混合卷积神经网络用于高光谱小麦品种鉴别

不同品种的小麦满足了市场的不同需求,同时也会带来小麦品种混杂的风险。为了提高小麦品种的纯度进而提高选种、育种、加工等环节的经济价值,小麦种子的鉴别起到关键作用。传统的小麦品种纯度理化分析鉴别方法,鉴定时间长且破坏种子,已不能满足现代农业的迫切需要。高光谱成像作为近年来发展迅速的一种快速、高效、无损的新型鉴别技术,在种子品种鉴别领域取得了显著成效。然而,已有的大多数高光谱分类方法仅利用光谱信息,没有充分考虑空间信息,分类效果较差。为了解决上述问题,利用高光谱成像设备采集8个品种的小麦种子正背面的高光谱图像,基于这些高光谱数据集,提出一种基于注意力机制的混合卷积神经网络的高光谱小麦品种鉴别方法,主要利用三维卷积和二维卷积的互补优势特性提取小麦的有价值特征,进而提高小麦品种的鉴别效果。具体而言,首先提取小麦品种的感兴趣区域,并利用多元散射校正方法削弱由于散射水平差异带来的同一品种的光谱差异。同时,利用主成分分析方法减少三维数据的无用光谱波段,进而保留并压缩对鉴别小麦品种有价值的特征。随后,利用三维卷积获取空间维度和不同光谱间的特征信息,二维卷积获取空间信息和图像的自身固有的特征信息,并在二维卷积模型中引入注意力机制进一步增强图像的特征信息的提取。最后在全连接层实现同一区域不同小麦品种的鉴别。实验表明,所提出的方法比其他方法具有较好的分类性能,分类准确率达97.92%。此外,所提出的方法对小样本数据也具有较好的分类性能。总的来说,提出的方法对于高光谱小麦种子鉴别具有较好的有效性和鲁棒性,为小麦种子的在线鉴别提供了一种新的方法。

食品检测中近红外光谱分析技术的应用研究

为了实现对食品成分、品质等方面的准确检测,为食品安全监管和质量控制提供有效的技术支持,引入近红外光谱分析技术,开展了该项技术在食品检测中的应用研究。通过样品制备、选择光谱采集设备、设置采集参数,采集食品近红外光谱,引入标准正态变量变换算法和自适应滤波算法,预处理采集的光谱数据,基于预处理后的数据,结合主成分分析法,构建食品成分特征与近红外光谱数据之间的数学模型,实现近红外光谱分析技术在食品检测的应用设计。实验结果表明,提出的研究应用后,食品成分检测结果与真实值更加接近,检测均方根误差较小,食品检测的准确性得到了显著提升。

光谱技术在果树叶片营养诊断上的应用研究进展

光谱技术具有分析速度快、操作简单、多元素同时监测、不需要消耗化学药品、自动化程度较高等特点,其可以实现作物单株和大样本的营养诊断和分析。综述了光谱技术在果树叶片大量元素(N、P、K)、中微量元素(Ca、Mg、Fe、Mn、Cu、Zn)营养诊断上的应用研究进展,并讨论了该领域今后进一步的研究方向。

激光农业研究进展和展望

激光作为一种新兴的人造光源,是20世纪以来最伟大的发明之一,具有功率密度高、方向性好和优良的单色性等优点,在农业领域得到了广泛的应用。激光技术在植物生产、动物管理和菌物研究方面展现了显著优势。文章主要对激光技术在农业领域的研究进展和发展动态进行深入剖析。在植物生产方面,介绍了激光技术在植物诱变育种、促进植物生长发育、提高产量和品质、植物保护、植物检测和植物表型中的应用情况。在动物管理方面,主要分析了激光技术在动物遗传育种、动物生长、动物医疗和动物产品检测方面的研究。在菌物研究方面,重点总结激光技术在菌物育种、菌物生长发育及菌物检测和鉴定中的应用详情。最后,针对激光技术与农业生产研究相结合所面临的困难和挑战,从提升激光技术在农业生产管理中的精度和扩展其适用范围角度出发,提出了激光技术在植物生产精准化、动物生产管理优化和菌物生产科学化的发展方向。虽然激光技术在农业领域已经取得了一系列的成果,但在未来的研究中,应探索更多创新应用,并与人工智能和大数据技术相结合,进一步推进激光技术与农业产业的深度融合,以实现更高效、更智能的农业生产管理模式,为现代农业的发展带来更多机遇和突破。

