检索结果-内蒙古大学图书馆

农业机械学报 2021年第S01期52卷 316-322页

作者：王炜超杨玮崔玉露周鹏王懂李民赞中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

针对高光谱技术应用于土壤养分定量检测中忽略彩色图像外部特征与土壤养分的内在关系的问题,结合土壤的光谱信息与图像特征构建一种图谱特征融合的土壤全氮含量预测模型,探究图谱特征融合对于土壤全氮含量的预测能力。通过实验室高光谱... 详细信息

针对高光谱技术应用于土壤养分定量检测中忽略彩色图像外部特征与土壤养分的内在关系的问题,结合土壤的光谱信息与图像特征构建一种图谱特征融合的土壤全氮含量预测模型,探究图谱特征融合对于土壤全氮含量的预测能力。通过实验室高光谱成像仪获取土壤样品的高光谱图像,从高光谱图像提取土壤的光谱信息与图像特征。使用无信息变量消除算法(Uniformative variable elimination,UVE)和竞争性自适应重加权采样算法(Competitive adaptive reweighted sampling,CARS)的联合算法对光谱信息进行特征波长的选择,选择后的特征波长作为土壤光谱信息;通过相关性分析选择与土壤全氮含量相关性较高的图像特征。将CatBoost(Categorical Boosting)算法应用到土壤全氮含量预测中,分别对基于单一光谱信息、单一图像特征和图谱特征融合对土壤全氮含量进行预测并比较。结果表明,UVE-CARS联合算法选取的特征波长为942、1045、1199、1305、1449、1536、1600 nm,与含氮基团的倍频吸收相吻合。与土壤全氮含量相关性较高的图像特征为角二阶矩、能量、惯性矩、灰度均值和熵。通过CatBoost算法建立的基于单一光谱信息特征波长的模型最终预测土壤全氮含量R^(2)为0.8329,RMSE为0.2033 g/kg;基于图像特征建立的模型最终预测土壤全氮含量R^(2)为0.8017,RMSE为0.2197 g/kg;基于图谱特征融合建立的模型最终预测土壤全氮含量R^(2)为0.8668,RMSE为0.1602 g/kg,预测精度均高于单一光谱特征和单一图像特征的预测精度,与基于单一光谱特征和单一图像特征相比,基于高光谱图谱特征融合的土壤全氮含量预测模型效果较好,为土壤全氮含量的预测研究提出一种新的方法。

关键词：土壤全氮高光谱 CatBoost 图谱特征融合

来源：评论

学校读者我要写书评

暂无评论

基于光谱数据降维的农田土壤-作物全氮含量协同检测

引用

农业机械学报 2021年第S01期52卷 310-315页

作者：张瑶崔云天邓秋卓吴孟璇李民赞田泽众中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

为了提高农田土壤-作物全氮一体化检测精度,以冬小麦冠层光谱为研究对象,定量分析了4种数据降维方法(保持邻域嵌入法(NPE)、t分布随机近邻嵌入法(t-SNE)、拉普拉斯映射法(LE)和局部线性嵌入法(LLE))在冠层光谱特征提取及作物、土壤全氮... 详细信息

为了提高农田土壤-作物全氮一体化检测精度,以冬小麦冠层光谱为研究对象,定量分析了4种数据降维方法(保持邻域嵌入法(NPE)、t分布随机近邻嵌入法(t-SNE)、拉普拉斯映射法(LE)和局部线性嵌入法(LLE))在冠层光谱特征提取及作物、土壤全氮含量检测精度。分别采集了豫麦49-198、周麦27、矮抗58和西农509等4个品种的冬小麦在4个施氮水平下的作物冠层光谱反射率以及对应的作物、土壤全氮含量。选取波段400~900 nm的可见光与部分近红外波段分别进行NPE、t-SNE、LE以及LLE数据降维处理,随后在4组降维特征的基础上,建立了随机森林回归模型。对比全谱信息以及4组降维特征在作物、土壤全氮含量的预测性能表明,利用LLE-RF混合方法取得了最优的氮素预测效果,作物全氮含量预测决定系数R^(2)_(v)为0.9150,预测均方根误差(RMSEP)为0.2212 mg/kg;土壤全氮含量预测决定系数R^(2)_(v)为0.8009;RMSEP仅为0.0085 mg/kg,均优于原始全谱数据以及其他3组降维特征。实验结果表明,利用LLE降维后得到的特征光谱信息可有效地表征作物全氮含量以及土壤全氮含量。

