作者单位
摘要
1 中国农业大学信息与电气工程学院, 北京 100083
2 北京市植物保护站, 北京 100029
自然场景下获取的黄瓜病害图像存在光照、 土壤等噪声, 严重影响黄瓜病害识别精度, 现有检测模型占用内存较大, 难以实现黄瓜病害的实时检测。 以自然环境中黄瓜霜霉病、 白粉病和炭疽病3种病害的可见光光谱图像为研究对象, 提出一种基于可见光谱和改进YOLOv5目标检测网络的黄瓜病害识别模型, 探索自然环境中黄瓜病害的准确实时检测并降低检测模型存储成本的方法。 为平衡检测精度和模型所需存储空间, 以轻量级网络结构YOLOv5s为基线模型, 引入SE注意力机制, 提取特征维度信息, 降低复杂背景对检测结果的影响, 提高模型的检测精度; 引入深度可分离卷积替换基线模型中的标准卷积, 减少模型参数带来的计算负担, 提高检测速度。 检测模型接收任意像素的可见光光谱图像并调整成640×640像素作为检测网络输入, 输出表示黄瓜病害发生区域及病害类别, 使用COCO数据集上预训练权重初始化网络权重。 实验结果表明, 改进后的YOLOv5s-SE-DW模型对黄瓜霜霉病、 白粉病和炭疽病的检测精度分别达到了78.0%, 80.9%和83.6%, mAP高达80.9%, 模型存储空间仅为9.45 MB, 浮点运算次数仅为11.8 G, 相比基线模型mAP提高了2.4%, 运算次数减少了4.6 G, 模型所需的存储空间降低了4.95 MB, 在减小模型所需内存的同时提升病害检测准确率; 进一步与经典两阶段目标检测网络Faster-RCNN和单阶段目标检测网络YOLOv3, YOLOv3-tiny, YOLOv3-SPP以及YOLOv4进行对比, 提出的YOLOv5s-SE-DW模型相比对比模型中表现最优的YOLOv4模型mAP提高了3.8%, 检测时间和存储空间大幅度降低。 综合结果表明, 所提出的YOLOv5s-SE-DW网络对于自然场景中的黄瓜病害检测具有良好的精度和实时性, 能够满足黄瓜实际种植环境中病害检测的需求, 为实际应用场景下黄瓜病害自动检测的实现提供参考。
可见光光谱 黄瓜 目标检测 病害识别 Visible spectrum Cucumber Target detection YOLOv5 YOLOv5 Disease identification 
光谱学与光谱分析
2023, 43(8): 2596
作者单位
摘要
1 中国地质大学(武汉)珠宝学院, 湖北 武汉 430074湖北省珠宝工程技术研究中心, 湖北 武汉 430074
2 上海珠宝测试鉴定处, 上海 200010
硬水铝石是珠宝市场上流行的彩色宝石, 因其具有独特的变色效应(日光下呈现棕黄绿色, 白炽灯下呈现紫红色)而被广大消费者欢迎。 研究硬水铝石的变色成因对于宝石的切割加工、 优化处理以及价值评估有着重要意义。 目前硬水铝石的变色成因研究较少, 考虑到硬水铝石的化学成分和晶体结构与刚玉类似, 刚玉的颜色成因理论研究较为成熟, 因此, 为研究硬水铝石的变色成因, 本文选取与硬水铝石变色效应非常相近的变色刚玉, 从二者的微量元素、 紫外-可见光光谱与晶体结构等方面进行对比研究。 运用激光剥蚀电感耦合等离子体质谱仪测试了样品的微量元素, 根据测试结果, 硬水铝石样品中致色元素主要有Fe、 Cr、 V、 Ti, 刚玉样品中致色元素主要有Mg、 Ti、 Fe、 V、 Cr, 二者的微量元素种类相似, 但含量有差异。 运用紫外-可见光光谱与偏振紫外-可见光光谱表征了变色硬水铝石与变色刚玉在可见光区的吸收特征, 发现硬水铝石中存在位于387、 398、 438和448 nm处的吸收峰以及中心位于572 nm左右的宽缓吸收带, 正是这一宽缓吸收带导致了变色效应, 与之对应的, 变色刚玉中存在位于377、 388和450 nm处的吸收峰以及中心位于560 nm左右的宽缓吸收带。 二者在可见光区的吸收特征非常类似。 有差异的是, 变色刚玉的560 nm吸收带不存在明显的偏振性, 而硬水铝石的572 nm吸收带存在偏振性, 晶体中电荷转移导致的吸收特征往往具有偏振性。 通过二者晶体结构的对比分析与刚玉中的电荷补偿理论分析, 推测硬水铝石中398 nm吸收峰由Fe3+导致, 387、 438和448 nm吸收峰由Fe3+-Fe3+离子对导致, 572 nm处的宽缓吸收由Cr、 V、 Fe2+-Ti4+离子对产生。 硬水铝石的变色效应是在Cr、 V、 Fe2+-Ti4+离子对的综合作用下产生的。 本研究通过类比变色效应相近的刚玉, 研究了硬水铝石的变色成因, 为研究宝石中的类似问题提供了新思路。
