共查询到18条相似文献，搜索用时 250 毫秒
1.
植株叶片中叶绿素浓度的高低与植株进行的光合作用效率、植株的整体生长状况息息相关,在农业生产过程中,常常根据叶片中叶绿素含量(SPAD)的多少来精确的判断植物的生长状态,也是控制植株长势的依据。传统的叶绿素含量检测方式分光光度法,存在耗时长、步骤多、操作要求高等问题,而采用计算机视觉技术处理图像的过程更加准确、高效,不会像人眼分析时受到主观因素的影响导致偏差。为此,基于计算机视觉技术来检测玉米叶片中叶绿素含量,利用扫描仪采集玉米叶片的图像,将图像输送至计算机,然后通过软件处理图像,分割出图像中有效像素的颜色特征值,将特征值转换就可以得到玉米叶片中叶绿素。试验结果显示:利用计算机视觉技术可以准确地测定玉米叶片中叶绿素含量,进而进行合理施肥,避免浪费,对增加玉米的产量具有极大的价值。 相似文献
2.
基于相对叶绿素含量的黄瓜叶色仿真 总被引：2，自引：0，他引：2
提出了一种基于相对叶绿素含量的植物叶片颜色仿真方法,通过连续对正常生长状态下的黄瓜叶片图像采集及相对叶绿素含量SPAD值测定,建立了黄瓜叶片颜色分量与SPAD值的数学关系模型,并采用均方根误差(RMSE)对模型进行验证,结果显示叶片的3个颜色分量R、G、B的实测值与模拟值之间的RMSE为13.43%、8.47%、7.42%,模拟效果较好。通过结合叶片色素浓度分布图对叶色空间分布进行仿真,并采用高级着色器语言实现了黄瓜叶片表观颜色变化过程的可视化模拟,获得了较好的真实感效果。 相似文献
3.
为探求烤烟鲜烟叶RGB图像特征与其水分的相关性,采用1 300万像素的手机采集盆栽的成熟期烟叶叶片的图像信息,用烘干法测量叶片的含水率;研究基于灰度直方图的图像处理技术,提取了叶片的颜色特征值,分析其与含水率的关系。在烟叶图像的均值、方差、歪斜度、峰态、能量和熵6组特征值中,均值、能量与含水率存在较好的相关性,可以用来预测烟叶水分;方差、歪斜度、峰态和熵与烟叶含水率没有相关性,难以预测烟叶的水分;均值与含水率的回归模型相关系数为0.801 5,含水率预测结果误差维持在±2.10%,标准差为0.012;能量与含水率的回归模型相关系数为0.659 2,预测结果误差维持在±3.50%,标准差为0.015。基于手机采集的烟叶RGB图像可以无损检测其水分。 相似文献
4.
《农业机械学报》2019,(Z1)
为了快速、无损地获取大田作物叶绿素含量空间分布,基于无人机遥感技术研究了大田玉米冠层叶绿素含量检测及分布图绘制方法。利用无人机遥感技术采集了150幅大田玉米的航拍图像,并通过Pix4dmapper软件对其进行了拼接;在实验田中,等距获取80株玉米叶片样本,通过化学法萃取叶绿素,并使用分光光度计测量叶绿素含量,形成了基础数据源。在数据处理方面,采用Arc GIS软件对样本点的POS(Position and orientation system)数据与无人机图像进行匹配;对无人机拍摄的RGB图像,首先进行R、G、B三通道分量值提取,构建了绿红比值、绿红差值、归一化红绿差值、超绿等10种颜色特征,并计算了均值、标准偏差、平滑度、三阶矩等6种纹理特征,然后建立了基于BP(Back propagation)神经网络的玉米冠层叶绿素含量检测模型。实验结果表明,基于BP神经网络的玉米冠层叶绿素含量检测模型的均方根误差RMSE为4. 465 9 mg/L,决定系数R~2为0. 724 6。通过BP神经网络检测模型计算出大田玉米图像每个像素点的叶绿素含量,基于伪彩色技术绘制大田玉米叶绿素含量可视化分布图,分析田间玉米冠层叶绿素含量分布图可以直观区分田间道路与冠层区域,显示地块叶绿素分布差异。通过无损检测大田玉米冠层叶绿素含量及叶绿素分布可视化,可为田间作物长势评价和精细化管理提供技术支持。 相似文献
5.
针对水稻氮素营养实时检测的问题,设计了一种基于嵌入式技术的利用水稻叶片颜色特征进行氮素营养水平检测的系统。首先提取不同氮素营养水平下的水稻样本叶片图像的RGB颜色特征,并对各颜色特征值与水稻全株含氮量进行相关性分析。其中颜色特征G和2G-R-B分量的相关性高于其它,分别为-0.761 1和-0.742 1,进一步对叶片不同位置的G和2G-R-B分量与全株含氮量进行相关性分析得出叶片中部2G-R-B分量与全株含氮量间相关性最高,达0.765 6。以此为依据,结合Open CV图像处理技术和Qt4.5跨平台用户界面框架技术,最终实现系统的嵌入式设计。针对设定样本检测结果表明,系统对各营养水平稻株识别准确率均超过90%,且具有良好实时性与便携性,能够满足水稻氮素营养水平实时检测需要。 相似文献
6.
