|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于机器视觉的株间机械除草装置的作物识别与定位方法显示文摘株间机械除草技术可进一步减少化学除草剂的使用,有利于环境保护和农业可持续发展。为实现智能化的株间机械除草装置自主避让作物并进入株间区域,该研究提出了一种株间机械除草装置的作物识别与定位方法。利用2G-R-B方法将作物RGB彩色图像进行灰度化,再选用Ostu法二值化、连续腐蚀和连续膨胀等方法对图像进行了初步处理。根据行像素累加曲线和曲线的标准偏差扫描线获得作物行区域信息,以作物行区域为处理对象,利用列像素累加曲线、曲线标准偏差和正弦波曲线拟合识别出作物,并结合二值图像中绿色植物连通域的质心获得作物位置信息。试验结果表明,该方法可以正确识别出作物并提供准确的定位信息,能适应不同天气状况、不同种类的作物,棉苗正确识别率为95.8%,生菜苗正确识别率为100%,该方法为株间机械除草装置避苗和除草自动控制提供了基本条件。 | 胡炼 罗锡文 曾山 张智刚 陈雄飞 林潮兴 | 2013 | 农业工程学报2013，29，10： | 119 |
| 2 | 空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草显示文摘针对传统Alex Net模型参数大、特征尺度单一的问题,该文提出一种空洞卷积与全局池化相结合的多尺度特征融合卷积神经网络识别模型。通过对初始卷积层的卷积核进行膨胀,以增大其感受野而不改变参数计算量,并采用全局池化代替传统的全连接层来减少模型的参数。通过设置不同膨胀系数的初始卷积层卷积核与全局池化层类型,以及设置不同Batch Size,得到8种改进模型,用于训练识别共12种农作物幼苗与杂草,并从建立的模型中选出最优模型。改进后的最优模型与传统Alex Net模型相比,仅经过4次训练迭代,就能达到90%以上的识别准确率,平均测试识别准确率达到98.80%,分类成功指数达到96.84%,模型内存需求减少为4.20 MB。实际田间预测野芥与雀麦幼苗的准确率都能达到75%左右,说明该文最优模型对正常情况下的幼苗识别性能较好,但对复杂黑暗背景下的甜菜幼苗准确率为60%,对恶劣背景下的识别性能还有待提升。由于模型使用了更宽的网络结构,增加了特征图的多尺度融合,保持对输入空间变换的不变性,故对正常情况下不同作物幼苗与杂草的识别能力较强。该文改进模型能达到较高的平均识别准确率及分类成功率,可为后续深入探索复杂田间背景下的杂草识别以及杂草与幼苗识别装置的研制打下基础。 | 孙俊 何小飞 谭文军 武小红 沈继锋 陆虎 | 2018 | 农业工程学报2018，34，11： | 66 |
| 3 | 基于光谱特性分析的冬油菜苗期田间杂草识别显示文摘杂草识别是自动除草的关键环节,运用光谱分析技术可以快速识别杂草。该文以冬油菜苗、冬油菜苗期杂草和土壤为研究对象,通过ASD便携式光谱分析仪采集光谱数据。对每个样本连续采集5组数据,经平均、一阶导数、压缩等预处理后,得到368组波长在400~2 300 nm范围内的光谱数据。采用逐步判别分析法,按统计量Wilks’Lambda最小值原则选择变量,选取了710、755、950和595 nm共4个特征波长。运用4个特征波长分别建立了典型判别函数模型和贝叶斯判别函数模型。用这2组模型分别对预测集进行预测,典型判别函数模型的正确识别率为97.78%,在不同的先验概率下贝叶斯判别函数模型的正确识别率分别为98.89%和97.78%。结果表明:当先验概率根据类别大小计算时,以特征波长建立的贝叶斯判别函数模型能较好的识别冬油菜苗期田间杂草,而且模型稳定。该研究结果可为杂草探测光谱传感器的开发提供参考。 | 白敬 徐友 魏新华 张进敏 沈宝国 | 2013 | 农业工程学报2013，29，20： | 28 |
