简介:摘要 : 溶解氧含量的测量对水产养殖具有极其重要的意义,但目前中国市面上的溶解氧传感器存在价格昂贵、不能持续在线测量及更新部件维护困难等问题,难以在水产养殖物联网中大规模推广和发挥作用。本研究基于荧光淬灭原理,利用水中溶解氧浓度与荧光信号相位差的关系进行低成本、易维护溶解氧传感器的研发。首先利用自制备溶氧敏感膜,经激发光照射后产生红色荧光,该荧光寿命可由溶解氧浓度调节;然后利用光信号敏感器件设计光电转化电路实现光信号感知;再以 STM32F103微处理器作为主控芯片,编写下位机程序实现激发光脉冲产生,利用相敏检波原理以及快速傅里叶变换( FFT)计算激发光与参照光的相位差,进而转化为溶解氧浓度,实现溶解氧的测量。荧光探测部分与系统主控部分采用分离式设计思想,利用屏蔽排线直接插拔连接,便于传感器探测头的拆卸、更换、维护以及实现远距离在线测量。经测试,本溶解氧传感器的测量范围是 0~20 mg/L,响应延迟小于 2 s,溶氧敏感膜使用寿命约 1年,可以实时不间断地对溶解氧浓度进行测量。同时,本传感器具有测量方便、制作成本低、体积小等特点,为中国水产养殖低成本溶解氧传感器的研发与市场化奠定了良好的基础。
简介:摘要 : 准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤,本研究通过对深度残差网络 ResNet进行改进得到一种新型的西兰花花球分割模型,并通过花球部位黄绿颜色占比判断其新鲜度,实现低成本高效准确地西兰花表型信息提取。主要技术流程包括:( 1)基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集;( 2)对训练图像进行预处理并输入模型进行分割;( 3)基于颜色信息用粒子群结构 PSO和大津法 Otsu对分割结果进一步进行阈值分割,获取其新鲜度指标。试验结果表明:本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型, 4个评价指标结构相似性指数 (SSIM)、平均精度 (Precision)、平均召回率 (Recall)、 F-度量 (F-measure)结果分别为 0.911、 0.897、 0.908和 0.907,相比于传统方法提升了 10%-15%,且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时,在分割结果的基础上采用 PSO-Otsu法可以实现花球新鲜度快速分析,其精度超过了 0.8。本研究结果实现了西兰花田间多表型参数的高通量获取,可以为作物田间长势监测研究提供重要参考。
简介:摘要 : 土壤养分作为农业生产的重要指标,含量过少会降低农作物产量,过多则会造成环境污染。因此,快速、准确检测土壤养分对于精准施肥和提高作物产量具有重要意义。基于取样和化学分析的传统方法能够全面准确地检测土壤养分,但检测过程中土壤的取样及预处理过程繁琐、操作复杂、费时费力,不能实现土壤养分的原位快速检测。本研究基于调制近红外光谱,提出了一种土壤养分主动式近场遥测方法,可有效避免土壤反射自然光的干扰。该方法使用波长范围 1260~1610 nm的 8通道窄带激光二极管作为近红外光源,通过测量 8通道激光光束的土壤反射率,建立土壤养分中氮( N)关于土壤反射率的计量模型,实现了 N的快速检测。在 74组已知 N含量的土壤样品中,选取 54组作为训练集, 20组作为预测集。基于一般线性模型,对训练集中土壤 N含量与土壤反射率的定量化参数进行训练,筛选显著波段后的计量模型 R2达到 0.97。基于建立的计量模型,预测集中土壤 N含量预测值与参考值的决定系数 R2达到 0.9,结果表明该方法具有土壤养分现场快速检测的能力。
简介:摘要 : 光是植物进行光合作用的主要能量来源,光照好坏直接影响作物的产量和品质。本研究针对现有植物补光系统多以功能叶光合能力为基准进行冠层补光,导致冠层新生叶光抑制、株间功能叶位补光不足以及补光位置不能适应作物生长进行动态调整的问题,以黄瓜为研究对象,设计了一种基于植株需光差异特性的设施黄瓜立体光环境智能调控系统。该系统由智能控制子系统、冠层 -株间 LED补光子系统、冠层 -株间环境监测子系统和补光灯升降子系统组成,通过 ZigBee技术实现各子系统间无线通信。其中冠层 -株间环境监测子系统分别获取冠层和株间环境信息并发送至智能控制子系统,智能控制子系统根据环境实时信息调用冠层调控模型和株间适宜叶位调控模型获得相应调控目标值,并将其下发至冠层 -株间补光灯,实现冠层与株间补光灯的动态实时调控。在陕西省泾阳县蔬菜产业综合服务区蔬菜基地分别部署立体补光设备和传统冠层补光设备,并进行系统调控效果验证试验。结果表明,立体补光区黄瓜植株的株高和茎粗显著增长,其中相比传统冠层补光区平均株高、茎粗分别增长了 8.03%和 7.24%,相比自然处理区平均株高、茎粗分别增长了 26.51%和 36.03%;在一个月的采摘期内,立体补光区相比传统冠层补光区和自然处理区产量分别提升了 0.28和 1.39 kg/m2,经济效益分别增加了 2.82和 4.88 CNY/m2,说明立体光环境调控系统能够提高经济效益,具有应用推广价值。
