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、精細(xì)農(nóng)業(yè)技術(shù)體系包括數(shù)據(jù)獲取與數(shù)據(jù)采集、數(shù)據(jù)分析與可視化表達(dá)、決策分析與制定和精細(xì)農(nóng)田作業(yè)的控制實(shí)施等主要組成部分,其中植物生長信息的快速獲取與生長狀況快速診斷,對(duì)提高農(nóng)作物的產(chǎn)量和質(zhì)量具有重要意義。
傳統(tǒng)的水稻稻瘟病病害檢測(cè)主要基于分子生物學(xué)檢測(cè)方法,不利于在線實(shí)時(shí)水稻稻瘟病病害識(shí)別。本研究論文主要圍繞植物生長信息檢測(cè)與解析中的病害脅迫信息快速獲取和識(shí)別關(guān)鍵技術(shù)展開,利用光學(xué)成像傳感裝置快速無損獲取水稻稻瘟病早期病害信息
2、,通過研究不同的病害檢測(cè)預(yù)報(bào)模型,及時(shí)監(jiān)控水稻稻瘟病發(fā)生發(fā)展?fàn)顩r,構(gòu)建稻瘟病預(yù)測(cè)預(yù)報(bào)系統(tǒng),為變量施藥決策系統(tǒng)的實(shí)施提供決策支持。本論文的主要研究內(nèi)容和結(jié)論如下:
(1)提出了針對(duì)稻瘟病病害檢測(cè)的高光譜特征提取方法,實(shí)現(xiàn)了高維光譜數(shù)據(jù)壓縮和特征提取,建立了基于光譜特征的稻瘟病病害識(shí)別模型,實(shí)現(xiàn)了稻瘟病的精確、無損檢測(cè)。系統(tǒng)地研究了高斯函數(shù)擬合光譜特征提取、植被指數(shù)光譜特征提取和小波近似系數(shù)光譜特征提取,建立了基于高斯擬合參數(shù)
3、、植被指數(shù)和小波近似系數(shù)的水稻稻瘟病病害分類判別模型。研究表明,3種光譜特征提取方法均可有效提取水稻稻瘟病病害特征光譜信息,其中分析得到的水稻稻瘟病優(yōu)化識(shí)別模型為基于1階導(dǎo)數(shù)光譜高斯擬合參數(shù)(峰高、峰寬、峰面積)LDA病害判別模型,該模型在校正集和預(yù)測(cè)集分類準(zhǔn)確率分別為100%和96%。
(2)應(yīng)用數(shù)字圖像處理技術(shù),實(shí)現(xiàn)了水稻稻瘟病高光譜圖像特征信息獲取,建立了基于高光譜圖像統(tǒng)計(jì)信息的水稻稻瘟病分類判別模型。系統(tǒng)研究了主成
4、分圖像特征提取,概率統(tǒng)計(jì)濾波圖像特征提取和二階概率統(tǒng)計(jì)濾波圖像特征提取方法,得到了基于圖像特征提取的優(yōu)化模型--基于主成分圖像統(tǒng)計(jì)信息的逐步線性判別模型,該模型在校正集判別準(zhǔn)確率為98.3%,預(yù)測(cè)集判別準(zhǔn)確率為97.5%。
(3)應(yīng)用高光譜和高光譜圖像技術(shù),提取了對(duì)水稻稻瘟病識(shí)別敏感的特征波長,建立了基于特征波長下光譜和圖像信息的水稻稻瘟病害識(shí)別模型,實(shí)現(xiàn)基于圖像信息稻瘟病病害識(shí)別模型的優(yōu)化。研究應(yīng)用主成分分析-載荷系數(shù)法
5、得到了基于圖像特征波長的病害識(shí)別優(yōu)化模型為基于特征波段長(419nm,502nm,569nm,659nm,675nm,699nm,742nm)圖像信息構(gòu)建PCA-LDA分類模型,校正集判別準(zhǔn)確率為92.7%,預(yù)測(cè)集判別準(zhǔn)確率為92.5%。
