玉米苗期冠层多光谱反射率反演与叶绿素含量诊断

为了探索玉米苗期叶片叶绿素含量指标的快速、非破坏性估测方法,该文运用多光谱图像技术对大田玉米苗期叶绿素含量指标进行快速无损的诊断研究。大田试验中,采用2-CCD多光谱图像采集系统获取大田玉米苗期的冠层多光谱图像,并同步采集漫反射灰度板的多光谱图像。为消除光照对图像采集质量的影响,准确将不同光照条件下的玉米冠层图像数据转换为其叶面反射率数据,标定试验中采用一块4个不同灰度级的满足朗伯面条件漫反射灰度板,建立了叶片光谱反射率同图像灰度值之间的线性反演公式,并与大田试验中漫反射灰度板的多光谱图像建立了玉米冠层图像灰度值的校正公式。对玉米苗期冠层多光谱图像进行处理,提取出玉米冠层B、G、R、NIR(中心波长分别为470,550,620,800 nm)4个波段归一化平均灰度值。通过灰度值的校正公式得到校正后的归一化平均灰度值,由线性公式反演出R、G、B、NIR 4个波段的平均反射率值,并计算4种常见光谱植被指数(RNDVI、RNDGI、RRVI和RDVI),采用最小二乘-支持向量回归(LS-SVR)建立植被指数同叶绿素含量指标的拟合模型。结果表明:植被指数RNDVI、RRVI和RDVI和玉米冠层叶绿素含量指标拟合验证集决定系数R2为0.56,达到了较为理想的拟合结果。证明通过漫反射灰度板对玉米冠层多光谱图像建立反射率反演校正模型的方法是可行的,这一方法为快速无损检测玉米苗期叶绿素含量指标提供了支持。     

基于GPRS的移动式农田信息智能服务系统通信协议

移动式智能服务信息系统中,远程无线网络通信协议至关重要,担负着远程主机和移动终端之间进行信息交换和实现信息同步的功能。由于农田信息复杂多样,无法设计出通用的网络传输协议,必须根据实际应用中具体的需求而制定,因此该文提出了基于TCP/IP远程农田网络通信协议。利用此协议,移动式智能服务信息系统实现了远程主机对移动终端PDA的有效管理,实现了远程主机与无线移动终端之间的信息无缝连接,为实现对农田土壤水分、温度等数据的监控奠定基础。     

基于RFID的育种材料田间布局统计系统研究

针对大规模育种条件下海量育种材料田间布局统计手段落后、效率低和及时性差等问题,以改进育种材料田间标识和定位技术为切入点,研究基于RFID技术和手持移动终端的田间布局高效采集模式及布局图快速、准确绘制方法,并集成应用WIFI、GPRS、3G/4G等无线网络技术,构建基于物联网的育种材料田间布局统计系统。系统节省了田间纸质记载和人工录入的环节,避免了二次整理时产生的错误,实现了育种材料的快速准确定位、田间布局数据的高效采集、布局数据的无线实时传输和田间布局图的精确绘制。在国内多家大型育种企业和科研院所应用表明:该系统能够提高育种材料田间布局统计效率和精确度,降低育种从业人员的田间劳动强度,促进育种机械化、信息化的发展进程。     

基于反射光谱预处理的苹果叶片叶绿素含量预测

以苹果叶片叶绿素含量为研究对象,定量研究了光谱数据预处理方法对光谱特征提取及叶绿素含量预测模型的影响。首先,比较了苹果叶片原始反射率光谱、小波包去噪反射率光谱、反射率一阶差分光谱、先小波包去噪后一阶差分光谱、先一阶差分后小波包去噪光谱这5种光谱的波段间相关系数以及光谱与叶绿素含量间的相关系数,建立了叶绿素含量预测逐步回归模型并对建模结果进行了比较分析。结果表明单纯3层sym8小波包去噪可使光谱曲线平滑,但不会明显提高模型精度;一阶差分虽然放大了局部噪声,但是消除了基线漂移影响,可提高模型精度;先差分后小波包去噪比先小波包去噪后差分具有更高的峰值信号噪声比,更低的均方误差与最大误差,建模结果也显示出同样的结果。因此,先差分后小波包去噪算法可认为是一种有效的苹果叶片叶绿素含量预测光谱预处理方法。利用这一方法建立了苹果叶片叶绿素含量预测模型,获得了较高的预测精度。该研究可用于对苹果树营养状态的评价并指导按需施肥。     

