共查询到20条相似文献，搜索用时 546 毫秒
1.
苹果霉心病可见/近红外透射能量光谱识别方法 总被引：1，自引：0，他引：1
针对苹果霉心病从外表无法识别的难题,提出基于可见/近红外透射能量光谱进行快速无损识别的模型和方法。在200~1 100 nm波段内采集了200个苹果的透射能量光谱数据,随机选取140个样品作为训练集,剩余60个样品作为测试集。用平滑法和多元散射校正对光谱数据进行预处理。基于全光谱、连续投影算法(SPA)提取的12个特征波长、主成分分析(PCA)提取的9个主成分,分别建立了偏最小二乘判别法、误差反向传播人工神经网络和支持向量机(SVM)识别模型。实验结果说明,应用PCA-SVM建立的模型识别性能最优,该模型对测试集和训练集中霉心病果和健康果的识别正确率分别为99.3%和96.7%。基于SPA和PCA所建模型的输入变量数仅相当于基于全光谱所建模型输入变量数的0.99%和0.74%,极大降低了模型的复杂度。研究结果表明,该方法是可行的且具有较高识别准确度,为苹果在线内部品质分级和便携式苹果霉心病检测仪的研究提供了技术依据。 相似文献
2.
3.
考虑直径影响的苹果霉心病透射光谱修正及检测 总被引：1，自引：0，他引：1
针对苹果霉心病近红外透射光谱信息受果实直径影响的难题,提出了一种能够修正果实直径对透射光谱影响的方法。基于透射光谱采集平台获取327个红富士苹果的可见/近红外光谱(350～1 100 nm)信息,采用电子游标卡尺获取其直径(光程)信息。以直径为80 mm健康苹果的平均光谱作为参考光谱,将327个苹果的光谱与参考光谱进行比较,结合直径信息利用公式求得透射光在果实内的衰减系数P,用衰减系数P进行透射光谱的修正。修正后光谱建立支持向量机(SVM)模型、误差反向传播神经网络(BP-ANN)模型,并与修正前原始光谱建立模型进行对比。实验结果表明,应用此光谱修正方法能够显著提高模型判别精度,其中应用SVM算法对修正后的光谱建立模型效果最好,对训练集和测试集的判别准确率分别为99. 34%和90. 20%,相对于原始光谱建立的模型判别准确率分别提高了7. 84和5. 89个百分点。基于此方法修正果实直径对于透射光谱的影响是可行的,构建的模型能够实现苹果霉心病的准确判别。 相似文献
4.
基于介电特征的苹果霉心病检测方法 总被引：1，自引：0，他引：1
针对苹果霉心病无法有效根据外表进行识别,且传统检测方法具有设备复杂、成本高昂等问题,本研究通过采集苹果介电参数构建苹果霉心病检测模型,从而实现简单快速的苹果霉心病无损检测.基于LCR测量仪采集220个苹果的108项介电指标(9个频率下的12项介电指标)作为原始参数,使用数据标准化、主成分分析算法等对数据进行预处理,并利... 相似文献
5.
为满足苹果内部品质产地检测分级需求,本研究研发出检测模块和分级模块,构成可移动式苹果内部品质果园产地分级系统。在此系统的基础上,以苹果糖度和霉心病为代表品质指标,提出一种基于乘法效应消除（Multiplicative Effect Elimination,MEE）的光谱校正方法,用于消除苹果物理属性差异导致的有效光程变化对光谱的影响。利用该系统获取苹果600~900 nm漫透射光谱数据,分别采用多元散射校正（Multiple Scattering Correction,MSC）、标准正态变量变换（Standard Normal Variate Transform,SNV）和MEE算法对苹果光谱预处理后,建立糖度偏最小二乘回归（Partial Least Squares Regression, PLSR）预测模型和霉心病偏最小二乘判别（Partial Least Squares - Discriminant Analysis,PLS-DA）模型。结果表明,MEE算法相比于MSC和SNV算法建模结果更好,糖度预测模型的校正集相关系数（Rc）、校正集均方根误差（Root Mean Square Error of Calibration,RMSEC）、预测集相关系数（Rp）和预测集均方根误差（Root Mean Square Error of Prediction,RMSEP）分别为0.959、0.430%、0.929和0.592%;霉心病判别模型的校正集敏感性、校正集特异性、校正集准确率、预测集敏感性、预测集特异性和预测集准确率分别为98.33%、96.67%、97.50%、100.00%、90.00%和95.00%。将建立的最佳预测模型导入分级系统进行试验,结果表明该系统的分级准确率为90.00%,分级速度约3个/s。该系统具有成本低、结构简单、移动方便等优点,可以满足苹果内部品质果园产地检测分级需求。 相似文献
6.