关键词：冬小麦土壤全氮含量协同检测数据降维光谱数据

来源：评论

学校读者我要写书评

暂无评论

基于光谱学原理的便携式土壤有机质检测仪设计与实验

引用

农业机械学报 2021年第S01期52卷 323-328,350页

作者：崔玉露杨玮王炜超王懂孟超李民赞中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

为快速无损获取土壤有机质含量信息,基于光谱学原理设计了一款便携式土壤有机质含量检测仪。检测仪主要由机械部分、光路系统和控制部分组成,其中机械部分为检测仪提供平台支撑,光路部分由光源、蓝宝石玻璃、滤光片和光电探测器组成,控... 详细信息

为快速无损获取土壤有机质含量信息,基于光谱学原理设计了一款便携式土壤有机质含量检测仪。检测仪主要由机械部分、光路系统和控制部分组成,其中机械部分为检测仪提供平台支撑,光路部分由光源、蓝宝石玻璃、滤光片和光电探测器组成,控制系统实现对土壤测量信号的采集和处理。便携式土壤有机质检测仪工作时,光源发出光照射到待测土壤表面,漫反射光经过滤光片滤波后由光电转换器实现光信号转换成电信号,再经信号处理单元计算出各个敏感波长处的反射率,通过测量光谱反射率检测土壤有机质含量。采集了北京市中国农业大学上庄实验站土壤的光谱数据和土壤有机质含量实测值,经过光谱数据预处理后,对比了CARS、MCUVE、MWPLS和随机蛙跳4种波长筛选算法对土壤光谱的处理结果,建立了土壤有机质含量的偏最小二乘和随机森林预测模型。结果表明,基于CARS算法挑选出的4个特征波长建立的随机森林模型预测精度最好,建模集R^(2)为0.923,预测集R^(2)为0.888。将CARS-RF模型嵌入有机质检测仪系统,实验结果表明检测仪测量值与标准值的相关系数达到0.891。开发的检测仪精度较高,可以实现快速检测土壤有机质含量。

关键词：土壤有机质便携式检测仪光谱学原理

来源：评论

学校读者我要写书评

暂无评论

基于结构功能特性的油麦菜生长分析

引用

中国农业大学学报 2022年第7期27卷 116-125页

作者：李桂鑫王敏娟胡冕琳郑立华中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

针对智慧农业和植物表型的研究中缺乏油麦菜生长模型和可视化管理方法的问题,将四阶多项式模型(Ploy4)、双尺度自动机技术和GreenScilab仿真工具三者相结合,对油麦菜结构功能特性进行分析。结果表明:1)油麦菜逐叶片呈“Y”型间隔角度上... 详细信息

针对智慧农业和植物表型的研究中缺乏油麦菜生长模型和可视化管理方法的问题,将四阶多项式模型(Ploy4)、双尺度自动机技术和GreenScilab仿真工具三者相结合,对油麦菜结构功能特性进行分析。结果表明:1)油麦菜逐叶片呈“Y”型间隔角度上旋递进生长;2)使用不同生长模型对油麦菜叶长和叶宽数据进行拟合,四阶多项式模型(Ploy4)拟合效果较好,各叶片决定系数≥0.99;3)利用双尺度自动机技术和GreenScilab仿真工具,对油麦菜结构功能特性可视化,结果具有感官相似性。将上述方法相结合针对作物不同特性进行分析,可以为设施环境中油麦菜生长的可视化管理提供有效的手段。