硬水铝石 变色成因 紫外-可见光光谱 谱峰归属 微量元素 Diaspore Alexandrite effect origin UV-Vis spectrum Assignments on peaks Trace elements 
光谱学与光谱分析
2023, 43(8): 2557
作者单位
摘要
山东理工大学农业工程与食品科学学院, 山东 淄博 255000
使用便携式近红外(901~1 650 nm)和可见光(400~900 nm)光谱仪结合多变量分析方法无损检测水稻水分含量, 选用100种不同品种的水稻并采集其光谱信息, 其中粳稻52种, 籼稻34种, 糯稻14种。 采用GB 5009.3—2016中的直接干燥法测定每种水稻样本的水分含量。 利用蒙特卡洛偏最小二乘法(MCPLS)剔除水稻样本中的异常值, 基于近红外和可见光光谱的数据集分别剔除8个和4个异常值。 采用基于联合X-Y距离的样本划分法(SPXY)按照3: 1的比例划分样品, 近红外和可见光数据集分别得到69、 72个校正集和23、 24个预测集。 采用正交信号校正(OSC)、 多元散射校正法(MSC)、 去趋势变换(De-trend)、 标准正态变换(SNV)、 基线校正(Baseline)、 Savitzky-Golay 卷积导数(S-G导数)、 标准化(Normalize)、 移动平均平滑(moving average)、 Savitzky-Golay卷积平滑处理法(S-G平滑)共9种算法对原始光谱数据进行预处理, 基于近红外和可见光光谱的OSC、 SNV和OSC、 Moving average预处理效果较好, 进行后续模型的处理。 选择特征波长以减小光谱信息冗余并提高模型检测效果, 基于近红外和可见光光谱的最佳波长选择方法分别为连续投影算法(SPA)和竞争性自适应重加权算法(CARS), 分别保留15, 39个特征波长。 之后, 建立偏最小二乘回归(PLSR)、 主成分回归(PCR)模型。 结果表明, 基于近红外和可见光光谱的最优模型分别为SPA-PLSR和OSC-CARS-PCR, 其预测集相关系数(R2P), 预测集均方根误差(root mean square error forprediction, RMSEP)和预测集归一化均方根误差(normalized root mean square error, NRMSEP)分别为0.810 3、 0.802 1, 0.412、 0.388和3.62%、 3.34%。 基于近红外光谱的SPA-PLSR模型预测效果更好, 鲁棒性更高, 预测效果好于可见光光谱。 本研究验证了便携式近红外和可见光光谱仪快速、 无损检测水稻中水分含量的可行性, 为水稻收获、 贮藏等过程水分含量的测定提供技术支持, 为后续便携式光谱仪的开发提供参考。
近红外光谱 可见光光谱 水稻 水分含量 便携式 快速检测 Near-infrared spectra Visible spectra Rice Moisture content Portable Rapid detection 
光谱学与光谱分析
2023, 43(7): 2059
作者单位
摘要
1 中国农业大学信息与电气工程学院, 北京 100083
2 河南农业大学信息与管理科学学院, 河南 郑州 450018
3 中国农业科学院农业环境与可持续发展研究所, 北京 100081