简介:摘要 : 植被分类是高光谱影像分类中的特定应用问题,光谱特征和空间特征是植被分类中常用的两类特征,比较这两类特征的性能,对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析( PCA)提取光谱特征时,常选择前几个主成分( PCs)作为光谱特征,虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率,针对这一问题本研究提出了一种混合特征提取方法,对高光谱影像在 PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的 PCs用于后续分类。利用一景 AVIRIS高光谱植被影像,从分类精度的角度,首先比较了所提出的混合特征提取方法和原始 PCA、独立主成分分析( ICA)及线性判别分析( LDA) 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集 1和 2上均获得了最高的总体分类正确率,分别为 82.7%和 86.5%。与原始 PCA相比,本研究提出的混合特征提取方法的总体分类正确率,在数据集 1和 2上分别提高了 1.5%和 2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中,总体上空间特征获得的分类正确率比光谱特征高,特别是 Gabor特征,在两个数据集上均获得了最高的总体分类正确率分别为 95.5%和 96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空 -谱特征方法及其两者有效结合,进一步提高植被分类正确率提供了参考。
简介:摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的 MobileNetV3网络,结合关键点预测的目标检测网络( CenterNet),构建了用于苹果检测的轻量级无锚点深度学习网络模型( M-CenterNet),并通过与 CenterNet和单次多重检测器( Single Shot Multibox Detector, SSD)网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明,本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%;模型体积和帧率分别为 14.2MB和 8.1fps;在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下,所提网络模型体积仅为 CenterNet网络的 1/4;相比于 SSD网络,所提网络模型的 AP提升了 3.9%,模型体积降低了 84.3%;本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。
简介:摘要 : 水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合 PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择,提出了仅含有 695、 507和 465nm 3个高光谱特征波段的红边优化指数( ORVI)。与 Index Data Base数据库中其他用于叶绿素含量反演植被指数,包括 ND528,587、 SR440,690、 CARI、 MCARI的反演结果进行了对比分析,结果表明: IDB数据库中的已有 4种植被指数叶绿素含量反演模型的决定系数 R2分别为 0.672、 0.630、 0.595和 0.574; ORVI植被所建立的叶绿素含量反演模型的决定系数 R2为 0.726,均方根误差 RMSE为 2.68,精度高于其他植被指数,说明了 ORVI在实际的应用中,能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。
简介:摘要 : 叶片湿润时间( LWD)是植物病害模型的重要输入变量之一,它与许多叶部病原菌的侵染有关,影响病原侵染和发育速率。为了准确地预测日光温室黄瓜病害的发生时间和方位,本研究于 2019年 3月和 9月在北京两个不同类型日光温室内按照棋盘格法设置了 9个采样点部署温湿光传感器和目测叶片湿润时间,每隔 1 h采集一次温度、湿度、辐射和叶片湿润数据进行定量估算分析。分析结果表明: BP神经网络模型在两个温室的试验条件下获得了相似的准确度( ACC为 0.90和 0.92),比相对湿度经验模型估算叶片湿润时间的准确度( ACC为 0.82和 0.84)更高,平均绝对误差 MAE分别为 1.81和 1.61 h,均方根误差 RSME分别为 2.10和 1.87,决定系数 R2分别为 0.87和 0.85;在晴天和多云天气条件下,叶片湿润时间的空间分布总体规律是南部>中部>北部,南面是叶片湿润平均时间( 12.17 h/d)最长的区域;由东向西方向上,叶片湿润时间的空间分布总体规律是东部>西部>中部,中部是叶片湿润平均时间( 4.83 h/d)最短的区域;雨天的叶片湿润平均时间比晴天和多云长,春季和秋季分别为 17.15和 17.41 h/d。这些变化和差异对温室黄瓜种群水平方向的叶片湿润时间分布具有重要影响,与大多数高湿性黄瓜病害的发生规律密切相关。本研究为预测温室黄瓜病害分布提供了有价值的参考,对控制病害流行和减少农药使用具有重要意义,提出的区域化分析温室内叶片湿润时间的方法,可以为模拟日光温室叶片湿润时间的空间分布提供参考。