基于叶面叶绿素分布特征的黄瓜叶片氮钾元素亏缺诊断 总被引：1，自引：0，他引：1
利用高光谱图像技术无损表征黄瓜叶片的叶绿素分布特征,并将其作为N、K元素亏缺诊断依据。采集黄瓜叶片的高光谱图像数据,利用高效液相色谱法分析黄瓜叶片的叶绿素含量,利用遗传算法建立叶片高光谱图像信号与叶绿素含量的对应关系,进而实现黄瓜叶片叶绿素分布图的无损检测。与对照组叶片的叶绿素分布图相比,缺N叶片主要表现为叶片中心区域叶绿素含量偏低,而缺K叶片主要表现为叶片边缘的局部区域叶绿素含量偏低。据此分别提取缺N、缺K叶片及对照组叶片的叶绿素及其分布特征(叶片中心区域所有像素点的叶绿素含量均值、叶片边缘区域叶绿素含量偏低的像素点数量),并借助提取的特征参数建立了N、K元素亏缺诊断方法,其正确诊断率为95%。研究结果表明,叶绿素叶面分布特征可有效实现黄瓜植株N、K元素的亏缺诊断。 相似文献
7.
8.
9.
基于高光谱成像的马铃薯叶片叶绿素分布可视化研究 总被引：3，自引：0，他引：3
针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。 相似文献
10.
为了探索大田冬小麦冠层叶片叶绿素指标的快速检测方法,基于车载式多光谱成像系统进行了大田冬小麦叶绿素含量指标的快速无损诊断研究,并分析了不同车速条件下车载式多光谱成像系统的工作性能。系统以福田欧豹4040型拖拉机为车载平台,搭载了2-CCD多光谱图像智能感知系统。田间试验分别设置了4种行进速度（分别为S1（0.54 m/s）、S2（0.83 m/s）、S3（1.04 m/s）、S4（1.72 m/s））,采集了冬小麦冠层可见-近红外图像,同步获得了车载GPS轨迹坐标信息,并测量了样本叶绿素含量指标SPAD值。图像经滤波和冠层分割预处理后,提取了 R、G、B 、NIR 4个波段平均灰度,并计算了RVI、NDVI等4种常见植被指数、 H 分量的灰度平均值和覆盖度 C ,共10个图像检测参数。分析了各图像检测参数与叶绿素含量指标SPAD值之间的相关关系,结果表明,S1、S2和S3速度下,各图像检测参数与SPAD值相关性高于S4速度。同时,S1、S2、S3速度下,NDVI、NDGI、RVI与SPAD值的相关系数绝对值均达到0.50以上。分别建立了S1~S3不同车速下叶绿素含量指标诊断MLR模型,模型精度满足作物生长空间分布图制图的要求。为了进一步提高车载式大田作物生长参数移动诊断效率,将不同车速下的数据合并,选取NDVI、NDGI、RVI参数建立叶绿素指标MLR模型,结果表明模型具有通用性。该研究可为车载式大田作物生长快速诊断提供支持。 相似文献
11.
植物叶片图像的采集过程中,由于自然环境或成像条件的影响,特别是夜间,采集到的图像大多带有椒盐噪声,造成图像质量下降。很多植物叶片含有丰富的叶脉,被噪声污染不利于后续的表型分析、图像分割等。椒盐噪声密度较小时,中值滤波降噪效果较好,但在噪声污染严重时滤波方法也无法有效去噪。针对这一问题,提出了基于概率PCA的图像修复模型。一幅光滑的不含噪图像通常可认为服从高斯分布,概率PCA能有效地提取描述这幅图像中的主要信息,通过估计模型参数重构因噪声引起的数据缺失,从而达到图像修复的目的。但是当噪声的缺失像素点聚集在叶脉上时,直接用概率PCA修复会出现明显的边界效应,因此本文先基于树的叶脉进行追踪,再对叶脉进行概率PCA修复,然后再基于整幅图像利用概率PCA模型修复,迭代次数根据修复后图像的PSNR值自适应地选择。为了验证所提出的模型的修复性能,进行了与常用滤波方法的对比试验。试验结果表明：去噪后的图像PSNR值比使用均值滤波高出6dB左右,比使用维纳滤波高出9dB左右,比使用高斯滤波高出7dB左右,比使用中值滤波高出1dB左右,并且在结构相似性上采用本文算法去噪后的图像与原始图像的相似度最高。因此,将概率PCA模型应用于植物叶片彩色图像修复是可行的、有效的,为其后续的图像处理提供了技术支持。 相似文献
12.