花生籽仁黄酮含量近红外分析检测方法

黄酮是影响花生籽仁营养价值的重要指标,常用的分光光度法及色谱法测定黄酮含量费时费力,不适于育种过程中大批量的检测。构建其近红外测定模型可为快速检测籽仁黄酮含量提供重要的技术保障。该研究以290份不同黄酮含量的花生种质为材料,Al^(3+)显色法测定的黄酮含量在46.96~140.18 mgRT(RT:rutin)·(100 g)^(-1)之间。使用瑞典波通DA7250型号的近红外分析仪(950~1650 nm)扫描和采集花生籽仁的近红外光谱值,选用全波长光谱范围内偏最小二乘回归法(PLSR),对比单一和复合不同的预处理方法,比较不同模型的相关系数和误差来预测最佳模型,确定黄酮含量近红外光谱定标模型的最佳光谱预处理方法为“Savitzky-Golay Derivative+Baseline+De-trending”,校正集相关系数(R_(c))为0.884,标准误差(RMSEC)为4.998。模型构建过程中,采用含有Savitzky-Golay Derivative的组合光谱预处理方法可以显著提高模型预测的相关系数。利用50份花生样品对该模型进行外部验证,预测的相关系数R_(p)为0.904,而预测的均方根误差RMSEP为1.122。本研究所构建的近红外光谱模型能够无损、高效的测定花生籽仁中的黄酮含量,为选育高黄酮含量的花生品种奠定基础,并为μg·g^(-1)级物质含量的近红外模型构建提供借鉴。

近红外光谱技术对花生蛋白组分与亚基的高通量模型建立

花生是一种优质植物蛋白资源,花生蛋白组分与亚基含量显著影响其功能特性,决定了其在食品领域的应用范围,花生蛋白主要包括花生球蛋白和伴花生球蛋白,其中花生球蛋白包含4个亚基(40.5、37.5、35.5和23.5 kDa),伴花生球蛋白Ⅰ包含3个亚基(15.5、17和18 kDa),伴花生球蛋白Ⅱ只含有1个61 kDa亚基。为了实现花生蛋白主要组分及亚基的快速无损、高通量、高灵敏度检测,以全国145份优质花生样品为研究对象,首先采用便携式近红外花生品质速测仪,在900~1700 nm波长范围内对不同花生样品进行光谱采集,再采用聚丙烯酰胺凝胶电泳法测定了花生蛋白组分与亚基含量,花生球蛋白的亚基含量在44.3%~67.3%之间;伴花生球蛋白亚基含量在35.2%~55.7%之间;61 kDa亚基含量在13.5%~25.3%之间;40.5 kDa亚基含量在6.8%~16.0%之间;37.5 kDa亚基含量在6.9%~17.4%之间;35.5 kDa亚基含量在5.7%~19.2%之间;23.5 kDa亚基含量在18.7%~27.4%之间;18 kDa亚基含量在5.9%~11.7%之间;17 kDa亚基含量在6.9%~13.6%之间;15.5 kDa亚基含量在4.5%~11.9%之间,分别对比归一化(Normalize)、一阶导数(FD)和二阶导数处理(SD)、基线校准(Baseline)、去趋势(Detrend)、多元散射校正(MSC)和数据元素解析处理(Deresolve)这7种光谱预处理方法,结合主成分分析(PCA)和偏最小二乘法(PLSR),优化了2个蛋白组分和2个亚基(花生球蛋白、伴花生球蛋白、37.5和23.5 kDa)的近红外光谱模型,构建了6个亚基(61、40.5、35.5、18、17和15.5 kDa)的近红外光谱模型,实现了对上述10个指标的同步检测。结果表明,确定最优预处理方式后建立的模型校正集相关系数(R_(cal))为0.90~0.96,校正均方根误差(SEC)为0.25%~1.27%;预测集相关系数(R_(cp))为0.76~0.96,预测均方根误差(SEP)为0.50%~1.81%,具有很好的预测能力,可用于花生品种蛋白组分与亚基含量的快速检测,为花生蛋白品质的快速评价提供了新方法。

