南疆红枣静态图像采集分级方法研究

为了提高红枣商品品质,提出了红枣静态图像采集分级方法。通过比较不同光照条件、颜色背景下取得的红枣图片,研究基于机器视觉红枣大小的分级检测方法。采集红枣图像和图像预处理,选取最佳图像阈值,提取特征尺寸,建立特征尺寸与质量之间的对应关系;建立红枣的机测尺寸与实际尺寸、机测尺寸与红枣质量、实际尺寸与质量之间的不同关系模型。选择最贴近的二维分级模型:红枣机测实面积与质量的一次线性回归模型,通过对机测面积线性方程回归分析,线性模型的确定系数R2=0.841 8,并对研究结果进行验证,为进一步开展在线机器视觉红枣品质分级奠定了基础。     

基于高光谱成像技术的小麦籽粒赤霉病识别

利用高光谱成像技术通过光谱分析和图像处理进行小麦赤霉病的识别。采用标准正态变量变换(SNV)和多元散射校正(MSC)方法对光谱进行预处理,分别利用连续投影算法(SPA)和正自适应加权算法(CARS)进行变量筛选提取特征波段,结果表明采用MSC-SPA和SNV-SPA算法时决定系数分别为0.901 9和0.900 6,均方根误差分别为0.223 8和0.223 2,筛选波长个数分别为7个和5个。利用SVM和BP神经网络算法建立的交叉验证模型及验证模型的准确率均达到90%以上。其中,MSC-SPA-SVM和SNV-SPA-SVM方法的建模集准确率分别为97.08%和94.17%;验证集准确率分别为98.33%和97.50%,均优于MSC-SPA-BP和SNV-SPA-BP模型。为了研究染病小麦的高光谱图像信息,利用主成分分析方法,根据权重系数选择最佳特征波长为627.698 nm。利用图像处理方法对特征波长下的特征图像进行预处理、特征提取。分别提取特征波长图像的形态参数特征和纹理特征参数等,根据特征参数相关性分析选择最优的建模特征参数。分别利用10折交叉验证方法建立线性判别分析、支持向量机和BP神经网络识别模型,结果表明3种识别算法识别准确率均在90%以上,具有较好的识别效果。     

基于正交变换与SPXY样本划分的冬小麦叶绿素诊断

冬小麦叶绿素含量的准确预测,可为冬小麦田间精细化管理提供依据。采集冬小麦冠层400~900nm范围反射光谱,经一阶微分预处理后,为了抑制由于连续波长自变量多重共线性对叶绿素含量诊断模型的干扰,利用Gram-Schmidt正交变换算法初步提取叶绿素敏感波长特征参数为848、620、677nm。在定量模型的建立过程中,对比了传统随机样本集划分与以空间中样本间距离远近为指导的SPXY样本集划分方法,并讨论了大田冠层反射光谱对叶绿素浓度诊断的最优精度,研究结果表明,以620nm和677nm两个敏感波长结合SPXY样本划分方法建立的多元线性回归模型预测精度较高,且叶绿素质量浓度为0.3mg/L分辨间隔时,建模决定系数和验证决定系数分别达0.730和0.739,可为无损检测冬小麦拔节期叶绿素含量提供技术支持。     

无核白鲜葡萄机器视觉质量预测研究!

以新疆无核白鲜葡萄为研究对象,采用机器视觉技术预测葡萄穗的质量。首先,提取RGB图像,做G,B双通道分量加运算R+B,采用高斯低通滤波法滤除图像中的噪音,采用Gamma变换法调整图像灰度,从而增强前景与背景的对比度。其次,采用自动阈值分割法分割图像,经数学形态学的腐蚀和开运算获得最佳二值图像,提取二值图像中目标区域的几何特征。最后,采用一元线性回归、多元线性回归和偏最小二乘回归预测葡萄穗的质量。结果表明,提取分割后的葡萄穗面积、周长、长轴及短轴长度等特征建立的偏最小二乘回归模型,其预测葡萄穗质量效果最佳,相关系数r2为96.91%。     

基于分形维和图像特征的牛肉大理石花纹等级判定模型

采集135个牛胴体眼肌样本,参照中国牛肉质量标准的大理石图版,由3人评定小组评定出每一个样本的大理石花纹等级,再用数码相机采集每一个样本的数字图像。用图像处理技术对每一幅图像进行降噪、分割等处理,提取出牛肉大理石花纹,并计算出牛肉大理石花纹的面积比率、总脂肪颗粒数和大小脂肪颗粒数;然后用变尺度的方法,测定出每个牛肉大理石花纹样本图像的计盒维数和信息维数;以这些参数为基础,分别建立牛肉大理石花纹等级判定的多元线性模型和多元多项式模型。实验结果表明,利用多元线性模型和多元多项式模型判定牛肉大理石花纹等级,预测正确率分别为75%和87.5%。     

