基于高光谱图像的鸡种蛋孵化早期胚胎性别鉴定

为了对鸡种蛋孵化早期胚胎进行性别鉴定,构建了高光谱图像采集系统,在400~1 000 nm范围内获取94枚种蛋孵化0~12 d的高光谱透射图像。分别在胚胎的圆头、中间、尖头3个部位选择感兴趣区域(region of interest,ROI),获取400~1 000 nm波段的响应信号,构建了支持向量机(support vector machine,SVM)、偏最小二乘判别分析(partial least squares discriminant analysis,PLSDA)和人工神经网络(artificial neural network,ANN)的鸡胚胎性别鉴定模型,并比较了不同孵化时间雌雄胚胎的鉴别准确率。试验结果表明,SVM模型、PLSDA模型和ANN模型均对孵化第10天种蛋中间部位检测效果最好。随后通过分析第10天种蛋中间部位光谱响应的差异,选取600~900 nm的光谱值构建胚胎性别鉴定模型,结果发现,3种模型的判别准确率均有上升,SVM模型和PLSDA模型预测集样本判别准确率均为75.00%,ANN模型预测集样本判别准确率达到82.86%。其中,ANN构建的种蛋孵化胚胎性别检测模型的整体效果优于SVM模型和PLSDA模型。结果表明高光谱图像技术在检测鸡种蛋孵化早期胚胎性别方面有一定效果,但种蛋蛋壳的个体差异会对鉴定准确率造成一定影响。     

基于无人机采集的视觉与光谱图像预测棉花产量

为了高效管理农田,该文提出了一种应用低空遥感视觉与光谱图像预测棉花产量的方法。盛花期前的棉花图像由无人机遥感平台在距地面50m的飞行高度下采集,采集的局部图像通过拼接处理得到棉花地的全景RGB图像与CIR(color-infrared,彩色红外)图像。基于全景图像提取并计算了色度、植株覆盖率与归一化植被指数(normalized difference vegetationindex,NDVI)3个特征参数,用于构建棉花产量的预测模型。包括产量与特征参数的原始数据集随机分为训练集(90%)与测试集(10%)。训练集数据首先基于产量概率分布特征去除了10%的离群值,然后通过均值滤波器滤波,处理后的数据用于构建预测模型。通过SAS软件对比分析了单变量、双变量以及三变量构建的线性回归模型,预测模型由P值、决定系数R2、每0.4 hm2面积下估计值与真实值之间的平均绝对误差百分比(mean absolute percentage error,MAPE)这3个参数进行评估。试验结果表明,单变量、双变量以及三变量构建的共7个线性回归模型,其P值均小于0.05,则7个线性回归模型均具有统计学意义(5%显著性水平)。其中,由三变量构建的多元线性回归模型具有最大的决定系数R2=0.9 773,因此适应性最优。基于测试集验证模型精度,试验结果表明,采用多元线性回归模型进行产量估计,估计值与实际值之间的平均绝对误差百分比为4.0%。因此,无人机搭载图像传感器采集提取视觉与光谱特征能够有效用于作物产量的预测。     

基于高光谱图像的茶树LAI与氮含量反演

为了对茶树进行实时、快速、无损的叶面积指数LAI和氮含量检测,该文以英红九号茶树为试验对象,利用便携式高光谱成像仪采集光谱数据、人工破坏性采摘叶片进行叶面积指数的计算以及传统化学方法测量叶片氮含量,比较不同高光谱特征变换形式与LAI和氮含量之间的相关性,并选择其中相关系数较高的高光谱特征变量作为自变量,分别采用线性、指数、对数和抛物线表达式建立LAI和氮含量的回归模型。结果显示:在多种高光谱数据变量建立的模型中,以绿峰反射率R_g为自变量的对数拟合模型最佳,其拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.9和0.087 6。以植被指数变量VI_4(红边面积/黄边面积)与氮含量建立的指数模型为最佳建模效果,拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.830 3和0.102 9,研究结果可为茶树叶面积指数LAI和营养成分的无损检测提供参考。     