农业喷雾对象的识别和定位是农业自动化喷雾机械研究中的核心技术之一。对病虫害甘蓝进行精准喷洒农药,实现病虫害准确自动识别成为关键。为此,利用机器视觉的欧氏距离甘蓝夜蛾虫害自动识别检测系统,结合由Qualityspec光谱仪组成的光谱成像系统,对甘蓝正常叶片和遭受甘蓝夜蛾虫害的甘蓝叶片的颜色特征和光谱特征进行分析,并采用机器视觉分割阈值选取中的Otsu算法和自适应波段选择方法提取出了颜色差异的最佳几何阈值和两种叶片的特征波段。试验结果表明:综合机器视觉和光谱技术能够实现甘蓝夜蛾虫害的自动且准确的识别,准确率可达94%。因此,建立机器视觉和光谱技术综合识别体系,可为农作物病虫害自动防治喷雾机器人的研制奠定基础,以达到农作物病虫害实时识别和及时治理的目的。 相似文献
13.
柑橘叶面病害是影响柑橘产量和质量的重要因素,如何对柑橘叶面进行病害识别是后期病害检测的一个关键步骤。为了提高柑橘在各种病害环境下病斑图像识别的准确率,提出了一种针对柑橘病害监测的HSV颜色直方图空间的图像检索改进算法。此算法用颜色空间来展现柑橘病害所导致的颜色变动,根据柑橘叶面病变产生的异常颜色信息,结合传统直方图图像检索方法,对柑橘叶面图像颜色进行非均匀量化处理,且将非均匀化量化处理后的归一化颜色矩阵作为因子来进行图像检索。使用者可以经过使用这种形式来检测柑橘叶面图像,及早发现病害。与传统的方案相比,此算法在柑橘叶面病害监测方面的检索查准率和查全率均有显著提高,从而验证了本文算法的有效性。 相似文献
14.
基于三维点云的叶面积估算方法 总被引：2，自引：0，他引：2
为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。 相似文献
15.
基于迁移学习的温室番茄叶片水分胁迫诊断方法 总被引：3，自引：0，他引：3
为实时诊断番茄叶片水分胁迫程度,提出一种叶片水分胁迫程度的诊断方法,该诊断方法包括2部分：叶片分割和水分胁迫程度分类。采用以ResNet101为特征提取卷积网络的Mask R-CNN网络对背景遮挡的番茄叶片进行实例分割,通过迁移学习将Mask R-CNN在COCO数据集上预训练得到的权重用于番茄叶片的实例分割,保留原卷积网络的训练参数,只调整全连接层。利用卷积网络提取的特征,可将番茄叶片分割视为区分叶片与背景的一个二分类问题,以此来分割受到不同水分胁迫的番茄叶片图像。利用微调后的DenseNet169图像分类模型进行叶片水分胁迫程度分类,通过迁移学习将DenseNet169在ImageNet数据集上预训练得到的权重用于番茄叶片水分胁迫程度的分类,保持DenseNet169卷积层的参数不变,只训练全连接层,并对原DenseNet169全连接层进行了修改,将分类数量从1.000修改为3。试验共采集特征明显的无水分胁迫、中度胁迫和重度胁迫3类温室番茄叶片图像,共2000幅图像,建立数据集,并进行模型训练与测试。试验结果表明,训练后的Mask R-CNN叶片实例分割模型在测试集上对于单叶片和多叶片的马修斯相关系数平均为0.798,分割准确度平均可达到94.37%。经过DenseNet169网络训练的叶片水分胁迫程度分类模型在测试集上的分类准确率为94.68%,与 VGG-19、AlexNet这2种常用的深度学习分类模型进行对比,分类准确率分别提高了5.59、14.68个百分点,表明本文方法对温室番茄叶片水分胁迫程度实时诊断有较好的效果,可为构建智能化的水胁迫分析技术提供参考。 相似文献
16.
近年来,基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异,通过提取番茄病害叶片图像的颜色矩（CM）、颜色聚合向量（CCV）和方向梯度直方图（HOG）等颜色纹理特征,引入核相互子空间法（KMSM）,建立了番茄叶部病害快速识别模型（CCHKMSM）。该模型首先通过高斯核函数,将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间;然后对映射的高维空间进行主成分分析,建立非线性病害特征空间;最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像,以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明,当每类样本集数量为350张时,本研究所提出的CCHKMSM模型识别率达到100%,模型训练时间为0.1540 s,平均识别时间为0.013 s;同时,在样本数量150张到1000张的测试区间内,模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型,与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中,通过对原始图像切割分块后,对各病害的平均识别率为96.21%。试验结果表明,本研究提出的CCHKMSM模型识别准确率高且计算量小,其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低,具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。 相似文献
17.
基于计算机视觉系统分析研究缺素番茄叶片的色彩图像,可以准确提取出缺素番茄叶片色彩图像的特征。对当前缺素番茄叶片色彩图像特征提取中,可以运用计算机视觉,优化设计图像处理软件,依据番茄叶片颜色特征来完成缺素番茄叶片的识别。实验表明:基于计算机视觉系统,优化设计缺素番茄叶片色彩图像特征提取软件,可提升缺素番茄叶片色彩图像分析精度(提升32.0%),准确判断提取缺素番茄叶片图像的特征。基于计算机视觉系统,进行缺素番茄叶片的色彩图像特征提取,有效提高了缺素番茄叶片色彩图像分析精度,可在实践中推广应用该技术。 相似文献
18.
基于色差信息多色彩模型的黄羽鸡快速分割方法 总被引：2，自引：0，他引：2
快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。 相似文献