基于计算机视觉的苹果霉心病病变程度测量方法 总被引：1，自引：0，他引：1
利用近红外光谱技术进行苹果霉心病的无损检测是目前的主流方法,其光谱与霉心病的病变程度密切相关。为了实现苹果霉心病病变程度的精确测量,设计并实现了一种基于计算机视觉的苹果霉心病病变程度测量方法。首先,基于Otsu算法,利用果实区域与背景反差较大的特点,实现果实、病变与背景区域的分割,并对分割图像进行区域填充等预处理操作;然后,针对分割后包含病变的苹果图像,运用Otsu算法进行二次分割,分别提取腐烂病斑区域与整个苹果区域的面积;最后,计算出病变区域的比例,得到其病变程度。为了验证算法的有效性,利用多幅图像进行了测试,并与利用Photoshop手工选取的实际病斑面积进行了对比。试验结果表明,利用该方法得到的腐烂程度误检率为8.87%,可以有效地实现苹果霉心病病变程度的测量。 相似文献
7.
【目的】快速准确获取大面积果园冠层叶片全氮含量（LNC ,Leaf Nitrogen Content）是实现现代精准农业的基本要求。【方法】本试验通过无人机高光谱成像仪（391.9nm ~ 1006.2nm）采集了甘肃省静宁县两个典型果园的果树冠层光谱图像,包括人工灌溉的苹果示范园与自然降雨的苹果园,综合比较两区共160份冠层叶片样本的原始光谱反射率（OD）、倒数光谱（RT）、对数光谱（LF)、一阶微分光谱（FD）,构建任意两个光谱波段集组合的差值植被指数（Difference spectral index,DSI ）、土壤调节植被指数（Soil Adjusted Vegetation Index ,SAVI）、归一化光谱指数（Normalized Different Spectral Index, NDSI）,分析三种光谱指数与叶片氮含量的相关性,利用一元线性回归模型与光谱指数构建两区最佳苹果冠层LNC估测模型。【结果】研究表明：人工灌溉区的FD-SAVI(825,536）、自然降雨区的LF-SAVI(854,392)与LNC的相关性最强,并基于FD-SAVI、LF-SAVI构建一元线性回归模型。人工灌溉区构建的FD-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6601和0.0678;自然降雨区构建的LF-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6746和0.0665。本试验采用LNC模型绘制出两个试验区的苹果树冠层叶片LNC估测图,实现对果园叶片全氮含量的精准掌握及精细化管理。 相似文献
8.
对苹果按照水心病患病程度进行无损在线分级对于苹果采摘机器人具有重要的意义。在苹果园中,利用无损在线检测出轻度患有水心病的苹果果实并优先采摘,以避免因患病苹果烂掉而造成经济损失,构建了基于计算机视觉和高光谱技术的苹果水心病患病程度无损在线分级系统。本系统以西北农林科技大学白水苹果试验示范站的秦冠苹果为研究对象,采集苹果果实的高光谱图像和果面图像,对苹果图像进行压缩感知预处理和计算机视觉特征提取,并使用支持向量机算法根据苹果图像的计算机视觉特征来对苹果的水心病患病程度进行分级。实验表明:该系统对苹果水心病的分级准确率可以达到78.2%。与人工对苹果水心病分级相比,该系统不依赖于农业专家对苹果水心病特征的丰富知识,不受农业专家的主观影响。本系统作为苹果采摘机器人的一个模块可以为苹果的采摘行为提供指导,降低了人工成本,提高了经济效益。 相似文献
9.
