期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
番茄叶片早疫病近红外高光谱成像检测技术
被引量：
11
1
作者
谢传奇
方孝荣
+1 位作者
邵咏妮
何勇
《农业机械学报》
EI
CAS
CSCD
北大核心
2015年第3期315-319,共5页
提出了基于格拉姆斯密特（MGS）模型和贝叶斯罗蒂斯克回归（BlogReg）的近红外高光谱成像技术检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取波长874-1 734 nm范围内70个染病和80个健康番茄叶片的高光谱图像,选取染病和健康叶...
提出了基于格拉姆斯密特（MGS）模型和贝叶斯罗蒂斯克回归（BlogReg）的近红外高光谱成像技术检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取波长874-1 734 nm范围内70个染病和80个健康番茄叶片的高光谱图像,选取染病和健康叶片30像素×30像素感兴趣区域的光谱反射率。建立了番茄叶片早疫病的最小二乘-支持向量机（LS-SVM）识别模型,再通过MGS和BlogReg提取特征波长（EW）,分别得到5个（911、1 409、1 511、1609、1 656 nm）和9个（901、905、908、915、918、1 123、1 305、1 460、1 680 nm）特征波长,并建立EW-LS-SVM和EWLDA模型。在所有模型中,建模集的正确识别率为93%-98%,预测集的正确识别率为96%-100%。结果表明,近红外高光谱成像技术检测番茄叶片早疫病是可行的,MGS和BlogReg都是有效的特征波长提取方法。
展开更多
关键词
番茄
早疫病
近红外光谱
格拉姆斯密特模型
贝叶斯罗蒂斯克回归
最小二乘-支持向量机
在线阅读
下载PDF
职称材料
小波变换与分水岭算法融合的番茄冠层叶片图像分割
被引量：
11
2
作者
丁永军
张晶晶
+1 位作者
LEE Won Suk
李民赞
《农业机械学报》
EI
CAS
CSCD
北大核心
2017年第9期32-37,共6页
在基于机器视觉的作物营养诊断研究中,通常需要采集叶片样本并在实验室条件下定量测定其营养素含量,但由于叶片间相互重叠,往往使得叶片样本不能清晰地反映在群体番茄冠层图像中。为了解决这一问题,需要利用图像分析技术有效提取作物冠...
在基于机器视觉的作物营养诊断研究中,通常需要采集叶片样本并在实验室条件下定量测定其营养素含量,但由于叶片间相互重叠,往往使得叶片样本不能清晰地反映在群体番茄冠层图像中。为了解决这一问题,需要利用图像分析技术有效提取作物冠层图像中的叶片,并根据处理结果采集实验室测定样本。本文从复杂背景剔除、梯度图计算、小波变换、标记选取、分水岭分割等环节出发,实现了基于小波变换与分水岭算法融合的番茄冠层多光谱图像叶片分割。首先对比了4种复杂背景剔除算法,发现当增强因子a=1.3时,基于归一化植被指数(Normalized difference vegetation index,NDVI)的阈值分割目标提取准确,适合各种光照条件,时空复杂度低。其次在梯度图计算方面,近红外(Near infrared,NIR)波段图像形态学梯度在保持目标边缘的同时,能消除大量由叶脉、光照等引起的叶片内纹理细节。然后以小波分析为基础进行标记选取,发现当选取db4小波函数、4层小波分解低频系数、阈值为18的H-maxima变换能得到最优的目标标记结果。最后对多光谱番茄冠层图像的小波变换分水岭分割和数学形态学分水岭分割结果进行叠加,发现对复杂背景及不同光照强度下的番茄冠层叶片平均误分率为21%,为基于多光谱图像分析的番茄叶片营养素含量检测提供了一定的技术支持。
展开更多
关键词
图像分割
番茄叶片
小波变换
标记分水岭
在线阅读
下载PDF
职称材料
题名
番茄叶片早疫病近红外高光谱成像检测技术
被引量：
11
1
作者
谢传奇
方孝荣
邵咏妮
何勇
机构
浙江
大学
生物
系
统
工程
与食品科学学院
佛罗里达大学农业与生物工程系
金华职业技术学院成人教育学院
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2015年第3期315-319,共5页
基金
国家高技术研究发展计划(863计划)资助项目(2013AA102301)
高等学校博士学科点专项科研基金资助项目(20130101110104)
+1 种基金
教育部留学回国人员科研启动基金资助项目
中央高校基本科研业务费专项资金资助项目(2014FZA6005)
文摘