基于高光谱成像的茶叶中EGCG分布可视化

针对目前关于表没食子儿茶素没食子酸酯(epigallocatechin gallate,EGCG)在茶叶中的分布缺乏可视化表达问题,该文采用高光谱成像技术以实现EGCG在茶叶中的分布可视化。通过高光谱成像仪采集茶叶的光谱信息,按照标准方法 HPLC(high performance liquid chromatography)法测量茶叶的EGCG浓度。运用化学计量学方法建立光谱与EGCG浓度之间的回归模型。为寻求相对较优的模型效果,对光谱进行不同的预处理,以确定最优的预处理方法;采用4种建模方法建立回归模型,以确定最优的建模方法;对光谱进行特征波段选择,以降低数据冗余提高模型的稳定性和运算速度。最后,将高光谱图像中像素点对应的光谱变量导入模型,从而生成EGCG浓度分布图。结果表明:可见-近红外光谱与EGCG浓度之间具有很强的相关性,其回归模型的决定系数达到0.905,利用高光谱成像技术对茶叶中EGCG分布进行可视化可行。通过对不同品种、叶位的茶叶中EGCG浓度分布进行可视化,能够为高EGCG浓度茶树品种的培育、EGCG代谢规律的分析以及茶树采摘部位的识别提供有效手段。     

基于作物模型的专家系统预测和决策功能的结合

本文从作物系统分析入手,论述了作物模型和专家系统的基本特征及关系,指出了基于作物模型的专家系统的功能优势、结构特点和应用价值。     

基于高光谱图像纹理特征的牛肉嫩度分布评价

传统牛肉品质的检测方法耗时长,效率低,破坏样品,已不能满足现代化生产的需要。为了实现对牛肉嫩度品质的快速无损检测和评价,该文利用高光谱成像系统,以西门塔尔牛多个胴体的背最长肌部位为研究对象,采集56个有效样本的高光谱立体图像,研究无损评价牛肉样品的嫩度分布。通过提取样本的反射光谱信息,并利用逐步回归算法结合遗传算法(GA,genetic algorithm)筛选出牛肉剪切力值(WBSF,warner-bratzler shear force)的特征波段。利用主成分分析(PCA,principle component analysis)提取样品的3个主成分。基于选出的特征波段图像和提取的主成分,通过计算图像灰度共生矩阵求取每幅图像8个主要纹理特征参数,分别建立了基于支持向量机(SVM,support vector machine)和线性判别(LDA,linear discriminant analysis)法的嫩度等级判别模型。经分析比较,基于主成分纹理特征优于基于特征波段图像建立的预测模型,并且,线性判别模型识别准确率相比支持向量机模型较高。基于主成分纹理特征建立的线性判别模型预测集判别精度为94.44%。研究结果证明,基于高光谱图像纹理特征分析,可以建立牛肉的嫩度判别模型,对牛肉嫩度快速无损检测技术研究提供理论参考。     

高光谱图像技术快速预测发酵醋醅总酸分布

固态发酵是镇江香醋生产的重要环节之一,直接决定着成品醋的风味和品质。但目前固态发酵的生产控制主要依赖人工经验,难以有效保障镇江香醋的品质。该文分析了总酸（total acid content,TAC）、pH值、含水率在不同阶段的变化规律;采用高光谱图像技术结合联合区间偏最小二乘法（synergy interval partial least squares,siPLS）快速预测固态发酵基质（醋醅）的TAC、pH值和含水率,其最佳模型的相关系数R分别为0.8316、0.9455和0.8503;同时利用主成分分析和逐步多元线性回归模型（stepwise multiple linear regression,SMLR）对醋醅高光谱图像进行分析,研究了总酸在醋醅中的分布情况,以此来快速判断醋醅发酵的均匀性。研究表明,利用高光谱图像技术快速预测醋醅的理化参数及其分布的方法是可行的,结果可为镇江香醋固态发酵的工艺控制提供基础数据和技术手段。     