| 4 | 基于空间信息的高光谱遥感植被分类技术显示文摘高光谱数据常带有噪声,传统的仅考虑光谱信息的遥感植被分类方法效果不佳,融入空间信息进行植被分类显得尤为重要。以NDVI阈值法提取植被信息后,采用最小噪声变换对Hyperion高光谱影像进行压缩处理,取前60个分量数据,并采用一种空间与光谱信息相结合的高光谱影像植被分类法,完成研究区植被分类。结果表明,对各植被类型的平均分类精度达90.3%,而最大似然法的平均分类精度仅为70.0%。融入空间信息的高光谱遥感植被分类方法能有效地削弱噪声,在一定程度上提高了分类精度,在实际应用中有一定的参考价值。 | 吴见 彭道黎 | 2012 | 农业工程学报2012，28，5： | 21 |
| 5 | 高光谱遥感数据植被信息提取方法显示文摘利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。 | 李丹 陈水森 陈修治 | 2010 | 农业工程学报2010，26，7： | 18 |
| 6 | 基于高光谱数据的棉田虫害鉴别研究显示文摘【目的】快速、准确、无损伤地鉴别棉花虫害类别,以便针对性制定植保施药方案。【方法】对棉花叶片高光谱数据进行采集和分析。采用波段范围为350~2 500 nm的FieldSpec?3便携式光谱分析仪,分别获取受蚜虫和红蜘蛛危害的棉花叶片以及正常棉花叶片的高光谱数据。采用K-近邻和SVM算法区分受红蜘蛛和蚜虫侵害的叶片以及正常叶片。为进一步优化虫害识别模型、提高识别精度,利用主成分分析方法 (PCA)进行特征降维,并利用网格搜索法进行参数寻优。【结果】使用K-近邻算法和SVM算法构建了虫害识别模型,2种模型的识别率分别为86.08%和89.29%;引入PCA进行特征降维并使用网格搜索进行参数寻优后,可以提高虫害识别率,K-近邻算法和SVM算法的识别精度分别达到88.24%和92.16%。【结论】利用高光谱数据可以区分受蚜虫和红蜘蛛侵害以及正常的棉花叶片;结合PCA降维和网格搜索法,能够提高识别率且不需要获得具体的特征波段;对于受蚜虫和红蜘蛛侵害以及正常的叶片识别,基于径向基核函数的SVM算法优于K-近邻算法。 | 王小龙 邓继忠 黄华盛 邓宇森 蒋统统 钟兆基 张亚莉 文晟 | 2019 | 华南农业大学学报2019，40，3： | 9 |
| 7 | 绿色植物靶标的光谱探测研究显示文摘利用植物和背景(枯枝、土壤等)的光谱特性'红边'两侧反射率的差异,研究了探测绿色植物靶标的光谱探测技术。定义850与650nm处反射率的比值为植物判别指数(GPDI)。用FieldSpec Handheld2500型野外便携式光谱仪测量了绿色植物和背景的光谱数据,对其进行数据处理,计算各被测物质的植物判别指数GPDI。利用决策树模式识别方法建立植物与背景的分类模型,得到了GPDI阈值(GPDITH),选择此阈值为5.54。当GPDI>GPDITH时,判别探测对象为植物;反之亦然。设计开发了基于AT89S51单片机和光电二极管OPT101的绿色植物光谱探测器。试验结果表明,此探测器的探测率受杂草的种类、大小和密度的影响;阔叶草比窄叶草更易探测到;植株越大、密度越高,探测率越高。 | 邓巍 赵春江 何雄奎 陈立平 张录达 武广伟 Mueller J 翟长远 | 2010 | 光谱学与光谱分析2010，30，8： | 8 |
