排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
4.
5.
利用无人机图像颜色与纹理特征数据在小麦生育前期对产量进行预测 总被引:1,自引:0,他引:1
为了实现基于无人机的小麦产量快速预测,通过不同种植密度、氮肥和品种的田间试验,应用无人机航拍获取小麦生育前期(越冬前期和拔节期)的RGB图像,通过图像处理获取小麦田间颜色和纹理特征指数,并在小麦收获后测定实际产量。通过分析不同颜色和纹理特征指数与小麦产量的关系,筛选出适合小麦产量预测的颜色和纹理特征指数,建立小麦产量预测模型并进行验证。结果表明,小麦生育前期图像颜色指数与产量的相关性较好,而纹理特征指数相关性较差。对越冬前期利用单一颜色指数NDI构建的产量预测模型验证时,R为0.541,RMSE为671.26 kg·hm-2;对拔节期用单一颜色指数VARI构建的产量预测模型验证时,R为0.603,RMSE为639.78 kg·hm-2,预测结果比较理想,但不是最优。对越冬前期颜色指数NDI和纹理特征指数ENT相结合构建的产量预测模型验证时,R和RMSE分别为0.629和611.82 kg·hm-2,比单一颜色指数模型分别提升16.27%和减小8.85%;对拔节期颜色指数VARI和纹理特征指数COR相结合构建的产量预测模型验证时,R和RMSE分别为0.746和510.29 kg·hm-2,较单一颜色指数模型分别提升23.71%和减小20.24%。上述结果说明,将无人机图像颜色和纹理特征指数相结合建立的估产模型精度较高,可在小麦生育前期对产量进行有效预测。 相似文献
6.
为了快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,利用深度学习网络U-net来对人工标记好的发病麦穗图像进行训练。通过深度学习数据集的构建与测试,建立了基于RGB图像和改进U-net网络模型的小麦赤霉病识别与监测模型,并对模型识别结果进行了验证。结果表明,U-net可以很好地提取图像波段信息,但对于比较复杂的麦穗图像,在使用Keras方法进行图像语义分割时,需要对U-net网络结构进行改进,即在下采样部分加入Dropout层。与人工标记结果相比,模型识别结果的一致性较好,具有较高的监测精度。该模型平均精度为0.969 4,损失函数值为0.075 9,平均交并比MIoU为0.799。上述结果说明改进的U-net模型可以很好地识别和监测小麦图像中的发病麦穗,并在发病麦穗的分割上具有很好的效果 相似文献
7.
1