基于ANN技术和高光谱遥感的盐渍土盐分预测

土壤盐渍化是干旱、半干旱农业区主要的土地退化问题,及时、精准、动态地监测盐渍土盐分,对于治理、防治盐渍土和进行农业可持续发展至关重要。以松嫩平原西部长岭县为例,利用盐渍土高光谱数据构建盐渍土盐分遥感预测模型。电导法测得土壤盐量,用ASD高光谱仪野外采集高光谱数据,利用光谱导数变换选择能够表征盐渍土盐分信息的最佳波段,即550、720、760、820和940 nm。通过比较3层和4层72种不同神经网络结构,最终选择5-6-1 结构的3层神经网络预测盐渍土盐分（R2 = 0.895,RMSE = 0.089）。与传统回归相比（R2 = 0.81,RMSE = 0.25）,运用高光谱数据与人工神经网络方法相结合,能够提高盐渍土的预测精度,说明人工神经网络在构建光谱反射率与土壤参数关系研究中具有突出优势。     

柑橘黄龙病高光谱早期鉴别及病情分级

为实现柑橘黄龙病的早期、快速确诊,有效阻止病害蔓延,达到早期防治、保障柑橘生产的目的,该文研究基于高光谱成像的柑橘黄龙病早期无损检测及病情分级,并对多种预处理方法的建模结果进行探讨。试验获取370～1 000 nm健康、不同染病程度及缺锌共5类柑橘叶片的高光谱图像,用遥感图像处理平台(environment for visualizing images,ENVI)得到各类样本感兴趣区域的光谱反射率平均值。运用一阶微分、移动窗口拟和多项式平滑(savitzky-golay,SG)进行数据处理,结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)构建黄龙病的早期鉴别及病情分级模型。结果表明:建立的3个判别模型,验证集相关系数均不低于0.9548。其中,经SG平滑及一阶微分预处理所建立的模型分类效果最佳,总体预测准确率达96.4%,预测均方根误差0.1344。该研究为柑橘病害早期诊断和预警提供了新方法,也为黄龙病病害程度遥感监测提供了基础。     

基于高光谱图像的蓝莓糖度和硬度无损测量

为了对蓝莓硬度和糖度进行无损检测,采用近红外光谱仪(900~1700 nm)分别对490个"蓝丰"蓝莓的果柄侧和花萼侧进行高光谱成像,并测量整个果实的硬度和糖度。应用偏最小二乘回归法分别对果柄侧、花萼侧和整个果实的平均光谱建立硬度和糖度预测模型。试验结果表明,蓝莓硬度呈双峰分布,表明实际生产中有望分为2类;蓝莓糖度呈正态分布;硬度和糖度的相关性仅为?0.15,说明不能通过二者之中的任何一个来估计和评价另一个。采用整个果实的平均光谱数据建模效果最好,硬度的校正集相关系数RC和验证集相关系数RV达到0.911和0.871,糖度的为0.891和0.774,但主成分数都有所增加。结果表明,采用高光谱技术对蓝莓硬度和糖度进行快速、无损检测是可行的。     

基于热红外成像技术的小麦病害早期检测

实现对受到病原侵染的小麦植株进行早期检测,对于小麦病害的监测预警和及早防治具有重要意义。为研究热红外成像技术早期检测小麦病害的可行性,该研究以小麦条锈病为例,以健康小麦植株、条锈病潜育期和发病期小麦植株为试验材料,利用热红外成像技术采集他们的热红外图像和叶片温度,在潜育期内连续检测其热红外图像和叶片温度随接种天数的变化。通过图像对比发现,接种后第5天,肉眼观察热红外图像可将受到侵染但未显症的小麦植株与健康植株区分开来。进一步数据处理,表明接种后第3天处于条锈病潜育期的小麦植株叶片平均温度和不同部位最大温差分别比健康植株叶片的低0.08℃和高0.04℃(P0.05),可将处于条锈病潜育期的小麦植株与健康植株区分开来。随着接种后天数的增加,处于条锈病潜育期的小麦植株叶片的平均温度和最大温差与健康小麦植株叶片的差异逐渐增大。接种后第12天,接种小麦植株叶片平均温度比健康植株叶片低1.22℃,接种小麦植株叶片最大温差比健康植株叶片高1.58℃。可见,利用热红外成像技术可以早期检测到小麦受到病原侵染后的温度变化,热红外成像技术作为一种小麦病害早期检测的方法是可行的。     

