基于机器视觉的黄瓜等级自动判别研究

通过机器视觉研究黄瓜的形态特性,建立黄瓜量化分级评判标准,并总结出提取黄瓜特征值的理论算法。用Matalb软件实时采集读取CCD摄像机视频图像,再利用Matlab图像处理功能对采集到的图像进行图像滤波、图像分割处理,提取基于数学理论的表征黄瓜等级的特征值,建立人工神经网络的等级判别模型,训练神经网络,并进行泛化检测。结果表明,该等级判别模型的精度高达91.7%,具有一定的市场价值。     

基于三维应力对跛行奶牛蹄部参数的提取

奶牛跛行广泛存在于养殖场中。它不仅影响奶牛的正常生理活动,使得奶牛淘汰率升高,而且人工检测会耗费大量的时间。研究中,提出利用地面三维应力测试系统对行走奶牛的支撑相自动识别,同时进行处理判断,从而获取前后蹄部各自完整的支撑相。所用的方法是基于时间和空间,并且结合四肢动物行走动力学支撑相的逻辑顺序收集压力中心(COP)轨迹点。这些COP的簇被识别为完整的或不完整的,且分别被分离为前蹄或后蹄。通过计算机自动识别程序获得前后蹄部完整的支撑相,并且提取主要的6个特征值。样本试验数据显示,该设计可用于奶牛的步态分析、跛行判断。这将实现牧场自动收集数据进行无人监督步态分析。     

数字图像处理技术在苎麻缺素诊断中的应用研究

数字图像处理技术在农业上有着广泛的应用前景,是重要的农业信息化技术之一。文章阐述了图像处理技术在苎麻缺素诊断中图像预处理、特征值提取,诊断预测的应用过程,并对叶片图像分割的相关方法和纹理特征的提取算法进行了介绍。为指导科学施肥和监测苎麻的生长信息提供一定依据。     

Study on Starch Properties of Rice Enriched wil Resistant Starch

为了比较高低抗性淀粉含量水稻种质间淀粉主要特性差异,利用江苏省农科院水稻品种资源项目组筛选出的抗性淀粉含量有极显著差异的水稻种质,比较分析了 RVA特征值和淀粉晶体热力学差异。结果表明,抗性淀粉含量较高的3个水稻材料崩解值较低,而消减值较高;抗性淀粉含量较小的3个水稻材料崩解值较高,而消减值较低。高低抗性淀粉含量水稻种质间 RVA特征值和淀粉晶体热力学有较大的差异,可为高抗性淀粉含量功能性水稻品种育种提供新的选育指标。     

有机无机肥料及抽穗期气温升高对水稻籽粒淀粉合成相关酶活性及淀粉品质形成的影响

为探讨不同肥料处理下抽穗期高温胁迫对水稻籽粒淀粉酶活性及淀粉品质形成的影响,本试验以优质食味水稻南粳9108为材料,设置施用有机肥(OF)和常规化肥(CF)处理,于抽穗期进行常温(NT)、+2℃(较常温增加2℃,MT)和+5℃(较常温增加5℃,HT)处理,对籽粒淀粉合成特性进行研究。结果表明,抽穗期温度升高降低了蔗糖合成酶(SS)、淀粉合成酶(SSS)和淀粉分支酶(SBE)的活性,提高了蔗糖磷酸合成酶(SPS)和焦磷酸化酶(AGP)的活性。蔗糖含量、淀粉平均粒径、热焓值与峰值温度均表现为HT>MT>NT;淀粉含量、直链淀粉含量与黏度值则随着温度升高而下降。在肥料处理方面,各淀粉相关酶活性均表现为OF>CF,且在OF处理下有较好的淀粉品质。综上所述,温度升高通过抑制淀粉合成,加速了形成淀粉原料的积累,进而导致籽粒中蔗糖含量升高;有机肥处理能促进蔗糖合成并提高淀粉合成相关酶活性。从气候变暖应对措施方面,可选择有机肥替代化肥调控淀粉相关酶活性,进一步改善淀粉品质。本研究结果为减少高温对水稻的危害与提高淀粉品质提供了技术参考。     

基于植物电信号的环境因子预测模型

以采集的植物电信号为生理指标,综合分析其时域、频域和时频域中的典型特征值,利用学习速度快、泛化性能好的极限学习机算法,以电信号的多个特征及环境参数作为输入量,建立适合植物生长的环境因子（温度、湿度、光照度）预测模型。结果表明：通过对采集的碧玉叶面电信号进行不同域的分析,得出植物电信号属于低频微弱信号;利用极限学习机(ELM)分别对适合碧玉生长的温度、湿度及光照度3个环境因子建立预测模型,通过与传统的BP神经网络对比,ELM算法下的均方根误差小于0.97,而决定系数大于0.92,训练所需的时间低于0.03s,验证了此方法的可行性,为科学指导温室环境因子调控提供科学依据。     

富含抗性淀粉稻米淀粉特性研究

为了比较高低抗性淀粉含量水稻种质间淀粉主要特性差异,利用江苏省农科院水稻品种资源项目组筛选出的抗性淀粉含量有极显著差异的水稻种质,比较分析了RVA特征值和淀粉晶体热力学差异.结果表明,抗性淀粉含量较高的3个水稻材料崩解值较低,而消减值较高;抗性淀粉含量较小的3个水稻材料崩解值较高,而消减值较低.高低抗性淀粉含量水稻种质间RVA特征值和淀粉晶体热力学有较大的差异,可为高抗性淀粉含量功能性水稻品种育种提供新的选育指标.     

多重分形理论在玉米病害图像特征提取中的应用

【目的】分析不同玉米病害图像特征,提取病害图像特征参数,探讨准确、快速的病害图像特征数据提取方法。【方法】采用多重分形的分析方法和提升格式的多小波变换对玉米病害图像进行预处理,去除图像噪声。利用多重分形谱理论对去噪后的玉米病害图像进行局部边缘提取,并采用玉米病害图像多重分形谱的特征值作为玉米病害的形状特征。【结果】该方法可以获得玉米病害图像对应的多重分形谱曲线,并采集N8个特征值作为病害图像的特征参数。发现不同玉米病害图像的特征参数有较大差异,而同类玉米病害图像的形状特征参数有一定的规律性。【结论】基于多重分形理论的玉米病害特征参数的提取方法能快速、有效地提取反映病害图像特征的参数,可为玉米病害图像智能识别的进一步研究提供参考。     

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。