基于计算机视觉技术的玉米叶绿素含量检测研究

植株叶片中叶绿素浓度的高低与植株进行的光合作用效率、植株的整体生长状况息息相关,在农业生产过程中,常常根据叶片中叶绿素含量(SPAD)的多少来精确的判断植物的生长状态,也是控制植株长势的依据。传统的叶绿素含量检测方式分光光度法,存在耗时长、步骤多、操作要求高等问题,而采用计算机视觉技术处理图像的过程更加准确、高效,不会像人眼分析时受到主观因素的影响导致偏差。为此,基于计算机视觉技术来检测玉米叶片中叶绿素含量,利用扫描仪采集玉米叶片的图像,将图像输送至计算机,然后通过软件处理图像,分割出图像中有效像素的颜色特征值,将特征值转换就可以得到玉米叶片中叶绿素。试验结果显示:利用计算机视觉技术可以准确地测定玉米叶片中叶绿素含量,进而进行合理施肥,避免浪费,对增加玉米的产量具有极大的价值。     

基于计算机视觉的水稻叶绿素含量测定

叶绿素含量影响植物的各种生理机能,准确测定水稻叶绿素含量有利于了解水稻的光合作用能力,为高产育种和栽培提供依据。叶绿素含量的测定方法有多种,传统测定方法步骤繁琐且耗时费力,而便携式叶绿素仪只能进行点测定。计算机视觉是一种快速便捷的图像处理技术,可以用于作物的色素含量测定和营养状况诊断。为此,设计了一种基于计算机视觉的水稻叶绿素含量测定方法,叶片图像通过扫描获得,经过处理并提取叶片轮廓后以G-R、B-R和R/(G+B)等3个颜色特征参数建立叶绿素含量的估算模型。结果表明:以G-R和R/(G+B)建立的模型精度较高,对检验样本SPAD值拟合方程的决定系数和斜率都接近1,可以用来准确测定水稻的叶绿素含量。     

计算机视觉技术在苹果叶片营养诊断上的应用

植物营养诊断方法很多,但是无论何种方法,由于复杂的检测技术条件,在实际应用中均存在着一定困难,人们希望获得更快更简捷的检测方法和工具.随着计算机视觉技术的专业化与计算机硬件成本的降低和速度的提高,其在农产品诊断领域应用计算机视觉已变得越来越具有吸引力.苹果叶片营养状态诊断是进行合理施肥的前提,因此具有非常重要的意义.     

基于数字图像处理技术的叶绿素含量检测系统

采用数字图像处理技术对叶片图像进行图像分割,将叶片从背景图像中分离出来,并针对叶片图像的各种颜色特征值与叶绿素含量进行相关性分析,建立回归模型。将拟合度最高的颜色特征值作为预测叶绿素含量的最佳模型。实验表明:采用此方法检测的叶绿素值与传统分光光度计检测方法相比较,准确率达到了89.7%;采用的颜色特征值与叶绿素含量的相关性达到-0.968。     

基于ZigBee的油菜叶绿素含量无线测量系统设计

针对远程监测农作物叶绿素含量的要求,本文提出了结合光谱技术,运用ZigBee无线通信模块测量油菜叶绿素含量的方法。解决了传统化学方法测量叶绿素分析时间长、不便于无损测量的问题,打破了实验室检测的惯例。建立了基于ZigBee技术的无线测量系统,实现了油菜叶片叶绿素含量的快速无损检测,对精确施肥具有指导意义。     

基于计算机视觉技术的苹果树健康诊断系统研究

为通过计算机视觉技术在图像的获取和处理的应用来解决苹果树叶病斑诊断问题,探索了计算器视觉技术在苹果病变叶片表面特征的检测方法,并运用颜色模型对比方法,设计了一套苹果树健康诊断系统。试验结果表明:此系统平均正确诊断率率为96.5%,识别正确率较高,能够有效解决实际问题,达到了预期的效果,符合设计要求,同时也验证了计算机视觉技术在病变叶片诊断上的应用切实可行。     

