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台,获取了黑龙江地区牡响、早香、彩稻三个品种不同的霉变状态(健康稻谷、轻度霉变、中度霉变)的近红外光谱成像数据。对于近红外光谱图像的160×160像素有效区域,应用数字图像处理技术结合光谱图像分析方法,分析了NIR图像多种纹理特征和光谱反射值频率特性,优选不同稻谷品种霉变状态的光谱特征,计算了近红外图像的纹理特征(均值、标准差、平滑度、三阶距、一致性、信息熵、平均梯度、分形维数)以及间隔步长0.1时NIR光谱图像在0.2~0.8区间反射值频率,共计14维度的光谱图像特性指标。最后,以提取NIR图像的特征向量为依据,利用前馈神经网络的自适应推理机制,建立了稻谷霉变程度与其近红外图像特征之间的非线性映射模型,该神经网络结构为14-60-3型,进一步将网络输出编码向量解析至稻谷霉变等级,实现了稻谷霉变程度的快速检测方法。结果表明:本文提出检测模型在学习次数为28455次时达到预设的目标精度0.06,所提取的稻谷NIR图像特征与模型输出的相关系数为0.85。仿真测试中该检测模型所计算出的网络输出值和期望输出值的误差平均值为0.52139,方差为0.13782,误差的标准差为0.37123,对于不同稻谷的霉变程度检测的准确率为93.33%。该研究为实现稻谷霉变程度无损检测提供了新方法,为稻谷仓储时霉变早期自动快速检测提供了技术支持。

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0.000952,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2.4544~5.1987,与标准算法所得冠层图像的像元信息熵仅相差0.2459。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4.3687,标准目标图像和初始热红外图像的平均互信息为3.9818,二者仅相差0.4869。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。

乡村生活

来到乡村,全身上下都感觉特别的自由,特别的自在。来到乡村,又有一种亲切感,因为这是生我养我的地方。我来到乡村以后,听见树上的蝉在叫,像是在举行歌手大赛,白胡子老爷爷坐在树下。