针对传统稻种发芽率检测操作复杂,耗时长,稻种外壳污染物干扰光谱检测等问题,提出一种基于稻种糙米近红外光谱检测实现稻种发芽率快速检测的新方法.将192份糙米样品的光谱分为校正集144份和预测集48份,通过不同预处理方法和化学计量学...针对传统稻种发芽率检测操作复杂,耗时长,稻种外壳污染物干扰光谱检测等问题,提出一种基于稻种糙米近红外光谱检测实现稻种发芽率快速检测的新方法.将192份糙米样品的光谱分为校正集144份和预测集48份,通过不同预处理方法和化学计量学建模方法,分析不同老化时间糙米的光谱差异,建立糙米发芽率的预测模型.结果表明：在全波段570~1 848 nm采用二阶导数＋SNV and Detrend的预处理并结合偏最小二乘法（PLS）建立的模型最优,其校正集决定系数RC与标准偏差SEC分别为0.976和1.244,预测集相关系数RP与标准偏差SEP分别为0.951和1.935.采用近红外光谱分析技术对稻种糙米发芽率进行测定是可行的,所建模型在稻种糙米发芽率预测方面有较好的预测能力.展开更多
为实现植物群生长参数在线无损检测,采用机器视觉技术捕获植物群冠层图像,通过RGB空间超绿色-超红色指标(excess green minus excess red,ExG-ExR)、超绿色指标(excess green,ExG)和归一化差异指标(normalized difference indices,NDI)...为实现植物群生长参数在线无损检测,采用机器视觉技术捕获植物群冠层图像,通过RGB空间超绿色-超红色指标(excess green minus excess red,ExG-ExR)、超绿色指标(excess green,ExG)和归一化差异指标(normalized difference indices,NDI)3种指标分割植物群冠层图像,提取植物群图像特征参数:覆盖率、冠层幅长和冠层幅宽,并结合人工测量植物群体参数:茎秆高度、茎直径、叶面数量、坐果数量和叶面指数(leaf area index,LAI)(拟合值),建立植物群5个生长参数的5种反演模型分别为覆盖率反演模型、冠层幅宽反演模型、冠层幅长反演模型、回归方程反演模型和均值反演模型。结果表明:采用ExG-ExR分割的植物群冠层区域与人工提取区域重合度大于99.5%,识别率大于98.2%,分割性能优于ExG+Otsu和NDI+Otsu分割方法。采用120幅反演模型验证图验证反演模型性能,结果表明植物群冠层覆盖率反演模型反演5个植物群生长参数时,其反演值与测量值间相关性决定系数大于0.958,性能优于冠层幅宽和幅长反演模型,而回归方程和均值反演模型在反演植物群5个生长参数时,都仅有2个参数反演性能优于覆盖率反演模型。茎秆高度、叶面数量、茎直径、坐果数量和LAI的反演模型反演值与测量值间线性相关决定系数最高分别为0.979、0.976、0.979、0.965和0.973,标准误差(standard error,SE)分别为10.55 cm、1.37、0.213 mm、0.672和0.055,其对应的反演模型分别为均值反演模型、覆盖率反演模型、覆盖率反演模型、覆盖率反演模型和均值反演模型。通过机器视觉技术及反演模型能够在线无损准确反演植物群生长参数,为温室环境调控及精准肥水一体灌溉控制系统提供具有代表性意义的决策依据。展开更多
基金The National Natural Science Foundation of China(31401610)the Natural Science Foundation of Jiangsu Province(BK20130696)+1 种基金the Fundamental Research Funds for the Central Universities(KYZ201427)Remote Measurement and Control Technology Key Laboratory Open Fund of Jiangsu Province(YCCK201501)
文摘针对传统稻种发芽率检测操作复杂,耗时长,稻种外壳污染物干扰光谱检测等问题,提出一种基于稻种糙米近红外光谱检测实现稻种发芽率快速检测的新方法.将192份糙米样品的光谱分为校正集144份和预测集48份,通过不同预处理方法和化学计量学建模方法,分析不同老化时间糙米的光谱差异,建立糙米发芽率的预测模型.结果表明：在全波段570~1 848 nm采用二阶导数＋SNV and Detrend的预处理并结合偏最小二乘法（PLS）建立的模型最优,其校正集决定系数RC与标准偏差SEC分别为0.976和1.244,预测集相关系数RP与标准偏差SEP分别为0.951和1.935.采用近红外光谱分析技术对稻种糙米发芽率进行测定是可行的,所建模型在稻种糙米发芽率预测方面有较好的预测能力.
文摘为实现植物群生长参数在线无损检测,采用机器视觉技术捕获植物群冠层图像,通过RGB空间超绿色-超红色指标(excess green minus excess red,ExG-ExR)、超绿色指标(excess green,ExG)和归一化差异指标(normalized difference indices,NDI)3种指标分割植物群冠层图像,提取植物群图像特征参数:覆盖率、冠层幅长和冠层幅宽,并结合人工测量植物群体参数:茎秆高度、茎直径、叶面数量、坐果数量和叶面指数(leaf area index,LAI)(拟合值),建立植物群5个生长参数的5种反演模型分别为覆盖率反演模型、冠层幅宽反演模型、冠层幅长反演模型、回归方程反演模型和均值反演模型。结果表明:采用ExG-ExR分割的植物群冠层区域与人工提取区域重合度大于99.5%,识别率大于98.2%,分割性能优于ExG+Otsu和NDI+Otsu分割方法。采用120幅反演模型验证图验证反演模型性能,结果表明植物群冠层覆盖率反演模型反演5个植物群生长参数时,其反演值与测量值间相关性决定系数大于0.958,性能优于冠层幅宽和幅长反演模型,而回归方程和均值反演模型在反演植物群5个生长参数时,都仅有2个参数反演性能优于覆盖率反演模型。茎秆高度、叶面数量、茎直径、坐果数量和LAI的反演模型反演值与测量值间线性相关决定系数最高分别为0.979、0.976、0.979、0.965和0.973,标准误差(standard error,SE)分别为10.55 cm、1.37、0.213 mm、0.672和0.055,其对应的反演模型分别为均值反演模型、覆盖率反演模型、覆盖率反演模型、覆盖率反演模型和均值反演模型。通过机器视觉技术及反演模型能够在线无损准确反演植物群生长参数,为温室环境调控及精准肥水一体灌溉控制系统提供具有代表性意义的决策依据。
