排序方式: 共有18条查询结果,搜索用时 15 毫秒
1.
Richards模型在蔬菜生长预测中的应用 总被引:6,自引:0,他引:6
本文从 Richards模型的数学表达出发 ,阐述了模型中各参数初始值的确定以及优化过程 .并利用菜花和菠菜的试验数据建立其“最优”生长模型 . 相似文献
2.
基于LED的便携式近红外整粒小麦成分测量仪的研制 总被引:3,自引:1,他引:2
采用最新集成芯片和软件设计 ,研制出以近红外LED为光源的整粒小麦成分快速分析的仪器 ,为小麦成分的现场检测提供了一个经济、快捷的便携式设备。该测量仪由近红外LED光源、窄带干涉滤光片、菲涅尔透镜、硅光电池检测器、单片机系统及校准模型等组成。与其他近红外仪器相比 ,该测量仪具有体积小、结构简单、低功耗、抗震动等特点。同时介绍了该测量仪的硬件设计 ,软件设计 ,对小麦蛋白质的建模和预测应用实例等。该测量仪可在粮库甚至田间现场对整粒小麦成分进行无损检测 相似文献
3.
利用高光谱成像技术无损鉴别菠菜叶片农药残留种类。采用高光谱成像仪采集900~1 700 nm波段内的光谱数据,采用多元散射校正对光谱数据进行预处理。利用主成分分析对不同种类菠菜样品的光谱数据进行分析,结果表明主成分分析能在可视化层面对不同种类的农药残留菠菜样品进行有效判别。另外,将卡方检验特征选择算法分别与支持向量机、朴素贝叶斯、决策树和线性判别分析算法结合,并采用10-fold交叉验证评价方法,筛选出最佳波段和最优判别模型(线性判别模型)。筛选出的8个特征波长为1 439.3,1 442.5,1 445.8,1 449,1 452.3,1 455.5,1 458.7,1 462 nm,模型的预测准确率达到0.993且10次交叉验证的标准差为0.009。结果表明,基于高光谱成像技术能准确地识别菠菜叶片上的农药残留种类。 相似文献
4.
基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病 总被引:2,自引:0,他引:2
讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest ,ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396~1010 nm。样品光谱分别经过主成分分析(PCA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS‐SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm )建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。 相似文献
5.
冬小麦活体叶片叶绿素和水分含量与反射光谱的模型建立 总被引:22,自引:11,他引:22
定量测定小麦活体叶片的叶绿素含量和水分含量,在小麦估产、农情监测等方面具有重要的意义,同时可为进行高光谱遥感提供基础.文章使用ASD便携式光谱仪和LI-COR 1800型积分球,在350~1 650nm的光谱范围内,测量冬小麦叶片在不同生长期的反射光谱,用偏最小二乘方法建立了冬小麦叶片叶绿素和水分含量与反射光谱的定量分析模型.在400~750 nm的光谱范围,建立了叶绿素含量与反射光谱的模型,结果为:叶绿素的预测值与真实值的相关系数为0.898,相对标准偏差为13.6%.在1 400~1 600 nm的光谱范围,建立了水分含量与反射光谱的模型,其结果为:水分的预测值与真实值的相关系数为0.999,相对标准偏差为0.3%.在农业生产中,这些结果是满意的. 相似文献
6.
7.
用化学计量法—分光光度法测定活体叶片中叶绿素a,b的含量 总被引:2,自引:0,他引:2
本文研究了用逐步回归分析法、主成分回归法、偏最小二乘法与人工神经网络法测定活体叶片中叶绿素a、b的含量。活体叶片的光谱由PC微机采集,测定叶绿素a与b的相关系数分别达到0.927~0.958与0.873~0.908;相对标准偏差约5%~9%(叶绿素a 9.4μg/2ml,n=20)。本方法可用于农业研究。 相似文献
8.
