共查询到20条相似文献，搜索用时 286 毫秒
1.
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
2.
选用扫描仪获取水稻叶片的数字图像,通过比较第1和第3完全展开叶 (L1和L2) 颜色参量的空间分布,研究基于机器视觉技术的水稻氮素诊断的最佳叶位和位点选择.结果表明基于机器视觉的水稻氮素营养诊断是有理论依据的,能反映出叶片的营养状况; 选择B、b、b/(r+g)、b/r、b/g作为最优颜色特征参量;比较颜色特征参量对应的变异系数CV,得到低氮处理的CV明显高于正常氮素水平,同时CV随着叶位的增加而减小;不同位点的CV其叶尖和叶基的变化幅度较为接近,不同位点间差异不显著.初步研究选择第3完全展开叶作为水稻无损氮素诊断的最佳叶位. 相似文献
3.
4.
便携式作物氮素监测仪性能水稻田间测试 总被引：4，自引：0，他引：4
设计了2个品种和4个施氮水平的水稻田间试验,采用自行研制的便携式作物氮素监测仪获取各关键生育期的水稻冠层反射光谱信息,并实施田间协同取样和实验室氮素含量测定。通过分析水稻叶片氮含量与冠层光谱反射率及植被指数之间的相关性和定量关系,测试并评价便携式作物氮素监测仪的工作性能。结果表明,便携式作物氮素监测仪具有优异的氮素监测效果和优良的田间工作性能,在其所具备的4个特征波段中,660、710和810nm单一波长的光谱反射率与叶片氮含量的相关性均大于0.5,并全部通过0.01水平的极显著检验;在各生育期中,所有双波段光谱植被指数与叶片氮含量的拟合系数均大于0.7,并以开花期和成熟期的拟合系数（大于0.83）为最高;对全生育期的整体分析表明,归一化光谱指数NDVI（810,710）和NDVI（710,546）与叶片氮素含量的决定系数分别达到了 相似文献
5.
基于高光谱和频谱特征的注水肉识别方法 总被引：1，自引：0，他引：1
为实现注水肉快捷有效的识别,以猪肉为研究对象,利用高光谱技术分析了注水肉和正常肉的光谱特征,通过傅里叶变换的方法,提取样本的频谱特征参数,然后分别基于猪肉样本的全光谱、特征光谱和频谱特征参数,分别建立正常猪肉和注水猪肉的支持向量机（SVM）和BP神经网络分类识别模型,并采用验证集对模型性能进行试验验证。结果表明,基于频谱特征参数建立的神经网络分类识别模型具有最优的分类识别效果,正确识别率达98.8%;基于特征光谱建立的神经网络分类识别模型分类识别效果次之,正确识别率为96.4%;而基于全光谱建立的支持向量机分类识别模型分类识别效果最差,正确识别率只有84.5%。说明采用高光谱技术可以对注水猪肉进行快速而有效的检测识别。 相似文献
6.
基于高光谱的抽穗期寒地水稻叶片氮素预测模型 总被引：3，自引：0，他引：3
为快速、无损地监测水稻叶片氮素营养状况,开展了基于高光谱成像技术的抽穗期寒地水稻叶片氮素预测模型的研究。以不同施氮水平的寒地水稻叶片为研究对象,采用连续投影算法(successive projections algorithm,SPA)和分段主成分分析(segmented principal components analysis,SPCA)方法选择水稻叶片的高光谱特征波段,SPCA方法降维后结合相关分析(correlation analysis,CA)构建特征光谱参量,并建立基于全波段高光谱数据、SPA特征波段及SPCA特征光谱参量的多种回归分析模型且对模型进行检验和筛选。研究结果表明:在校正集决定系数RC2上,基于多元逐步回归分析(multiple stepwise regression analysis,MSRA)的全波段模型较好,RC2=0.9 6 4,校正集均方根误差RMSEC=0.083;RP2为0.961,RMSEP为0.050。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了技术支撑和理论依据。 相似文献
7.
