基于光学特性参数反演的苹果水心病检测

[目的]针对传统的果蔬品质检测方法费时且破坏检测样本的问题,提出了一种新的苹果水心病检测方法。[方法]采用具有水心病的新疆阿克苏苹果作为样本,首先利用反向倍增法计算得出苹果每层组织的光学特性参数,然后利用苹果果皮、果肉、果核层的光学参数据构建3层迁移反演模型,使用蒙特卡罗法对苹果内部的光子轨迹进行仿真并获取苹果表面的仿真光亮度图。由于水心病通常发生在苹果果核层,通过仿真光亮度图学习苹果果核层的特征,然后迁移到实测苹果样本数据中进行学习和预测。基于光学特性参数反演的检测方法是利用蒙特卡罗法和卷积神经网络提取与水心病相关的苹果果核层光学特征,使用迁移学习将这些特征与实际苹果样本水心病病情建立联系,成功利用模拟数据提取实测数据中由于存在噪声而无法提取的有效特征,提高了水心病预测的速度和准确度。[结果]基于光学特性参数反演的水心病检测方法在二分类条件下的预测准确率达到94.3%,优于直接使用高光谱数据的卷积神经网络模型和SVM模型;在四分类条件下预测准确率能达到93.5%,相较于卷积神经网络模型提高约4%。[结论]试验结果说明所提出的基于光学特性参数反演的水心病检测方法能有效提取更多与水心病相关的苹果果核层高光谱特征,为苹果水心病的检测提供了一种新的思路。

基于参数自适应算法的环塔里木盆地红枣优生区划分

【目的】进一步优化新疆红枣优生区,促进新疆红枣产业的提质增效。【方法】现有的优生区划分算法,由于其参数设值受人为主观影响较大,使优生区划分呈现较大的不确定性。以环塔里木盆地19个地区33个采样点的灰枣和骏枣的12个果实品质指标为数据集,提出了参数自适应的红枣优生区划分算法。【结果】首先对枣样本品质数据集进行300次有放回的随机抽样,对每一次抽取的样本进行参数自适应的主成分分析,并将分析结果进行融合得到红枣的主要品质指标。在此基础上,对各产区枣样本数据进行150次参数自适应的聚类分析,根据每次聚类结果所对应的红枣主要品质指标,利用无向加权图进行融合,得到不同品质指标所对应的优生区划分结果。确定灰枣和骏枣的主成分,在主要品质指标上将灰枣和骏枣优生区划分为4类。【结论】提出新疆环塔里木盆地各产区灰枣和骏枣的主要品质指标为总酸含量、总糖含量、单果质量和制干率,为新疆红枣区域化发展提供了依据。

利用FL-DGCNN模型估测绿萝叶片外部表型参数

为了能够低成本、自动化批量获取植物叶片的外部表型参数,同时解决自然生长条件下的植物叶片存在遮挡而无法获取完整的外部表型数据的问题,该研究以绿萝叶片为研究对象,基于曲面参数方程建立叶片几何模型,提出一种基于特征分层的动态图(Dynamic Graph CNN based on Feature Layering,FL-DGCNN)和堆栈编码器模型的绿萝叶片外部表型参数估测算法。通过多层组合的编码-解码器模型对残缺点云进行形状补全,将不同尺度下的点云通过多层感知机提取分组点不同层的特征向量融合后获取特征信息,以决定系数和均方根误差评价模型结果。结果表明:多层组合的编码模型对残缺点云补全的鲁棒性更高,特征分层的动态图模型估测结果的叶长、叶宽、叶面积的决定系数分别为0.92、0.93和0.94,叶长、叶宽的均方根误差分别为0.37、0.34cm,叶面积的均方根误差为3.01cm^(2)。该方法对叶类植物叶片的外部表型参数估测效果较好,具有实用性。