葫芦岛市东亚飞蝗的发生及防治

在介绍东亚飞蝗分布地区及生物学特征的基础上,采用笼内饲养观察与大田定期调查相结合的方法,组织葫芦岛市东亚飞蝗发生区对其发生规律进行调查研究,并探讨其防治措施,为减轻东亚飞蝗对农作物的危害提供参考。     

东亚飞蝗对LED光信号视觉响应的波谱视敏效应测定

为了探索东亚飞蝗视觉响应LED光信号的视敏反应效应,以明确东亚飞蝗趋光的光敏响应因子和生物光诱参数,利用LED光照和Ava Spec光纤光谱仪系统,在室内进行了东亚飞蝗视觉响应表征的光谱测定。并在此基础上,利用该波谱光照装置,验证其波谱光照调控东亚飞蝗的趋光反应及响应程度。测定结果显示,东亚飞蝗复眼吸收365、400、520、610 nm波长光照射后,其视觉响应波谱表现为380、402、540、602 nm的微光特征,当波谱光照强度增加时,东亚飞蝗视觉微光反应随之增强,且呈现时变效应的调控特性。东亚飞蝗视觉光敏调控的时变强度以紫光最优、依次是橙光和绿光最差,而其调控容度以橙光最优、绿光次之和紫光最差,紫外光较快的光敏聚集速度、紫光较强的光敏聚集程度和橙光较好的趋光效果说明,趋光光敏活性、趋光程度和趋光效果分别与视觉激发强度和视觉光敏调控的时变强度以及视觉光敏调控容度呈正相关,且东亚飞蝗视觉反应强度的光敏时效性影响其趋光行为选择和视觉光敏活性。因此,依据紫外光较强的激发效果、橙光较好的光敏时效性和紫光较强的光敏调控强度的特性,进行趋光视敏性光照时间的刺激调控,可以增强东亚飞蝗的趋光效果。该研究结果为蝗虫光诱捕机械装备的研制提供了理论基础和技术指导。     

基于高光谱图像的叶绿素荧光Fv/Fm图像预测方法

叶绿素荧光参数Fv/Fm在植物逆境胁迫研究中具有重要意义,当前获取方法需要对植物进行暗适应处理,难以实现实时测量。为实现Fv/Fm的实时获取,本文以4种水分胁迫水平下的辣椒为研究对象,基于高光谱成像及特征波段筛选方法对Fv/Fm进行预测。采用中值滤波对Fv/Fm图像去噪,并基于二维坐标变换实现高光谱图像与叶绿素荧光图像的匹配。对比标准正态变换(SNV)、多元散射校正(MSC)和Savitzky-Golay卷积平滑(SG)3种光谱预处理算法,并基于连续投影(SPA)算法筛选特征波长。基于效果最优的SG预处理算法,分别以偏最小二乘回归(PLSR)、分析误差反向传播(BP)神经网络、径向基函数(RBF)神经网络对比建模精度,其中BP算法建立的模型精度相对较高,其测试集决定系数为0.918、均方根误差为0.011。研究表明,SG-SPA-BP的建模方法在实现预测精度的同时降低了模型复杂度,为基于高光谱图像对Fv/Fm图像的实时准确预测提供了方法。     

AVIRIS高光谱数据空-谱特征在植被分类中的对比分析

植被分类是高光谱影像分类中的特定应用问题,光谱特征和空间特征是植被分类中常用的两类特征,比较这两类特征的性能,对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（PCA）提取光谱特征时,常选择前几个主成分（PCs）作为光谱特征,虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率,针对这一问题本研究提出了一种混合特征提取方法,对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像,从分类精度的角度,首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析（ICA）及线性判别分析（LDA）3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率,分别为82.7%和86.5%。与原始PCA相比,本研究提出的混合特征提取方法的总体分类正确率,在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中,总体上空间特征获得的分类正确率比光谱特征高,特别是Gabor特征,在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合,进一步提高植被分类正确率提供了参考。     

基于高光谱图像的桑叶农药残留种类鉴别研究

研究了一种快速、精确、无损检测桑叶农药残留的方法。以不含农药残留的桑叶、含有敌敌畏残留的桑叶、含有毒死蜱残留的桑叶、含有乙酰甲胺磷残留的桑叶、含有乐果残留的桑叶和含有辛硫磷残留的桑叶为实验对象,利用高光谱成像仪获取390~1 050 nm范围内的桑叶高光谱图像。利用ENVI软件确定叶片的感兴趣区域,并采用连续投影算法(SPA)优选出10个特征波长(452.51、469.88、517.28、539.85、578.92、643.72、727.24、758.34、785.67、819.67 nm)。利用基于径向基内核(RBF)的支持向量机(SVM)和10折交叉验证的方法建立桑叶农残检测模型,并讨论了3种参数寻优算法(网格搜索、遗传算法和粒子群算法)对模型性能的影响,发现采用网格搜索的SVM模型的性能最优,其交叉验证正确率为63.89%,预测正确率为78.33%。为了进一步提升模型的分类性能,将自适应提升算法(Adaboost)引入到SVM建模方法,基于特征波长下的光谱数据,对桑叶是否含有农药残留及农药残留品种进行分类建模。结果表明,Ada-SVM模型的预测准确率达到97.78%,较传统SVM模型的准确率提高了19.45个百分点。可见,利用高光谱图像技术结合Ada-SVM算法能够较准确地鉴别桑叶农药残留。     