基于高光谱成像技术的面条中马铃薯全粉含量检测

为了快速检测面条中马铃薯全粉含量,研究近红外高光谱成像技术定量检测面条中马铃薯全粉含量的可能性,自制了马铃薯全粉质量分数在0~35%内随机均匀分布的120个面条样品,在900~2500nm范围采集高光谱图像,随机选取80个样品作为校正集,分别采用原始光谱和经过6种预处理方法预处理后的光谱建立了偏最小二乘回归、主成分回归、支持向量机回归模型。结果表明经标准化预处理后用偏最小二乘回归建模效果最好,校正集决定系数（R2C）为0.8653,交叉验证集决定系数（R2CV）为0.6914。用回归系数法在经过标准化预处理后的光谱数据中提取了与全粉含量相关的特征波长,建立了马铃薯全粉含量偏最小二乘回归简化模型, 校正集决定系数（R2C）为0.8685,交叉验证集决定系数（R2CV）为0.8021,基于特征波长建立的模型效果优于全波段模型,模型效果得到了一定的提高。以剩余40个未参与校正模型建立的样品作为预测集,基于特征波长建立了标准化-偏最小二乘回归简化预测模型,预测集决定系数（R2P）为0.8546,模型具有较好的预测能力。结果表明利用近红外高光谱成像技术可检测面条中马铃薯全粉含量,可为马铃薯全粉面条的快速无损检测建立新的方法。     

日光温室基质培生菜鲜质量无损估算方法

设施栽培中作物鲜质量动态变化作为生长发育的指示性特征,是蔬菜长势无损监测的重要指标之一。水培蔬菜通过离水直接称量实现长势无损监测,但是土培或基质培无法通过直接鲜质量称量实现生长过程的无损测量。本文提出了基于表型特征参数和生长过程环境参数融合的鲜质量估算方法,用于日光温室环境下基质培生菜个体和群体的鲜质量无损估算。首先,监测生菜全生命周期的环境参数,采集第1批次生菜生长过程中的多样本图像和部分样本鲜质量,提取样本图像中不同生长期生菜的形状、颜色、纹理等特征,计算环境信息中的累积辐热积等参数。然后,利用高斯过程回归方法建立表型参数和环境参数与生菜鲜质量的关系模型。最后,采集第2批次生菜群体的样本数据,基于上述模型预测生菜3个生长阶段的个体和群体鲜质量,以验证鲜质量估算模型的泛化能力和可靠性。结果表明,与支持向量机、线性回归、岭回归和神经网络相比,高斯过程模型的决定系数R2为0.9493,相对误差的均值和标准差分别为11.50%和11.21%。模型泛化能力试验中,生菜群体鲜质量比个体鲜质量的预测相对误差的平均值小（3个生长阶段分别相差4.44、5.71、5.89个百分点）,且随着群体数量增加,群体鲜质量预测的相对误差的均值和标准差逐渐减小。本鲜质量估算方法预测的群体鲜质量数据可为基质培绿叶菜类作物的栽培管理决策提供数据支撑。     

核桃仁脂肪含量的近红外光谱无损检测

为了实现核桃仁脂肪含量的快速无损检测,在1 040～2 560 nm光谱范围内采集了核桃仁近红外光谱。首先,通过多元散射校正和标准正态化组合方法对原始光谱信息进行预处理,采用马氏距离法剔除异常样本;然后,运用竞争性自适应重加权采样算法与相关系数法相结合,进行特征波段筛选;最后,采用偏最小二乘回归和支持向量机回归算法建立了核桃仁脂肪含量的预测模型。结果显示,以筛选出的6个特征波段为输入,采用偏最小二乘回归算法建立的核桃仁脂肪质量分数预测模型的验证集决定系数为0. 86,均方根误差为1. 584 9%;采用支持向量机回归算法建立的模型验证集决定系数为0. 88,均方根误差为1. 371 6%;表明支持向量机回归算法的建模质量优于偏最小二乘回归算法。采用特征波段建立的支持向量机回归预测模型能大幅降低建模复杂度,实现核桃仁脂肪含量的快速无损检测。     

无人机多光谱数据可靠性分析与冬小麦产量估算研究

无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R²)、均方根误差(RMSE)分别为0.69、428.91 kg/hm²,验证...     

马铃薯叶片光化学吸收与反射光谱关联分析及检测

为开展马铃薯叶片PSⅡ叶绿素荧光参数无损检测研究,利用高光谱成像系统采集200个感兴趣区域样本点的光谱图像并提取反射率,使用封闭式叶绿素荧光成像系统采集相应样本点的qP值。采用SPXY算法将总样本按照2∶1的比例划分为建模集(135个样本)和验证集(65个样本),采用联合区间偏最小二乘法(Synergy interval partial least squares,si-PLS)和随机蛙跳(Random frog,RF)算法各筛选出18个敏感波长,并用选择的特征波长建立偏最小二乘回归(Partial least squares regression,PLSR)模型。结果表明：si-PLS-PLSR模型的建模集决定系数R2c为0.6285,验证集决定系数R2v为0.6103;RF-PLSR模型的建模集决定系数R2c为0.7093,验证集决定系数R2v为0.6872。结果表明利用RF算法筛选的特征波长对马铃薯叶片qP值检测的解释性优于si-PLS算法,特征波长在518.72~640.64nm、650~800nm和850~1000nm范围,体现了荧光发射信号是马铃薯作物光化学吸收qP值的重要响应特征,且叶片光化学吸收与叶绿素含量、叶片结构、水分含量等属性紧密关联。绘制叶片qP值分布图为分析马铃薯叶片光化学吸收和光合作用动态提供了直观的分析手段,可为马铃薯作物光合活性评价及复杂生理生化动态监测提供支持。