草鱼鱼鳃颜色变化作为新鲜度快速检测指标的可行性探究

以20℃、恒定湿度(80%)贮藏的草鱼鱼鳃为研究对象,通过CCD相机获取在两级不同LED光照强度下的贮藏期间图像信息,并将草鱼鱼鳃颜色数据与贮藏时间以及草鱼肉总挥发性盐基氮(TVBN)进行线性拟合。结果表明:将草鱼鱼鳃RGB值、L~*a~*b~*值和CMYK值与贮藏时间以及TVBN进行线性拟合,其中线性拟合度最高的是L~*a~*b~*值中的a~-值,可将a~*值作为特征采用机器视觉快速检测草鱼新鲜度。在2 W光源下其与TVBN线性拟合方程为:Y=-2.2228X+179.190,R~2=0.9632;在1.8 W光源下,其与TVBN线性拟合方程为:Y=-2.3111X+180.520,R~2=0.9517。     

再造烟叶贮存过程中颜色变化的研究

【目的】研究再造烟叶在贮存过程中L~*、a~*、b~*及ΔE~*的变化规律,为再造烟叶颜色变化研究提供数据支持。【方法】利用色彩色差仪对2个规格再造烟叶产品(RTA和RTB)同一批次不同时间生产的3个样品进行颜色检测,研究分析再造烟叶贮存过程中变化趋势,比较不同规格产品间颜色变化差异。【结果】(1)同规格产品存在较小色差,不同规格产品之间颜色有显著差异,这可能受原料配方、涂布液配方等因素影响。(2)同规格再造烟叶产品L~*、a~*、b~*及ΔE~*值随贮存时间的增长呈现一致的趋势性变化;RTA的3个样品除b~*值呈现下降趋势,L~*、a~*及ΔE~*总体呈上升趋势;RTB的3个样品L~*、a~*、b~*和ΔE~*值均呈现上升趋势。(3)不同规格产品a~*、b~*值变化趋势不一致,即:RTA的a~*值呈先下降后上升,b~*值呈现下降趋势;RTB的a~*、b~*值均呈现上升趋势;但2个产品的ΔE~*值均呈现上升趋势。说明L~*、a~*、b~*变化的不同都会造成ΔE~*的增大,L~*、a~*、b~*值的变化影响ΔE~*的变化。(4)温度和湿度会对不同规格再造烟叶产品的颜色变化趋势产生一定的影响。【结论】研究结果为再造烟叶生产过程中颜色控制及贮存过程中颜色变化研究提供数据支持。     

烤烟晾制变黄过程中颜色变化动力学模型分析

【目的】本文深入研究了烤烟晾制变黄过程中的颜色变化规律。【方法】通过色差仪和叶绿素仪测量云烟87中部叶在不同晾制温度(20、25、30、35和40℃)条件下亮度值L~*、红绿值a~*、黄蓝值b~*和SPAD值的变化,并以亨特Lab值为基础计算总色差ΔE和褐变指数BI等指标,采用零阶和一阶动力学模型对各项颜色指标的试验数据进行拟合。【结果】随晾制温度升高,各项颜色指标的变化速率变快;不同晾制温度下L~*、△E和BI的变化符合零阶反应,而a~*、b~*和SPAD的变化符合一阶反应;颜色变化速率常数符合Arrhenius方程,建立烟叶晾制过程中预测颜色变化的动力学模型,验证试验表明模型拟合度良好(R~(2 )0.9)。【结论】动力学模型可较为精准的预测烟叶在晾制过程中颜色的变化,为烤烟晾制方法、标准及配套工艺技术的制定和发展提供参考。     