基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别 总被引：2，自引：0，他引：2
为了解决苹果果梗/花萼与伤痕在线识别的问题,利用自行设计的机器视觉检测系统在线采集苹果图像,通过自动分割合成算法将3个不同运动状态下的图像进行合成,使得合成后图像可以包含苹果的整个表面。再利用感兴趣区域提取算法提取出苹果合成图像中的果梗/花萼和伤痕部分。通过分析早期伤痕、中期伤痕和后期伤痕的纹理特征和边缘梯度特征,得出纹理特征适用于早中期伤痕与果梗/花萼的检测,而由于后期伤痕的褐变严重且多已出现凹陷,其纹理特征与果梗/花萼相似,故通过提取后期伤痕和果梗/花萼的边缘梯度特征值用于两者的区分。从SVM的建模结果来看,对于早中期伤痕,模型的总体判别正确率为97%,而后期伤痕的总体判别正确率为96%,并利用所得到的模型设计了用于果梗/花萼与伤痕区分的总体算法。最终通过80个带有不同种类伤痕的样本验证总体算法的正确率为95%,验证试验结果表明该算法可实现对果梗/花萼与伤痕的在线识别。 相似文献
10.
11.
【目的】推进水果采摘机械化,同时减少机械采摘中水果的损耗。【方法】本研究设计了一种剪切夹持一体化的通用采摘末端执行器,该执行器采用直流减速电机推拉螺杆套接的法兰盘来改变连杆与导轨滑块间的角度,从而带动移动刀台的往复运动,实现剪切夹持与松开的动作;刀片下端配备硅胶材质的柔性夹持体,可以在剪切力增大时夹紧果梗,便于剪断;同时使用SolidWorks软件对该执行器进行了动力学分析。【结果】电机转矩与刀尖剪切力在连杆与导轨夹角最大处的比例系数为3.697,结合选定的电机型号,该末端执行器的剪切力大于小型水果的果梗剪切强度,满足一般水果的采摘要求。【结论】该末端执行器通过改变微动开关的位置及刀片夹持体的相对位置可适用于不同类型的水果剪切果梗采摘,具有轻便、操作简单、适用性强等优点。 相似文献
12.
准确识别定位采摘点，根据果梗方向，确定合适的采摘姿态，是机器人实现高效、无损采摘的关键。由于番茄串的采摘背景复杂，果实颜色、形状各异，果梗姿态多样，叶子藤枝干扰等因素，降低了采摘点识别准确率和采摘成功率。针对这个问题，考虑番茄串生长特性，提出基于实例分割的番茄串视觉定位与采摘姿态估算方法。首先基于YOLACT实例分割算法的实例特征标准化和掩膜评分机制，保证番茄串和果梗感兴趣区域(Region of interest, ROI)、掩膜质量和可靠性，实现果梗粗分割；通过果梗掩膜信息和ROI位置关系匹配可采摘果梗，基于细化算法、膨胀操作和果梗形态特征实现果梗精细分割；再通过果梗深度信息填补法与深度信息融合，精确定位采摘点坐标。然后利用果梗几何特征、八邻域端点检测算法识别果梗关键点预测果梗姿态，并根据果梗姿态确定适合采摘的末端执行器姿态，引导机械臂完成采摘。研究和大量现场试验结果表明，提出的方法在复杂采摘环境中具有较高的定位精度和稳定性，对4个品种的番茄串采摘点平均识别成功率为98.07%,图像分辨率为1 280像素×720像素时算法处理速率达到21 f/s,采摘点图像坐标最大定位误差为3像素... 相似文献
13.
【目的】为了提高模型的通用性,确保在实际的近红外定性模型的构建过程中能够提取近红外光谱更多的有效信息,建立一套稳定的、能够适应外界光谱变化的近红外定性模型。【方法】研究小组采用基于加速遗传算法的投影寻踪方法构建光谱的定性模型。通过混合多批次、多产地、多等级、多部位的光谱作为训练样本集,来提高模型的通用性。然后计算投影特征向量和其他光谱集的投影值,并分别进行比较。【结果】建模集与同批次光谱集的均值的变异系数为0.63%,与不同批次光谱集的均值的变异系数为1.54%,并且,混合不同批次样本前后,不同批次样本集投影值均值的变异系数从1.54%降至0.26%。【结论】通过混合不同批次的光谱,可明显提高模型在不同批次光谱的定性表现。因此,使用投影寻踪方法建立光谱的定性模型具备很好的可行性。 相似文献
14.