基于半经验半机理建模的冬小麦LAI反演及长势评估

为了提高无人机遥感对冬小麦叶面积指数(leaf area index,LAI)反演模型的精度与泛化能力,该研究利用无人机搭载多光谱相机获取不同氮素处理和不同复种方式的冬小麦生长实测数据,结合PROSAIL辐射传输模型生成包含机理信息的模拟数据,基于不同组合方式建立了5种LAI反演混合数据集,结合多种机器学习方法,以期构建经验与机理相结合的LAI高精度反演模型。由于LAI反演受近红外波段(near infrared,NIR)反射率影响大,该研究筛选7种与NIR波段相关的植被指数提取冬小麦光谱特征,构建与混合数据集LAI的相关系数矩阵,进一步探究不同光谱特征对冬小麦LAI的影响程度。在此基础上,采用具有代表性和普适性的4种机器学习方法,即贝叶斯岭回归模型、线性回归模型、弹性网络模型和支持向量回归模型,构建不同冬小麦LAI反演模型,用以评估基于半经验半机理数据反演冬小麦LAI的可行性,进一步探索其对不同氮素水平和复种方式的冬小麦长势评估能力。结果表明:1)筛选的与NIR波段相关的植被指数与冬小麦LAI之间存在较强的相关性,其中归一化差异植被指数、增强植被指数、归一化差异红边指数、比值植被指数、红边叶绿素植被指数、土壤调节植被指数与LAI呈正相关,结构不敏感色素植被指数与LAI呈负相关;2)辐射传输模型中体现了冬小麦LAI影响太阳光线传播的机理,结果表明,与实测数据混合建立的模型,具有较强的鲁棒性和泛化能力。相比于其他3种模型,支持向量回归模型在各种数据组合下均取得了较好的LAI预测性能,在C1、C2、C3、C4这4种训练-测试组合的训练集中R^(2)依次为0.86、0.87、0.88、0.91,RMSE依次为0.47、0.45、0.45、0.41;在测试集的R^(2)依次为0.85、0.19、0.89、0.87,RMSE依次为0.45、1.31、0.49、0.50;3)使用支持向量机生成试验区LAI反演图,对4种氮素水平和2种复种方式的冬小麦长势评估,结果表明,适当的施加氮素处理能提高冬小麦LAI值,麦-豆复种方式下的冬小麦LAI值普遍高于麦-玉复种的LAI值。该研究为冬小麦LAI的反演提供了一种有效的方法,并为高效评估冬小麦长势研究提供了参考。

基于改进ResNet的马铃薯黑心病近红外光谱检测方法

马铃薯在存储过程中,极易产生黑心病等内部缺陷,严重影响市场价值和食品安全。探索深度学习用于挖掘马铃薯黑心病光谱数据深层特征,将近红外光谱数据二维化,基于残差神经网络(Residual neural network,ResNet),引入卷积注意力模块(Convolutional block attention module,CBAM)增强特征,加入阈值处理模块去除噪声,实现了马铃薯黑心病的快速无损检测。探索适用于马铃薯黑心病检测的光谱二维化方法,通过对比格拉米角场(Gramian angular field,GAF)、马尔可夫转移场(Markov transition field,MTF)、递归图(Recurrence plot,RP)和波长顺序转换4种方法,发现GAF、MTF和RP这3种方法与波长顺序转换相比效果更好,经过MTF处理后建模效果最佳,训练集准确率达到99.60%。通过比较不同模型性能,发现改进ResNet模型测试集准确率为97.65%,比偏最小二乘判别分析(Partial least squares discriminant analysis,PLS-DA)、支持向量机(Support vector machines,SVM)、MobileNet、ResNet分别提高5.89、7.07、3.53、2.36个百分点,MobileNet、ResNet和改进ResNet神经网络模型建模效果优于传统化学计量学方法PLS-DA和SVM。