基于数码图像的甜菜氮素近地遥感监测模型

为定量研究利用数码图像进行甜菜冠层叶片氮含量(Leaf nitrogen content,LNC)时空变化监测的适宜性及准确性,以2014年内蒙古赤峰市松山区太平地镇田间试验为基础,在甜菜各生长阶段采集甜菜冠层数码图像,利用数字图像处理技术对图像进行分割并提取红光值(R)、绿光值(G)和蓝光值(B)。分析R/B、G/B等9个颜色参数与不同生育期冠层LNC的相关性,并研究冠层LNC随施氮量的变化规律,探寻适宜于甜菜氮素营养监测的关键生育时期及最佳颜色参数。分别利用支持向量机(Support vector machine,SVM)和BP人工神经网络(BackPropagation artificial neural network,BP-ANN)建立甜菜冠层LNC预测模型。研究结果表明,BP-ANN预测模型具有较高且较稳定的预测精度,其验证集的决定系数R~2和均方根误差RMSE分别为0.74和2.35,与SVM模型相比,BP-ANN模型的决定系数R~2提高了12.12%,均方根误差RMSE降低了8.09%。     

基于HJ-CCD遥感数据和DK-SVR算法的小麦生物量估算研究

基于2010～2013年江苏地区小麦环境减灾卫星(HJ-CCD)的影像数据,提取拔节、孕穗和开花3个生育期的卫星植被指数并作为模型的输入参数,分别利用双核支持向量回归算法(DK-SVR)、MLR和PLS方法构建各生育期小麦生物量估测模型,比较各模型的预测性能。结果表明:可以使用DK-SVR算法遥感估算小麦生物量,基于该算法构建的模型预测性能在3个生育期均优于MLR模型和PLS模型,各期实测值与模型预测值之间决定系数R~2分别为0.50、0.67和0.65,相应的均方根误差RMSE为506、1 389和2 058kg·hm~(-2)。     

不同香型烤烟表面颜色特征分析

为揭示不同香型烤烟表面颜色特征,采用L~*a~*b~*C~*颜色空间表征方法对14个省份三种香型烤烟不同部位烟叶表面颜色进行量化分析。结果表明:(1)烟叶表面颜色红度a~*在浓香型和中间香型烤烟中变异程度较大,中间香型烤烟表面颜色的饱和度C~*变化幅度大于浓香型和清香型烤烟。(2)中间香型烤烟表面颜色的明度L~*最大,在中部叶和上部叶显著高于清香型烤烟;清香型烤烟下部叶表面颜色的红度a~*显著高于浓香型和中间香型烤烟。颜色饱和度C~*在不同香型烤烟间不存在显著性差异。(3)同一香型烤烟表面颜色均呈现下部叶的明度L~*最高,上部叶的最低,且在不同部位间存在显著性差异,同时,同一香型烤烟表面颜色的红度a~*均表现为上部叶最高,下部叶最低。(4)浓香型烤烟表面颜色的红度a~*与黄度b~*、颜色饱和度C~*呈极显著负相关,而清香型和中间香型的相关性都很小。     

基于图像增强和α角度模型的K均值小麦冠层分割算法的改进

[目的]本文旨在克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]设计了一种结合脉冲耦合神经网络(pulse coupled neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类分割处理。[结果]拔节前后光照强度不一、光照不均的冬小麦冠层图像的分割试验结果表明,该算法可一定程度避免基于L*a*b*颜色空间α角度分量K均值聚类的过分割现象;改善基于HSI空间H分量K均值聚类的欠分割缺陷,且对光斑、阴影遮挡、反光突出的图像分割更完整准确。[结论]本算法可为大田复杂背景下光照多变的作物冠层图像分割提供参考方法。     

基于LBPHSV+ResNet50融合的水稻冠层氮素营养监测方法

为采用数码相机拍摄的水稻冠层图像来估测作物的氮素含量。以自然环境下获得的水稻冠层图像为研究对象,提出一种基于图像纹理色彩特征(LBPHSV)和ResNet50网络融合算法的氮素含量预测方法。LBPHSV+ResNet50融合算法是通过运用LBP算子和HSV颜色空间矩阵提取图像特征参数,将提取到的融合特征集作为ResNet50模型输入以加强对作物氮素营养的表征,并将预测结果与常用的多元线性回归、随机森林(RF)、支持向量回归模型、多层感知机、卷积神经网络、长短记忆网络(LSTM)及组合模型预测结果进行对比分析。结果显示:相比于浅层机器学习模型,深度学习算法能显著提高预测模型的准确率;LBPHSV+ResNet50融合模型的预测能力和泛化能力达到最优,R²和 RMSE分别为 0.97、0.02。相比于RF、LBP+LSTM、ResNet50,新模型的R²分别提升了16.36%、9.72%、16.55%和1.13%,RMSE 分别下降了 0.35、0.46、0.05和 0.002。因此,LBPHSV+ResNet50融合模型在预测水稻氮素含量时可提供令人满意的性能,能够满足对水稻氮素营养无损精准监测的农业需求。     

