为解决大豆冠层在近地端的多光谱图像边缘灰度不均, 目标与背景之间灰度差别小, 难以准确高效地获取大豆冠层目标区域的难题, 将多光谱成像处理技术与经典图像分割方法有机融合, 提出基于多光谱图像处理技术的大豆冠层提取方法。 以东北大豆为对象, 通过Sequoia多光谱相机采集绿光、 近红外、 红光、 红边和可见光五类大豆多光谱图像, 采用高斯平滑滤波法对原始大豆多光谱图像进行预处理, 分析多光谱图像中大豆冠层和背景的灰度直方图分布特性, 在此基础上利用迭代法、 Otsu法和局部阈值法提取原大豆多光谱图像中冠层区域, 并以图像形态学开运算处理细化和扩张背景, 避免图像区域内干扰噪声对大豆冠层识别效果的影响, 同时以有效分割率、 过分割率、 欠分割率、 信息熵以及运行时间等为监督指标, 对大豆冠层多光谱图像识别模型进行效果评价。 大豆冠层识别模型中迭代法可以有效分割近红外和可见光大豆冠层图像, 有效分割率分别为97.81%和87.99%, 对绿光、 红光和红边大豆冠层图像分割效果较差, 有效分割率低于70%; Otsu法和局部阈值法可以有效分割除红光波段的其余四种多光谱大豆冠层图像, 且有效分割率均在82%以上; 三种算法对红光大豆冠层图像的有效分割率均低于20%, 未达到较好效果。 在原始多光谱图像中应用迭代法、 Otsu法和局部阈值法提取大豆冠层图像与标准图像的信息熵平均值波动幅度分别为: 0.120 1, 0.054 7和0.059 8, 其中Otsu法和局部阈值法较小, 表明了对于大豆冠层多光谱图像识别中两种算法的有效性。 该算法中Otsu法和局部阈值法均可以有效提取绿光、 近红外、 红边和可见光等多光谱的大豆冠层图像, 二者较为完整地保留了大豆冠层信息, 其中Otsu法实时性能较局部阈值法更好。 该成果为提取农作物冠层多光谱图像提供理论依据和技术借鉴。

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28 455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0.521 39, 方差为0.137 82, 误差的标准差为0.371 23, 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。

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0.000 952, 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2.454 4~5.198 7, 与标准算法所得冠层图像的像元信息熵仅相差0.245 9。 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4.368 7, 标准目标图像和初始热红外图像的平均互信息为3.981 8, 二者仅相差0.486 9。 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。

盐碱胁迫是影响芸豆产量和质量重要的逆境因子之一。 农作物盐碱胁迫的研究一般是通过传统的化学研磨萃取法, 其操作繁琐且存在破坏性和耗时长等不足, 目前对于盐碱胁迫下芸豆冠层近红外光谱(NIR)特性提取以及快速无损检测度的研究鲜有报道。 为解决苗期芸豆盐碱胁迫程度快速检测的难题, 基于近红外光谱技术, 以苗期芸豆为研究对象, 研究苗期芸豆健康和多等级盐碱胁迫的光谱曲线特性, 提出一种盐碱胁迫下芸豆冠层NIR光谱特性分析及检测的新方法。 首先选取吸光度值较强的990~2 452 nm范围内苗期健康和受盐碱胁迫的芸豆冠层光谱数据, 选用二次多项式自动拟合去趋势算法(DT)对原始光谱数据进行预处理, 然后优选竞争性自适应重加权采样算法(CARS), 从预处理后的数据中提取出95个对盐碱胁迫敏感的特征波长。 利用径向基函数作为隐含神经元, 构建三层前馈神经网络结构为95-282-7型(RBF), 通过训练集样本确定网络参数, 将网络前向输出值编码为二进制向量, 最后解析输出向量至盐碱胁迫等级, 完成苗期芸豆盐碱胁迫程度快速检测方法。 结果表明: (1)对原始光谱曲线进行多种预处理, 研究结果中相关性范围为0.339 4~0.946 1, 其中DT预处理光谱的相关性范围为0.943 3~0.946 1, 平均值为0.944 7, 能够提高快速检测芸豆盐碱胁迫的精度。 (2)针对DT预处理后的芸豆冠层近红外光谱曲线, 优选CARS算法提取出95维度的光谱特征波长向量, 芸豆波长总数减少了93.51%, 有效保留了对盐碱胁迫敏感的特征信息源。 (3)应用CARS-RBF模型进行自动快速检测芸豆盐碱胁迫程度中学习次数为282次, 均方误差(MSE)为0.009 938 59, 模型检测准确率达到97.73%, 因此该方法是一种芸豆盐碱胁迫程度的快速无损检测的新途径, 能够为其他农作物盐碱胁迫程度的快速无损检测提供技术借鉴。