基于高光谱成像的水稻穗瘟病害程度分级方法

为了快速、准确地进行水稻穗瘟病害程度分级,以实现水稻品种抗性评价或精准的田间化学防治,该研究提出了一种光谱词袋(bag of spectrum words,Bo SW)模型分析方法,分析稻穗的高光谱图像,自动评判穗瘟病害程度。首先,稠密规整地将高光谱图像分割成小立方格,计算每个立方格像素的平均全波段包络矢量,用K-Means算法聚类形成典型光谱包络词典。词典中光谱包络"词"(word)用作高光谱图像表达的"基",直方图统计各光谱"词"在高光谱图像样本中的出现频度,形成光谱图像的词袋表达。采用Hyper SIS-VNIR-QE光谱成像仪获取田间采集的170株稻穗样本高光谱图像,用Bo SW方法生成其词袋表达;植保专家根据病害程度类别确定光谱图像样本标签。随机选择2/3"词袋表达-病害程度等级标签"数据对构成训练集,采用卡方-支持矢量机(chi-square support vector machine,Chi-SVM)分类算法建立穗瘟病害程度分级模型。余下的1/3样本构成测试集,测试穗瘟病害等级模型的预测性能,分类识别精度为94.72%,高于主成分分析(principle component analysis,PCA)、敏感波段选择等传统光谱分析方法,其识别精度分别为83.83%和79.83%。该研究提高了穗瘟病分级的自动化程度和准确率,也可为其他病害分级检测提供参考。     

基于显微图像处理的稻瘟病菌孢子自动检测与计数方法

稻瘟病菌孢子的检测通常在显微镜下由人工目测完成,该方法费时、费力、自动化程度低。因此,该研究提出了一种基于显微图像处理技术的稻瘟病菌孢子自动检测和计数方法。首先,采用显微图像系统获取稻瘟病菌孢子图像;然后提出一种分块背景提取法对其进行光照校正;根据显微图像中孢子的边缘特征,利用Canny算子进行边缘检测,其中Canny边缘检测过程中的阈值应用模糊C均值算法在梯度图上自动确定;接着对边缘检测后的二值图像进行数学形态学闭开运算处理。根据孢子和主要杂质的形态特征,利用椭圆度、复杂度和最小外接矩形宽度等形态特征参数对目标物进行分类,提取只含孢子的二值图像。最后,提出了基于距离变换和高斯滤波的改进分水岭算法对粘连孢子进行分离。测试结果表明:在100幅测试的显微图像样本中,孢子检测的平均准确率为98.5%,满足稻瘟病菌孢子自动检测和计数要求。     

