共查询到17条相似文献，搜索用时 203 毫秒
1.
基于机器视觉的大豆籽粒精选技术 总被引：7，自引：4，他引：3
为实现大豆精选模型的设计,选择东农405、东农410、东农634 共3个大豆品种,以正常豆、灰斑豆、霉变豆、虫蚀豆为研究对像,采用可脱离PC机独立工作的智能摄像头获取分析豆粒图像。通过动态阈值分割算法分离豆粒与背景,提取豆粒图像的形状、颜色、纹理3方面的特征参数15个。采用BP神经网络建立分类模型,模型平均识别准确率达98%。试验选择2000粒大豆样本对精选装置进行测试,测试结果显示：该装置对正常豆、灰斑豆、霉变豆和虫蚀豆的筛选精度分别达到98.3%、93.4%、92.2%、95.9%,筛选效率达到每分钟300粒,将机器视觉技术应用于大豆精选机的设计中是可行的。 相似文献
2.
玉米定向播种,要求籽粒形状扁平、具有方向性。为了减少玉米粒精选的工作量,该文以玉米种穗为对象,研究适合定向播种的玉米种穗图像精选方法。设计玉米种穗精选传输装置,实现了对玉米种穗的动态图像采集和精选。根据种穗的外形特征判断小种穗;利用R+G-2B方法加强黄色籽粒区域,根据黄色籽粒区域与整个种穗的面积比判断缺粒及霉变种穗;利用种穗图像的横向和纵向像素值累计分布特征,追踪中间穗行的籽粒轮廓,并通过其端面矩形度,判断籽粒合格的种穗。随机抽检50个种穗样本,结果表明:外形特征的检测准确率为100%,缺粒及霉变的检测准确率为96%,穗上籽粒端面矩形度的检测准确率为98%,总体检测准确率为94%。该文为定向播种用玉米籽粒精选前期的种穗精选提供了一种图像识别方法。 相似文献
3.
采用不同病级病叶、荚、粒,研究了大豆灰斑病对大豆产量和品质的影响。结果表明,大豆灰斑病使大豆光合面积减少、呼吸消耗增加、植株净光合生产率下降,导致百粒重和产量降低;同时感病籽粒蛋白质相对含量随病级增加而上升,绝对含量则下降;脂肪的相对含量变化不大,绝对含量随病级增加而降低,并提出大豆灰斑病的防治方法。 相似文献
4.
大豆灰斑病对大豆产量与品质的影响 总被引：1，自引：0，他引：1
采用不同病级病叶、英、粒,研究了大豆灰斑病对大豆产量和品质的影响。结果表明,大豆灰斑病使大豆光合面积减少、呼吸消耗增加、植株净光合生产率下降,导致百粒重和产量降低;同时感病籽粒蛋白质相对含量随病级增加而上升,绝对含量下降;脂肪的相对含量变化不大,绝对含量随病级增加而降低,并提出大豆灰斑病的防治方法。 相似文献
5.
大豆脱粒机气力清选循环装置研制与性能试验 总被引：5，自引：5，他引：0
为提高大豆脱粒机的清选效果、降低脱粒损失与含杂率,该文利用农业物料漂浮速度试验台测得了大豆脱出物的漂浮速度:完好豆粒9.18～11.61m/s,瘪粒及豆瓣6.14～7.74m/s,未脱净豆荚3.81～5.48m/s,短硬茎杆2.53～4.04m/s,碎秸秆和荚壳1.95～3.75m/s;并根据漂移速度试验结果研制了气力式清选装置和旋风式杂余分离、循环装置并进行了性能试验。性能试验表明,改进的大豆脱粒机最佳风机转速526～611r/min、振动筛频率276～320Hz时,大豆清选后秸秆含杂率和清选损失率分别为0.70%和0.30%～0.32%。研究结果为优化大豆脱粒机气力清选系统设计、提高大豆脱粒机性能提供参考。 相似文献
6.
为改良大豆种质,提高其产量和品质,甘肃省农业科学院作物研究所以广适、丰产、抗逆性强的品种中品661为母本、吉育88为父本,经人工有性杂交采用系谱法选育出了大豆新品种陇豆3号。2019 — 2020年参加甘肃省大豆区域试验,2 a平均折合产量 2 771.25 kg/hm2,较对照品种陇豆2号增产8.00%。2021年参加甘肃省大豆生产试验,平均折合产量 2 677.20 kg/hm2,较对照品种陇豆2号增产 9.94%。该品种丰产性好,抗花叶病毒病,抗灰斑病,籽粒粗蛋白含量 381.8 g/kg,粗脂肪含量 208.2 g/kg。适宜甘肃省陇东、天水、沿黄和河西灌区春播,陇南地区夏播。 相似文献
7.
