基于高光谱图像的西兰花表面多种农药残留检测

针对西兰花农药残留问题,提出一种基于高光谱图像技术的西兰花农药残留定性检测新方法。首先,采集4组(共180颗)分别喷洒了清水和吡虫啉、阿维菌素、丙森锌3种农药的西兰花的高光谱(383.70～1 032.70 nm)图像,根据其图像信息提取感兴趣区域的平均反射光谱值,并采用分段多元散射校正对原始光谱数据进行预处理。为了提高模型效率,减少高光谱数据冗余,分别使用主成分分析和连续投影算法选择特征光谱。最后,使用马氏距离、最小二乘支持向量机、人工神经网络和极限学习机4种分类算法建立基于全波段和特征波段信息的农药残留检测模型。结果表明:基于连续投影算法的极限学习机模型的识别效果最好,训练集和测试集的正确率分别为98.33%和96.67%。说明利用高光谱图像技术鉴别西兰花表面农药残留种类是可行的,为西兰花表面的农药残留无损检测提供了一种新的方法。

基于卷积神经网络模型的大豆花叶病初期高光谱检测

为减轻花叶病对大豆产量的影响,实现对大豆花叶病害初期的快速检测,本文提出了一种基于卷积神经网络(convolutional neural network, CNN)模型的大豆花叶病害的诊断识别方法。首先对分别接种SC3、SC7病毒7 d后发病初期及正常的‘南农1138-2’大豆样本各80片(共计240片)进行高光谱图像采集,根据其图像信息提取并计算感兴趣区域的平均光谱值,建立基于高光谱图像的CNN模型。最终模型训练集识别率达到94.79%,预测集识别率达到92.08%,其中对接种SC3病毒的花叶病叶片识别率为88.75%,对接种SC7病毒的花叶病叶片识别率为93.13%,对正常叶片识别率为94.38%。对比最小二乘支持向量机和极限学习机模型,CNN模型能够更充分提取光谱的深层特征信息,识别效果显著提高。研究表明,基于高光谱图像的CNN模型能够更精确地实现对大豆花叶病初期检测,将CNN与高光谱结合的方法也为病害检测提供了一种新思路。

高光谱成像技术在农业中的应用概述

高光谱成像技术融合了传统的成像和光谱技术的优点,可以同时获取被检测物体的空间信息和光谱信息,作为一种简便、快捷、光学无损检测的新技术,已经在农业生产中受到广泛关注,并得到应用。本研究在梳理相关文献的基础上,分析了高光谱成像系统的构成,从高光谱成像技术在农畜产品质量和安全检测、农作物生长监测和产量估计、植物营养分析与施肥效果评估等多个方面,综述了高光谱成像技术在农业上的应用现状,并针对其在农业应用上的发展前景进行展望。

聪明的小狗恩卡

小红毛狗特别淘气,它在屋里乱跑,嘴里还嚷着不停。妈妈老对它喊:“安静点,安静点。”有一天,小红毛狗请来了有名的调皮大王——小狗恩卡。它想让妈妈知道,所有的小狗都是这样的。可让小红毛狗想不到的是……请合理想象,续编这个故事。