共查询到18条相似文献，搜索用时 140 毫秒
1.
应用数字图像分析技术进行棉花氮素营养诊断的研究 总被引：19，自引：3，他引：16
本文利用图像分析技术并结合常规观测手段,研究应用图像分析技术诊断棉花氮素营养状况的可行性及获取的光谱参数与表征棉花氮素营养状况的生物学参数之间的关系.结果表明:棉花在不同时期特征光谱参数与棉花含氮量及叶片含氮量呈显著相关,其中盛蕾期棉花全氮含量与光谱参数的相关性最好,在盛花期棉花叶片含氮量与光谱参数的相关系数最高,G/(G R B)可作为氮素营养诊断的指标.在棉花全生育期内,地面覆盖度与棉花叶面积指数、生物量及吸氮量呈显著相关,在出苗至盛花期之间达极显著相关.经检验,地面覆盖度可很好地预测棉花的叶面积指数、生物量及吸氮量,相对误差分别为26.2%、3.46%和3.37%. 相似文献
2.
数字图像技术在夏玉米氮素营养诊断中的应用 总被引：9，自引：5，他引：4
基于6个不同水平的氮肥田间试验,采用数码相机获取夏玉米6叶期和10叶期的冠层图像,分析了不同供氮水平下夏玉米冠层图像色彩参数指标与施氮量、叶片SPAD值、植株硝酸盐浓度、植株全氮含量、0～90cm土壤硝态氮含量之间的关系。结果表明:在6叶期,玉米冠层数字图像色彩参数指标B/(R+G+B)、G/B、R/B、B/L均与施氮量、叶片SPAD值、植株硝酸盐浓度、植株全氮含量、0～90cm土壤硝态氮含量存在极显著的线性相关关系,其中B/(R+G+B)与各营养参数的相关关系最好,其次是B/L。因此,运用数字图像技术进行玉米的氮素营养诊断是可行的。夏玉米6叶期冠层图像色彩参数指标与上述营养参数间的相关性明显高于10叶期,可作为应用数字图像技术进行氮素营养诊断的关键时期,而蓝光标准化值[B/(R+G+B)]是进行夏玉米氮素营养诊断的最佳冠层图像色彩参数指标。 相似文献
3.
数字图像诊断技术在冬小麦氮素营养诊断中的应用 总被引：5，自引：3，他引：5
本文应用数码相机获取冬小麦冠层图像并对其进行相应色彩参数处理, 结合土壤、植株快速测试技术, 分析了色彩参数与传统氮素营养参数之间的数量关系, 研究了应用数字图像技术进行冬小麦氮素营养诊断的可行性, 建立了应用数字图像技术诊断冬小麦氮素营养状况的图像获取方法, 筛选出了适宜于冬小麦氮素营养诊断的最佳色彩参数以及最佳诊断时期, 建立了冬小麦氮素营养诊断指标体系和推荐施肥方程。研究结果表明, 数字图像技术可以作为冬小麦氮素营养诊断的方法。数字图像获取时, 可将数码相机与冬小麦冠层呈30°~60°角度进行拍摄。在冬小麦拔节期和孕穗期多数冠层图像色彩参数与施氮量、叶片SPAD 值、植株硝酸盐浓度、植株全氮含量、0~90 cm 土壤硝态氮含量之间存在显著或极显著相关关系; 在众多色彩参数中, 拔节期冠层图像绿光标准化值G/(R+G+B)与各项氮素指标的相关性最好, 可作为冬小麦氮素营养诊断的最佳色彩参数指标;拔节期可作为应用数字图像技术进行氮素诊断的关键时期。 相似文献
4.
5.
