

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、黃瓜(CucumissativusL.)是我國(guó)的主栽蔬菜作物之一,在人民日常生活、地方經(jīng)濟(jì)發(fā)展中扮演重要角色。由于生長(zhǎng)周期短,果實(shí)產(chǎn)生率高、產(chǎn)量大,植株容易出現(xiàn)營(yíng)養(yǎng)元素虧缺的情況,嚴(yán)重影響了黃瓜種植業(yè)的產(chǎn)量和經(jīng)濟(jì)效益??焖贉?zhǔn)確的診斷缺素狀況對(duì)提高黃瓜產(chǎn)量、增強(qiáng)農(nóng)民收入以及發(fā)展現(xiàn)代農(nóng)業(yè)有著極其重要的意義。為了解決診斷黃瓜營(yíng)養(yǎng)狀況的主觀性強(qiáng)、檢驗(yàn)周期長(zhǎng)及費(fèi)用高等缺點(diǎn),本論文利用集圖像技術(shù)和光譜技術(shù)于一身的高光譜圖像技術(shù),檢測(cè)黃瓜葉片色素含量
2、及營(yíng)養(yǎng)狀況。主要研究?jī)?nèi)容如下:
1.試驗(yàn)樣本信息的獲取。通過無土栽培方式培育正常、缺磷和缺氮三種營(yíng)養(yǎng)狀況下的黃瓜葉片,通過近紅外高光譜圖像采集系統(tǒng)獲取900-1700nm鮮活黃瓜葉片的近紅外高光譜圖像,并研究了葉片色素的高效液相色譜(HPLC)檢測(cè)方法。
2.黃瓜葉片的色素含量檢測(cè)。提取了高光譜圖像中的光譜信息,研究建立全光譜偏最小二乘模型,并利用特征譜區(qū)篩選方法優(yōu)化葉片色素含量預(yù)測(cè)模型。在光譜預(yù)處理的基礎(chǔ)上
3、,分別利用區(qū)間偏最小二乘(iPLS)、聯(lián)合區(qū)間偏最小二乘(SiPLS)、向后區(qū)間偏最小二乘(BiPLS)、及遺傳算法.區(qū)間偏最小二乘(GA-iPLS)等方法篩選色素特征譜區(qū),并結(jié)合HPCL分析得到的化學(xué)值建立校正模型。研究結(jié)果表明,SiPLS、BiPLS和GA-iPLS都能夠在降低模型復(fù)雜度的同時(shí)提高模型的精度。以葉綠素-a為例,其GA-iPLS預(yù)測(cè)結(jié)果最佳,采用的波數(shù)點(diǎn)個(gè)數(shù)只有84個(gè),不到全光譜的三分之一,其校正集的相關(guān)系數(shù)(Rc)和
4、交互驗(yàn)證均方根誤差(RMSECV)分別為0.8337和0.187,預(yù)測(cè)集的相關(guān)系數(shù)(Rp)和預(yù)測(cè)均方根誤差(RMSECP)分別為0.8304和0.202。
3.近紅外高光譜數(shù)據(jù)的光譜信息識(shí)別正常、缺磷和缺氮三種營(yíng)養(yǎng)狀況下的黃瓜葉片。采用多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)和一階導(dǎo)數(shù)(1stDer)三種方法對(duì)光譜進(jìn)行預(yù)處理,并對(duì)預(yù)處理效果進(jìn)行比較。在主成分分析(PCA)的基礎(chǔ)上,有比較的運(yùn)用了線性判別分析(LD
5、A)和K最近鄰(KNN)兩種模式識(shí)別方法。結(jié)果表明,光譜經(jīng)過MSC處理后建立的LDA模型識(shí)別效果最佳,當(dāng)主成分?jǐn)?shù)為13時(shí),模型的訓(xùn)練集和預(yù)測(cè)集的總體識(shí)別率均為96.67%。
4.近紅外高光譜數(shù)據(jù)的圖像信息識(shí)別正常、缺磷和缺氮三種營(yíng)養(yǎng)狀況下的黃瓜葉片。對(duì)高光譜圖像進(jìn)行主成分分析,選取特征波長(zhǎng)圖像,利用灰度統(tǒng)計(jì)矩提取特征波長(zhǎng)圖像的紋理信息,應(yīng)用線性判別方法(LDA)建立葉片的營(yíng)養(yǎng)狀況識(shí)別模型,訓(xùn)練集和預(yù)測(cè)集的識(shí)別率分別為68.