简介:摘要 : 受经济和气候驱动,长江经济带水田空间格局发生了显著变化,影响区域粮食安全与生态安全。本研究基于 1990-2015年土地利用遥感监测数据,利用 GIS的空间分析功能,探究长江经济带水田空间格局动态变化特征,采用当量因子法计算生态系统服务价值( ESV),分析了水田变化的综合影响。结果表明: 1) 1990-2015年长江经济带水田规模持续缩减,共减少了 17390km2,减幅呈增长态势具有显著地域差异,长江中上游与下游的水田减幅相差约为 9.56%。其中下游减幅较大,水田占区域比例随之降低,中上游恰好相反。 2)由于经济建设及水产养殖的发展,水田主要转化为建设用地和水系,水田主要由水系、旱地和湿地等转化而来。长江三角洲城市群、长江中游及成渝城市群的水田变化最为剧烈,建设用地侵占水田扩张的现象分布广泛,水田转为水系主要在两湖平原局部地区。 3)水田与其他生态系统的转化对 ESV是正影响,水田转为水系对此贡献最大,其转化规模决定了不同时期 ESV净增量的大小,水系转化为水田损失的价值最多,建设用地侵占水田次之。不同市域的水田变化情况不一致,因此 ESV增减情况具有明显差异。 4)生态系统服务中水文调节、水资源供给增强的同时,食物生产、气体调节受到严重损害,与水资源规模扩大和水田资源大量流失有直接关系。研究结果有助于揭示长江流域水田的时空变化过程及其对各项生态系统服务的影响,可为区域土地利用规划、农业政策与生态可持续发展提供理论支持。
简介:摘要 : 含水量是表征水稻生理和健康状况的关键参数,精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前,利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数,针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的 RGB图像和多光谱图像,通过提取植被指数和纹理特征,分析水稻的动态生长变化,并构建了基于随机森林回归方法的含水量预测模型。试验结果表明:( 1)从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长,并且这些参数随水稻生长呈现出了相似的动态变化趋势;( 2)与 RGB图像相比,多光谱图像评估水稻含水量具有更高的潜力,其中归一化光谱指数 NDSI771,611实现了更好的预测精度( R2=0.68, RMSEP=0.039, rRMSE =5.24%);( 3)融合植被指数和纹理特征能够进一步改善含水量的预测结果( R2=0.86, RMSEP=0.026, rRMSE=3.51%),预测误差 RMSEP分别减小了 16.13%和 18.75%。上述结果表明,基于无人机遥感技术监测水稻含水量是可行的,可为农田精准灌溉和田间管理决策提供新思路。
简介:摘要 : 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加,农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题,本研究建立了一个认知无线传感器网络( CRSN)作物表型信息采集模型,并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡( DSEB)的事件驱动分簇路由算法。算法包括:( 1)动态频谱感知分簇,采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头,构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子,提升网络各分簇平均频谱利用率;( 2)融入边缘计算的事件触发数据路由,根据构建的分簇拓扑结构,将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点,簇内汇聚包括直传和簇内中继,簇间中继包括主网关节点和次网关节点 -主网关节点两种情况;( 3)基于频谱变化和通信服务质量( QoS)的自适应重新分簇:基于主用户行为变化引起的可用信道改变,或分簇效果不佳对通信服务质量产生的干扰,触发 CRSN进行自适应重新分簇。此外,本研究还提出了一种新的能耗均衡策略去能量消耗中心化(假设 sink为中心),即在网关或簇头节点选取计算式中引入与节点到 sink的距离成正比的权重系数。算法仿真结果表明,与采用 K-medoid分簇和能量感知的事件驱动分簇 (ERP)路由方案相比,在 CRSN节点数为定值的前提下,基于 DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进;在主用户节点数为定值时,所提算法比其它两种算法具有更高频谱利用率。
简介:摘要 : 水肥一体化自动装备的使用能够有效提高水肥资源利用率,但需要在作业前获知作物的营养状况及水肥需求量,而通过人工手持测量仪器来获取这些信息,存在着时效性差和劳动强度大等缺点。针对以上问题,本研究以常见的作物玉米为研究对象,使用大疆精灵Ⅲ无人机携带 RedEdge-M多光谱相机在田间上空采集玉米多光谱图像,同时使用 YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息,根据这些信息将采集的图像分为 3个等级(每个等级共包含 530幅五通道图像,其中 480幅作为训练集, 50幅作为验证集),提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于 TensorFlow深度学习框架搭建了 ResNet18卷积神经网络模型,通过向模型输入彩色图像数据和五通道多光谱图像数据,分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明:训练后的模型能够识别玉米作物的彩色图像和多光谱图像,能够输出玉米的营养状况等级和 GPS 信息,识别彩色图像模型在验证集的正确率为 84.7%,识别多光谱图像模型在验证集的正确率为 90.5%,模型训练平均时间为 4.5h,五通道图像识别平均用时为 3.56s。该识别方法可快速无损地获取玉米作物的营养状况,为有效提高水肥资源利用率提供了方法和依据。