关键词：油麦菜结构功能模型双尺度自动机 GreenScilab仿真工具采收期预估

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLO v5-pose的群养生猪体尺自动测量方法

引用

农业机械学报 2025年第5期56卷 455-465页

作者：刘刚曾雪婷刘晓文李涛丁向东米阳中国农业大学智慧农业系统集成研究教育部重点实验室中国农业大学农业农村部农业信息获取技术重点实验室河南丰源和普农牧股份有限公司中国农业大学动物科学技术学院中国农业大学农业农村部动物遗传育种与繁殖重点实验室

针对群养生猪体尺自动测量中体尺测点难以高效和精确提取的问题，提出一种基于改进YOLO v5-pose的群养生猪体尺自动测量方法。在YOLO v5-pose主干网络中融合卷积块注意力模块(Convolutional block attention module, CBAM),更好地捕捉... 详细信息

针对群养生猪体尺自动测量中体尺测点难以高效和精确提取的问题，提出一种基于改进YOLO v5-pose的群养生猪体尺自动测量方法。在YOLO v5-pose主干网络中融合卷积块注意力模块(Convolutional block attention module, CBAM),更好地捕捉到测点相关特征；将Neck层的C3传统模块替换为C3Ghost轻量模块，降低模型参数量和内存占用量；在模型Head层引入DyHead(Dynamic head)目标检测头，提升模型对测点位置的表征能力。结果表明，改进模型的测点检测平均精度均值为92.6%,参数量为6.890×10～6,内存占用量为14.1 MB,与原始YOLO v5-pose模型相比，平均精度均值增加2.1个百分点，参数量和内存占用量分别减少2.380×10～5、0.4 MB。与当前经典模型YOLO v7-pose、YOLO v8-pose、RTMPose(Real-time multi-person pose estimation based on mmpose)和CenterNet相比，该模型的召回率和平均精度均值更优且更轻量化。在2 400幅群养生猪图像数据集上进行试验，结果表明，该方法测得体长、体宽、臀宽、体高和臀高的平均绝对误差分别为4.61、5.87、6.03、0.49、0.46 cm,平均相对误差分别为2.69%、11.53%、12.29%、0.90%和0.76%。综上所述，本文方法提高了体尺测点检测精度，降低了模型复杂度，取得了更精确的体尺测量结果，为群养环境下生猪体尺自动测量提供了一种有效的技术手段。

关键词：群养生猪体尺测量改进YOLO v5-pose 关键点检测坐标变换

来源：评论

学校读者我要写书评

暂无评论

拉曼光谱在精细农业土壤成分快速检测中的研究进展

引用

农业工程学报 2023年第7期39卷 1-9页

作者：李奇辰李民赞杨玮孙红张瑶中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学烟台研究院烟台264003 中国农业大学农业农村部农业信息获取技术重点实验室北京100083

拉曼光谱分析技术利用分子运动对入射光产生非弹性散射的原理对分子成分进行检测,具有受水分干扰小、样本预处理小、与红外光谱信息互补等特点,在土壤成分快速分析方面展现了很大的优势。但是拉曼光谱信号弱,受荧光干扰强,为土壤拉曼信... 详细信息