6、33%和56.67%,識(shí)別效果均劣于應(yīng)用光譜信息建立的識(shí)別模型。
5.提取近紅外高光譜數(shù)據(jù)中缺鉀葉片和缺磷葉片的早期缺素癥狀信息。對(duì)樣本高光譜數(shù)據(jù)進(jìn)行主成分分析,挑選特征圖像,然后應(yīng)用濾波和閾值分割提取缺素癥狀。對(duì)17個(gè)早期缺鉀葉片樣本和26個(gè)早期缺磷葉片樣本進(jìn)行檢測(cè),樣本的缺素癥狀均被檢出。
本論文分別從高光譜圖像的光譜信息和圖像信息建立并優(yōu)化黃瓜葉片的色素預(yù)測(cè)模型和缺素識(shí)別模型,結(jié)果表明,利用近紅外高光譜
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于近紅外高光譜圖像技術(shù)對(duì)板栗果實(shí)的無損檢測(cè)與品質(zhì)鑒定.pdf
- 基于近紅外光譜和高光譜圖像技術(shù)的配合飼料主要營(yíng)養(yǎng)成分檢測(cè)方法.pdf
- 基于近紅外光譜的血液酒精含量無損檢測(cè)系統(tǒng)設(shè)計(jì).pdf
- 基于高光譜圖像的黃瓜葉片葉綠素含量及其分布預(yù)測(cè)研究.pdf
- 基于光譜和高光譜圖像技術(shù)的蠶繭品質(zhì)無損檢測(cè)研究.pdf
- 花椒揮發(fā)油含量近紅外光譜無損檢測(cè)研究.pdf
- 基于近紅外光譜和高光譜圖像技術(shù)的獼猴桃品質(zhì)檢測(cè)研究.pdf
- 基于近紅外高光譜圖像分析的小麥硬度檢測(cè)研究.pdf
- 基于近紅外光譜技術(shù)的小麥葉片氮素營(yíng)養(yǎng)及籽粒蛋白質(zhì)含量監(jiān)測(cè)研究.pdf
- 基于高光譜圖像技術(shù)的銀杏葉中總黃酮含量無損檢測(cè)研究.pdf
- 應(yīng)用近紅外光譜法(NIRS)預(yù)測(cè)綿羊日糧的營(yíng)養(yǎng)狀況.pdf
- 應(yīng)用近紅外高光譜成像技術(shù)檢測(cè)羊肉脂肪和蛋白質(zhì)含量.pdf
- 基于高光譜圖像技術(shù)的紅棗品質(zhì)無損檢測(cè)研究.pdf
- 基于近紅外光譜的水稻葉片氮素營(yíng)養(yǎng)監(jiān)測(cè)研究.pdf
- 基于近紅外和高光譜檢測(cè)雞蛋粉摻假的研究.pdf
- 基于高光譜圖像技術(shù)的生菜葉片氮素含量檢測(cè)與可視化研究.pdf
- 草莓品質(zhì)近紅外光譜無損檢測(cè)技術(shù)研究.pdf
- 基于近紅外光譜透射法的汽車駕駛員血液酒精含量無損檢測(cè).pdf
- 西瓜品質(zhì)可見-近紅外光譜無損檢測(cè)技術(shù)研究.pdf
- 蘋果無損檢測(cè)的可見-近紅外激光漫反射光譜圖像技術(shù)研究.pdf
評(píng)論
0/150
提交評(píng)論