车载式土壤光-电特性参数采集系统研究

土壤电导率是衡量土壤传导电流能力的一种固然属性,除了能够反映土壤质地外,还能够反映土壤的含水率、含盐量、有机物含量等特性。利用土壤光谱数据可以分析出土壤含水率、养分等,且测量过程中无需采样、搅动土壤。通过土壤电导率数据和光谱数据的综合、校正,能够提高系统的精度。基于嵌入式技术开发了土壤电导率和光谱反射率综合检测系统。土壤电导率测量系统采用基于改进的电流-电压四端法原理,使用深松犁的尖端作为电极传感器,能够在测量的同时完成松土的作用。光谱测量系统使用微型光谱传感器采集光谱数据,并进行实时处理。在采集土壤电导率、光谱数据的同时,系统同步采集GPS信息,并和土壤电导率、光谱数据一起保存,供进一步绘制土壤特性分布图使用。系统能够实时综合处理多种数据,并进行显示、保存等操作,具有良好的应用 前景。     

融合多光谱成像与深度学习的作物植株叶绿素检测系统研究

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared, NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm, SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression, ...     

田间冬小麦抽穗期长势分析——基于可见-近红外光

为了快速估测大田冬小麦叶绿素含量指标,指导冬小麦抽穗期追肥管理,基于光谱分析技术在可见光和近红外波段(325~1 075 nm)处,对陕西省杨凌区揉谷镇粮食基地的冬小麦进行长势检测、分析。试验在1 000 m×600 m区域内划分为30个采样区进行数据采集,使用ASD Field Spec Hand Held光谱辐射仪(Analytical Spectral Devices.,USA)采集冬小麦的冠层光谱反射率数据,使用SPAD-5 0 2 Plus便携式叶绿素仪测量小麦倒一叶和倒二叶的叶绿素指标(SPAD值),使用G738 CM型手持式GPS记录采样点的位置信息。分别进行冠层光谱反射率小麦倒一叶和倒二叶的预处理,结果表明:冠层反射光谱倒二叶的SPAD值相关系数高于倒一叶。基于相关性分析,选取4个敏感波段538、661、740、850 nm分别与预处理前后的光谱数据进行多元线性回归分析,结果表明:预处理后的模型精度较高,建模精度R2=0.8 3,验证建模精度R2=0.7。同时,绘制了大田作物长势分布图,可为冬小麦抽穗期追肥提供支持。     

基于以太网和移动平台的奶牛场环境远程监控系统

针对现有奶牛场环境远程监控系统移动性差、操作复杂、功耗高等缺点,开发了一种基于以太网和手机微信开放平台的奶牛场养殖环境远程监控系统,实现了奶牛场温度、湿度、CO2浓度、H2S浓度、SO2浓度、NH3浓度等环境参数的精确采集和远程实时监控。系统通过以太网进行数据传输,利用Kingview 6.55工业组态软件开发了上位机监控软件系统,将上位机监控系统数据库与微信公共平台有机融合,实现了利用手机微信客户端完成对奶牛场环境远程监控的功能。经过实验室仿真试验及在奶牛场的实际运行试验证明,该系统运行稳定可靠,实时性好,监控效果理想,数据丢包率在100 m范围内最高仅0.041%,有效地解决了对奶牛场环境信息进行实时现场监控和远程监控的问题。     

便携式土壤电导率测试系统的开发

介绍了一种自行设计的，基于电流-电压四端法的便携式土壤电导率(EC)在线测试仪的开发情况。该测试仪包括土壤电导率传感器、控制与数据采集器和计算机应用软件等。传感器有4个电极，2个用于向土壤中输入恒流，另外2个用于检测与土壤电导率密切相关的电压降；控制与数据采集器把传感器产生的电压信号转换为数字信号，计算并显示电导率；计算机应用软件把接收到的数据存入Microsoft Access数据库。在实验室土槽内对该测试仪传感器的性能进行了测试，并与电导率仪测量结果进行了比较分析。结果表明，传感器输出电压与电导率仪测量值变化趋势一致，采用多种非线性数学模型对各组数据进行了曲线拟合，结果均在幂函数模型上获得最佳回归，测定系数(R^2)大于0．99。     

基于三维点云的苹果树冠层光照分布模型研究

为给果园精细管理中果树修枝整形、果实品质评价以及果实产量估算等提供科学的理论依据和技术指导,以果园自然开心形苹果树为研究对象,基于果树三维点云结构,进行果树冠层空间光照分布建模研究。用三维点云重构技术和点云分割技术获取果树不同高度的点云分层,分别使用像素占比和Graham扫描算法计算各高度点云分层垂直投影的有效投影面积和占地面积及有效叶面积指数。以果树冠层不同高度层的有效叶面积指数为自变量,对不同高度层平均相对光照强度进行线性回归,获得果树冠层光照分布模型,并对模型进行验证。结果表明:所建果树冠层光照分布模型的校正决定系数R2c为0.924,校正均方根误差RMSEC为0.05,验证决定系数R2v为0.955,验证均方根误差RMSEP为0.04,相对分析误差RPD为4.91。该模型具有较高的预测精度和较强的预测能力。