中国西瓜甜瓜生产者价格波动性研究

利用CensusX12、H-P滤波法、偏离率RV和变异系数对中国2003—2012年的西瓜、甜瓜的季度生产者价格指数的波动特征进行分析。结果显示:西瓜和甜瓜的生产者价格均表现出明显的持续上升趋势;西瓜和甜瓜的生产者价格季节性波动特征明显,而且易受到外部因素的冲击;研究期间西瓜的生产者价格有5个波动周期,平均波动周期为8个季度;甜瓜生产者价格有5个波动周期,平均波动周期为6.6个季度;这两类瓜果生产者价格的波动周期都具有不可重复性和非对称性。     

1种农产品图像混合滤波算法的应用

针对农产品图像中的混合噪声,提出了1种有效的滤波算法。首先从噪声检测和标记方法、自适应加权滤波等环节对中值滤波算法进行适当改进,从而提出了1种改进自适应加权中值滤波算法对混合农产品噪声图像进行第1阶段滤波;然后对滤波后图像分别采用3×3滤波窗口、5×5滤波窗口的均值滤波算法进行第2阶段滤波;最后对均值滤波后的图像进行等权融合处理。分别将研究的滤波算法与中值滤波、加权中值滤波、极值中值滤波、均值滤波等算法进行试验仿真对比,结果表明,经过研究的算法滤波后图像清晰度明显高于其余算法且噪声残留程度明显低于其余算法,这对于农产品的高效处理具有一定的借鉴价值。     

基于正交子集的锥形滤波去噪技术研究

三维地震数据体中的面波、声波、折射波等噪音,在三维空间上形成以震源为顶点的锥形体,在水平切片上显示为圆形,在纵向切片上显示为线性。三维★K★Ky锥形滤波器的频率响应特征呈圆锥形,与噪音在正交子集道集上的分布形状吻合,三维F-Kx-Ky锥形滤波可以很好压制这类特征的噪音。根据面波在正交子集中表现特征稳定特征,研究了一种基于正交子集的锥形滤波去噪技术。实际应用表明,在正交子集上利用锥形滤波压制面波噪音,比传统的压制面波方法有更好的效果,且更大程度的保留了有效信号的原貌。     

输电线路通道下行林区冠层自动分割方法研究

针对在高分辨率影像上进行林区冠层高精度分割所存在的问题,提出了以一种结合形态学滤波的基于标记的分水岭分割算法,来实现对输电线下行林区冠层的自动分割。以航拍影像为数据源,首先构建结合了彩色和纹理梯度的综合梯度,然后采用形态学滤波消除中间过渡区域所形成的梯度极小值,同时根据树冠顶端先验信息提取标记,并强制叠加到梯度图像上,最后将上述结果作为初始信息参与分水岭分割,实现高分辨率影像上林区冠层的高精度自动分割,并以目视解译的形式获取研究区冠层的精确面积作为参考,结果显示本算法的精度较高,可以用于实现林区冠层的高精度自动分割。     

基于虚拟仪器的农产品"身份证"数字识别系统

介绍了基于虚拟仪器图形化语言LABVIEW开发的农产品"身份证"数字识别系统,采用CCD摄像机对农产品"身份证"编号进行采集,通过PCI-1411彩色图像采集卡将图像传输到计算机并进行图像处理,最后应用美国NI公司的OCR软件包对处理好的编号进行识别.结果表明,该系统抗干扰能力强且精度高.     

基于三维点云的蔬菜大棚杂草识别方法

为实现蔬菜大棚内自动化除草的目的,针对其中的杂草识别环节,提出了一种基于三维点云的新型蔬菜大棚杂草识别方法。采用RGB-D相机获取青菜田、生菜田的三维点云图像,采用超绿色算法去除其中的土壤等背景,采用体素滤波法在保留点云图像形状特征的同时降低点云数量,然后采用欧式聚类法分割出单株青菜和单棵杂草的点云簇,分别计算得到每个点云簇的最高点的Z坐标值,最后结合深度信息Z坐标值实现蔬菜大棚杂草识别。结果表明:这种基于三维点云的杂草识别方法能够有效的识别出杂草,识别率为86.48%。该方法能够对蔬菜大棚中的杂草进行准确识别,为蔬菜大棚自动化除草提供有效的解决方案。     

基于图像处理的番茄表面高光去除方法

为解决光照不均匀导致的番茄表面出现块状的高光区域而干扰视觉算法识别精度的问题,采用图像分割、图像滤波和图像融合相结合的高光去除方法。通过试验验证,该方法在单个番茄与多个番茄情况下都表现较好,并且峰值信噪比（PSNR）和结构相似性（SSIM）两个指标的平均值为0.954和28.91。结果表明,该方法能有效去除番茄表面的高光,研究结果对指导番茄加工流水线改造具有一定意义。     

基于时间窗口和极值去除设定的水文数据可视化滤波方法探讨

为消除水文数据异常值对数据可视化的影响,本文提出了一种可用于水文数据可视化的数据滤波算法,该算法通过配置数据序列窗口和极值去除设定的方法,处理优化包含异常值的水文测量数据,并以某水文站真实的测量数据为例,对比展示了处理前后的可视化后的效果。该算法可调参数的配置特性,可以兼顾被测量对象的可视化效果在宏观和微观上的不同需求。     

无人机RGB影像在高寒草地狼毒入侵监测及盖度估算中的应用

有毒植物入侵对草地生态系统和生物多样性的影响日益严重,无人机遥感为毒草防治提供了快速高效的监测方法。以青藏高原危害最严重的有毒植物狼毒为研究对象,探讨基于无人机影像的高精度狼毒遥感识别及盖度估算方法。在盛花期获取典型狼毒入侵草甸的无人机RGB正射影像,结合植被指数、色彩变换和纹理滤波方法提取狼毒识别特征,通过ReliefF-VIF/Pearson二次降维筛选出6项最优特征,基于RF、SVM和ANN三种机器学习算法构建狼毒识别模型。结果表明,与原始RGB波段相比,优选特征使狼毒识别精度有效提高4%～7%。三种分类方法的分类总精度和狼毒分类精度均大于81%,基于优选特征的RF和SVM模型的分类总精度和狼毒分类精度达到91%以上,狼毒识别效果最佳。随着统计单元的增大,利用无人机RGB影像分类结果估算狼毒盖度的精度明显下降但稳定性逐渐增加,斑块尺度50～60 cm是狼毒盖度估算的最优尺度。     

基于Kalman滤波农用车辆导航定位方法

因RTD-GPS定位精度不能满足农田导航作业的需要,研究了一种提高农用车辆自动导航定位精度的方法.建立天线补偿模型,对GPS天线晃动引起的误差进行了补偿;建立基于Kalman滤波模型,融合多传感器信息;使用自主开发的基于VRS的GPS接收机,作为RTD-GPS.将RTD-GPS、电子罗盘以及速度传感器获得信息进行Kalman滤波,其结果和高精度GPS数据进行了比较.实验证明,直线跟踪中,平均偏差由1.6019m减小到0.597m;曲线跟踪中,平均偏差由1.2085m减小到0.4861m.