为筛选出大豆萌发期抗旱性鉴定的适宜试验条件,以大豆品种陇中黄601、恳鉴豆15、九农29、长农16为供试材料,采用蛭石法和滤纸法进行发芽试验,运用内源转录间隔区(Internally Transcribed Spacer,ITS)序列分析法进行发芽床筛选,测定各供试大豆品种的发芽率、硬实豆数、发霉豆数,并进行了蛭石湿度和PEG-6000浓度筛选。结果表明,蛭石法发芽试验能明显减少大豆发芽试验中产生霉菌的种类与数量,适宜在大豆萌发期抗旱性鉴定中应用。且在蛭石湿度为170%、PEG-6000浓度为22%的条件下,不同大豆品种间的发芽率差异比较明显,硬实豆数和发霉豆数少,试验数据可靠,可作为大豆萌发期抗旱性鉴定试验的适宜条件。且在此条件下,4个供试大豆品种的抗旱性表现由强到弱依次为陇中黄601、九农29、长农16、恳鉴豆15。 相似文献
8.
为研究高光谱技术检测霉变玉米中黄曲霉毒素B_1含量的可行性,选择5种不同霉变程度的玉米为试验材料,利用高光谱图像采集系统获得了250个霉变玉米样本的高光谱数据,并进行多元散射校正(MSC)预处理;运用偏最小二乘回归(PLSR)系数来选择特征波长,筛选出7个特征波长,然后利用Fisher判别分析(FDA)分别对全波长和特征波长下霉变玉米进行鉴别分析。结果表明,5组样本在全光谱波段下的FDA鉴别正确率在85%～88%之间,而在特征光谱下的FDA鉴别正确率均在98%以上,说明特征波长能较好地表征不同霉变等级的玉米。神经网络模型优于PLSR模型,其预测集相关系数和均方根误差分别为0.999 9、0.180 9。因此,可认为利用高光谱技术来检测不同霉变程度玉米中的黄曲霉毒素B_1含量是可行的。本研究结果为高光谱鉴别其他农产品提供了重要参考。 相似文献
9.
10.
为进一步筛选适宜重庆市忠县＂三山两槽＂丘陵地貌以及麦/豆/苕,麦/豆//豆,玉//豆/苕等不同耕制条件的优质、高产、高效大豆品种,从重庆市农业科学院、重庆市农业技术推广总站引进了7个大豆新品种,与对照（南豆3号）进行品比试验。试验于2009年在忠县涂井乡龙滩村实施。初步结果表明：高农优1号产量最好,产量差异极显著,抗性好;豫豆25综合性状最好,抗逆性最强,产量差异不显著;齐黄26比对照增产2.53%,产量差异不显著,抗逆性一般,单株综合性状一般;鲁豆10号、贡豆E30、沔509、贡豆9101比对照减产3.80%～20.25%,综合性状一般,不适宜大面积推广。 相似文献
11.
基于特征光谱的苹果霉心病无损检测设备设计 总被引：6，自引：4，他引：2
针对现有农产品内部品质无损检测多采用宽波段光谱技术,集成应用光谱仪与计算机完成品质分析,存在成本高、能耗大、分析过程复杂以及光谱信息冗余等问题。该文结合苹果霉心病在果心发病的特征,采用透射光谱检测方式,设计实现了基于窄带LED光源与光敏二极管的苹果霉心病无损检测设备。通过霉心病发病特征的分析可得果径和特征光谱波段的透射强度是进行霉心病检测的关键影响因素,设计光谱特性试验,对多组宽波段光谱数据采用相关性分析法得到特征光谱波段为690～730 nm。设计果径与透射光谱信息采集的基础平台,该平台包括LED光源及其驱动模块、光电转换与检测模块以及基于丝杠滑台组件与限位传感器的果径在线测量模块;采用基础平台对样品进行数据获取,以果径与透射光谱强度值为输入,建立基于误差反向传播网络的霉心病判别模型。结果表明,采用该文所述测试试验样本进行验证,设备判别准确率达到95.83%。该研究结果表明,基于特征光谱采用 LED 光源的霉心病无损检测方法是可行的,可为其他果品内部病害的检测提供借鉴思路。 相似文献
12.
基于神经网络与图像处理的花生仁霉变识别方法 总被引：8，自引：1，他引：8
为了采用机器视觉对霉变花生仁的自动识别与分选，研究了一种基于花生仁图像特征和人工神经网络的霉变识别方法。首先，利用Sobel算子直接对噪声含量少、边缘保存较完整的B分量灰度图进行边缘检测，经过形态学滤波、填充、合成等处理去除背景，得到分割后的彩色花生仁图像。然后提取颜色特征H、I、S及纹理特征RW、GW、BW，将其作为MATLAB所创建的神经网络的输入，并分别定义正常、轻度霉变、严重霉变3组代码为100、010、001的类型作为网络的输出，建立特征参数与霉变等级之间的神经网络识别模式。试验结果表明，该方法对正常花生仁、轻度霉变花生仁、严重霉变花生仁的检测准确率分别为95%、90%、100%，得到了较好的识别效果。 相似文献
13.