基于数码照片的草地植被盖度快速提取方法对比

草地植被盖度是表征草地群落结构及其生长状况的重要生态学参数之一。本研究基于乌拉特中旗草地照片,设计一种利用自动阈值分割算法快速计算植被盖度的方法,依次选取RGB颜色空间的EXG指数、HIS颜色空间的H分量、L*a*b*颜色空间的a*分量作为草地植被盖度提取的颜色特征,对比分析上述3种颜色特征方法快速提取草地盖度的效果。结果表明:EXG指数法的提取效果最好,其估算误差相对最低、精度最高、适用性最好;a*分量法次之;H分量法的估算误差相对较大。在去除阴影后,H分量法的估算误差降低、精度也随之升高,EXG指数法的估算精度略有降低,a*分量法无明显变化。3种方法对绿色草地的估算效果均优于黄绿色草地,尤其是a*分量法,其对黄绿色草地的估算精度为80.7%,而对绿色草地的估算精度却高达91.7%,仅次于EXG指数法(93.4%)。     

运用不同建模方法评估醇类lgK_(ow)及lgS_w

[目的]构建可靠的QSAR模型用于评价醇类化合物的毒性。[方法]利用MLR、SLR和SVR 3种方法研究60种醇类化合物辛醇/水分配系数lgKow和水溶解度lgSw这两个指标与mX的相关性。[结果]模型评估结果显示出MLR和SLR的建模能力与文献方法一样优异,SVR在具有合适核函数时其建模能力也能表现出优异的泛化推广能力。[结论]该研究可为QSAR模型的构建提供参考。     

水稻叶片SPAD值的高光谱估算模型

[目的]构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据.[方法]利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据.通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价.[结果]在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型.R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高.比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型.总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550.[建议]进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算.采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持.     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。      

冬小麦叶片氮含量遥感估算方法对比研究

精确、快速估算冬小麦叶片氮含量,对冬小麦长势监测及田间管理指导具有重要的研究意义。为精确反演冬小麦叶片氮含量（leaf nitrogen content , LNC）,该文利用遥感方法,依托不同氮处理水平冬小麦试验,基于获取的高光谱遥感数据和LNC地面实测数据,对比分析光谱指数与随机森林算法（random forest , RF）反演冬小麦叶片氮含量的精度和稳健性。结果表明,以敏感波段496 nm、604 nm为自变量,利用随机森林算法构建的LNC回归模型精度较光谱指数法有了大幅提高,模型的建模精度为R2=0.922,RMSE=0.290,验证精度为R2=0.873,RMSE=0.397,并且相对分析误差RPD值为2.22,表明将敏感波段与随机森林算法组合构建的反演模型能较好反演对冬小麦LNC。     

基于机器学习和环境因子的温室网纹甜瓜纹理特征的预测

为了对网纹甜瓜纹理特征进行定量预测,本文结合多个环境因子(基质含水量、温度、湿度、光合有效辐射),使用支持向量机(SVM)与随机森林(RF)多元回归分析方法,对基于灰度共生矩阵提取的4个果实表面纹理特征——对比度(contrast)、熵(entropy)、相关性(correlation)、角二阶矩(ASM)进行了预测。结果表明,纹理特征受环境影响敏感度依次为基质水分、光合有效辐射、空气湿度或有效积温。对比RF模型和SVR模型,发现在不同环境因子输入条件下,RF模型均优于SVM模型,其中输入全部环境因子后RF模型的预测精度最高,对比度、熵、角二阶矩的模拟精度均达到了0.90,分别为R~2=0.945(RMSE=0.243)、R~2=0.940(RMSE=0.235)、R~2=0.934(RMSE=0.248)。上述结果表明,RF模型对于网纹甜瓜纹理特征具有较好的预测结果,本研究结果可为温室网纹甜瓜栽培过程中的质量监控和栽培管理提供全新的思路。     