病害严重影响作物品质, 并造成经济损失。 病斑分割是病害定量诊断的重要过程, 其分割结果可为后续的识别和严重度估算提供有效依据。 由于病斑具有不规则性和复杂性, 且自然环境下病斑可见光谱图像易受光照变化等影响, 传统的图像处理方法对病斑图像分割存在准确率低、 普适性低和鲁棒性不高等问题。 该工作提出了基于语义分割和可见光谱图像的作物叶部病害病斑分割方法。 首先, 以花生褐斑病、 烟草赤星病为研究对象, 使用尼康D300s单反相机共采集到165张可见光谱图像。 通过Matlab Image Labeler APP对病害可见光谱图像进行像素标记, 分别标记出褐斑病病斑、 赤星病病斑和背景区域。 其次, 对标记后的数据采用水平翻转、 垂直翻转、 改变亮度等图像扩充方式, 获得1 850份增强后样本数据集。 为了节约计算成本, 将数据集的像素分辨率调整为300×300。 最后, 基于FCN, SegNet和U-Net 3种语义分割网络, 构建4 种作物叶部病害病斑分割模型, 探索了数据增强、 病害类别对病斑分割模型的影响, 并采用4种分割指标评价模型效果。 结果表明: 仅对于病斑分割, 图像增强能够提高模型的分割精度, 增强后FCN模型的平均精度(MP)和平均交并比(MIoU)分别为95.71%和93.36%。 4个语义分割模型显著优于支持向量机(SVM), 其中FCN与U-Net, SegNet-2和SegNet-4分割模型相比, 能够有效避免光线变化等影响, 病斑分割精度(P)和交并比(IoU)分别达到99.25%和97.55%。 对于病斑分类分割实验, FCN对两种病害的分割精度Pd分别达到97.54%和90.41%, 对两种病害的交并比IOUd分别为95.61%和70.30%, 均优于其他3种分割模型。 FCN能够在分割病斑的同时也准确地识别病害类别, 有较好的泛化性和鲁棒性, 实现了自然场景下作物叶部病害病斑的识别与分割, 为计算混合病害严重度提供了技术参考。
可见光光谱 作物 病斑分割 语义分割 全卷积神经网络 Visible spectrum Crops Spot segmentation Semantic segmentation Full convolutional network 
光谱学与光谱分析
2023, 43(4): 1248
作者单位
摘要
1 中国地质大学(武汉)珠宝学院, 湖北 武汉 430074
2 云南国土资源职业学院, 云南 昆明 652501
尖晶石作为一种珍贵的宝石材料, 因其瑰丽的颜色外观和悠久的历史而广受称赞。 变色效应作为宝石学中一种常见的光学现象, 在变石, 蓝宝石, 尖晶石, 石榴石等宝石中都可以出现。 通常将宝石的变色效应归结为Cr离子和V离子所致, 但是目前有关变色尖晶石的报道较少, 缺乏致色元素和变色机理的研究。 本次研究对象是一颗具有变色效应的尖晶石(在D65光源下呈蓝色, 在A光源下呈蓝紫色), 和两颗不具有变色效应的蓝色尖晶石(两种光源下色调无明显变化)。 运用电感耦合等离子体质谱仪(LA-ICP-MS)、 紫外可见光谱仪、 拉曼光谱仪、 光致发光光谱仪获取样品的成分和光谱信息。 LA-ICP-MS化学成分测试结果表明, 三颗尖晶石均为镁铝尖晶石, 主要化学成分为MgO和Al2O3, 并含有Fe, V, Cr, Co和Zn等微量元素, 在变色尖晶石中含有较多的Fe离子和微量的Co离子, 不含有Cr离子, 并且变色尖晶石与无变色效应的蓝色尖晶石中V离子含量相近。 变色尖晶石紫外可见吸收光谱具有位于387, 461, 478, 527, 559, 590, 627和668 nm处的吸收峰, 其中387, 461, 478和668 nm吸收峰与Fe离子有关。 559, 590和627 nm处的吸收峰是由Co离子d轨道电子自旋允许跃迁4A24T1(4P)并经自旋-轨道耦合作用分裂所致。 此外, 四面体配位中的Fe2+dd自旋禁阻跃迁5E(D)→3T1(H)同样在559 nm处产生吸收峰。 由Co离子和Fe离子共同作用, 在559 nm附近产生的吸收宽带是尖晶石产生变色效应的主要原因。 拉曼光谱测试结果显示变色尖晶石与其他两颗蓝色尖晶石无差异, 可见311, 405, 663和765 cm-1四个特征拉曼位移峰, 依次对应F2g(1), Eg, F2g(3)和A1g振动。 光致发光光谱(PL)测试发现变色尖晶石中处于Td对称位置的Co2+4T1(P)能级会分裂成为三个子能级, 电子由三个4T1(P)激发态的子能级回落到4A2(F)基态而产生位于686, 650和645 nm处的发光峰。 变色尖晶石中Co离子含量很低, 并且Fe离子含量较高, 受到Fe离子荧光猝灭作用, 样品无红色发光现象。