【目的】为了解决传统水果糖度检测装置体积庞大、造价昂贵、不易推广、检测过程中需要破坏样品等问题。【方法】课题组设计了一款基于安卓手机进行苹果无损糖度检测并结合柔性分拣技术进行苹果多级分拣的系统,分析了该系统的创新点及软硬件设计,并选取80个无外部机械损伤和缺陷的红富士苹果进行了系统调试与试验,通过手机对每个苹果拍摄4次照片,在手机App中将光谱信息转化为数字信号,再进行模型分析和处理,最终将测量糖度数值显示在手机App上。【结果】经过多次测量,该系统检测误差为0.64%～8.37%,精度较高,能够较好地与模型拟合。【结论】1）该系统能够很好地实现苹果糖度无损检测,并且通过糖度和大小两项指标对苹果进行多级柔性分拣可以提高苹果质量,收获口碑,提高区域知名度,以点带面,带动地方经济发展,推动乡村振兴;2）目前试验中所采用的水果均为无外部机械损伤和缺陷、无病害的苹果、梨等薄皮水果,针对内部有损害或表面有破损的苹果或其他类型水果的糖度检测模型还需要进一步研究。 相似文献
15.
【目的】快速、精确地获得作物水分状况。【方法】采用高光谱采样数据分析方法,研究了北京大兴冬小麦不同生育期不同水分条件下的冠层光谱变化特点,筛选了水分光谱敏感波段,构建了冬小麦水分状况诊断模型。【结果】(1)在750~1 075 nm近红外反射平台拔节—抽穗期、抽穗—灌浆期冬小麦冠层光谱反射率随植株含水率的增大而上升,在350~750 nm的可见光区域灌浆—成熟期冬小麦冠层光谱反射率随植株含水率的增大而降低;(2)不同生育期冬小麦植株水分状况均与650~775 nm波段密切相关,其中对冬小麦植株含水率变化最为敏感的波段为661nm和771 nm;(3)通过筛选光谱参数模型、构建基于敏感波段回归模型并综合分析2类模型对冬小麦植株含水率的监测效果发现,冬小麦不同生育期植株含水率监测最佳模型均为光谱参数模型。【结论】在利用光谱技术监测冬小麦植株含水率时,包含661 nm及771 nm附近波段的水分监测光谱参数模型效果最佳。 相似文献
16.
基于近红外光谱和机器学习的大豆种皮裂纹识别研究 总被引：3，自引：0，他引：3
针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法。采用FT-NIR光谱仪采集150粒大豆样品（裂纹大豆75粒,正常大豆75粒）的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate, SNV)、多元散射校正（Multiple scatter correction, MSC）、一阶导数结合SG平滑、二阶导数结合SG平滑等5种方法对获得的光谱进行预处理,分别采用偏最小二乘判别分析法（Partial least squares discriminant analysis, PLS-DA）、k-近邻法（k-nearest neighbor, KNN）、支持向量机法（Support vector machine, SVM）、随机森林法（Random forest,RF）、随机梯度提升法（Stochastic gradient boosting, SGB）、极端梯度提升法（Extreme gradient boosting,XGBoost）等6种机器学习方法建立了大豆种皮裂纹识别模型,研究了不同光谱预处理方法对6种机器学习方法分类效果的影响,对比分析了不同建模方法的分类效果。结果表明,光谱预处理方法对不同机器学习方法的分类效果差别较大。在合适的光谱预处理条件下,6种不同的机器学习算法的验证集准确率均不低于80.00%。PLS-DA的分类效果最好,验证集最优准确率达到90.00%;XGBoost的分类效果次之,验证集最优准确率达到86.67%,接下来依次是SVM、KNN、SGB和RF。利用近红外光谱技术和机器学习方法识别大豆种皮裂纹是可行的,在原始光谱条件下,PLS-DA是大豆种皮裂纹识别的最佳方法。 相似文献
17.