氮素胁迫下水稻高光谱特征研究 总被引：1，自引：0，他引：1
氮素是水稻生长发育的一种大量必需元素,需及时准确地监控水稻的氮营养状况。水稻的合理施肥对增产、优化品质、降低水污染具有重要意义。水稻营养状况遥感诊断技术具有简单、无损、快速等特点而得到各国专家的广泛研究和应用。本实验以方正水稻阳光4号品种为例,通过大田实验,利用高光谱遥感技术,采集6个施氮水平的水稻冠层水稻冠层图像,测定水稻冠层光谱反射率。结果表明:水稻冠层反射率与不同氮素含量有明显的相关性,从曲线图中可以定性区分出严重缺氮、正常施氮及过量施氮。下一步将结合光谱曲线找出诊断水稻氮素营养水平的敏感波段,为日后水稻冠层氮素营养诊断模型奠定基础。 相似文献
8.
植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。 相似文献
9.
10.
利用不同品种糯玉米各生长时期叶片的反射与透射数字图像特征,以叶片数字特征研究不同糯玉米品种的识别方法,以及不同类特征或特征类组合的识别稳定性。连续2年采集不同生长时期各糯玉米品种的叶片,提取叶片反射与透射图像特征各48个(其中,形态类特征11个、颜色类特征24个、纹理类特征13个),利用自建的BP神经网络模型对两种图像模式下的单特征和特征组合进行识别。结果表明,反射图像和透射图像的单特征和特征组合的平均识别率均达到了90%以上;基于反射图像,单特征中的纹理特征和颜色特征以及组合特征中的颜色+纹理特征组合均具有较高的识别稳定性;基于透射图像,单特征中的纹理特征以及形态+颜色、形态+纹理特征组合均具有相对较高的识别稳定性。利用各生长时期的叶片实现对糯玉米的品种识别具有一定的可行性;同时引入透射图像特征也为其它农作物的品种识别提供了一种新的借鉴方法。 相似文献
11.
基于田间图像的局部遮挡小尺寸稻穗检测和计数方法 总被引：1，自引：0，他引：1
大田水稻生长环境复杂,稻穗尺寸相对较小,且与叶片之间贴合并被遮挡严重,准确识别复杂田间场景中的水稻稻穗并自动统计穗数具有重要意义。为了实现对局部被叶片遮挡的小尺寸稻穗的计数,设计了一种基于生成特征金字塔的稻穗检测(Generative feature pyramid for panicle detection,GFP-PD)方法。首先,针对小尺寸稻穗在特征学习时的特征损失问题,量化分析稻穗尺寸与感受野大小的关系,通过选择合适的特征学习网络减少稻穗信息损失;其次,通过构造并融合多尺度特征金字塔来增强稻穗特征。针对稻穗特征中因叶片遮挡产生的噪声,基于生成对抗网络设计遮挡样品修复模块(Occlusion sample inpainting module,OSIM),将遮挡噪声修复为真实稻穗特征,优化遮挡稻穗的特征质量。对南粳46水稻的田间图像进行模型训练与测试,GFP-PD方法对稻穗计数的平均查全率和识别正确率为90.82%和99.05%,较Faster R-CNN算法计数结果分别提高了16.69、5.15个百分点。仅对Faster R-CNN算法构造特征金字塔,基于VGG16网络的平均查全率和识别正确率分别为87.10%和93.87%,较ZF网络分别提高3.75、1.20个百分点;进一步使用OSIM修复模型、优化稻穗特征,识别正确率由93.87%上升为99.05%。结果表明,选择适合特征学习网络和构建特征金字塔能够显著提高田间小尺寸稻穗的计数查全率; OSIM能够有效去除稻穗特征中的叶片噪声,有利于提升局部被叶片遮挡的稻穗的识别正确率。 相似文献
12.