主成分-人工神经网络在近红外光谱定量分析中的应用 总被引:13,自引:0,他引:13
近红外光谱的主成分由非线性迭代偏最小二乘法(NIPALS)求出。主成分作标准化处理后,作为B-P神经网络的输入结点进行非线性迭代。该法的优点是,充分利用了全光谱的数据,得到消除噪声后的最佳主成分,能建立非线性模型,B-P神经网络迭代时间显著缩短。用该法对大麦中的淀粉含量进行了定量分析研究。结果为:校准和预测的相关系数分别为0.981和0.953,校准和预测的相对标准偏差分别为1.70%和2.48%。 相似文献
9.
主成分—人工神经网络在近红外光谱定量分析中的应用 总被引:5,自引:0,他引:5
近红外光谱的主成分由非线性迭代偏最小二乘法(NIPALS)求出,主成分作标准化处理后,作为B-P神经网络的输入结点进行非线性迭代。该法的优点是,充分利用了全光谱的数据,得到消除噪声后的最佳主成分,能建立非线性模型,B-P神经网络迭代时间显著缩短,用该法对大麦中的淀粉含量进行了定量分析研究。结果为:校准和预测的相关系数分别为0.981和0.953,校准和预测的相对标准偏差分别为1.70%和2.48% 相似文献
10.
高光谱成像技术被广泛应用于农产品的检测。基于高光谱成像技术结合机器学习算法无损鉴别不同地区的小米样本。将来源7个省份共计23份样品的小米样本根据地理区域划分为东北地区、河北、陕西、山东和山西共5大类,其中东北地区共6份样品,山西地区5份样品,河北、陕西和山东各4份样品。将每份样品均分为10等份并利用高光谱成像仪采集900~1 700 nm波段内小米的高光谱数据。为了减少光照不均匀和暗电流对实验的影响,对采集到的高光谱数据进行黑白校正。利用ENVI软件选取小米高光谱图像的感兴趣区域(ROI),每份小米样品选取9个ROI。计算ROI内的平均光谱值,以此平均值作为该样本的一条光谱记录,最后共收集到2 070条光谱曲线,其中东北类540条,山西类450条,其他河北类、山东类、陕西类各360条。为了减少样品表面的不平整性引起的散射现象,进而影响小米的真实光谱信息,对收集到的原始光谱进行多元散射校正预处理(MSC)。采用随机划分法对校正过后的光谱数据划分训练集和测试集,测试集占的比例为0.3。利用线性判别分析(LDA)对不同产地小米的光谱数据进行可视化分析,将测试集代入训练好的LDA模型,做出预测结果的混淆矩阵(Confusion Matrix),结果表明LDA对于陕西和山西类的预测准确率为0.84和0.99,对于东北、河北和山东的预测准确率仅为0.68,0.68和0.40。进而采用递归特征消除(RFE)对小米的光谱信息进行特征选择,去除冗余的信息,提高模型的预测准确率。将RFE分别与支持向量机(SVM)和逻辑回归(LR)结合,对不同产地小米的判别进行对比分析。将小米光谱数据的训练集分别代入SVM-RFE和LR-RFE模型并结合3折交叉验证技术,以模型F值的微平均(Micro-averaging)最优选择出相应的特征子集。结果表明,LR-RFE选择的波长数为74个,其模型的Micro_F为0.59;SVM-RFE选择的波长数为220,其模型的Micro_F为0.66。将选择后的特征子集应用到测试集并将测试集分别代入SVM和LR模型,采用模型预测结果的混淆矩阵和模型的受试者工作特征曲线(ROC)作为评价方法。结果表明SVM-RFE对东北地区、河北、陕西、山东和山西的预测准确率分别为1,0.37,0.72,0和1,其ROC曲线下面积(AUC)分别为0.82,0.92,0.93,0.70和0.99。LR-RFE的预测准确率分别为0.92,0,0.97,0和0.80,其AUC分别为0.72,0.74,0.94,0.66和0.88。从预测结果可以看出SVM-RFE模型的综合分类性能优于LR-RFE,而对陕西类的判别LR-RFE要优于SVM-RFE,对于河北类和山东类两个模型都不能有效判别。这两个模型的预测准确率相比LDA有了一定的提升。 相似文献