基于优选NIR光谱波数的绿豆产地无损检测方法

产地是影响农作物生产的重要环境因素,产地溯源对于食品安全具有重要意义。针对传统农产品产地检测一般采用化学分析法,其操作繁琐且存在破坏性和耗时较长等不足的问题,以北方寒地绿豆为研究对象,分别在白城、杜蒙、泰来等优质绿豆主产区,获取绿豆的籽粒和粉末两种状态的近红外光谱数据（NIR）,利用优选NIR光谱特征波数,建立了绿豆产地无损检测的新方法。首先在吸光度值较强的10 105.37~4 078.655 cm-1波数范围内,采用多元散射校正法（MSC）,对不同产地的绿豆原始光谱数据进行预处理,以消除光谱干扰信息。应用竞争性自适应重加权采样算法（CARS）,优选不同产地绿豆籽粒和粉末状态的光谱特征波数,以减少光谱曲线的特征向量维度。最后利用前馈神经网络（BP）自适应推理机制,建立了绿豆产地与其光谱特征波数之间非线性映射模型,并将网络输出的编码向量解析至产地名称,作为绿豆产地检测的输出结果。研究结果表明：（1）原始光谱经过多元散射校正预处理后,绿豆粉末光谱曲线的误差从12.87降到3.20,绿豆籽粒光谱曲线的误差从153.04降到27.73,提供有效可靠的光谱数据。（2）通过竞争性自适应重加权采样算法,提取绿豆光谱曲线的重要特征波数,从籽粒和粉末状态原始2 114个波数中,分别优化为61个和107个特征波数,波段总数目减少了94.94%以上,并将其作为绿豆产地识别的特征指标。（3）创新性提出了MSC-CARS-BP绿豆产地检测模型,以优选出的光谱特征波数为定量依据,分别对绿豆籽粒和粉末进行产地检测,预测集准确率为92.59%和98.63%,相关系数均达到0.99以上。该方法能够利用近红外光谱处理技术,实现绿豆产地无损检测的目标,为农产品产地自动快速溯源提供了技术支持和参考。     

基于深度信息的大豆株高计算方法

为高通量地计算农作物株高,克服传统测量方法低效、耗时耗力等不足,以抗线9号、13号和富豆6号寒地大豆为研究对象,构建了基于Kinect 2.0的大豆冠层图像同步采集平台,并在三维重建大豆冠层结构形态的基础上,提出了基于深度信息的个体和群体大豆株高计算方法。实验结果表明,与实测值相比,计算得到的个体和群体大豆株高的平均误差分别为0.14cm和0.54cm,抗线9号、13号和富豆6号株高计算值与实测值之间的决定系数依次为0.9717,0.9730,0.9697。所提方法能够较为精确地计算大豆植株的株高特征。     

基于热红外图像处理技术的农作物冠层识别方法研究

为解决农作物冠层热红外图像边缘灰度级分布不均且噪声较大,而传统图像分割方法难以实现其目标区域有效识别的难题,以苗期红小豆冠层热红外图像为研究对象,将模糊神经网络和仿射变换有机结合,提出了基于热红外图像处理技术的农作物冠层识别模型。首先利用五层线性归一化模糊神经网络的自适应特性,选取高斯隶属度函数,自动计算冠层可见光图像识别的推理规则,有效地分割了可见光图像中的冠层区域。通过分析3种分割指标和熵,定量评价可见光图像冠层分割质量。网络迭代38次时,误差精度为0.000 952,该算法平均有效识别率为96.13%,获取可见光冠层图像的像元信息熵值范围为2.454 4~5.198 7,与标准算法所得冠层图像的像元信息熵仅相差0.245 9。然后以取得可见光图像的冠层有效区域为参考图像,采用仿射变换算法,调整优选平移、旋转、缩放等图像变换因子,配准原始热红外图像,提出了基于仿射变换的冠层热红外图像识别方法。对于初始温度范围值在16.35~19.92 ℃的农作物热红外图像,计算选取旋转幅度为1.0和缩放因子为0.9时,作为异源图像的最优配准参数,获取目标图像的最大温差为3.17 ℃,相对于原图像的平均温度值由18.711 ℃下降至17.790 ℃,进而实现了基于热红外图像处理技术的农作物冠层识别。最后以熵的互信息作为监督指标,对农作物冠层热红外图像识别方法进行评价。提出的冠层热红外图像识别方法,所获取的目标图像与初始热红外图像的平均互信息为4.368 7,标准目标图像和初始热红外图像的平均互信息为3.981 8,二者仅相差0.486 9。同时,两种冠层热红外图像的平均温度差值为0.25 ℃,高效消除了原始热红外图像的背景噪声。结果表明本研究方法的有效性和实用性,能够为应用热红外图像反映农作物生理生态信息特征指标参数提供技术借鉴。     

大豆冠层多光谱图像提取方法

为解决大豆冠层在近地端的多光谱图像边缘灰度不均,目标与背景之间灰度差别小,难以准确高效地获取大豆冠层目标区域的难题,将多光谱成像处理技术与经典图像分割方法有机融合,提出基于多光谱图像处理技术的大豆冠层提取方法。以东北大豆为对象,通过Sequoia多光谱相机采集绿光、近红外、红光、红边和可见光五类大豆多光谱图像,采用高斯平滑滤波法对原始大豆多光谱图像进行预处理,分析多光谱图像中大豆冠层和背景的灰度直方图分布特性,在此基础上利用迭代法、Otsu法和局部阈值法提取原大豆多光谱图像中冠层区域,并以图像形态学开运算处理细化和扩张背景,避免图像区域内干扰噪声对大豆冠层识别效果的影响,同时以有效分割率、过分割率、欠分割率、信息熵以及运行时间等为监督指标,对大豆冠层多光谱图像识别模型进行效果评价。大豆冠层识别模型中迭代法可以有效分割近红外和可见光大豆冠层图像,有效分割率分别为97.81%和87.99%,对绿光、红光和红边大豆冠层图像分割效果较差,有效分割率低于70%;Otsu法和局部阈值法可以有效分割除红光波段的其余四种多光谱大豆冠层图像,且有效分割率均在82%以上;三种算法对红光大豆冠层图像的有效分割率均低于20%,未达到较好效果。在原始多光谱图像中应用迭代法、Otsu法和局部阈值法提取大豆冠层图像与标准图像的信息熵平均值波动幅度分别为：0.120 1,0.054 7和0.059 8,其中Otsu法和局部阈值法较小,表明了对于大豆冠层多光谱图像识别中两种算法的有效性。该算法中Otsu法和局部阈值法均可以有效提取绿光、近红外、红边和可见光等多光谱的大豆冠层图像,二者较为完整地保留了大豆冠层信息,其中Otsu法实时性能较局部阈值法更好。该成果为提取农作物冠层多光谱图像提供理论依据和技术借鉴。     

近红外光谱图像处理的霉变稻谷检测方法

稻谷在储藏和运输过程中,在适宜的温湿度环境下极易发生霉变,导致大量的粮食浪费和巨大的经济损失,进而影响粮食安全.为解决传统的稻谷霉变检测存在的繁琐且耗时较长等不足,提出了基于近红外光谱图像处理和神经网络的稻谷霉变程度检测方法.首先,通过农业多光谱相机(Sequoia)和固定光源等设备,构建了霉变稻谷近红外图像数据采集平...