基于高光谱成像的玉米收获后根茬行分割方法

在华北一年两熟区,利用联合收获机留茬收获玉米后,玉米根茬行与行间秸秆及裸露地表颜色相近,采用传统的图像检测方法对其进行分割比较困难。针对该问题,采集了利用联合收获机留茬收获玉米后的根茬行高光谱图像,以根茬顶端切口为目标,提出了一种玉米根茬行高光谱图像的分割方法。首先,对黑白校正后的全波段图像进行主成分分析,根据主成分图像权重系数优选出3个特征波长,分别为1260、1658、2131nm;然后,对3个特征波长处的图像再次进行主成分分析,并对所得到的PC2图像进行单阈值分割;最后,通过中值滤波、形态学开运算、根茬行区域外噪声滤除对分割结果进行优化。为验证该分割方法的效果,利用采集的50幅玉米根茬行高光谱图像进行试验,并选取分割准确率、召回率和F1值对分割结果进行定量评价。结果表明：该分割方法下的玉米根茬行图像分割效果较好,分割准确率、召回率和F1值分别为91.85%、90.49%和91.16%。研究结果表明基于高光谱成像技术可对玉米根茬行进行分割。     

辣椒叶片水分胁迫高光谱特性研究

为精准判别作物需水程度,以生长期辣椒为实验样本,对辣椒进行不同程度的水浸、干旱等水分胁迫处理,分析不同水分胁迫程度下辣椒叶片的高光谱响应特性。样本分为重度干旱、轻度干旱、轻度水浸、重度水浸等4个水分胁迫组和一个实验对照组,共5个数据组,每组20株辣椒,待各组叶片外观出现明显差异时,分别采集各组辣椒叶片的叶绿素荧光参数与高光谱数据。比较多元散射校正（MSC）、SG卷积平滑滤波和标准正态变换（SNV）3种不同的预处理方法对背景信息干扰的消除效果。采用SPA算法和CARS算法提取对水分胁迫敏感的特征波长。建立预测辣椒叶片不同水分胁迫程度的支持向量机（SVM）、BP神经网络、径向基函数（RBF）和随机森林（RF）模型。结果说明,SG-SPA-RFB为预测辣椒叶片水分胁迫程度的最优组合,其训练集准确率为99.02%,测试集准确率为94.00%。本研究为判断辣椒植株水分胁迫状态提供了一种便捷可靠的无损检测方法。     

基于高光谱和频谱特征的注水肉识别方法

为实现注水肉快捷有效的识别,以猪肉为研究对象,利用高光谱技术分析了注水肉和正常肉的光谱特征,通过傅里叶变换的方法,提取样本的频谱特征参数,然后分别基于猪肉样本的全光谱、特征光谱和频谱特征参数,分别建立正常猪肉和注水猪肉的支持向量机（SVM）和BP神经网络分类识别模型,并采用验证集对模型性能进行试验验证。结果表明,基于频谱特征参数建立的神经网络分类识别模型具有最优的分类识别效果,正确识别率达98.8%;基于特征光谱建立的神经网络分类识别模型分类识别效果次之,正确识别率为96.4%;而基于全光谱建立的支持向量机分类识别模型分类识别效果最差,正确识别率只有84.5%。说明采用高光谱技术可以对注水猪肉进行快速而有效的检测识别。     

柑橘黑斑病反射光谱特性与染病果实检测方法研究

通过对光谱仪采集的340~1 030 nm柑橘健康与感染黑斑区域光谱进行分析,在探明健康和黑斑病不同症状光谱特性的基础上,提出主成分分析结合特征排序的方法,选择出可识别染病与健康样本的最优波长(525 nm)建立SMO分类模型;基于序列浮动前向选择方法优选出4个特征波长(678、740、794、879 nm),建立C4.5算法识别柑橘黑斑病3种症状的方法。试验结果表明,用525 nm波长建立的SMO分类模型对健康和染病果样本的识别率达99.37%,硬斑型、破裂型和黑斑型症状的识别率分别为81.85%、71.88%和67.57%,3种症状的平均识别率为73.77%,比前人方法提高了12.77个百分点。     