| 8 | 冬油菜田杂草探测光谱传感器设计与应用显示文摘杂草的精确识别是对靶施药和自动化机械除草的关键前提,基于光谱分析技术的光谱传感器可以实现快速、无损的杂草识别。该文以冬油菜苗期杂草为研究对象,根据试验选取的4个特征波长点(595、710、755和950 nm),设计了一种能自动识别杂草的光谱传感器。根据光学系统原理和田间实际操作要求,提出了该光谱传感器的结构设计方案,选择了合适的光学器件,并开发了光谱传感器信号调理电路。对光谱传感器进行了标定和试验验证,根据便携式光谱仪和光谱传感器在4个波长下的测量结果建立了相应的标定方程,方程的决定系数分别为0.799、0.812、0.892和0.867,验证试验结果的相对误差绝大多数都在10%以内,可以识别冬油菜苗期田间杂草。该传感器为杂草自动探测装置的开发提供了参考。 | 李林 魏新华 毛罕平 吴姝 | 2017 | 农业工程学报2017，33，18： | 8 |
| 9 | 光谱技术在玉米生产中的应用显示文摘随着光谱技术的普及和应用,利用光谱技术对农作物生长等相关信息进行无损监测的研究日益深入。综述了光谱技术在玉米养分、籽粒品质、估产等方面的研究成果,介绍了玉米光谱监测研究的最新进展,提出了广东省玉米光谱监测存在的问题和发展方向。 | 陈青春 蒋锋 刘鹏飞 张姿丽 张媛 林欢 王晓明 | 2012 | 广东农业科学2012，39，11： | 3 |
| 10 | 基于高光谱的大豆含杂率反演模型显示文摘针对大豆联合收割机械作业含杂率在线检测手段缺乏的问题,以亚丰4YZL-5S联合收获机机械化收获的大豆样本为研究对象,在室内测定大豆样本的含杂率;利用ASD FieldSpec 4 Wide-Res型地物光谱仪测量大豆样本的光谱数据,经数据预处理和数学变换后获得2种光谱指标,即原始光谱数据(REF)和原始光谱经倒数之对数预处理后的数据(LR),应用波段间自相关分析筛选出不同指标的大豆样本光谱的特征波长,并采用支持向量机回归分析构建基于不同指标的大豆样本含杂率的反演模型,在此基础上对反演结果进行精度验证和比较。试验结果表明:各预处理条件下的大豆含杂率敏感波段不同,其中REF的特征波段为512,738,851,1 104,2 003,2 179 nm;LR的特征波段为519,637,820,924,1 121,1 933,2 050,2 138 nm。本研究建立的含杂率反演模型的建模决定系数>0.86,验证决定系数>0.79,均方根误差<0.32,相对分析误差>1.7,表明模型具有较强的拟合效果和预测能力。相比较而言,利用REF建立的反演模型的反演效果略优于LR。本研究建立的大豆样本含杂率光谱反演模型能够实现含杂率的在线预测,为大豆机械化作业中含杂率的在线快速监测提供了新途径。 | 陈满 徐金山 金诚谦 张光跃 倪有亮 | 2019 | 中国农业大学学报2019，24，9： | 2 |
| 11 | 单/双子叶杂草与作物的高光谱识别显示文摘利用地物光谱仪Fieldspec FR2500采集玉米、谷子、狗尾草、牛筋草、马唐、葎草、圆叶牵牛、裂叶牵牛、马齿苋和小藜等10种植物的叶片光谱反射率,将这10种植物按照作物、单子叶杂草和双子叶杂草分成三类,在Unscrambler软件中对光谱数据做主成分分析,观察三类样本的聚类情况;在此基础上,根据波长变量对于主成分的载荷值,提取对三类植物识别敏感的特征波长;在SAS软件中,以分类变量和特征波长变量作为输入变量,利用DISCRIM过程进行非参数判别分析。结果表明,利用552、647、730、765、962、1093、1325、1410、1660 nm等9个特征波长组合可有效区分作物中单/双子叶杂草。其中,针对单子叶杂草的建模集和预测集的识别正确率分别达到90%和85%,双子叶杂草的建模集和预测集的识别正确率均达到100%,整体样本的建模集和预测集的识别正确率分别达到96.1%和95.3%。 | 张东彦 祖琴 邓巍 王秀 | 2013 | 红外与激光工程2013，42，S01： | 2 |
您所在的机构暂未开通此部分的功能，请联系管理员