自动对靶喷雾靶标红外探测研究

农林作物一般非连续种植,喷在农林作物靶标之间的药液造成巨大浪费和严重环境污染,因此探讨利用红外线探测技术实现靶标的自动探测, 对靶精准喷施意义重大。红外线可有效防止可见光的干扰,响应速度快,可实现无接触探测,由此建立的红外光电探测系统可靠性好、成本低。红外发光管发射出红外光照射到被探测物体上,反射的红外线被光电探测器接收,触发控制信号,实现自动对靶施药。系统中不同探测器组采用不同编码的调制脉冲红外信号,可消除组间光路干扰及其他光信号的干扰。实验结果表明所建立的红外靶标自动探测装置可对农林作物靶标进行自动探测,光波波长为850 nm,探测距离为0.1～6 m可调,靶标最小识别间距小于0.3 m。     

基于支持向量机的玉米苗期田间杂草光谱识别

田间全面积均匀喷施除草剂不经济,还污染环境,精准喷施除草剂意义重大,其关键是正确识别杂草。用便携式野外光谱仪,在田间测量了玉米、马唐和稗草植株冠层在350～2 500 nm波长范围内的光谱数据,经过数据预处理,数据分析波长选为350～1 300和1 400～1 800 nm。数据处理采用支持向量机(SVM)模式识别方法。SVM具有可实现对小样本建模结构风险最小化、结果最优化、泛化能力强的优点。用线性、多项式、径向基和多层感知核函数对玉米和杂草建立二分类模型,结果表明,三阶多项式核函数SVM分类模型的正确识别率最高,达到80%以上,且支持向量比例较小。以二分类模型为基础,利用投票机制,建立了玉米、马唐和稗草的一对一多分类SVM模型,正确识别率达80%。田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中应用潜力很大,此研究为田间杂草识别及传感器的建立提供了一种研究思路和应用基础。     

BP神经网络在使用红外热像仪技术预测冬小麦产量中的应用(英文)

通过使用红外热像仪技术获得冬小麦冠层不同温度值,计算得到冬小麦主要需水阶段水分胁迫指标ICWSI(infrared crop water stress index)。并根据此数据,使用一次灌溉周期中3个时段不同的ICWSI的平均值作为输入因子,相应实测冬小麦产量作为输出因子,建立了BP神经网络模型对冬小麦的产量进行预测,本文采用三层BP神经网络,其拓扑结构为3-5-1,数据归一化处理后收敛性能增强。预测结果显示,平均相对误差最大只有3.42%;为了证实这一方法的优越性,同时建立了基于ICWSI和冬小麦产量关系的非线性函数的预测模型,预测结果与实际产量值进行比较,平均相对误差最大达到了18.87%。两种预测方法得到的不同预测结果表明,将红外热像仪技术与BP神经网络预测方法相结合,可以成功用来预测冬小麦产量,比使用非线性函数预测的效果更好,精度更高,可靠性更强,可以用于实际生产需要。