近红外光谱和机器视觉信息融合的土壤含水率检测

为了精确、快速和稳定测定土壤含水率以及扩大所建模型的适应性,该文提出了机器视觉与近红外光谱技术融合的土壤含水率分析方法。通过试验建立了湖北地区主要土壤基于近红外光谱的土壤含水率分析模型、基于土壤表层图像特征参数的含水率分析模型和机器视觉与近红外光谱信息融合的土壤含水率分析模型。结果表明,基于近红外光谱含水率分析模型虽然具有较高的精度,但该模型预测非建模样品黄绵土误差均大于4%;以图像特征参数H,S和V所建BP人工神经网络非线性预测模型最优,模型的决定系数R2为0.9849,但当土壤水分饱和（达到20%以上）时存在分析误差;而所建立的土壤的近红外光谱与机器视觉BP神经网络信息融合模型可预测非建模样品黄绵土与水分饱和达20%以上土壤,决定系数R2可达到0.9961,融合模型分析精度均高于单独使用近红外光谱或机器视觉分析模型。     

菠萝叶刮麻机的噪声分析及其控制

针对菠萝叶刮麻机噪声过高的问题,基于噪声频谱分析技术,对分别拆除机罩、凹板、排渣板3个相关部件后的刮麻机噪声进行了测试分析。结果表明,对刮麻机空气动力性噪声影响依次为凹板、机罩、排渣板;对机罩采取了增大与刀片间隙、机罩两侧增设消声孔的措施,刮麻机噪声从93.7 dB（A）下降到87.8 dB（A）,满足了保护操作者听力的要求。     

染料与木材结合机理的研究

为探索染料在染色木材中的存在形式以及染料分子与木材分子的结合形态,该研究选用毛白杨做试材,用两种酸性染料通过真空浸注方式对其进行染色,运用傅立叶变换红外光谱仪对木材染色前后进行红外光谱分析.结果表明:在不加入其他助剂的情况下,两种染料对毛白杨染色没有出现新的吸收峰,没有新的官能团产生;染色过程中木材发生了物理和化学变化,其部分官能团的吸收强度发生了改变,染料分子的部分官能团占据了木材中的部分官能团的位置,也存在覆盖现象.      

基于红外热成像与改进YOLOV3的夜间野兔监测方法

随生态改善,野兔数量增多,对农田与林地的危害日益加重。野兔活动多为夜间,目标小,运动速度快,且出现环境较复杂,监控兔害,需要一种高效智能化的方法。针对野兔活动习性,该文提出了使用红外热成像实时监控,结合改进的YOLOV3目标检测方法对夜间野兔进行检测。根据YOLOV3目标检测网络基本结构提出了一种针对红外图像中野兔的实时检测的网络(infrared rabbit detection YOLO,IR-YOLO),该网络特征提取部分压缩YOLOV3特征提取网络深度,利用浅层卷积层特征以提高低分辨率红外小目标检测精度,降低运算量,网络检测部分使用基于CenterNet结构的检测方式以提高检测速度。使用热成像野外实时采集的夜间野兔图像作为数据集,包括不同距离,尺度,出现环境不同的野兔共计6 000幅红外图像制作训练集与测试集,比例为5:1。试验结果表明,IR-YOLO在红外热成像视频中复杂环境下出现的野兔检测率达75%,平均检测速度51帧/s,相对改进前YOLOV3检测率提高15个百分点,相对改进前YOLOV3检测速度提高5帧/s。相比其他目标检测算法各项检测指标更为优良,检测率方面相对Faster-RCNN与RFCN-RESNET101分别提高45个百分点与20个百分点,检测速度方面相对Faster-RCNN与RFCN-RESNET101分别提高30和与45帧/s。该方法可高效快速地对夜间复杂环境下出现的野兔进行检测,也可广泛应用于夜间对其他类型农业害兽的检测。     

基于高光谱图像及深度特征的大米蛋白质含量预测模型

为了充分挖掘高光谱图像的光谱信息和图像信息,实现大米中蛋白质含量的无损检测,该文提出一种堆叠自动编码器(stackedauto-encoder,SAE)提取高光谱图像深度特征的方法,在高温(45℃)高湿(95%相对湿度)条件下对市售大米进行放置处理,以6组不同放置时间(0,24,48,72,96和120h)共420个大米样本(每组70个)为对象,利用可见光/近红外高光谱成像仪采集高光谱图像(400～1 000 nm,共478个波段),采用阈值分割法获取样本高光谱图像掩膜,分别提取掩膜后高光谱图像感兴趣区域(region of interest,ROI)的平均光谱信息和图像信息。应用多项式平滑(savitzky-golay,SG)对获取的光谱曲线进行预处理,利用SAE提取光谱深度特征,采用支持向量机回归(support vector regression,SVR)建立预测模型,结果表明训练集决定系数RC2、训练集均方根误差RMSEC、预测集决定系数RP2和预测集均方根误差RMSEP分别为0.976 2、0.068 6 g/(100 g)、0.939 2和0.115 3 g/(100 g)。将图像尺寸统一为28像素?28像素的灰度图并扁平化处理,利用SAE提取图像深度特征,结果表明RC2、RMSEC、RP2和RMSEP分别为0.915 4、0.051 0 g/(100 g)、0.821 0和0.111 8 g/(100 g)。进一步融合光谱信息和图像信息,结果表明RC2、RMSEC、RP2和RMSEP分别为0.971 0、0.077 2 g/(100 g)、0.964 4和0.085 1 g/(100 g),相较于光谱信息,RP2提升幅度2.68%;相较于图像信息,RP2提升幅度17.47%。研究表明,充分挖掘大米样本高光谱图像中的光谱信息和图像信息并进行融合,利用SAE提取光谱-图像融合深度特征,可有效提高模型的预测精度,为大米蛋白质含量无损检测提供了理论依据,具有良好的应用前景。     