大豆叶片氮素含量检测装置的研究

根据大豆叶片氮素含量光谱检测技术研究结果,设计了具有4个通道、两种检测模式的便携式检测装置,分别采用540nm波段冠层反射率和比值植被指数RVI检测大豆开花前期和结荚前期叶片氮素含量.该装置由敏感波段光电传感器、信号放大电路、A/D转换器和单片机系统构成.单片机系统内建立了敏感波段冠层反射率及相关植被指数与大豆氮素含量的反演模型,可直接根据冠层反射率反演出大豆叶片氮素含量,也可通过串口通讯将反射率数据传给上位机进行进一步的处理.经田间试验验证,该仪器具有质量轻、价格低、操作简便和检测精度可行等优点,可以为大豆氮肥合理施用提供指导.     

偏振光谱在枣叶无损检测中的应用

红枣通过光谱无损检测技术可以快速预测红枣水分、糖分等参量,而将偏振光谱技术应用于红枣叶片的无损检测可以快速对枣叶的水分、叶绿素进行预测,进而预测枣树的生长状态.利用近红外偏振光谱技术对南疆红枣叶片含水量和叶绿素含量进行无损检测,分别选用偏最小二乘法(PLS)和主成分回归分析法(PCR)的化学计量学方法建立红枣叶片校正模...     

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。     

基于叶面叶绿素分布特征的黄瓜叶片氮钾元素亏缺诊断

利用高光谱图像技术无损表征黄瓜叶片的叶绿素分布特征,并将其作为N、K元素亏缺诊断依据。采集黄瓜叶片的高光谱图像数据,利用高效液相色谱法分析黄瓜叶片的叶绿素含量,利用遗传算法建立叶片高光谱图像信号与叶绿素含量的对应关系,进而实现黄瓜叶片叶绿素分布图的无损检测。与对照组叶片的叶绿素分布图相比,缺N叶片主要表现为叶片中心区域叶绿素含量偏低,而缺K叶片主要表现为叶片边缘的局部区域叶绿素含量偏低。据此分别提取缺N、缺K叶片及对照组叶片的叶绿素及其分布特征(叶片中心区域所有像素点的叶绿素含量均值、叶片边缘区域叶绿素含量偏低的像素点数量),并借助提取的特征参数建立了N、K元素亏缺诊断方法,其正确诊断率为95%。研究结果表明,叶绿素叶面分布特征可有效实现黄瓜植株N、K元素的亏缺诊断。     

计算机视觉在农业自动化收获中的应用与展望

计算机视觉在农业自动化中的应用，是当前农业工程学科中的热点研究领域之一。为此，较系统地介绍了计算机视觉在农业自动化收获方面的研究进展；分析了目前计算机视觉在农业自动化收获系统研究中存在的主要问题；并针对性地提出了解决的主要措施。     

计算机视觉技术在农业生产中的应用

计算机视觉技术在各行业中的应用日益突出,尤其在农业各领域中的应用越来越广泛,对传统农业模式产生巨大影响。介绍计算机视觉技术的概念、系统组成及其在农业中的应用,分析存在的问题,展望计算机视觉技术未来的发展方向。     

车辆引导路线检测的计算机视觉技术初探

阐述了自动引导车辆农业工程中的应用,发展及其优越性,对有线引导计算机视觉系统设计的有关问题进行了分析及讨论,设计了利用哈夫变换进行经导路线检测的方法及算法,利用具有复杂背景的实际地面图像的设计的算法进行了可靠性和干扰性试验,试验结果表明该算法是可靠,有效的。     

计算机视觉系统下缺素番茄叶片彩色图像研究

基于计算机视觉系统分析研究缺素番茄叶片的色彩图像,可以准确提取出缺素番茄叶片色彩图像的特征。对当前缺素番茄叶片色彩图像特征提取中,可以运用计算机视觉,优化设计图像处理软件,依据番茄叶片颜色特征来完成缺素番茄叶片的识别。实验表明:基于计算机视觉系统,优化设计缺素番茄叶片色彩图像特征提取软件,可提升缺素番茄叶片色彩图像分析精度(提升32.0%),准确判断提取缺素番茄叶片图像的特征。基于计算机视觉系统,进行缺素番茄叶片的色彩图像特征提取,有效提高了缺素番茄叶片色彩图像分析精度,可在实践中推广应用该技术。     