拉曼光谱分析技术利用分子运动对入射光产生非弹性散射的原理对分子成分进行检测,具有受水分干扰小、样本预处理小、与红外光谱信息互补等特点,在土壤成分快速分析方面展现了很大的优势。但是拉曼光谱信号弱,受荧光干扰强,为土壤拉曼信号的有效获取带来困难。为了分析拉曼光谱在土壤成分检测中的应用潜力,该研究综述了移频激发差分拉曼光谱技术、共焦显微拉曼技术以及表面增强技术等基于拉曼光谱的土壤成分检测技术,分析了土壤成分拉曼光谱检测的研究进展,并提出进一步研究建议。结果表明:1)脂肪族化合物以及芳香族化合物都具有拉曼活性,为基于拉曼光谱的土壤有机质含量的定性、定量分析提供了理论依据。为了弥补拉曼光谱对有机质整体定量预测精度的不足,采用红外-拉曼光谱融合方式补偿单独拉曼光谱数据中缺失的土壤有机质信息,可显著改善预测精度。2)利用表面增强技术可以增强土壤溶液中可溶性氮与土壤有效氮拉曼特征波峰的强度,获得了良好的定量预测效果,回归模型决定系数R^(2)达到0.91~0.99。3)土壤中很多含磷的化合物都具有拉曼活性,拉曼光谱是识别土壤中不同磷酸盐形态的极其有效的工具,在土壤磷素含量的分析中,应用小波包分解的拉曼光谱对滤除有机质的磷酸盐参杂土壤中磷素浓度进行预测,回归模型精度R^(2)达到0.94。拉曼光谱检测的样本范围取决于激发光照射在样本上的光点尺寸,而土壤样本的空间变异性为聚焦目标物质带来困难。因此,实现现场高分辨率检测的关键是获取有效拉曼信号、同时降低背景信号的干扰。移频激发技术与显微拉曼技术为农田土壤养分的原位测量提供了技术保障。建议:1)采用光谱融合方法提升回归模型的预测精度。2)降低冗余变量,提升模型的可解读性与重现性。3)充分考虑土壤对拉曼光谱的影响,为开发农田现场土壤成分快速检测技术提供参考。

关键词：土壤拉曼光谱红外光谱移频激发共焦显微拉曼表面增强拉曼光谱精细农业

来源：评论

学校读者我要写书评

暂无评论

无人机喷雾质量检测系统设计与试验

引用

农业机械学报 2021年第S01期52卷 36-42页

作者：李民赞李欣泽杨玮郝子源中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

为了检测与无人机喷雾质量相关的雾滴参数,并将其应用于各种复杂环境,设计了一种基于水性丙烯酸树脂和数字图像处理技术的无人机喷雾质量检测系统。该系统由雾滴采样模块、图像采集模块、图像处理模块、无线通信模块、图像和数据存储模... 详细信息

为了检测与无人机喷雾质量相关的雾滴参数,并将其应用于各种复杂环境,设计了一种基于水性丙烯酸树脂和数字图像处理技术的无人机喷雾质量检测系统。该系统由雾滴采样模块、图像采集模块、图像处理模块、无线通信模块、图像和数据存储模块、数据显示模块组成。利用水性丙烯酸树脂在遇到水时会发生变色反应这一特性,将其制成雾滴采样模块,并对雾滴采集装置上的雾滴图像进行获取,随后利用数字图像处理技术对雾滴图像进行处理,计算得出雾滴参数。在农田环境下,通过无人机喷雾试验对系统的性能进行了评价。该系统可实时检测雾滴粒径、雾滴沉积密度、雾滴覆盖率等4种雾滴参数,从而实现对无人机喷雾质量的检测。初步试验结果表明,系统运行稳定,系统检测结果分布曲线与水敏纸法检测结果分布曲线基本一致,能够及时、准确地检测无人机喷雾质量。

关键词：无人机喷雾质量水性丙烯酸树脂数字图像处理水敏纸

来源：评论

学校读者我要写书评

暂无评论

基于Kinect相机的油麦菜自动化三维点云重建

引用

农业机械学报 2021年第7期52卷 159-168页

作者：郑立华王露寒王敏娟冀荣华中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

为了解决传统三维点云重建过程中人工调参费时、费力,且精度得不到保障等问题,提出了一种三维点云自动化配准算法,并应用于油麦菜三维重建。使用Kinect相机采集油麦菜不同视角下的点云数据,通过配准实验分析配准参数的变化规律,继而建... 详细信息

