首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   21篇
  免费   0篇
物理学   21篇
  2019年   2篇
  2018年   3篇
  2017年   4篇
  2016年   2篇
  2015年   3篇
  2014年   7篇
排序方式: 共有21条查询结果,搜索用时 31 毫秒
1.
将热红外成像技术和低空遥感技术相结合,基于冠层和叶片两个尺度对菌核病侵染油菜的过程进行检测研究。从冠层尺度分析,首先获取整株样本的温度值(平均温度与最大温差),并采集其生理指数(气孔导度、CO2浓度、蒸腾速率及光合速率)。然后,将染病样本与健康样本的温度值进行判别分析,并对其进行单因素方差分析。从结果可知,平均温度和最大温差值都可以对染病样本与健康样本进行区分,且最大温差相较平均温度结果较明显。同时单因素方差分析也显示,最大温差三次检测中均存在显著性差异。对获取的生理指数进行分析,发现染病样本与健康样本之间可以通过生理指数进行明显区分。另外,将生理指数与叶片温度进行相关性分析,结果表明二氧化碳浓度与叶片温度之间的三次检测均存在显著性差异。基于叶片尺度,首先从单一叶片来看健康区域和染病区域的温度差异,可以明显区分出染病区域和健康区域的温度差异。然后,提取健康区域与染病区域的的温度值(最大温度、最小温度、平均温度以及最大温差)对进行对比分析,并对其进行单因素方差分析。结果表明,以上四个温度指标均可以区分叶片的染病区域和健康区域。但根据单因素方差分析结果可知,与冠层尺度相同,最大温差三次检测中均存在显著性差异,可以实现对油菜菌核病的早期识别。  相似文献   
2.
基于高光谱成像技术的油菜叶片SPAD值检测   总被引:11,自引:0,他引:11  
以油菜叶片为研究对象,利用高光谱成像技术,成功建立了叶绿素相对值SPAD值的预测模型。共采集了160个油菜叶片样本在380~1030nm范围内的高光谱图像。选择500~900nm之间的平均光谱作为油菜叶片样本的光谱。利用蒙特卡罗最小二乘法(monte carlo partial least squares,MC-PLS)剔除了13个异常样本,基于剩余的147个样本光谱数据与SPAD测量值进行分析,采用了不同的方法建立了多种预测模型,包括:全光谱的偏最小二乘法(partial least squares,PLS)模型,连续投影算法(successive projections algorithm,SPA)选择特征波长的PLS预测模型,"红边"位置(λred)的简单经验估测模型,三种植被指数R710/R760,(R750-R705)/(R750-R705)和R860/(R550*R708)分别建立的简单经验估测模型,以及基于这三种植被指数的PLS预测模型。建模结果显示,全光谱的PLS模型预测效果最为精确,其预测相关系数rp为0.833 9,预测均方根误差RMSEP为1.52。而使用SPA算法选出的8个特征波长所建立的PLS模型其预测结果可达到与全光谱的PLS模型非常接近的水平,而且在保证一定精度的条件下减少了大量运算,节省了运算时间,大幅提高了建模的速度。而基于红边位置和选择的三种植被指数而建立的简单经验估计模型其预测结果虽与基于全光谱的PLS预测模型有一定差距,但模型简单、运算量小,适合用于对精度要求不高的场合,对后续的便携仪器设备开发有一定的指导作用。  相似文献   
3.
高光谱成像技术的柑橘植株叶片含氮量预测模型   总被引:11,自引:0,他引:11  
氮素是果树生长发育的一种大量必需元素,及时准确地监控果树的氮营养状况,对果树的合理施肥、增产、优化果实品质以及减缓过量施氮引起的水资源污染具有重要意义。利用高光谱成像技术结合多变量统计学方法,建立了柑橘植株叶片的含氮量预测模型。研究步骤为:高光谱扫描、提取平均光谱曲线、预处理原始光谱数据、采用连续投影法提取特征波段和建立含氮量预测模型。从SG平滑、SNV、MSC、1-Der等11种预处理方法中筛选出的较优预处理方法是SG平滑、Detrending和SG平滑-Detrending。对应这三种最优预处理方法,先采用连续投影法挑选出各自的特征波长,然后将各特征波段下的光谱反射率作为偏最小二乘、多元线性回归和反向传播人工神经网络模型的输入,各自建立三个预测模型。从以上获得的9个预测模型中,得出两个最优模型SG平滑-Detrending-SPA-BPNN(Rp:0.851 3,RMSEP:0.188 1)和Detrending-SPA-BPNN(Rp:0.8609,RMSEP:0.159 5)。结果表明,利用高光谱数据测定柑橘叶片含氮量具有可行性。这为实时、准确地监控柑橘植株生长过程中叶片含氮量的变化以及合理科学的氮肥施加提供了一定的理论基础。  相似文献   
4.
