烟草是我国重要的经济作物, 税收的重要来源, 为国家的经济发展做出了巨大贡献, 然而, 烟草病害严重影响烟叶产量与品质。 采用光谱分析技术对烟草病害进行早期防治具有非常重要的现实意义。 以接种烟草花叶病毒(TMV)与马铃薯Y病毒(PVY)的烟草为研究对象, 分别采集室内与室外培养的染病烟草叶片高光谱数据。 为实现对烟草病害的精准识别, 每隔两天对两种染病烟草进行光谱数据采集, 将每种病害数据详细地分成五个严重度等级, 最终获得1 697个在350~2 500 nm波段范围内的光谱数据。 为对烟草高光谱数据进行有效利用, 以支持向量机(SVM)为基础, 结合快速近邻波段选择算法(FNGBS)与归一化匹配滤波(NMFW), 提出一种聚类与排序相结合的波段选择算法(FNG-NMFW)。 FNG-NMFW首先采用FNGBS算法对烟草光谱进行精细分组, 再采用NMFW算法对各组波段进行排序以选择特征光谱, 实现烟草光谱特征提取与降维。 在波段选择的基础上, 采用SVM对烟草特征光谱进行分类, 最终实现高精度烟草病害检测。 研究结果显示: 该模型性能稳定, 在样本数量较少情况下, 即可实现TMV与PVY两种病害的高精度识别。 对于TMV1与TMV3, 该算法可以获得精度优于94%的检测结果, 对于PVY1与PVY3, 该算法精度接近90%, 表明该算法可有效完成两种病害早期的识别与预防工作。 与采用全波段光谱数据进行病害检测的模型相比, FNG-NMFW模型优势明显, 烟草病害检测结果总体精度达94.46%, 精度提高约1.5%, 检测时间由12.9 s缩短为1.1 s。

针对现有图像去模糊算法过于依赖PC平台,应用领域受到极大限制,且存在快速性、实用性难以保证等问题,提出了基于ARM Cortex-A9多核平台的多视点图像去模糊算法移植与优化方法,实现了ARM多核平台的多视点图像去模糊。该方法针对算法中的耗时模块,结合NEON指令优化和OpenMP多核优化两种并行优化策略,最大程度地减少算法耗时。实验结果表明,在ARM多核平台上,优化后的图像去模糊算法满足快速性要求,且对模糊图像的去模糊效果良好,具备实际应用价值。