尖晶石 变色效应 紫外-可见光光谱 拉曼光谱 PL光谱 Spinel Alexandite effect LA-ICP-MS UV-Vis spectrurm Raman spectrum PL spectrum LA-ICP-MS 
光谱学与光谱分析
2022, 42(11): 3541
任芊芊 1,1; *;袁一钗 2
作者单位
摘要
1 中国地质大学(武汉)珠宝学院, 湖北 武汉 430074
2 国检中心深圳珠宝检验实验室有限公司, 广东 深圳 518020
榍石作为一种稀有宝石, 具有良好的宝石学特性以及出色火彩, 在欧美、 日本、 印度等国备受欢迎。 随着近几年国内外珠宝市场的交流增加, 中国某些地区也开始流行这种外观炫目的宝石。 但国内有关宝石级榍石研究较少, 认知依然停留在折射率、 色散等基本矿物学性质上, 对其光谱学特征、 颜色成因等方面研究依然存在空白。 在对巴基斯坦黄绿色榍石进行成分分析基础上, 归纳总结其红外光谱, 拉曼光谱及紫外-可见光光谱的特征。 通过对榍石样品进行激光剥蚀电感耦合等离子体质谱(LA-ICP-MS)测试, 发现该批次次样品主要元素含量稳定, 其中TiO2含量为35.42 Wt%, MnO和Cr2O3含量非常低(分别为~0.04 Wt%和0.01 Wt%), 因此该批次榍石样品颜色主要与含量较高的Fe相关。 在红外振动的基频波段400~1 200 cm-1范围内可观察由Si—O和Ti—O振动引起的吸收峰, 同时在6 800 cm-1处观察到表明Fe2+存在的吸收宽带。 拉曼光谱测试结果(45~1 500 cm-1)与前人研究基本一致, 3 354 cm-1处的弱拉曼峰, 推测与Fe相关。 通过对比定向切割样品GS-1在5个不同方向上的拉曼光谱结果, 可发现不同结晶面上拉曼峰位置基本不变, 但部分振动的相对强度存在差异。 紫外-可见光光谱分峰拟合结果表明, 14 461 cm-1处吸收可能由八面体内Fe2+dd禁阻跃迁产生, 而15 887, 16 781和17 781 cm-1三个吸收峰则与八面体内Fe3+dd禁阻跃迁相关。 该研究的创新性主要体现在以下两个方面: (1)系统性总结宝石级榍石红外光谱、 拉曼光谱及紫外-可见光光谱特征, 并结合成分测试结果进行分析; (2)通过相关软件对榍石样品紫外-可见光光谱测试结果进行分峰拟合, 根据各谱峰出现位置, 相对强度和峰形特征, 结合前人总结规律, 对吸收峰进行归属, 提出Fe可能是导致宝石级黄绿色榍石颜色形成的原因。
巴基斯坦榍石 红外光谱 拉曼光谱 紫外-可见光光谱 Pakistan titanites IR Raman UV-Vis 
光谱学与光谱分析
2021, 41(7): 2263
作者单位
摘要
1 中国地质大学(武汉)珠宝学院, 湖北 武汉 430074
2 北京科技大学土木与资源工程学院, 北京 100083
磷灰石是珠宝市场上常见的宝石品种, 因颜色丰富而广受欢迎。 变色磷灰石是稀有品种且价格高昂, 该品种在D65光源(色温6 500 K)下呈黄绿色, A光源(色温2 856 K)下呈粉红色, 其可见光光谱的谱学特征与变色成因未被详细研究。 基于此, 将一颗变色磷灰石晶体, 沿其平行c轴和垂直c轴方向各切下一个薄片并双面平行抛光, 分别测试其可见光光谱与微量元素。 结果发现, 其可见光光谱中谱峰较多: 位于583和578 nm处的吸收双峰强度最强, 位于748和738 nm处的吸收双峰强度中等, 分别位于688和526 nm处的吸收峰, 强度较弱。 还有一些非常微弱的吸收峰, 分别位于514, 483, 473和443 nm处。 位于748和738 nm处的吸收双峰与583和578 nm处的吸收双峰共同造成了红橙光区的透射窗, 583和578 nm处的吸收双峰与526 nm处的吸收峰共同造成了黄绿光区的透射窗。 D65光源和A光源由于相对光谱功率分布不同, 在不同透射窗的透过有所不同, 导致变色磷灰石在不同光源下呈现出不同颜色。 D65光源中黄绿光成分较多, 透过黄绿光区透射窗的成分较多, D65光源下磷灰石呈黄绿色, A光源中红光成分较多, 通过红橙光区透射窗的成分较多, A光源下磷灰石呈粉红色。 因此, 磷灰石的变色效应与位于748和738 nm处的吸收双峰, 位于583和578 nm处的吸收双峰以及位于526 nm处的吸收峰相关。 根据微量元素数据与稀土元素的晶体场理论, 这些吸收峰是由稀土元素钕(Nd)导致。 根据不同晶体方向样品的可见光光谱特征, 平行c轴方向变色效果更好, 建议加工变色磷灰石晶体时宝石台面应尽量平行c轴。 该研究结合微量元素与可见光光谱分析了变色磷灰石的变色成因, 并为其加工切割方向提供了指导。