高光谱成像的油菜和杂草分类方法   总被引:3,自引:0,他引:3  
利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。采用近红外高光谱技术,通过正态变量变换(SNV)、去趋势化(De-trending)、多元散射校正(MSC)、移动平均平滑法(MA)、多项式卷积平滑法(SG)、基线校正(baseline)及归一化(normalize)算法对光谱数据进行预处理,采用主成分载荷(PCA loadings)、载荷系数法(x-LW)、回归系数法(RC)、连续投影算法(SPA)分别进行特征波长提取,采用偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)和支持向量机(SVM)建立分类模型。结果表明,基于De-trending预处理,通过PCA loadings,x-loading weights及SPA特征波长提取方法,基于极限学习机ELM算法建立的模型取得了最优的分类效果,建模集和预测集的分类精度均达到100%,另引入平均分类精度的指标,发现不同试验时间下,模型分类精度变化不大,表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。  相似文献   
5.
采用可见/近红外光谱对丙酯草醚胁迫下大麦叶片过氧化氢酶(catalase,CAT)与过氧化物酶(peroxidase,POD)含量预测进行研究。对500~900nm光谱采用移动平均法(moving average,MA)11点平滑方法进行预处理。采用蒙特卡罗-偏最小二乘法(monte carlo-partial least squares,MCPLS)方法分别对于CAT与POD的含量预测剔除7个与8个异常样本。基于全部光谱建立了CAT与POD含量预测的PLS,最小二乘支持向量机(least-squares support vector machine,LS-SVM)与极限学习机(extreme learning machine,ELM)模型,ELM模型对CAT含量预测效果最好,建模集相关系数(correlation coefficient of calibration,Rc)为0.916,预测集相关系数Rp为0.786;PLS模型对POD含量预测效果最佳,Rc为0.984,Rp为0.876。采用连续投影算法(successive projections algorithm,SPA)算法分别为CAT与POD预测选择了8个与19个特征波长,基于特征波长建立的PLS,LS-SVM与ELM模型中,ELM模型对CAT与POD含量预测效果均最佳,CAT含量预测的相关系数为Rc=0.928,Rp=0.790;POD含量预测的相关系数Rc=0.965,Rp=0.941。基于全谱与基于特征波长的回归分析模型预测效果相当,且对POD含量的预测效果优于对CAT含量的预测效果,而这需要进一步研究以得到精度和稳定性更高的预测模型。研究结果表明,采用可见/近红外光谱结合化学计量学方法可以实现对除草剂胁迫下大麦叶片CAT与POD含量的预测。  相似文献   
6.
基于近地高光谱成像技术结合化学计量学方法,实现了黑豆品种的鉴别。实验以三种不同颜色豆芯的黑豆为研究对象,采用高光谱成像系统采集380~1 030nm波段范围的高光谱图像,提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析,建立黑豆品种的判别分析模型。共采集180个黑豆样本的180条平均光谱曲线。剔除明显噪声部分之后以440~943nm范围光谱为黑豆样本的光谱,采用多元散射校正(multiplicative scatter correction,MSC)对光谱曲线进行预处理。分别以全部光谱数据、主成分分析(principal component analysis,PCA)提取的光谱特征信息、小波分析(wavelet transform,WT)提取的光谱特征信息建立了偏最小二乘判别分析法(partial least squares discriminant analysis,PLS-DA),簇类独立模式识别法(soft independent modeling of class analogy,SIMCA),最邻近节点算法(K-nearest neighbor algorithm,KNN),支持向量机(support vector machine,SVM),极限学习机(extreme learning machine,ELM)等判别分析模型。以全谱的判别分析模型中,ELM模型效果最优;以PCA提取的光谱特征信息建立的模型中,ELM模型也取得了最优的效果;以WT提取的光谱特征信息建立的模型中,ELM模型结识别效果最好,建模集和预测集识别正确率达到100%。在所有的判别分析模型中,WT-ELM模型取得了最优的识别效果。实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的,且WT用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。  相似文献   
7.
为探究中红外光谱快速检测核桃产地和品质的可行性,基于中红外光谱分析技术,并将化学计量学的算法应用于中红外光谱判别分析之中,对中国四大核桃主产区的10类主要核桃品种进行检测,取得较好效果。通过提取核桃粉末的光谱透射率,去除原始光谱首尾部分的明显噪声,对保留的700~3 450 cm-1范围的光谱采用小波分析(wavelet transform,WT)算法进行去噪预处理,并采用无信息变量消除结合连续投影算法(UVE-SPA)提取光谱特征波数,采用主成分分析法(PCA)对光谱定性分析,基于反向传播神经网络(BPNN)、极限学习机(ELM)、随机森林(RF)、径向基函数神经网络(RBFNN)及偏最小二乘判别分析(PLS-DA)对全谱和特征波数建模对比。在4类不同产地核桃判别中,得到12个特征波数:803,1 355,1 418,1 541,1 580,1 727,1 747,1 868,2 338,2 462,2 824和3 166 cm-1,基于特征波数分类的正确率高于全谱的分类结果,BPNN算法结合特征波数建模得到的识别正确率高达97%,RF算法分类判别效果最差,正确率仅69.70%;在10类不同品种判别中,得到10个特征波数:903,1 275,1 507,1 541,1 563,1 671,1 868,2 311,2 845和3 437 cm-1,基于特征波数分类的正确率依然高于全谱的分类结果,BPNN算法结合特征波数建模得到的识别正确率高达83.3%。在特征波数通用性方面,两组特征波数范围中有2个特征波数相同:1 541和1 868 cm-1,其他大多特征波数也都相近,将10类品种特征波数作为输入变量对4类不同产地的核桃进行分类,分类结果较差,因此,在10类品种监督值下选取的特征波数无法适用于4类产地的判别问题,由此推断,即使是同一原始数据,基于不同判别问题得到的特征波数在建模时通用性较差。结果表明,经UVE-SPA算法提取特征波数后,变量数可减少99%以上,有效地简化了模型,减少计算量,提高预测的稳定性;总体上,每个分类器的表现为:BPNN>RBFNN>ELM>PLS-DA>RF;基于小波变换结合特征波数选取和反向传播神经网络算法能有效地实现核桃的产地和品种识别。  相似文献   
8.