应用数字图像技术进行水稻氮素营养诊断 总被引：11，自引：1，他引：11
【目的】研究田间试验条件下水稻不同生育期冠层图像色彩参数(G、NRI、NGI、NBI、G/R和G/B)及植株氮素营养指标(叶片含氮量、植株全氮含量、生物量、氮素累积量和冠层NDVI值)的时空变化特征,并分析两者间的相关性,确立水稻氮素营养诊断的最佳色彩参数和方程模型,为探明数码相机在水稻上的适宜性及精确诊断水稻氮素营养状况提供理论基础。【方法】于2013年5月9月在湖北省武汉市华中农业大学试验基地(30°28'08'N,114°21'36'E)采用不同施氮处理的田间试验,以籼型两系杂交稻"两优6326"为供试作物,设置4个施氮水平:0、75、150和225 kg/hm2(分别以N0、N75、150和N225表示),3次重复,随机区组排列。分别在水稻分蘖期、拔节期、孕穗期和灌浆期采用数码相机(Nikon-D700,1200万像素)获取水稻冠层图像,应用Adobe photoshop7.0软件直方图程序提取图像的红光值R、绿光值G和蓝光值B,研究数码相机进行水稻氮素营养诊断色彩参数,确定植株氮素营养指标诊断模型。【结果】较对照(N0)相比,分蘖期、拔节期、孕穗期和灌浆期3个施氮处理水稻地上部生物量、叶片含氮量、植株全氮含量、氮素累积量、冠层NDVI值和成熟期产量增幅分别平均为40.7%98.0%、42.4%72.4%、36.2%85.3%、125.5%209.1%、51.3%60.6%和60.1%117.0%,差异显著。水稻不同生育期各冠层数字化指标G、NRI、NGI、NBI、G/R和G/B与上述氮素营养参数相关性差异较大,且以数字图像红光标准化值NRI表现最佳,建议作为应用数码相机进行水稻氮素营养诊断的最佳冠层图像色彩参数指标。进一步分析表明,可以用统一的线性回归方程来描述不同生育期、不同氮素水平下水稻植株氮素营养指标随冠层色彩参数NRI的变化模式。【结论】数码相机进行水稻氮素营养诊断测试结果稳定,具有快速、便捷、非破坏性等优点,冠层色彩参数NRI与水稻氮素营养指标和产量之间均表现出较好的相关性,满足氮素营养无损诊断的需求,对实时、快速监测水稻长势状况及氮素营养丰缺水平具有较高的可行性,有望发展成为新时期作物氮素营养无损诊断技术的潜力。 相似文献
6.
于2018和2019年在宁夏平吉堡农场进行滴灌水肥一体化氮肥梯度试验，以天赐19为试验材料，设6个氮素水平，即 0 （N0）、90（N1）、180（N2）、270（N3）、360（N4）和450（N5）kg·hm−2，在玉米拔节期（V6）、小喇叭口期（V10）、大喇叭口期（V12）、吐丝期（R1）和乳熟期（R3）利用无人机搭载数码相机获取玉米冠层图像，利用Matlab编写代码开发的数字图像识别系统提取玉米冠层图像红光值R、绿光值G、蓝光值B，研究基于此计算的10个冠层图像参数指标与氮素营养指标间的相关性，筛选出稳定性好且敏感度高的图像色彩参数，构建玉米氮素营养诊断指标与图像参数间关系模型并进行验证，以探究利用无人机图像进行宁夏引黄灌区滴灌玉米拔节-乳熟期氮素营养动态估测的可行性。结果表明：冠层图像参数指标绿光与红光比值(G/R)、绿光标准化值（NGI）、红绿蓝植被指数(RGBVI)与植株氮含量和叶片氮含量相关性高且变异系数小，可作为氮素营养诊断的潜在最佳色彩参数；将最佳色彩参数与植株氮含量和叶片氮含量分别进行回归模型构建，幂函数模型可以更好地预估玉米氮素营养状况；利用2019年相同氮素试验进行模型验证，发现NGI与植株氮浓度和叶片氮浓度实测值与估测值的R2分别为0.738和0.689，检验指标RMSE为2.594和3.014，nRMSE为13.125%和13.347%，预测精度和准确性高于G/R和RGBVI。故选择NGI作为滴灌玉米拔节−乳熟期氮素营养动态诊断的最优参数，参数NGI与植株氮浓度的关系模型（NP=4.967×106NGI14.26）R2为0.707，与叶片氮浓度的关系模型（NL=1.707×106NGI12.88）R2为0.654。说明应用无人机图像技术可以较好地对宁夏引黄灌区玉米拔节−乳熟期氮素营养状况进行动态估测，构建的氮素营养诊断模型可为宁夏引黄灌区滴灌玉米氮肥精准配施提供理论依据。 相似文献
7.
基于BP神经网络和概率神经网络的水稻图像氮素营养诊断 总被引：3，自引：1，他引：2
【目的】实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。【方法】本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮(N)水平:0、210、300、390 kg/hm^2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。【结果】1)幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。【结论】幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。 相似文献
8.