基于SERS的苹果树腐烂病原菌早期侵染检测

为了早期诊断由黑腐皮壳真菌(Valsa mali Miyabe et Yamada)引起的苹果树腐烂病,该研究基于表面增强拉曼光谱(surface-enhanced Raman scattering,SERS)技术,以腐烂病菌丝、病原菌丝侵染的苹果树和健康的苹果树枝作为研究对象,结合S-G平滑和迭代自适应加权惩罚最小二乘法进行拉曼光谱预处理,经解析发现病原菌丝与染菌样本在1 598、1 595 cm^(-1)和2 930、2 925 cm^(-1)附近敏感谱峰明显区别于健康样本。重复试验分析发现,病原菌侵染可致寄主特征谱峰偏移以及谱峰强度改变:健康样本在1 286 cm^(-1)附近的特征峰随病原菌的侵染偏移至1 365 cm^(-1)附近;健康样本在1 286与1 587 cm^(-1)附近的谱峰强度比值小于0.5,染菌样本在1 365与1 595 cm^(-1)附近的谱峰强度比值大于0.5,而菌丝在1 327与1 598 cm^(-1)附近的谱峰强度比值大于1.0;1 595 cm^(-1)附近谱峰强度因染病而增强。构建BP神经网络模型进行早期染病样本的快速判别,识别率达90%以上。研究表明SERS技术结合BP神经网络可以准确识别苹果树腐烂病原菌丝,从而进行苹果树枝腐烂病的早期诊断,为植物病害的早期快速诊断和病害发生预警提供了研究思路和有效手段。

基于分焦平面偏振成像的冬青卫矛含水率快速无损检测

针对目前在植物含水率检测中存在的使用场景受限、含水率检测不及时等问题,该研究搭建了一套基于分焦平面偏振相机的偏振成像系统,通过对偏振成像信息的解析建立了线偏振度这一物理量与含水率的依赖关系,揭示了偏振光与植物内水分间的相互作用机理,实现了对冬青叶片含水率的快速、无损检测。结果表明:1)针对于不同月份、晴雨天气条件以及不同部位这3种不同影响因素下的冬青卫矛叶片,都可以通过线偏振度来反映其含水率情况,其统一表现为随着含水率的梯度降低,线偏振度逐渐增大;2)该研究通过采集大量的植物叶片建立预测模型,含水率与线偏振度存在较强的负相关关系,决定系数达到0.85,均方误差仅为0.45%;3)另取叶片对含水率检测模型进行验证,结果表明该模型在含水率检测的验证中均方根误差为4.53%,即可以通过线偏振度表征叶片的真实含水率。该研究成果在推动光学手段在植物健康状态检测的进程中具有应用价值。

基于无人机热红外遥感图像提取滴灌棉花冠层温度及精度评价

【目的】提高基于热红外遥感图像滴灌棉花冠层温度提取精度,为棉花水分状况精准监测提供技术支撑。【方法】以不同水分处理的苗期、蕾期棉花为研究对象,利用无人机获取试验小区热红外遥感图像,使用便携式手持测温仪测量田间辐射校正板及水桶中的水温,对热红外影像进行温度校正。采用Otsu算法、Canny边缘检测算法对热红外遥感图像进行掩膜处理剔除土壤背景,通过波段运算提取棉花冠层温度,绘制棉花冠层温度频率直方图并对其进行优化。利用便携式手持测温仪同步测量棉花冠层温度,与提取的冠层温度进行一致性分析,验证热红外遥感图像提取棉花冠层温度的精度。【结果】Canny边缘检测算法剔除土壤背景提取冠层图像准确率大于Otsu算法(91.90%>82.52%、92.76%>80.60%),剔除土壤背景效果最优。Otsu算法和Canny边缘检测算法剔除土壤背景后构建的冠层温度直方图均呈偏态分布,但Canny边缘检测算法剔除土壤背景后构建的冠层温度直方图形状比Otsu算法光滑,噪声少,并且Canny边缘检测算法2年冠层平均温度最低(29.95、30.54℃),与实测温度差值最小(2.78、3.43℃)。去除Canny边缘检测算法的温度直方图两端1%温度信息后,提取的冠层温度与实测温度相关性最高(2年试验r由0.88、0.93提高到了0.94、0.95),RMSE最低(2年RMSE由2.78、2.87℃下降到1.59、1.43℃)。【结论】Canny边缘检测算法提高了无人机热红外遥感图像棉花冠层温度提取精度,且温度直方图两端1%温度优化后有助于提高棉花冠层温度提取精度。