近红外光谱技术用于豆浆粉品牌与假冒豆浆粉的鉴别   总被引:1,自引:0,他引:1  
采用近红外光谱分析技术结合化学计量学方法研究对不同品牌的豆浆粉以及假冒的豆浆粉鉴别的可行性。采集不同品牌豆浆粉以及假冒豆浆粉在12 500~4 000cm-1范围内光谱,并进行不同的预处理。采用偏最小二乘-判别分析(partial least squares-discriminant analysis,PLS-DA)对不同预处理的光谱进行建模比较,去趋势算法(De-trending)预处理光谱与多元散射校正(multiplicative scatter correction,MSC)结合De-trending(MSC+De-trending)预处理光谱的PLS-DA模型预测集判别正确率最高,均为100%。采用xloading weights方法分别基于De-trending和MSC-De-trending预处理光谱选择了6个和7个特征波数,并以特征波数分别建立了线性判别分析(linear discriminant analysis,LDA)和误差反向传播神经网络(backpropagation neural network,BPNN)的判别分析模型。结果表明,以所选出的不同的特征波数建立的BPNN判别分析模型取得了最佳的判别效果,建模集和预测集的判别正确率均为100%。采用近红外光谱分析技术可以准确的判别豆浆粉品牌以及假冒豆浆粉产品。  相似文献   
9.
采用高光谱成像技术结合不同的特征提取方法,实现了对草莓可溶性固形物含量的检测。通过提取154颗成熟无损伤草莓的高光谱图像的874~1 734nm范围光谱信息,对941~1 612nm光谱采用移动平均法(moving average,MA)进行预处理。基于残差法剔除19个异常样本后将剩余135个样本分为建模集(n=90)和预测集(n=45)。采用连续投影算法(successive projections algorithm,SPA),遗传偏最小二乘算法(genetic algorithm-partial least squares,GAPLS)结合连续投影算法(GAPLS-SPA),加权回归系数(weighted regression coefficient,Bw)以及CARS法(competitive adaptive reweighted sampling)选择特征波长分别提取14,17,24与25个特征波长,并采用主成分分析(principal component analysis,PCA)与小波变换(wavelet transform,WT)分别提取20与58个特征信息。分别基于全波段光谱、特征波长与特征信息建立PLS模型。所有模型都取得了较好的效果,基于全波段光谱的PLS模型与基于WT提取的特征信息的PLS模型的效果最优,建模集相关系数(rc)与预测集相关系数(rp)均高于0.9。结果表明高光谱成像技术结合特征提取方法可用于草莓可溶性固形物含量的检测。  相似文献   
10.
实时监测发酵液中固形物含量的变化,对控制厌氧发酵过程的稳定性具有重要作用。研究中采用近红外高光谱技术结合化学计量学方法,对水葫芦和稻草秸秆混合厌氧发酵过程中的固形物含量进行定量检测研究。与传统2540G(APHA,1990)标准方法相比,近红外高光谱技术具有无损、快速的优点。实验过程中,首先获取发酵液样本的高光谱信息,应用移动平均平滑法(MAS)进行光谱预处理,并采用竞争自适应重加权采样算法(CARS)、连续投影算法(SPA)和Random frog算法提取光谱特征信息,然后基于全谱和所选特征波长下的光谱信息分别建立总固形物含量(TS)和挥发性固形物含量(VS)的校正模型,建模方法包括偏最小二乘回归(PLSR)和最小二乘-支持向量机(LS-SVM)。研究表明,SPA-LS-SVM模型的预测结果最好,其中TS的预测均方根误差(RMSEP)及相关系数(R_p)分别为0.005 8和0.841;而VS的RMSEP和R_p分别为0.004 1和0.874。结果表明,利用近红外高光谱结合化学计量学方法可以实现厌氧发酵液中的固形物含量的检测,为布置光谱传感器以便定量检测厌氧发酵过程中的固形物含量奠定了理论依据。  相似文献   
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号