(4)首次建立了水稻冠層光譜信息與抗氧化酶活性關(guān)系預(yù)測(cè)模型,實(shí)現(xiàn)稻瘟病可見癥狀顯癥之前的早期病害識(shí)別。應(yīng)用光譜技術(shù),利用偏最小二乘回歸法建立基于冠層光譜信息的抗氧化物酶(POD、SOD、
6、CAT)酶值活性預(yù)測(cè)模型?;诳梢?近紅波段(400-1100nm)冠層光譜漫反射信息對(duì)POD預(yù)測(cè)相關(guān)系數(shù),校正集為97.57%,預(yù)測(cè)集為90.79%;SOD預(yù)測(cè)相關(guān)系數(shù),校正集為96.82%,預(yù)測(cè)集為86.65%;CAT預(yù)測(cè)相關(guān)系數(shù),校正集為85.98%,預(yù)測(cè)集為66.63%。研究首次建立了基于特征波長光譜信息抗氧化物酶(POD、SOD、CAT)活性預(yù)測(cè)模型,實(shí)現(xiàn)了抗氧化酶活性預(yù)測(cè)模型的簡(jiǎn)化?;谔卣鞑ㄩL(491nm,545nm,67
7、6nm,707nm,741nm)的漫反射值對(duì)POD預(yù)測(cè)相關(guān)系數(shù)。校正集為83.35%,預(yù)測(cè)集為75.19%;基于特征波長(526nm,550nm,672nm,697nm,738nm,747nm)的漫反射值對(duì)SOD預(yù)測(cè)相關(guān)系數(shù),校正集為69.45%,預(yù)測(cè)集為54.88%;基于特征波長(491nm,503nm,544nm,673nm,709nm,744nm)漫反射值對(duì)CAT的預(yù)測(cè)相關(guān)系數(shù),校正集為66.09%,預(yù)測(cè)集為46.91%。
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LCTF的高光譜成像系統(tǒng)關(guān)鍵技術(shù)研究.pdf
- 光譜成像仿真系統(tǒng)關(guān)鍵技術(shù)研究.pdf
- 多光譜、超光譜成像探測(cè)關(guān)鍵技術(shù)研究.pdf
- 基于聲光可調(diào)諧超光譜成像關(guān)鍵技術(shù)研究.pdf
- 基于高光譜成像的地物三維模型重構(gòu)關(guān)鍵技術(shù)研究.pdf
- 計(jì)算光譜成像技術(shù)研究.pdf
- 電控液晶多譜成像關(guān)鍵技術(shù)研究.pdf
- 基于高光譜成像技術(shù)的作物葉綠素信息診斷機(jī)理及方法研究.pdf
- 基于高光譜成像技術(shù)的油菜信息獲取研究.pdf
- 基于高光譜成像的氮素脅迫下寒地水稻營養(yǎng)診斷的研究.pdf
- 基于高光譜成像技術(shù)的哈密瓜表面農(nóng)藥殘留檢測(cè)技術(shù)研究.pdf
- 基于高光譜成像技術(shù)的血跡形態(tài)特征檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的羊肉嫩度檢測(cè)研究.pdf
- 基于微型化多通道濾光片的多光譜成像關(guān)鍵技術(shù)研究.pdf
- 基于高光譜成像技術(shù)的馬鈴薯外部損傷識(shí)別研究.pdf
- 基于高光譜成像技術(shù)的銅品質(zhì)檢測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)小麥玉米長勢(shì)監(jiān)測(cè)研究.pdf
- 高光譜成像
- 基于高光譜成像技術(shù)的煙葉病害識(shí)別方法研究.pdf
- 基于高光譜成像技術(shù)的干貝水分含量快速檢測(cè)研究.pdf
評(píng)論
0/150
提交評(píng)論