磷灰石 变色效应 可见光光谱 微量元素 Apatite Alexandrite effect Visible spectrum Trace elements 
光谱学与光谱分析
2021, 41(5): 1483
嵇杨培 1杨颖 1,*刘刚 1,2,3
作者单位
摘要
1 中国农业大学信息与电气工程学院, 北京 100083
2 现代精细农业系统集成研究教育部重点实验室, 北京 100083
3 农业部农业信息获取技术重点实验室, 北京 100083
猪的进食、 饮水行为是评价生猪健康程度最直接的依据, 利用计算机视觉技术实时监控生猪的进食、 饮水等状况对提高生猪养殖福利有重要的意义。 提出一种基于可见光光谱和改进YOLOv2神经网络的生猪进食、 饮水行为识别方法, 该方法在生猪可见光图像序列上构建头颈模型, 结合改进的YOLOv2神经网络实现真实养殖场景中的生猪目标检测, 并利用位置信息对生猪的进食、 饮水行为进行预判断, 对符合判断的图像使用图像处理方法精准判断生猪进食、 饮水行为。 首先在生猪图像序列上构建头颈模型, 利用未被遮挡的头颈作为检测目标, 该模型能有效改善生猪目标检测过程的遮挡问题, 且能够精准定位生猪的头部, 为后续识别进食饮水行为提供辅助。 然后采用国际主流神经网络YOLOv2作为目标检测的基础网络模型, 改进其激活函数, 实现快速精准地生猪目标检测。 在使用网络训练前, 对生猪数据集使用K-means算法进行聚类候选边框, 其mAP值和Recall值相比于最初YOLOv2提高了3.94%和5.3%。 为了增加网络对输入变化或噪声的鲁棒性, 对比使用ReLU, Leaky-ReLU和ELU三个激活函数的性能, 可以发现使用ELU的性能比前两者有明显提高。 将改进后的网络与原YOLOv2, SSD模型以及Faster R-CNN相比, 该模型的mAP值达到90.24%, Recall值达到84.56%, 均优于后三者。 最后利用目标检测得到的生猪头颈位置信息, 对生猪的进食、 饮水行为进行预判断。 当图像中进食、 饮水区域出现生猪时, 对该图进行背景差分法、 形态学运算等处理, 并结合饮水区域停留时间等对生猪的进食、 饮水行为进行更精准判断。 实验表明: 利用该方法判断生猪的进食、 饮水行为, 准确率分别达到94.59%和96.49%, 均优于直接使用传统方法判断的结果, 可应用于实际养殖过程中辅助养殖人员进行生猪管理。
可见光光谱 生猪 目标检测 深度学习 行为识别 Visible spectrum Pigs Target detection Deep learning Behavior recognition 
光谱学与光谱分析
2020, 40(5): 1588
作者单位
摘要
浙江大学控制科学与工程学院, 工业控制技术国家重点实验室, 浙江 杭州 310027
快速、 有效地识别饮用水中污染物类别对于降低突发饮用水污染事件影响十分重要。 目前基于紫外-可见光光谱法的饮用水污染物判别模型大多使用主成分分析(PCA)进行特征提取, 然而, 对于光谱相似度较高的有机污染物, 仅从数据驱动的角度提取其方差最大的方向作为特征进行识别效果往往不佳。 针对有机污染物光谱数据多重共线性以及谱峰重叠干扰的问题, 开展了基于连续投影算法(SPA)和多分类支持向量机(M-SVM)的紫外-可见光光谱饮用水有机污染物判别方法研究。 首先, 使用紫外光谱仪测量苯酚、 对苯二酚、 间苯二酚和间苯二胺的原始光谱数据并进行预处理, 在对四种污染物进行了波长与浓度的相关关系对比分析后, 发现苯酚和间苯二酚、 对苯二酚和间苯二胺的谱峰重叠较为严重; 特征提取时, 引入SPA筛选有机污染物紫外-可见光光谱数据的特征波长组合, 并对不同波长个数时的光谱吸光度进行多元线性回归分析, 选取对应最小预测标准偏差的参数及波段组合作为最优参数组合; 基于最优特征波长组合, 构建基于多分类SVM的饮用水有机污染物分类识别模型; 最后, 对比分析了全光谱、 PCA及SPA特征提取后的光谱数据在不同分类方法及不同污染物浓度下的分类效果, 进一步说明了SPA的适用性和稳定性。 