从系统建设目标、系统结构设计、数据库设计和功能设计等方面,开发基于5G技术的智慧茶园管理监控平台并加以应用。利用信息技术和网络技术,实现茶叶识别、长势预测等功能,系统通过空间数据引擎ArcSDE,以SQL Server 2000作为统一数据库...从系统建设目标、系统结构设计、数据库设计和功能设计等方面,开发基于5G技术的智慧茶园管理监控平台并加以应用。利用信息技术和网络技术,实现茶叶识别、长势预测等功能,系统通过空间数据引擎ArcSDE,以SQL Server 2000作为统一数据库管理工具,在Visual C~(++)6.0环境下开发客户端应用平台。该系统采用嵌入式集成方式,弥补传统目测方法中效率低的不足,能够进行实时监控、及时预警,实现对历史数据的多维度分析和预测,为茶产业发展提供更高效的管理系统。展开更多
【目的】叶片叶绿素含量(leaf chlorophyll content,LCC)是表征金沙柚(Citrus grandis(L.)Osbeck)长势状况的重要指标。利用无人机RGB图像可实现植被长势参数实时、无损监测。然而,当前人们对无人机RGB图像监测蜜柚LCC时的敏感图像特征...【目的】叶片叶绿素含量(leaf chlorophyll content,LCC)是表征金沙柚(Citrus grandis(L.)Osbeck)长势状况的重要指标。利用无人机RGB图像可实现植被长势参数实时、无损监测。然而,当前人们对无人机RGB图像监测蜜柚LCC时的敏感图像特征及适宜感兴趣区(region of interest,ROI)选取模式尚不明确。为构建基于无人机RGB图像的蜜柚LCC监测模型,实现利用无人机RGB图像快速监测金沙柚LCC。【方法】本研究基于不同氮肥水平的金沙柚田间试验,于开花期、幼果期和果实膨大期测定蜜柚LCC,同步使用无人机采集蜜柚RGB图像,并提取不同类型图像特征(6个颜色特征、9个植被指数、9个纹理特征);分别在叶片ROI和冠层ROI两种模式下,分析不同图像特征与蜜柚LCC之间的相关性,确定最优ROI选取模式及敏感图像特征,并构建定量监测模型。【结果】包含有丰富红光信息的红光值(redness intensity,R)、超红植被指数(excess red vegetation index,ExR)和基于红光波段提取的均值(mean texture based on the red band,MEA-R)对蜜柚LCC敏感,在叶片ROI模式下利用其构建的监测模型精度高于在冠层ROI模式下构建的监测模型精度。3个图像特征中,ExR与蜜柚LCC之间相关性最高,在叶片ROI模式下构建的全生育期监测模型建模决定系数(determination coefficient,R^(2))达到0.83,模型检验时归一化均方根误差(normalized root mean square error,nRMSE)和偏差(bias)分别为0.24和0.01 mg/g。R和MEA-R表现相似,叶片ROI模式下其建模R^(2)为0.72,检验nRMSE为0.33。【结论】考虑到监测模型的准确性和图像特征提取的方便性,本研究确定可基于叶片ROI模式提取图像特征ExR并构建全生育期蜜柚LCC监测模型:LCC=-0.01×ExR+2.83,实现利用无人机搭载数码相机快速、准确监测园区尺度金沙柚LCC,在金沙柚生长无损监测诊断和精确管理中具有应用价值。展开更多
文摘从系统建设目标、系统结构设计、数据库设计和功能设计等方面,开发基于5G技术的智慧茶园管理监控平台并加以应用。利用信息技术和网络技术,实现茶叶识别、长势预测等功能,系统通过空间数据引擎ArcSDE,以SQL Server 2000作为统一数据库管理工具,在Visual C~(++)6.0环境下开发客户端应用平台。该系统采用嵌入式集成方式,弥补传统目测方法中效率低的不足,能够进行实时监控、及时预警,实现对历史数据的多维度分析和预测,为茶产业发展提供更高效的管理系统。
文摘【目的】叶片叶绿素含量(leaf chlorophyll content,LCC)是表征金沙柚(Citrus grandis(L.)Osbeck)长势状况的重要指标。利用无人机RGB图像可实现植被长势参数实时、无损监测。然而,当前人们对无人机RGB图像监测蜜柚LCC时的敏感图像特征及适宜感兴趣区(region of interest,ROI)选取模式尚不明确。为构建基于无人机RGB图像的蜜柚LCC监测模型,实现利用无人机RGB图像快速监测金沙柚LCC。【方法】本研究基于不同氮肥水平的金沙柚田间试验,于开花期、幼果期和果实膨大期测定蜜柚LCC,同步使用无人机采集蜜柚RGB图像,并提取不同类型图像特征(6个颜色特征、9个植被指数、9个纹理特征);分别在叶片ROI和冠层ROI两种模式下,分析不同图像特征与蜜柚LCC之间的相关性,确定最优ROI选取模式及敏感图像特征,并构建定量监测模型。【结果】包含有丰富红光信息的红光值(redness intensity,R)、超红植被指数(excess red vegetation index,ExR)和基于红光波段提取的均值(mean texture based on the red band,MEA-R)对蜜柚LCC敏感,在叶片ROI模式下利用其构建的监测模型精度高于在冠层ROI模式下构建的监测模型精度。3个图像特征中,ExR与蜜柚LCC之间相关性最高,在叶片ROI模式下构建的全生育期监测模型建模决定系数(determination coefficient,R^(2))达到0.83,模型检验时归一化均方根误差(normalized root mean square error,nRMSE)和偏差(bias)分别为0.24和0.01 mg/g。R和MEA-R表现相似,叶片ROI模式下其建模R^(2)为0.72,检验nRMSE为0.33。【结论】考虑到监测模型的准确性和图像特征提取的方便性,本研究确定可基于叶片ROI模式提取图像特征ExR并构建全生育期蜜柚LCC监测模型:LCC=-0.01×ExR+2.83,实现利用无人机搭载数码相机快速、准确监测园区尺度金沙柚LCC,在金沙柚生长无损监测诊断和精确管理中具有应用价值。