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。     

视觉导引AGV鲁棒特征识别与精确路径跟踪研究

针对AGV多分支路径与工位点标识的可靠识别以及导引路径的精确跟踪问题,提出了一种基于双视野窗口的鲁棒特征识别与精确路径跟踪方法。采用整幅视野范围作为模式识别窗口,在该窗口采用基于核主成分分析(KPCA)和BP神经网络的识别方法,将路径特征通过核函数映射到高维空间进行PCA降维,再利用BP神经网络识别降维后的样本矩阵。同时提出一种导引扫描窗口设置方法,该窗口范围取决于摄像机竖直视角以及摄像机安装倾斜角,在导引扫描窗口内将导引路径简化为直线模型并用最小二乘法拟合,针对拟合直线计算导引所需的路径偏差。实验结果表明,KPCA-BP方法显著提高了路径特征识别的实时性和鲁棒性,6类路径特征的平均特征识别正确率为99.5%;导引扫描窗口有效减小了导引路径直线拟合的计算误差,直线路径跟踪误差小于3 mm,曲线路径跟踪误差小于30 mm。     

病虫害智能识别喷药装置设计——基于PC图像处理和近红外光谱分析

在自动化喷施农药过程中,为了准确识别病虫害作物、节约农药和降低农业对环境的污染,以及提高药物的去虫效率,提出了一种基于PC图像处理和近红外光谱分析的作物病虫害智能识别喷药装置。该装置分为3个模块,包括近红外病虫害识别模块、喷药自动化调节模块和车载设备,其控制模块为安装在车上的PC机,利用近红外识别装置可以判断作物是否被病虫害污染,并且识别作物污染的等级,采用喷药自动化调节模块可以实现农药的定量调节,利用车载设备实现了全自动化喷药。对装置的性能进行了测试,结果表明:采用近红外识别装置和主成分分析法可有效地识别病虫害污染的作物,识别准确率较高;喷药自动化装置可根据病虫害的等级进行变量化喷药,减少了农药使用量,得到了较高的去虫率,从而验证了装置的可行性和可靠性。     

基于高光谱图谱融合技术的英德红茶等级快速无损判别

茶叶等级评价是检测茶叶品质的一项重要技术指标。通过提取红茶高光谱成像技术下的图像特征和光谱特征,构建一种基于图谱融合方法、适用于英德红茶等级评价的快速无损判别模型。首先制备3种不同等级的红茶样本,采用t分布-随机近邻嵌入和主成分分析对光谱数据进行降维可视化分析,然后从影响内在品质角度用连续投影法提取每种化学值的特征波长,通过多模型共识策略和竞争性自适应重加权算法-连续投影法筛选得出表征其内在品质的最佳特征波长组合,并建立基于遗传算法优化支持向量机的等级判别模型;其模型的训练集准确率为88%,预测集准确率为78.33%。为了融合外形纹理差异,先提取最佳特征波长组合对应的高光谱图像;采用图像掩膜消除背景的干扰和采用图像主成分分析消除多波长图像间的冗余信息,然后采用灰度共生矩阵和局部二值化算法提取主成分前三维主成分图像与特征光谱融合,并建立基于特征融合的遗传算法优化支持向量机等级判别模型,且基于第三主成分图像特征融合模型判别效果最佳,训练集准确率提升至98%,预测集准确率提升至96.67%。     

福州地区汽车行驶工况构建与研究

为了构建汽车行驶工况模型和汽车运动特征评估体系,连续采集了三周福州地区的行驶数据进行处理,将处理后的数据进行运动学片段的划分。采用K-均值聚类分析法对降维的主成分特征值进行聚类,根据距离最小原则挑选出运动学片段来合成反映不同交通状况的汽车行驶工况曲线。并对汽车行驶工况曲线进行分析评价,由此论证了该方法构建汽车行驶工况曲线的合理性。     

基于主成分回归分析的海南休闲旅游发展综合研究

文章选取了影响海南休闲旅游发展的15个指标,基于主成分回归分析对各指标进行综合分析,并用此方法对海南各市县休闲旅游发展进行综合排名。     

基于多光谱图像和 SVM 的玉米田间杂草识别

为解决变量喷洒对杂草识别速度与正确率的要求,提出了一种基于多光谱图像和SVM 的杂草识别新方法。通过多光谱成像仪获得玉米与杂草图像,采用 IR-R 的多光谱融合并结合 Otsu 分割法完成背景分割;随后对植被图像进行目标分割与形态学处理,提取出所有植被叶片图像,在此基础上提取了叶片11个形状特征参数和纹理特征参数。为提高算法的实时性,对叶片的特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。结果表明,降维后对于未知预测样本的识别正确率达到85％,用时0．001415 s。与直接利用支持向量机的90％的识别率和0．105165 s的用时相比,该算法在满足识别率的同时,用时更少,为田间杂草的快速识别提供了一种新方法。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。