基于近红外傅里叶特征提取方法的土壤含水率检测

以湖北地区的3种土壤为研究对象,利用偏最小二乘法建立了处理后样品的土壤含水率分析模型,模型预测值与标准值的决定系数为0.995,交叉验证预测均方差为0.801%,模型预测决定系数为0.992,预测均方差为0.912%,利用该模型预测黄土高原地区黄绵土含水率误差均大于4%.利用近红外光谱傅里叶变换特征提取方法对湖北地区黄棕壤、稻田土和潮土建立土壤含水率PLS预测模型,模型决定系数为0.988,交叉验证预测均方差为1.106%,且该模型预测黄绵土的误差均在2%左右,精度较传统模型有较大提高.     

农田非结构特征视觉导航研

研究了农田非结构环境下,通过机器视觉提取导航线的处理算法.首先,根据农作物的特点提出了使用聚类的方法检测作业区域终点;其次,为避免噪声干扰,利用移动窗口检测二值图像白色像素的个数,确定导航路径区域;最后,使用改进的Hough变换提取导航线.实验表明,该算法可以准确提取绿色植物的行信息,处理一帧分辨率为320×240像素的彩色图像平均需要57.404ms,正确识别率达99%.     

基于小波变换和BP神经网络的水稻冠层重金属含量反演

自然农田生态系统中,农作物的各种生化参数受重金属污染胁迫后虽表现异常,但其特征往往极为微弱,极不稳定。利用处理非稳定信号方法中常用的信号处理方法——小波分析法(Db-5),对水稻的光谱反射率数据进行处理,有效提取光谱信号中受重金属污染胁迫而潜藏的一些"突变"弱信息。利用Db-5小波基进行小波变换,从中选取具有异常光谱特征的奇异点,利用奇异点对应波段(716、745、766 nm)的光谱反射率构建反向传播(BP)神经网络模型,对水稻冠层4种重金属含量进行反演。将利用模型得到的预测值与实测值进行相关性分析,结果表明,基于BP神经网络的水稻冠层重金属含量反演模型对于实验区镉、铅、汞、砷4种重金属胁迫,具有良好的反演效果。     

四川盆地丘陵区土壤水分垂直变异特征研究

根据四川盆地丘陵区重庆市璧山县青杠墒情站点土壤水分每天的动态监测资料,用小波分析的谱相分析方法研究了土壤水分的垂直异质性。结果表明:土壤水分变化是个随机平稳的波动序列;就时间变异来看,其变异有一定的隐周期,大致可分为3~5月的次波动期、7~9月的剧烈波动期、10~2月的相对稳定期。就土壤的垂向变化来看,站点的0~10 cm的变异高于10~20、20~40 cm层变异;各层变异之间存在一定的因果关系,可用互谱密度系数表示,但受降水、蒸发、作物利用等多种因素的制约,并未表现出完全的同步响应关系。     

蓄水多坑灌施下尿素在土壤中的运移转化特性

为提高蓄水多坑灌施尿素条件下土壤氮素利用率和保护生态环境,通过室内蓄水多坑(土箱半径40 cm,高120 cm,蓄水坑半径16 cm,深度60 cm)物理模型试验,研究了蓄水多坑灌施下尿素在土壤中的运移转化特性。结果表明,土壤水分主要分布在地表以下20~80 cm,0~10 cm土层土壤含水率较小,同一土壤深度处蓄水坑壁附近土壤含水率大于0通量面处土壤含水率;同一土壤深度蓄水坑壁附近土壤尿素态氮量大于0通量面处的尿素态氮量,尿素的水解在9 d内基本完成,第7天水解最快,尿素水解与时间存在良好的对数函数关系;土壤铵态氮主要集中在40~60 cm土层土壤中,且r=20 cm处的量高于0通量面处的;而土壤硝态氮的分布趋势与铵态氮相反,随时间的延长,0通量面和r=20 cm处的土壤铵态氮质量分数均在40~60 cm和60~80 cm增幅较大,而土壤硝态氮质量分数表现出在90~100 cm湿润锋处增幅最大。     