针对水稻病害识别方法准确度低、模型收敛速度缓慢的问题,本文提出了一种高性能的轻量级水稻病害识别模型,简称为CA（Coordinate attention）-MobileNetV3。通过微调的迁移学习策略完善了模型的训练,提升了模型收敛速度。首先创建10个种类的数据集,其中包含9种水稻病害和1种水稻健康叶片。其次使用CA模块,在通道注意力中嵌入空间坐标信息,提高模型的特征提取能力与泛化能力。最后,将改进后的MobileNetV3网络作为特征提取网络,并加入SVM多分类器,提高模型精度。实验结果表明,在本文构建的水稻病害数据集上,初始的MobileNetV3识别准确率仅为95.78%,F1值为95.36%;加入CA模块后识别准确率和F1值分别提高至96.73%和96.56%;再加入SVM多分类器,通过迁移学习后,改进模型的识别准确率和F1值分别达到97.12%和97.04%,参数量和耗时仅为2.99×106和0.91s,明显优于其他模型。本文提出的CA-MobileNetV3水稻病害识别模型能够有效识别水稻叶部病害,实现了轻量级、高性能、易部署的水稻病害分类识别算法。 相似文献
13.
基于地面激光雷达点云数据的树种识别方法 总被引：1，自引：0，他引：1
为了能够更有效地利用地面激光雷达的点云数据识别树种,以北京林业大学为研究区域,利用FARO Photon 120型地面激光雷达在研究区内获取4个树种、共92棵树木的点云数据。依据点云的三维坐标值提取研究区内立木的胸径、枝下高、树高、冠高、最长冠幅、垂直最长方向冠幅6个测树因子,同时提取由测树因子组合而成具有鲁棒性的6个树形特征参数,包括冠长树高比、胸径树高比、冠高树高比、分枝角、冠长最大冠幅之比、最长冠幅与垂直方向冠幅之比。分别使用测树因子和组合特征参数,采用支持向量机、分类回归决策树和随机森林的方法,对树种进行冠幅自动识别。研究结果表明：使用测树因子树木识别方法,识别平均准确率为0.765,平均召回率为0.778,3种识别方法中,分类效果较好的依次为分类回归决策树、随机森林、支持向量机;使用组合特征参数树木识别方法,识别平均准确率为0.891,平均召回率为0.896,分类效果较好的方法是随机森林和支持向量机,其次是分类回归决策树;总体上来看,不论是对于单个树种还是总体的准确率和召回率,组合特征参数法均高于测树因子法,而对于3种不同的分类方法,随机森林相对最好。研究结果表明,结合地面激光雷达获取的点云和不同机器学习分类方法进行树种识别分类可以达到满意的效果,且能节省大量时间和人力。 相似文献
14.
为了在病害发生条件下进行玉米LAI的遥感估算,针对41个不同抗性的玉米自交系品种,通过人工接种方法,获得了不同病害严重程度(1～9级)的LAI数据,同时采集了地面高光谱和无人机多光谱数据,构建了K近邻算法、支持向量机、梯度提升分类树和决策分类树分类模型对病害进行分类,对玉米种质资源抗病性进行了划分。基于不同玉米病害胁迫程度分类结果,采用随机森林回归、梯度提升回归树、极端梯度增强算法、轻量梯度提升机4种机器学习模型对玉米LAI进行反演,讨论了不同模型在病害胁迫下的鲁棒性。研究结果表明,对不同生育期玉米病害程度进行划分,基于地面高光谱识别精度分别为84.72%(梯度提升分类树)、47.67%(支持向量机)、55.05%(K近邻算法)、83.02%(决策分类树)。基于病害分类结果,本文利用无人机多光谱数据估算了不同病情等级胁迫下的玉米LAI。构建了4种集成学习模型对不同病情等级的LAI进行估算,4个LAI反演模型的总体反演精度(rRMSE)分别为：19.11%(梯度提升回归树)、15.94%(轻量梯度提升机)、14.51%(随机森林回归)和15.45%(极端梯度增强算法)。其中极端梯度增强算... 相似文献
15.
