面,区分有活力与失活种子的二分类模式仍然是研究主流,分类阈值的选取与结果密切相关。利用定量模型对活力高低的预测效果不佳,对种子活力变化这一缓慢过程的认识有待深入。对于某些作物种子,能够对与其发芽能力关系密切的特征波段进行提取。在仪器设备方面,缺乏专门用于种子光谱采集装置的设计研究。光谱及成像技术在种子活力检测方面具有成本低、快速和无损的特点,有助于农业生产中自动化和智能化的发展。     

水稻病虫害目标检测技术的研究进展

水稻病虫害对水稻的生长和产量有着严重的影响,因此在病虫害初期做到有效识别,及时干预保障水稻生长至关重要,水稻病虫害目标检测技术便能够做到较为准确的自动化识别,随着近些年深度学习的快速发展,目标检测技术也取得了重要的进展,例如YOLO算法、Faster R-CNN算法等,文章介绍了水稻病虫害目标检测技术的发展历程和研究进展,分析了学者近些年提出的改进算法和亮点,讨论不同类型算法在水稻病虫害目标检测领域中的应用场景和不足,分析未来的发展和研究方向,以促进目标检测技术协助水稻种植的研究。     

农业主要病害检测与预警技术研究进展分析

农作物病害一直以来是制约农业可持续发展的主要因素之一,农业病害预警逐渐成为国内外研究的热点问题。在总结和整理现有国内外研究文献的基础上,对物联网和传感器、3S、光谱、病原微生物检测等农业病害预警信息获取关键技术以及病害图像处理、病害预警专家系统、病害预测等农业病害预警信息处理技术进行了系统的分析与讨论。综述结果表明,多种技术的结合、集成及融合将使农业病害预警的覆盖面更广,预警准确性更高;农业病害预警信息获取方式在向精确化、广泛化方向发展;对农业病害的短期预警将成为一个研究重点;农业病害早期/初期检测、诊断与预警会成为新的发展方向;农业病害预警系统及装备将朝着低成本化方向发展;实时在线的农业病害自动预警方式具有更大的实际意义。     

荧光成像技术在植物病害检测的应用研究进展

植物病害阻碍植物正常生长,对蔬菜产品品质安全造成威胁,病害检测可以有效控制植物病害发展,是提高果蔬品质安全和可持续生产能力的一个重要途径。所有的绿色植物在受到紫外光或可见光激发时,都会发出可见光波段的荧光。基于植物荧光的成像技术,是利用计算机模拟人眼的视觉功能,在不破坏植株外观且不影响其生长的情况下,获取植物的荧光图像,并通过图像处理算法,对植物的健康状况做出判断。本文对荧光成像技术及其在植物病害检测中的研究进行了综述,介绍了荧光成像的原理,分别从叶绿素荧光和其他色素荧光两方面总结了国内外研究现状。与可见光成像、高光谱成像、多光谱成像以及热成像技术相比,该技术具有可获取植物内部信息、受温湿度影响小、不局限于晴天采集、价格合理等优点。     

深度学习在植物叶部病害检测与识别的研究进展

植物病害准确检测与识别是其早期诊断与智能监测的关键,是病虫害精准化防治与信息化管理的核心.深度学习应用于植物病害检测与识别中,可以克服传统诊断方法的弊端,大幅提升病害检测与识别的准确率,引起了广泛关注.本文首先收集和介绍了部分公开的植物病害图像数据集,然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展,...     

基于面向对象与替换法的遥感影像云检测与去除技术

裁剪20090716和20090730两景HJ-l CCD多光谱影像的部分作为试验区,基于面向对象法实现了厚云、薄云及云影的检测,进而利用替换法去除云和云影.对原影像、去云后影像的像元灰度均值、最大值、标准差、熵等指标进行了比较,结果表明,还原后的影像符合地面实际,面向对象与替换法可作为HJ-1 CCD多光谱数据的云检测与去除的重要方法.     

农畜产品品质无损检测中高光谱图像技术的应用进展

高光谱图像技术结合了计算机图像与光谱技术两者的优点,是农畜产品品质检测技术的发展趋势。阐述了农畜产品品质检测中高光谱图像技术的硬件组成和图像的获取方法。介绍了高光谱图像技术在农畜产品品质检测中的应用现状以及数据处理方法,重点分析了不均匀二次差分算法和独立分量分析算法。对高光谱图像技术应用于农畜产品品质检测的技术发展提出了建议。     

马铃薯干物质含量高光谱检测中变量选择方法比较

为提高利用高光谱成像技术快速检测马铃薯干物质含量的精度,比较了主成分分析法(PCA)、组合间隔偏最小二乘法(siPLS)、遗传偏最小二乘法(GA-PLS)、无信息变量消除法(UVE)以及竞争性自适应重加权算法(CARS)等变量选择方法。在此基础上提出一种竞争性自适应重加权算法与连续投影算法(SPA)相结合的波长选择方法,最终将原始光谱变量从678个减少到了27个。用27个变量建立多元线性回归模型,模型预测集相关系数Rp为0.86,预测均方根误差为1.06%。实验结果表明:高光谱成像技术能够对马铃薯干物质含量进行检测,同时CARS-SPA是一种有效的变量选择方法。