为了解决传统三维点云重建过程中人工调参费时、费力,且精度得不到保障等问题,提出了一种三维点云自动化配准算法,并应用于油麦菜三维重建。使用Kinect相机采集油麦菜不同视角下的点云数据,通过配准实验分析配准参数的变化规律,继而建立了配准评价体系,实现了两片点云的自动化配准,并通过最小化匹配误差积累将多幅点云变换到同一基准坐标系下,实现了油麦菜三维重建。对随机选取的12株油麦菜进行自动化三维重建,结果表明,在两片点云重叠率不低于30%的前提下,本文算法可获得最优参数组合,自动全局配准平均距离误差为0.65 cm,平均耗时为44.05 s,具有较高的配准精确度和稳定性。本文算法能有效减少配准误差积累、构建较高精度的完整结构,可为其他作物三维重建提供参考。

关键词：油麦菜 Kinect 点云自动化配准三维重建

来源：评论

学校读者我要写书评

暂无评论

基于特征波长优化的便携式作物叶绿素检测仪研究

引用

农业机械学报 2023年第S02期54卷 270-277页

作者：李佳盟王楠李震刘明佳孙红李民赞中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083 中国农业大学烟台研究院烟台264670

为了满足田间作物长势快速检测与指导变量管理的需求,基于作物叶绿素光谱响应特征波长筛选与优化,开发了一款便携式作物叶绿素检测仪。首先,采用高光谱仪采集玉米冠层325~1075 nm反射光谱,并采样萃取叶片叶绿素含量真值,开展叶绿素敏感... 详细信息

为了满足田间作物长势快速检测与指导变量管理的需求,基于作物叶绿素光谱响应特征波长筛选与优化,开发了一款便携式作物叶绿素检测仪。首先,采用高光谱仪采集玉米冠层325~1075 nm反射光谱,并采样萃取叶片叶绿素含量真值,开展叶绿素敏感响应波长筛选。经蒙特卡洛无信息变量消除(MC-UVE)算法在10~100个特征波长范围内进行变量筛选,表明采用50个特征波长时具有最优的叶绿素含量检测能力。其次,选择AS7265x型光谱传感器,以半峰宽20 nm的12个区间覆盖筛选的50个波长,设计的叶绿素检测仪包括传感器、主控制器、显示和控制等模块,实现作物冠层反射光数据采集、处理、显示和存储功能。开展传感器反射率标定与田间应用测试,基于传感器获取的反射率构建叶绿素含量偏最小二乘检测模型验证集决定系数为0.628;进一步组合归一化红边植被指数(NDRE:730、900 nm)和绿光归一化差值植被指数(GNDVI:535、900 nm),检测模型精度提高到0.69,模型嵌入系统最终实现了田间叶绿素含量快速检测,为作物长势高效分析提供了技术支持。

关键词：叶绿素检测仪特征波长植被指数光谱分析

来源：评论

学校读者我要写书评

暂无评论

玉米种子实时检测分选装置设计与试验

引用

农业机械学报 2021年第3期52卷 153-159,177页

作者：孟繁佳罗石孙红李民赞中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

针对我国玉米种子人工分选效率低、错分率高、缺少自动检测分选装置等问题,设计了一种玉米种子实时检测分选装置。该装置由进料单元、检测单元、分选单元和控制系统组成。下位机采用MSP430,与上位机实时通信,并控制分选执行机构,上位机... 详细信息

针对我国玉米种子人工分选效率低、错分率高、缺少自动检测分选装置等问题,设计了一种玉米种子实时检测分选装置。该装置由进料单元、检测单元、分选单元和控制系统组成。下位机采用MSP430,与上位机实时通信,并控制分选执行机构,上位机采用Matlab 2014b软件对玉米种子图像进行实时处理,并输出识别结果。为了便于采集玉米种子图像,设计了种子分离机构。根据霉变玉米种子与正常玉米种子表面颜色的差异,设计了一种基于HSV颜色空间划分的玉米种子识别算法,并提出了一种玉米种子排序策略,实现了玉米种子的精确分选。该装置对单幅图像的采集和处理时间约为0.7 s,分选速率最高为680粒/min,霉变玉米种子识别准确率为100%,裝置总体分选准确率不低于94%。该装置实现了从玉米种子进料到分选的全自动化,能够对霉变玉米种子进行实时检测和分选。

关键词：玉米种子机器视觉霉变检测自动分选

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：