基于高光谱成像技术判别马铃薯叶片干旱状态

为了准确快速地分级评估马铃薯叶片干旱状态,提出了基于高光谱成像技术的马铃薯叶片干旱状态分类方法。于2022年以青薯9号原原种为材料,通过使用高光谱成像仪获取3种不同干旱状态的马铃薯叶片,提取各类样本光谱反射率信息420个,讨论了4种光谱数据预处理方式对建模的影响。使用基于随机森林的交叉验证递归特征消除算法(RF-RFECV)与竞争性自适应重加权抽样法(CARS)进行特征波长选择,结合极端随机树(extremely randomized trees,EXT)构建了马铃薯叶片干旱状态的分类模型。结果表明,本研究构建的3个干旱状态分类模型,其测试集模型精度均高于85%,其中SNV-RF-RFECV-EXT模型表现最佳,测试集预测准确率达92.14%。同时,为直观地显示马铃薯叶片的干旱状态,选用建立的SNV-RF-RFECV-EXT模型对叶片进行干旱程度可视化,通过不同颜色直观显示叶片干旱状态,为马铃薯叶片干旱状态的判别提供了新方法。

基于X-rayμCT技术的玉米干燥损伤定量研究

应力裂纹是玉米干燥损伤的主要形式,一些微裂纹无法肉眼观察但影响玉米的机械强度、发芽率以及活力等。为此,利用X-rayμCT技术对不同干燥条件下玉米进行扫描,使用深度学习算法分割与胚乳密度相近的胚区域并结合软件对玉米内部物性特征参数进行提取,提出了一种新的玉米内部损伤定量评价方法。结合定量研究结果提出的玉米干燥损伤模型,可为玉米损伤预测提供新思路。

设施番茄栽培智能补光系统关键技术研究

为了进一步提高设施番茄的品质与产量,在国内外对设施番茄栽培补光研究的基础上,研发了一套设施番茄栽培智能补光系统。该系统通过人工神经网络自主学习并识别番茄不同生长阶段,根据识别的番茄生长周期内所处的不同生长阶段,实现对补光光源红蓝光比例的动态调整,建立了对应于番茄不同生长阶段的补光控制线性模型,完成了对设施番茄生长全过程的精准补光诱导。测试结果表明,该系统识别准确度高,满足了设施番茄生长全过程精准补光的需求。

基于全光谱多通道LED混光控制系统的设计

在设施农业生产中,为提高LED植物光源的混光调整精度和补光效率,该文设计了一种基于多元控制策略的LED植物光源智能控制系统。本系统采用一种基于红、蓝和白3种芯片集成LED灯珠,通过仿真设计获得了线性光源的灯珠阵列最优排列,提高受照面上光照度的均匀度。采用可调恒流和脉冲宽度调制结合的方式设计了一套多元控制的LED植物光源调控模组,实现光质的多通道驱动独立控制。通过实验结果表明,本套智能调控系统的调光精度达到98%以上,且当占空比达到80%时系统驱动效率达到90%。本研究结果可实现按植物生长所需精准调控光质配比、光量子通量密度的同时,也提高了光能利用效率,具有节能降耗的效果,为植物人工光源的精准调控提供了参考,具有广泛的应用价值。