基于深度卷积神经网络的水稻穗瘟病检测方法

穗瘟是一种严重影响水稻产量及品质的多发病害,有效地检测穗瘟是水稻病害防治的重要任务。该文提出基于深度卷积神经网络GoogLeNet模型的水稻穗瘟病检测方法,该方法利用Inception基本模块重复堆叠构建主体网络。Inception模块利用多尺度卷积核提取不同尺度穗瘟病斑分布式特征并进行级联融合。GoogLeNet利用其结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,实现穗瘟病害预测建模。为验证该研究所提方法的有效性,以1 467株田间采集的穗株为试验对象,采用便携式户外高光谱成像仪Gaia Field-F-V10在自然光照条件下拍摄穗株高光谱图像,并由植保专家根据穗瘟病害描述确定其穗瘟标签。所有高光谱图像-标签数据对构成GoogLeNet模型训练和验证的原始数据集。该文采用随机梯度下降算法(SGD,stochastic gradient descent)优化GoogLeNet模型,提出随机扔弃1个波段图像和随机平移平均谱图像亮度的2种数据增强策略,增加训练数据规模,防止模型过拟合并改善其泛化性能。经测试,验证集上穗瘟病害预测最高准确率为92.0%。试验结果表明,利用GoogLeNet建立的深度卷积模型,可以很好地实现水稻穗瘟病害的精准检测,克服室外自然光条件下利用光谱图像进行病害预测面临的困难,将该类研究往实际生产应用推进一大步。     

基于拉曼光谱分析寒地水稻叶瘟病害植株特征

稻叶瘟是影响寒地水稻产量的重要病害之一。为了减少病害受灾程度,增加早期检测的手段,该文利用拉曼光谱仪对正常水稻与感染稻叶瘟的水稻叶片进行拉曼光谱采集,指认出了水稻叶片的特征频率。通过对无病害叶片与病害叶片官能团的拉曼特性谱峰和特征频率偏移的对比分析,指出稻叶瘟水稻叶片的特征谱峰和稻瘟病敏感谱线为1 800~2 600 cm-1的频谱区域,分析得到984和994 cm-1的双峰连线的斜率以及828和851 cm-1的双峰连线的斜率随着病害程度的增加而逐渐增大。通过对随机抽取的50个拉曼光谱样本的分析,得到2 000~2 300 cm-1散射截面随着病害程度的加重而增加,说明散射截面的变化与稻瘟病害存在良好对应关系。研究表明拉曼光谱分析为早期检测水稻稻叶瘟病提供了一种有效的手段。     

基于最小噪声分离的籽棉异性纤维高光谱图像识别(英文)

针对籽棉表层多类难检异性纤维,包括纸屑、白发、丙纶丝、化纤和地膜等5种白色物质,采用高光谱技术和最小噪声分离(minimum noise fraction,MNF)分析方法对含有异性纤维的籽棉图像进行研究。该文在400～1 000 nm的光谱范围内采集高光谱图像,根据光谱曲线选取子区域,应用最小噪声分离分析方法降维、去噪。取MNF变换后的前4幅分量图像,通过视觉评价,选定最佳成分图像并融合中值滤波、灰度变化等图像处理的方法确定最佳分割图像,提取异性纤维。试验结果表明,对于以上5种异性纤维,该方法的识别率达到91.0%。该研究可为棉花异性纤维检测系统的开发提供参考。     

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。     

基于图像的作物病害状态表观三维模拟方法

为了解决病害表观信息难以获取导致的作物病害状态三维模拟困难的问题,该文提出一种基于图像的作物病害状态表观模拟方法。该方法首先利用单张图像提取病斑的形状、颜色以及位置特征,并对其变化过程进行自动推断;基于这些特征信息,对病害的病状以及病症表观进行建模。试验结果表明,该方法可以利用网络中已有的病斑图像对病害侵染导致的作物表观变化进行真实地三维模拟,一定程度上解决病害表观信息缺失的问题,为数字农业设计及农业科普培训动画的制作提供有力工具。     

基于彩色通道相似性图像分割方法的植物叶面积计算

为了快速、准确地测量植物叶面积,该文提出了基于彩色通道相似性图像分割的植物叶面积测量方法。该文基于彩色图像,利用像素彩色通道的相似性和自适应方法得到的阈值分割叶片区域,并分别统计叶片和参考矩形的像素数,进而计算植物叶面积。试验表明,该方法得到的植物叶片区域更准确,并且对叶片阴影、花斑等具有很强的鲁棒性,错分率为仅为1.23%,具有较高的精度。该方法是一种实用的通过拍照计算植物叶面积的方法,可嵌入到手机等移动设备中。