基于平稳小波变换的冬小麦覆盖度高光谱监测

在2010与2011年度冬小麦生长季,通过大田小区试验,实测了冬小麦冠层的高光谱反射率与覆盖度。分析了不同覆盖度下的冬小麦冠层光谱特征以及不同生育期冬小麦冠层光谱反射率与覆盖度的相关性,建立了基于归一化植被指数(NDVI)与比值植被指数(RVI)、小波能量系数的不同生育期冬小麦覆盖度估算模型。结果表明:覆盖度越大,冬小麦光谱反射率在可见光波段越小,在近红外波段越大。在可见光波段,光谱反射率与覆盖度负相关,在"红边"处,由负相关变成正相关。在返青期、拔节期,NDVI估算效果好(R2为0.835 9、0.805 7);在抽穗期、灌浆期,RVI估算效果好(R2为0.803 1、0.829 4)。在返青期、拔节期、抽穗期、灌浆期,以高频、低频小波能量系数为自变量的冬小麦覆盖度估算模型的R2分别达到0.911 2、0.895 4、0.880 2、0.927 5。     

基于机器视觉的谷物联合收获机行走目标直线检测

针对谷物联合收获机视觉导航,提出基于改进Hough变换(HT)的谷物联合收获机行走目标直线检测算法.通过改进一维最大熵阈值分割方法,提高了阈值分割的速度;对二值图像通过行扫描和列扫描,确定了行走目标直线的终点位置以及直线方向上的候选点;以候选点为点集,利用最小二乘直线拟合和直线终点位置确定了待检测直线上已知一点;利用改进HT完成直线检测,与传统的HT相比,将二元映射转换为一元映射,加快了算法速度、减少了空间占用和提高了抗干扰能力.经过对多幅图片的处理,证明算法能够有效地检测出直线参数,且处理时间在100 ms左右.     

基于非下采样Shearlet变换的磁瓦表面裂纹检测

针对磁瓦表面裂纹缺陷图像背景不均匀、对比度低和存在纹理干扰等特点,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet transform,NSST)的裂纹检测方法。首先对原始图像进行多尺度、多方向NSST分解,得到一个低频子带和多个高频子带,然后利用各向异性扩散和改进的γ增强方法对高频子带进行滤波和增强;同时利用二维高斯函数对低频子带进行卷积操作来构造高斯多尺度空间,估计出图像的主要背景,并通过背景差法得到均匀的低频目标图像。最后通过重构NSST系数得到去噪和增强后的均匀目标图像,利用自适应阈值分割和区域连通法提取裂纹缺陷。实验结果表明,所提方法检测准确率达92.5%,优于基于形态学滤波方法、基于Curvelet变换方法和基于Shearlet变换方法等现有磁瓦表面裂纹检测方法。     

基于随机森林算法的自然光照条件下绿色苹果识别

果实识别是自动化采摘系统中的重要环节,能否快速、准确地识别出果实直接影响采摘机器人的实时性和可靠性。为了实现自然光照条件下绿色苹果的识别,本文采集了果实生长期苹果树图像,并利用随机森林算法实现了绿色苹果果实的分类和识别。针对果树背景颜色和纹理特征的复杂性,尤其是绿色果实和叶片在很多特征上的相似性,论文基于RGB颜色空间进行了Otsu阈值分割和滤波处理,去除枝干等背景,得到仅剩果实和叶片的图像。然后,分别提取叶片和苹果的灰度及纹理特征构成训练集合,建立了绿色苹果随机森林识别模型,并使用像素模板验证数据集,对模型进行预测试验,正确率为90%。最后,选择10幅自然光照条件下不同的果树图像作为检测对象,使用该模型进行果实识别并使用霍夫变换绘制果实轮廓,平均识别正确率为88%。结果表明,该方法具有较高的鲁棒性、稳定性、准确性,能够用于自然光照条件下绿色果实的快速识别。