基于包络线消除法的油菜氮素营养高光谱评价 总被引：7，自引：3，他引：4
该文将广泛应用于岩矿高光谱分析中的包络线消除法借用至鲜叶片的光谱分析及作物氮素营养状况评价。利用油菜主要生育期的不同氮处理下鲜叶片反射光谱及全氮含量数据,对鲜叶片可见光波段反射光谱进行包络线消除处理,以及吸收特征与叶片全氮含量的统计分析。结果表明:在可见光区域,叶片反射率随着施氮量的增加而减小,包络线消除处理扩大了原始反射光谱中由氮素胁迫引起的吸收特征微小变化。在油菜的苗期、现蕾期至开花始期三个生育期中,550～750 nm波段的红光吸收峰总面积、吸收峰左面积和吸收峰右面积均随着施氮量的增加而增大,面积归一化最大吸收深度均随着施氮量的增加而减小。相关分析表明,苗期叶片全氮含量与吸收特征参量相关性最为密切。进一步基于各光谱吸收特征参数建立了油菜氮素营养的评价模型,这些评价模型除现蕾期外,其他均达到了1%的极显著性水平。研究表明,利用包络线消除法为定性和定量评价油菜氮素营养是可行的,苗期是利用光谱吸收特征来定量评价油菜氮素营养的最佳生育期。 相似文献
9.
10.
基于PLSR方法的马铃薯叶片氮素含量机载高光谱遥感反演 总被引：1，自引：0，他引：1
作物氮素状况是评价土壤肥力和作物长势的重要指标,叶片氮素状况的实时无损估测对合理氮素管理、提高产量和改善品质具有重要意义。本文选择不同氮处理条件下的马铃薯作为研究对象,利用AISAEagle机载高光谱成像系统获取试验区的高光谱图像,在对图像进行精确的几何、辐射校正和反射光谱重建基础上,提取每个处理马铃薯冠层的高光谱数据。选取波长430-910nm范围内原始光谱R及其D1(R)、D2(R)、Log(1/R)、DLog(1/R)、D2Log(1/R)5种变式数据,根据田间同步采样叶片的氮素含量数据,利用偏最小二乘回归法(PLSR)构建了马铃薯叶片氮素含量的光谱预测模型,并进行全氮含量填图。结果表明:基于一阶导数光谱D1(R)的偏最小二乘回归模型的效果最优,决定系数(R2)和校正均方差(RMSEC)分别为0.82、0.38%。将该最优估算模型应用到整个高光谱图像上,得到试验区马铃薯叶片全氮分布图,图像上氮的值域为3.35%~5.95%,与地面实测结果3.59%~5.89%基本一致,且叶片全氮值的大小分布与马铃薯长势分布一致。研究结果可为研制和开发基于高光谱成像技术的马铃薯叶片氮素预测方法提供理论和技术支持。 相似文献
11.
应用多光谱图像技术进行锦橙叶片氮含量监测 总被引：1，自引：0，他引：1
以蓬安100号锦橙为试材,运用多光谱图像技术建立快速监测叶片氮含量的方法。利用多光谱相机MS3100采集蓬安100号锦橙叶片图像,运用Adobe Photoshop软件提取叶片图像的颜色特征参数,对其进行数学变换和归一化处理后的颜色特征参数与叶片氮含量值进行相关分析,并建立二者回归模型。结果表明:6个颜色特征参数G-B、G/(R+B)、(G-B)/(G+B)、G/(R+G+B)、g-b值与叶片氮含量的相关较好,综合评价得出G-B、(G-B)/(G+B)、g-b值所建立的蓬安100号锦橙叶片氮含量监测模型较好,其相关系数均为0.84,决定系数为0.70,预测误差为3.7%。研究结果表明,利用计算机视觉技术进行锦橙叶片氮含量监测是可行的。 相似文献
12.
基于多光谱图像技术的番茄营养素诊断模型 总被引：4，自引：4，他引：0
为了快速、准确估测番茄营养水平和生长状态,利用多光谱图像分析技术研究了温室番茄营养素含量和图像特征的相关性。在日光条件下采集了温室番茄叶片多光谱图像,并采用多尺度Retinex算法有效地解决了叶片平整度差异造成的图像质量退化问题。从颜色模型、比值植被指数和归一化差值植被指数出发,自定义了49个多光谱图像特征参数。结合相关性分析和系统聚类分析消除了多光谱图像特征参数的多重共线性,并提取了4个能反映叶绿素含量(SPAD指数)和全氮含量预测模型,其中SPAD指数模型的决定系数(R2)为0.8668,均方根误差(RMSE)为3.997;全氮模型的R2为0.7284,RMSE为0.5130。 相似文献
13.
14.