基于卷积神经网络干瘪核桃X射线图像判别

核桃内部品质良莠不齐会使其市场利润降低,现有检测方式不仅劳动成本高,效率低,且无法对核桃内部干瘪程度进行判别,因此,迫切需要一种无损、快速、准确的检测方式及判别方法。采用X射线技术获取核桃内部图像,采用图像处理软件Photoshop对核桃与核桃仁投影面积进行比值计算,确定3类不同干瘪程度的核桃,分别为内部存在略干瘪、过干瘪的核桃与正常核桃,采用3种核桃构建干瘪核桃数据集。基于卷积神经网络(CNN)结构,利用Alexnet、视觉几何群网络(VGG16)、MobileNetV2与残差网络(ResNet50)分别构建核桃内部干瘪程度判别模型。根据3种模型对干瘪核桃数据集分类的预测损失值、预测准确率、测试准确率与Epoch均次用时进行性能分析确定最优模型,并进行参数优化。结果表明,MobileNetV2模型在学习率为0.0001,批处理为32时,网络性能最佳,预测准确率达98.65%,测试准确率为93.40%。

基于深度学习的高光谱特征玉米品种纯度识别方法

为提升玉米种子的识别精度,提高玉米的产量和质量,基于高光谱成像和深度学习技术构建了一种包含数据预处理、图像分割、基于改进卷积神经网络(convolutional neural network,CNN)的高光谱玉米种子纯度识别方法。研究结果表明,改进的CNN在提高训练性能方面效果显著,其准确度、精确度、召回率和F1分数等指标均优于传统机器学习和其他深度学习方法。

基于高光谱成像技术的猪肉新鲜度评价

该文研究利用高光谱成像技术预测猪肉新鲜度参数,挥发性盐基氮(TVB-N)和pH值。在470～1000nm波长范围内,从高光谱图像中提取的反射光谱,分别经过2次Savitzky-Golay(S-G)平滑、多元散射校正(MSC)处理后,建立PLSR(偏最小二乘法)的预测模型。对TVB-N的预测,使用2次S-G平滑处理、MSC光谱建立的PLSR预测模型相关系数分别为0.90和0.89,预测模型标准差分别为7.80和8.05。对pH值的预测,经过MSC处理比2次S-G平滑处理的结果好,相关系数为0.79,预测模型标准差为0.37。同时综合2个参数利用MSC处理后的预测模型对猪肉新鲜度进行评定,准确率达91%。研究结果表明,高光谱成像技术可以用于猪肉新鲜度快速无损检测。

油菜叶片的光谱特征与叶绿素含量之间的关系研究

叶绿素是作物生长中的重要因素,是植物营养胁迫、光合作用能力和生长状况的良好指示剂。实时、可靠的作物营养诊断是进行科学施肥管理的基础,也是实践精细农业的关键技术之一。采用便携式可见-近红外光谱仪,在室外自然光照条件下对不同氮肥水平下油菜叶片的光谱特性进行了研究,并根据作物特有的光谱特征,采用逐步回归分析方法建立了油菜叶片的叶绿素含量与红边位置和绿峰位置之间的定量分析模型。结果表明,将红边位置、绿峰位置二者作为自变量时,建立的模型效果优于采用单一的红边位置为自变量时建立的模型效果。其相关系数分别为0.863和0.848;校正标准偏差SEC分别为5.273和5.459,说明采用红边位置和绿峰位置这两个参数更能很好地预测叶片的叶绿素含量。

基于SVR算法的小麦冠层叶绿素含量高光谱反演

为给小麦的长势监测与农艺决策提供科学依据,利用高光谱技术实现了小麦冠层叶绿素含量的估测。通过分析18种高光谱指数对叶绿素的估测能力,筛选出可敏感表征叶绿素含量的指数REP,利用地面光谱数据为样本集,以最小二乘支持向量回归(least squares support vector regression,LS-SVR)算法建立了小麦冠层叶绿素含量反演模型,其校正决定系数C-R2与预测决定系数P-R2分别为0.751与0.722,在各指数中反演精度最高。进一步分析表明,REP对叶绿素含量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对叶绿素含量估测的影响。利用LS-SVR反演模型完成了OMIS影像叶绿素含量的遥感填图,并以地面实测值进行检验,其拟合模型R2与RMSE值分别为0.676与1.715。结果表明,高光谱指数REP所建立的LS-SVR模型实现了叶绿素含量的准确估测,可用于小麦叶绿素含量信息的快速、无损获取。