计算机视觉技术在农业机械中的应用

分析了计算机视觉技术的特点,概述了其发展过程;回顾和综述了计算机视觉技术在自动检测机械、智能收获机械、农业智能加工机械、智能田间作业机械等方面的应用;提出了计算机视觉技术在农业机械应用研究中需要重点解决的几个问题.     

计算机视觉信息处理技术在苹果自动分级中的应用

苹果在水果消耗中占有较大份额,对其进行分级销售可提高经济效益。在以往的苹果分级中,大都采用人工方法进行,只考虑大小、色泽方面的影响,导致分级精度低和人工消耗大。计算机系统现今已被广泛应用在精细农业中,如水果和蔬菜的自动收获及农产品的分级。为此,利用计算机视觉系统采集提取苹果图像,采用边缘检测、图像改善、图像二值化等图像数据处理方法对采集的图像前处理,设定等级区分参数,再依据特征参数对苹果进行自动分级。采用机器视觉进行苹果等级分离,提高了苹果分级的正确率,节省了劳动力,可以广泛地推广应用。     

计算机视觉技术在农业自动化领域的应用

随着当前社会发展进程的不断加快，信息化技术的不断创新和研发，计算机视觉技术应运而生，广泛的应用于我国各行各业，更对我国的农业自动化领域发展尤为重要。由此，该研究主要针对计算机视觉技术展开概述，分析其主要应用于我国农业自动化领域的具体概况，并且针对性地指出农业自动化领域中应用计算机视觉技术存在的问题，提出解决方案，以期为计算机视觉技术创新，我国农业自动化发展，提供参考依据。      

基于计算机视觉和神经网络的芒果检测与等级分类

为了提高芒果检测与分类的准确率和效率,综合运用计算机视觉技术和BP神经网络技术,实现对芒果损伤的检测与分类。首先,通过计算机视觉系统获取芒果图像,利用图像处理去除噪声、图像分割和图像增强等多种基本图像处理的方法,对芒果损伤图像进行处理;其次,对芒果图像进行了特征分析,提取9个特征参数,将这9个特征参数作为输入,建立BP神经网络模型,对芒果进行分类。试验结果表明,模型对芒果识别的准确率达85.5%。     

基于计算机视觉的奶牛生理参数监测与疾病诊断研究进展及挑战

利用先进的信息技术推动智能养殖业发展已经成为奶牛养殖研究领域的重要目标和任务。计算机视觉技术具有非接触、免应激、低成本及高通量等优点,在畜牧生产中应用前景广阔。本文在阐述了计算机视觉技术在智能化养殖业发展中重要性的基础上,首先介绍了基于计算机视觉的奶牛生理参数监测进展,包括体尺、体温、体重的前沿监测设备、技术和模型参数。然后阐述了奶牛跛行及乳腺炎等疾病诊断的前沿技术发展过程和研究现状。目前,相关技术研究和应用推广存在检测准确性不高,受环境因素影响较大,非标准化养殖场结构制约检测系统普及,以及检测系统成本较高等问题和挑战。最后,本文结合中国养殖业发展现状,针对保证检测准确性、减少环境干扰等问题,就如何提高计算机视觉技术在智能化养殖业中的准确性和普适性提出了相关建议,旨在为中国奶牛养殖业的科学管理和现代化生产提供新方法和新思路。     

计算机视觉和人工神经网络技术在花生仁外观检测中的应用

本文运用计算机视觉和人工神经网络技术对花生仁检测进行了研究。通过MATLAB对花生仁图象进行数字处理,获取相关数据和参数,建立了破损花生仁与其颜色参数之间的数学关系,并通过此关系自动识别完好与破损花生仁,探索了农产品现代检测方法和手段。