为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练... 相似文献
16.
基于计算机视觉的番茄营养元素亏缺识别研究 总被引：1，自引：0，他引：1
针对番茄种植中营养元素的亏缺,肉眼不易进行识别判断的问题,以番茄亏缺氮、镁营养元素为研究对象,利用CDD摄像机采集研究图像,将图像进行处理后,提取分割出可以表现亏缺氮、镁的特征图像,提取颜色特征和纹理特征,并通过遗传算法进行优化。同时,将优化的特征进行组合分析,以此建立特征模型,并确定特征向量用于分析提取出来的特征参数,建立的特征模型,并采用二叉树形式对番茄缺素识别进行研究。仿真试验结果表明:番茄种植中,采用计算机视觉技术识别亏缺氮、镁营养元素,识别准确率可以满足生产需要。种植户可以根据检测结果对番茄进行区别施肥,既能满足番茄生长的需要,又不会造成资源的浪费,符合农业可持续发展的要求。 相似文献
17.
基于叶片形态的田间植物检测方法 总被引：1，自引：0，他引：1
利用图像处理技术方法,以田间拍摄的水稻图像为研究对象,对田间植物进行检测研究。通过改进归一化绿蓝差值指数IDNBG 与色度模型,经过分类识别、图像阈值分割等步骤,对植物叶片进行提取。利用形态学正反向组合运算实现叶片内部完整性修复;利用边界4连通链码边缘检测实现叶片边缘平滑性修复。通过对可见光条件下田间拍摄的40幅图像进行植物提取实验,植物叶片提取正确率平均可达83.07%,误分率为3.57%。对其中90条边缘线进行边界平滑修复,部分叶片边缘被平滑但使叶片提取正确率降低0.63%。对植物检测主要影响因子进行分析得出,成像条件差异易影响亮度因子;通过形态学膨胀与正反向过滤运算,露珠与病斑得到一定程度的保留,提取叶片内部形状完整;链码运算可使叶片边缘得到平滑,同时也会去除部分正确的叶片,其运算量较大。 相似文献
18.
为了快速、精准地感知水稻稻曲病的发生，实现稻曲病大面积早期监测，利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据，对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练，建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型，通过验证样本来检验识别模型的准确性，达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好，总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分，贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型；其中非线性分类的效果优于线性分类的效果，总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机... 相似文献
19.
不同灌溉方式水稻植株对氮素的吸收利用研究 总被引：9，自引：0，他引：9
研究不同灌溉条件下水稻植株对氮素的吸收和利用。结果表明，在研究条件下，薄浅湿晒和间歇灌两种灌溉方式有利于水稻形成健壮的根系、增强吸氮能力，有利于氮素向生长中心转移，增加生长后期叶面积指数和叶片含氮量，提高水稻产量。 相似文献
20.
为实现烤烟等级的快速准确识别,降低人工分级中主观因素对分级结果的影响,提高烟叶分级的准确性和一致性,提出一种基于烤烟RGB图像和深度学习的多尺度特征融合的烟叶图像等级分类方法,采用ResNet50提取烟叶图像特征,并引入基于注意力机制的SE模块(压缩激发模块),增强不同通道特征的重要程度;同时,采用FPN(特征金字塔网络)对提取的由浅及深不同层级的烟叶特征进行融合,以实现烟叶多尺度特征的表达。采集皖南地区6068个烤烟的正面和背面图像用于建模和分析。结果表明,提出的烟叶分级方法的分级正确率比经典CNN(卷积神经网络)高出5.21%,分级模型在新批次7个等级烟叶上的分级正确率为80.14%,相邻等级的分级正确率为91.50%。因此,采用RGB图像结合深度学习技术可实现烤烟烟叶等级的良好识别,可为烤烟烟叶收购等级评价提供一种新方法。 相似文献