谷物联合收割机收获小麦含杂率高光谱反演研究

为了实现机械化收获小麦含杂率的快速检测,以金大丰4LS-7型自走式稻麦联合收割机收获的小麦样本为研究对象,利用ASDFieldSpec4Wide-Res型地物光谱仪获取小麦样本的原始光谱,经数学变换获得光谱原始反射率(raw spectral reflectance, REF)和光谱反射率倒数的对数(inverse-log reflectance, LR)2种光谱指标。通过主成分分析法(principal componentanalysis,PCA),利用贡献率高的成分的权值系数,优选出不同指标的小麦样本光谱的特征波长,并采用最小二乘支持向量机(least squares support vector machine, LS-SVM)构建了基于不同指标的小麦样本含杂率的反演模型,在此基础上对反演结果进行精度验证和比较。试验结果表明:建立的含杂率反演模型的建模决定系数均大于0.9,验证决定系数均大于0.85,均方根误差均小于0.29,相对分析误差均大于2,模型具有较强的拟合效果和预测能力;利用REF光谱数据指标建立的反演模型的反演效果优于LR光谱数据指标。该文建立的机械化收获小麦样本含杂率光谱反演模型能够实现含杂率的精准识别,可为后续构建便携式含杂率光谱检测仪提供参考,有助于客观、定量地表征机械化收获的小麦含杂率,为机械化收获的小麦的快速检测提供新途径。     

近红外光谱技术在茶叶品质调控中的应用

近红外光谱技术作为一种高效、准确、无损、快速的检测技术,在茶叶生产加工和品质调控方面 具有巨大的应用优势。介绍了近红外光谱技术的工作原理,综述了该技术在茶树鲜叶分级、茶叶加工过程监控、 茶叶智能化审评、茶叶品质成分快速检测和定量分析、茶叶非法添加物鉴定等茶叶品质调控环节中的研究,并 对其研究与应用前景进行了展望,以期促进该技术更好、更快地应用于茶叶标准化加工、品质智能化识别和产 地溯源。     

千岛湖消落带植被重建区野生动物红外相机监测初报

以千岛湖消落带植被重建区为研究区域,利用红外相机对消落带植被区内的主要野生动物进行了初步调查,结果表明:8台红外相机累计738个总有效监测日共拍摄个体独立照片83张,全部为省级一般保护动物其中野猪(Sus scrofa)照片81张,鼬獾(Melogale moschata)2张。千岛湖库区消落带植被重建后为地栖兽类活动增加了栖息空间,与自然针阔混交林相比没有差异,而在无植被的库区消落带则没有拍摄到野生动物,消落带植被重建效果初显。     

近红外光谱法分析土壤中磷、钾含量及pH值的研究

采用尼高力公司的傅立叶变换光谱仪(波长范围:4000~12500 cm-1)研究了经简单处理的潮泥土的光谱特性,并采用偏最小二乘回归分析方法建立了一阶微分光谱的光谱吸光度与速效磷、速效钾含量和pH值之间的定量分析模型。结果表明:pH值的预测效果比磷、钾好,其预测相关系数为0.834,标准偏差SEP为0.095,标准差RMSEP为0.114;磷、钾含量的预测相关系数为0.661和0.721,SEP值为4.180 mg.kg-1和19.653 mg.kg-1,RMSEP值为3.93 mg.kg-1和21.9 mg.kg-1。     

Characterizing and Estimating Fungal Disease Severity of Rice Brown Spot with Hyperspectral Reflectance Data

Large-scale farming of agriculture crops requires real-time detection of disease for field pest management.Hyperspectral remote sensing data generally have high spectral resolution, which could be very useful for detecting disease stress in green vegetation at the leaf and canopy levels. In this study, hyperspectral reflectances of rice in the laboratory and field were measured to characterize the spectral regions and wavebands, which were the most sensitive to rice brown spot infected by Bipolaris oryzae (Helminthosporium oryzae Breda. de Hann). Leaf reflectance increased at the ranges of 450 to 500 nm and 630 to 680 nm with the increasing percentage of infected leaf surface, and decreased at the ranges of 520 to 580 nm, 760 to 790 nm, 1550 to 1750 nm, and 2080 to 2350 nm with the increasing percentage of infected leaf surface respectively. The sensitivity analysis and derivative technique were used to select the sensitive wavebands for the detection of rice brown spot infected by B. oryzae. Ratios of rice leaf reflectance were evaluated as indicators of brown spot. R669/R746 (the reflectance at 669 nm divided by the reflectance at 746 nm, the following ratios may be deduced by analogy), R702/R718, R692/R530, R692/R732, R535/R746, R521/R718, and R569/R718 increased significantly as the incidence of rice brown spot increased regardless of whether it's at the leaf or canopy level. R702/R718, R692/R530, R692/R732 were the best three ratios for estimating the disease severity of rice brown spot at the leaf and canopy levels. This result not only confirms the capability of hyperspectral remote sensing data in characterizing crop disease for precision pest management in the real world, but also testifies that the ratios of crop reflectance is a useful method to estimate crop disease severity.