基于GA-LSSVM和近红外傅里叶变换的霉变板栗识别 总被引：6，自引：4，他引：2
为克服板栗近红外光谱变量多、共线性强等缺点,该文对标准正态变量变换预处理后的板栗近红外光谱进行傅里叶变换,并用不同方法建模,提高识别精度。采用试探法提取近红外光谱傅里叶系数,建立了基于最小二乘支持向量机分类器的霉变板栗识别模型。当提取前35点傅里叶系数时,板栗的平均识别正确率为93.56%;构造GA-LSSVM算法,建立的霉变板栗识别模型所用傅里叶系数减少为13点,对测试集中合格板栗、表面霉变板栗和内部霉变板栗的平均识别正确率分别为95.89%、100%和98.25%,板栗的总体平均识别正确率提高到97.54%。为霉变板栗的识别提供了快速鉴别分析方法。 相似文献
14.
电子鼻快速检测谷物霉变的研究 总被引：26，自引：11，他引：26
针对目前我国在谷物的霉变与否的检测上还有一定的滞后性，研制出一套能快速检测谷物是否霉变的电子鼻装置，该装置能快速、准确地分析所测谷物散发的气味，从而判定所测谷物是否霉变。该电子鼻主要由一组厚膜金属氧化锡气体传感器阵列和RBF神经网络组成。用所研制的电子鼻对小麦、水稻、玉米3种谷物进行检测。整个实验过程如下：首先从每个传感器的反应曲线中提取4个特征值，并对所有特征值进行归一化处理，然后用常规的主成分分析和径向基函数(RBF)神经网络对它们进行分析。实验过程中发现，从主成分分析的结果发现很难将霉变谷物与正常谷 相似文献
15.
基于计算机视觉的稻谷霉变程度检测 总被引：3，自引：1，他引：2
为了实现无损检测稻谷储藏中的霉变,该研究以引起稻谷霉变的5种常见真菌(米曲霉、黑曲霉、构巢曲霉、桔青霉和杂色曲霉)为对象,首先进行真菌培养,制成悬浮液,然后将悬浮液接种到稻谷样品中,对稻谷样品模拟储藏,确定不同霉变程度的稻谷类型,划分为对照组(无霉变)、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样品进行图像采集和图像处理,提取灰度、颜色和纹理特征,共获取68个图像特征。采用支持向量机(support vector machines,SVM)和偏最小二乘法判别分析(partial least squares discriminant analysis,PLS-DA)构建模型,分别用于无霉变稻谷与霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余,利用连续投影算法(successive projections algorithm,SPA)来消除原始数据变量间的共线性,优选特征值。结果表明:利用所有参数构建的SVM模型能够很好的区分对照组与霉变组,其中建模集和验证集总体区分准确率分别为99.7%和98.4%;SVM模型对于稻谷严重霉变类型的区分效果要优于轻微霉变稻谷,其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为99.3%和92.0%,对稻谷严重霉变类型区分的总体准确率分别为100%和94%,且整体上SVM模型的效果要优于PLS-DA模型。而基于SPA优选特征构建的模型区分结果表明,SVM模型区分效果优于PLS-DA模型,其中,在建模集和验证集中,对无霉变和霉变稻谷总体区分准确率分别为99.8%和99.5%,对稻谷轻微霉变种类区分总体准确率分别为99.8%和90.5%,对稻谷严重霉变种类区分总体准确率分别为100%和95.0%。因此,基于计算机视觉对稻谷霉变检测是可行的,而且SPA优选特征能够较好反映稻谷霉变特征,基于优选特征和SVM模型能够较好地稻谷霉变进行识别和区分,结果较好,可以为实际应用提供技术支持和参考。 相似文献
16.
《Communications in Soil Science and Plant Analysis》2012,43(8):727-741
Abstract Six cultivars and three lines of soybean (Glycine max (L.) Merr.) were planted at two locations in Delaware in 1974 and 1975. Potassium fertilizer (KCl) at 0, 56, or 223 kg/ha actual K was added to the soil and the plants were evaluated for seed yield and incidence of gray‐moldy and purple‐stained seed. Potassium application was related to a decrease in yield in one year at one location but had no significant effect in the other year or at the other location. Cultivars differed in yield over the two years, with Kent, Cutler 71, and York having the most consistent yield in this study. The pathogen incidence was not affected by potassium application in contrast to earlier studies with soybeans grown in aluminum cylinders with a partially restricted soil volume. In this study, gray‐moldy and purple‐stain was highest in short season cultivars and higher at Georgetown than at Newark. Use of soybean cultivars resistant to diseases as well as maintaining adequate soil potassium levels should reduce high levels of disease. 相似文献
17.
基于声振信号对称极坐标图像的苹果霉心病早期检测 总被引：1，自引：1，他引：0
为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。 相似文献