烤烟X2F等级烟叶表面颜色区域特征量化分析

为揭示烤烟X2F等级烟叶表面颜色的区域性差异,以2015年全国5大烟区的X2F等级初烤烟叶为材料,采用多重比较和系统聚类法,对烟叶样品的表面颜色进行量化分析。结果表明,我国烤烟X2F等级烟叶表面颜色空间分布特征,明度(L~*)为53.76~65.09,红度(a~*)为14.12~15.56,黄度(b~*)为39.91~53.52,颜色饱和度(C~*)为41.13~53.50;烤烟X2F等级烟叶表面颜色存在区域性差异,长江中上游烤烟X2F表面颜色的明度L~*、黄度b~*和颜色饱和度C~*均显著高于东南烟区,东南烟区烤烟X2F等级表面颜色的明度L~*、黄度b~*和颜色饱和度C~*均显著低于其他4个烟区;烤烟X2F等级表面颜色区域性差异成因分析结果表明,生态条件的差异是造成烤烟X2F烟叶表面颜色区域性差异形成的重要原因,品种对其影响较小。     

基于多阈值算法的包装箱内香蕉区域的图像分割方法

采用基于阈值技术的自动分割算法实现香蕉包装箱图像的分割。在手动分割的区域内离散选取香蕉和背景区域的像素点,并分别提取RGB,HSV和CIE L*a*b*3个色彩空间内共计9个颜色特征值,通过统计分析确定使用3个分别来自B,L*和b*分量的阈值进行自动分割算法的设计。采用直观对比的方法进行定性评价,其结果显示,手动和自动分割区域的轮廓基本相似;采用面积比作为指标进行定量评价,其结果显示,该算法对10个测试样本的平均面积比为80%以上。测试结果表明,该自动分割算法对香蕉包装箱图像的总体分割效果良好,可以为香蕉催熟房实时品质监控系统的实现提供关键技术。     

关中地区小麦冠层光谱与氮素的定量关系

【目的】分析不同生育期及整个生育期小麦叶片氮含量(LNC)与冠层光谱反射特征的关系,以实现对田间小麦活体氮素营养状况的监测,为小麦叶片氮素状况的精确诊断提供依据。【方法】以位于陕西关中地区杨凌揉谷镇、扶风马席村和巨良农场的3个小麦试验田为研究对象,测定不同长势及生育期小麦LNC及冠层光谱反射率,分析不同长势下小麦LNC和反射率的变化,并研究氮含量与冠层光谱反射率的相关性,以及小麦LNC与比值植被指数(RVI)、归一化植被指数(NDVI)的相关性,建立小麦LNC的敏感波段及光谱监测模型。【结果】在同一生育期,长势差的小麦叶片氮含量较低,长势较好的叶片氮含量高。与单波段相比,组合波段构成的植被指数RVI、NDVI与LNC的相关性明显提高,近红外波段(730~1 075nm)和红波段630,660,690nm组成组合波段的RVI、NDVI与LNC呈极显著正相关,其中LNC与RVI的相关性较高。利用独立的小麦田间试验数据,采用通用的均方根差(RMSE)、决定系数(R2)、准确度(斜率)3个指标对所建立的模型进行检验,最终选取RVI(970,690)为监测小麦LNC的最佳光谱参数,构建的最佳模型为LNC=0.176 3×RVI(970,690)0.775 6,R2为0.863,RMSE为0.137,准确度为0.979,接近于1。【结论】利用小麦冠层光谱反射率构建了预测小麦LNC的最佳模型,该模型具有较好的准确度和普适性,适用于整个生育期小麦叶片氮含量的监测。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。