以醋糟有机基质为研究对象,采用便携式可见/近红外光谱仪采集了不同含水率基质样品（69个）的漫反射光谱,通过选择不同的光谱预处理方法并确定其主成分数,建立了基于偏最小二乘法（PLS）的醋糟基质含水率定量分析模型。结果表明,以滑动平均滤波（MAF）和一阶微分（FD）相结合作为原始光谱的预处理方法所建立的模型（主成分数为5）对基质含水率的检测效果较好,其校正模型和预测模型决定系数分别为0.9930和0.9901,校正均方根误差（RMSEC）和预测均方根误差（RMSEP）分别为0.0676和0.0715。因此,可见/近红外光谱技术可以作为醋糟有机基质含水率快速检测的一种可靠方法。 相似文献
18.
【目的】探究提高干旱区荒漠苜蓿农田滴灌水分利用效率的方法,制定适宜的节水灌溉制度。【方法】以苜蓿为研究对象,基于HYDRUS-1D模型设置4种灌溉水平（高强度大灌溉量（LH-I）、中强度大灌溉量（MH-I）、低强度中等灌溉量（SM-I）、无灌溉（CK））和5个0～20 cm土层初始土壤体积含水率梯度（4%、6%、8%、10%、12%,分别表示为S1、S2、S3、S4、S5）,分析苜蓿根系土壤体积含水率降至土壤凋萎点的时间、峰值及维持在土壤凋萎点以上的时长,筛选0～20 cm土层不同土壤初始体积含水率下的最优灌溉水平。【结果】0～20 cm土层土壤体积含水率的变化对SM-I、CK灌溉水平具有显著影响;在无灌溉的情况下,体积含水率?10%的0～20 cm土层土壤会补给根系层水分;低含水率的0～20 cm土层土壤更有利于LH-I灌溉水平下的水分在根系层的留存,SM-I水平下根系层水分的留存时长与0～20cm土层土壤体积含水率呈正相关。LH-I灌溉水平下的深层土壤体积含水率峰值相比MH-I、SM-I、CK灌溉水平分别提高10.28%、27.91%、107.93%;MH-I灌溉水平下根系层土壤体... 相似文献
19.
墒情遥感监测中热惯量模型的修正 总被引：3，自引：3，他引：0
墒情是反映作物旱情态势的直观指标,但随作物发育植株叶片对土壤背景形成愈加强烈的郁闭作用,以热惯量法为基础的墒情反演模型精度随之降低。经试验对比分析可知,在作物发育早期即低植被覆盖区,增强植被指数(EVI)较归一化植被指数(NDVI)对植被的识别更为敏感,能够更好地削弱土壤背景影响。【目的】提高热惯量模型在墒情遥感监测中的精度和适用性。【方法】通过在常规热惯量模型中引入EVI作为影响因子,实现对常规热惯量模型的修正。【结果】修正后的热惯量模型在EVI均值不大于0.18时,平均反演精度可达80%以上。【结论】在相同自然条件下,修正热惯量模型反演精度和适用范围均优于常规热惯量模型。 相似文献
20.
【目的】机器视觉技术具有无损、快速、准确、智能化程度高等优点,被广泛应用于水果检测中,替代人工对水果的检测分级,因此研究小组基于机器视觉技术,来探究蜜柑横径的测量方法和过程。【方法】研究小组在试验研究过程中,通过图像采集系统获取蜜柑样本图像,并对其进行灰度化、中值滤波等预处理,采用阈值分割的方法将蜜柑图像和背景图像进行分割。对蜜柑图像区域进行填充和形态学处理等,提取蜜柑的边缘轮廓图像;运用Canny算子的边缘检测技术,最终提取出蜜柑的轮廓;依据轮廓图像,采用拟合圆法,将拟合出的圆的直径作为蜜柑横径数据,并和人工实测的蜜柑横径数据进行比对和分析。【结果】从测试样本中随机取出9个蜜柑样本进行试验,通过相对误差数据表明,机器视觉技术能够比较合理、准确地计算出蜜柑的横径。【结论】将机器视觉技术应用到蜜柑横径的测量中,通过采用相关的图像处理方法和数据运算,探讨出了蜜柑横径的测量过程和方法,为蜜柑乃至柑橘类水果的智能化分级提供了方法理论和数据基础。 相似文献