基于叶片图像和环境信息的黄瓜病害识别方法 总被引：16，自引：10，他引：6
作物病害严重影响着作物的产量和质量,病害类型识别是病害防治的前提。利用图像处理和统计分析,提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法。采集不同季节、温度和湿度等环境下的病害叶片图像,并记录病害的环境信息;利用属性约简法提取病害叶片的5个环境信息特征向量,对病害叶片图像进行一系列图像处理,提取病斑图像的颜色、形状、纹理等35个统计特征向量。将两者结合得到黄瓜病害的40个特征分量。再利用统计分析系统(statistical analysis system,SAS)的判别分析方法,选择10个分类能力强的特征分量,计算作物病害的聚类中心分类特征向量。最后,利用最大隶属度准则识别病害叶片的病斑类别。对黄瓜的霜霉病、褐斑病和炭疽病3种叶部病害的识别率高达90%以上。试验结果表明,该方法能够有效识别作物叶部病害类别,可为田间开放环境下实现作物病害的快速自动识别提供依据。 相似文献
15.
透射图像颜色特征在烟叶识别中应用的探索 总被引：4，自引：0，他引：4
在理论推导的基础上,提出并应用烟叶反射和透射图像获取烟叶内在的质量信息,并在实际分级试验中验证透射图像颜色特征的有效性。研究发现,透射图像的三个颜色特征H、S、I和相对应的反射图像特征相关性小,可以有效补充反射图像不能反映烟叶内在质量的不足。利用7个烟叶正组各5片烟叶,采用费歇尔线性逐步判别法筛选,获得反射和透射图像的色调作为识别参数,建立判别模型。研究结果表明,采用透射图像作为反射图像的补充可以提高烟叶分组识别的准确率,具有应用前景。 相似文献
16.
基于支持向量机的葡萄病害图像识别方法 总被引：21，自引：8，他引：13
应用计算机图像处理技术和支持向量机识别方法研究了葡萄叶部病害的识别,以提高识别的准确性和效率。首先对采集到的葡萄病害彩色图像采用矢量中值滤波法去除噪声,然后采用统计模式识别方法和数学形态学对病叶图像进行了分割。最后提取了葡萄病叶彩色图像的纹理特征、病斑的形状特征和颜色特征,并用支持向量机的模式识别方法来识别葡萄病害。试验结果表明：支持向量机识别方法能获得比神经网络方法更好的识别性能;综合形状特征和纹理特征的支持向量机识别方法对葡萄病害的正确识别率优于只用形状特征或纹理特征的病种识别,综合颜色特征和纹理特征 相似文献
17.
采用灰板校正的计算机视觉预测棉花叶绿素含量 总被引：4，自引：1，他引：3
为了提高计算机视觉技术对棉花叶绿素含量的预测精度,该文应用计算机视觉识别方法,采用灰板校正图像亮度差异,对不同水分背景下棉花叶片叶绿素含量进行预测。结果表明,光谱特征参数DGCI (dark green color index)、R-B与叶绿素含量之间存在极显著线性关系,未使用灰板校正图像的DGCI、R-B与叶绿素含量的相关系数分别为0.8857和-0.8726,使用灰板校正归一化处理后的相关系数分别为0.9073和-0.9016,灰板校正后提高了参数与叶绿素含量的相关性。比较参数DGCI、R-B在校正前后对叶绿素含量的预测精度,结果显示校正后的DGCI、R-B建立的模型预测精度高于校正前,校正后参数DGCI的预测精度大于R-B。采用校正后参数DGCI建立的Chl. a+b预测方程,其预测值与叶绿素实测值间均方根误差和相对误差分别为0.1200和5.28%,决定系数为0.8812,预测精度较高。应用计算机视觉技术预测不同水分处理下棉花叶绿素含量具有可行性,使用灰板校正后参数DGCI可以作为快速无损预测棉花叶绿素含量的最佳参数。 相似文献
18.
追氮时期对不同粒色类型小麦产量和品质的影响 总被引：3，自引：1，他引：2
为了研究追施氮肥时期对不同粒色类型小麦产量和品质的影响,以白粒小麦、黑粒小麦、绿粒小麦各两个品种为材料在大田里进行不同追氮时期的试验。结果表明,春5叶追氮在提高小麦的子粒蛋白及组分含量方面要优于春2叶追氮。绿粒小麦、黑粒小麦的子粒蛋白质含量显著高于本试验所选的白粒小麦,且通过追氮时期的后移可以拉大这种差距。追氮时期对加工品质的影响不存在品种差异,各品种春5叶追氮处理的结果均高于春2叶。追氮时期对不同粒色类型小麦的形成时间和稳定时间的影响较小,但它会影响黑粒小麦的沉降值和湿面筋含量,所以氮肥运筹对黑粒小麦加工品质的改善有一定意义。和春2叶追氮相比,春5叶追氮更有利于提高小麦的产量,绿粒小麦和白粒小麦的产量及相关指标受追氮时期的影响相对较大,黑粒小麦受追氮时期的影响较小。 相似文献