提出了基于格拉姆斯密特（MGS）模型和贝叶斯罗蒂斯克回归（BlogReg）的近红外高光谱成像技术检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取波长874-1 734 nm范围内70个染病和80个健康番茄叶片的高光谱图像,选取染病和健康叶片30像素×30像素感兴趣区域的光谱反射率。建立了番茄叶片早疫病的最小二乘-支持向量机（LS-SVM）识别模型,再通过MGS和BlogReg提取特征波长（EW）,分别得到5个（911、1 409、1 511、1609、1 656 nm）和9个（901、905、908、915、918、1 123、1 305、1 460、1 680 nm）特征波长,并建立EW-LS-SVM和EWLDA模型。在所有模型中,建模集的正确识别率为93%-98%,预测集的正确识别率为96%-100%。结果表明,近红外高光谱成像技术检测番茄叶片早疫病是可行的,MGS和BlogReg都是有效的特征波长提取方法。
关键词
番茄
早疫病
近红外光谱
格拉姆斯密特模型
贝叶斯罗蒂斯克回归
最小二乘-支持向量机
Keywords
Tomato Early blight Near-infrared spectroscopy Modified gram-schmidt modelBayesian logistic regression Least square - support vector machines
分类号
TP391 [自动化与计算机技术—计算机应用技术]
S436.412 [农业科学—农业昆虫与害虫防治]
在线阅读
下载PDF
职称材料
题名
小波变换与分水岭算法融合的番茄冠层叶片图像分割
被引量：
11
2
作者
丁永军
张晶晶
LEE Won Suk
李民赞
机构
兰州城市学院电子与信息
工程
学院
佛罗里达大学农业与生物工程系
中国
农业
大学
现代精细
农业
系
统集成研究教育部重点实验室
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2017年第9期32-37,共6页
基金
国家自然科学基金项目(31360291
31271619)
+1 种基金
国家留学基金委西部地区人才培养特别项目(201408625069)
兰州城市学院博士科研启动基金项目(LZCU-BS2013-07)
文摘
在基于机器视觉的作物营养诊断研究中,通常需要采集叶片样本并在实验室条件下定量测定其营养素含量,但由于叶片间相互重叠,往往使得叶片样本不能清晰地反映在群体番茄冠层图像中。为了解决这一问题,需要利用图像分析技术有效提取作物冠层图像中的叶片,并根据处理结果采集实验室测定样本。本文从复杂背景剔除、梯度图计算、小波变换、标记选取、分水岭分割等环节出发,实现了基于小波变换与分水岭算法融合的番茄冠层多光谱图像叶片分割。首先对比了4种复杂背景剔除算法,发现当增强因子a=1.3时,基于归一化植被指数(Normalized difference vegetation index,NDVI)的阈值分割目标提取准确,适合各种光照条件,时空复杂度低。其次在梯度图计算方面,近红外(Near infrared,NIR)波段图像形态学梯度在保持目标边缘的同时,能消除大量由叶脉、光照等引起的叶片内纹理细节。然后以小波分析为基础进行标记选取,发现当选取db4小波函数、4层小波分解低频系数、阈值为18的H-maxima变换能得到最优的目标标记结果。最后对多光谱番茄冠层图像的小波变换分水岭分割和数学形态学分水岭分割结果进行叠加,发现对复杂背景及不同光照强度下的番茄冠层叶片平均误分率为21%,为基于多光谱图像分析的番茄叶片营养素含量检测提供了一定的技术支持。
关键词
图像分割
番茄叶片
小波变换
标记分水岭
Keywords
image segmentation
tomato leaves
wavelet transform
marked watershed
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
S24 [农业科学—农业电气化与自动化]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
番茄叶片早疫病近红外高光谱成像检测技术
谢传奇
方孝荣
邵咏妮
何勇
《农业机械学报》
EI
CAS
CSCD
北大核心
2015
11
在线阅读
下载PDF
职称材料
2
小波变换与分水岭算法融合的番茄冠层叶片图像分割
丁永军
张晶晶
LEE Won Suk
李民赞
《农业机械学报》
EI
CAS
CSCD
北大核心
2017
11
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