实验结果表明, SPA作为一种提取光谱数据原始特征波段的方法, 可以有效的对有机污染物的紫外-可见光光谱进行特征提取, 提升不同物质之间的差异, 在一定程度上消除多重共线性和谱峰重叠干扰, 从而提高分类模型的准确率。 该方法对于解决饮用水中谱峰重叠的污染物类型判别问题具有参考价值。
紫外-可见光光谱 有机污染物判别 连续投影算法 多分类支持向量机 UV-Vis spectroscopy Identification of organic contaminants Successive projections algorithm Multi-classification support vector machine 
光谱学与光谱分析
2020, 40(7): 2267
作者单位
摘要
1 中国农业大学信息与电气工程学院, 北京 100083
2 中国农业科学院农业环境与可持续发展研究所, 北京 100081
温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件, 对于减少农药使用量、 提升温室黄瓜品质和农民经济效益具有重要意义。 机器学习在植物病害诊断领域的应用越来越广泛, 已经取得了丰富的研究成果, 病害严重程度的估算萌发了新的思路。 利用霜霉病可见光图像并结合机器学习方法, 开展温室黄瓜霜霉病严重度快速准确定量估算研究。 利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理, 剔除病害图像的背景。 以黄瓜霜霉病叶片图像为输入, 构建基于卷积神经网络(CNN)的估算模型。 利用可见光光谱颜色特征(CVCF)结合支持向量机进行温室黄瓜霜霉病病斑图像分割, 采用SURF(speeded up robust features)特征及形态学操作对分割结果进行优化。 在获取黄瓜霜霉病病斑分割图像后, 提取病斑图像RGB, HSV, L*a*b*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征, 以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、 相关性、 熵和平稳度4个纹理特征, 共计90个特征; 利用Pearson相关性分析进行特征优选, 采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型, 包括支持基于向量机回归(SVR)的估算模型和基于BP神经网络(BPNN)的估算模型。 基于以上3种估算模型开展黄瓜霜霉病严重度定量估算, 采用决定系数(R2)和归一化均方根误差(NRMSE)对估算模型准确率进行定量评价。 结果表明, 模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系, 其中, 基于CNN的估算模型准确率最高, 模型的R2为0.919 0, NRMSE为23.33%, 其次是基于BPNN的估算模型, 其R2为0.890 8, NRMSE为24.64%, 基于SVR的估算模型的准确率最低, 其R2为0.8901, NRMSE为31.08%。 研究结果表明, 利用黄瓜霜霉病可见光图像数据, 结合卷积神经网络估算模型, 实现了温室黄瓜霜霉病严重度的准确估算, 能够为温室黄瓜霜霉病的科学防治提供参考, 提高病害防治效率, 减少农药使用。
温室黄瓜 霜霉病 严重度 可见光光谱 机器学习 估算 Greenhouse cucumber Downy mildew Severity Visible spectrum Machine learning Estimation 
光谱学与光谱分析
2020, 40(1): 227

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!