通信電纜 網(wǎng)絡設備 無線通信 云計算|大數(shù)據(jù) 顯示設備 存儲設備 網(wǎng)絡輔助設備 信號傳輸處理 多媒體設備 廣播系統(tǒng) 智慧城市管理系統(tǒng) 其它智慧基建產(chǎn)品
北京理加聯(lián)合科技有限公司
北京理加聯(lián)合科技有限公司
暫無信息 |
閱讀：109發(fā)布時間：2022-3-8
冷害是造成作物嚴重損失和不可逆轉(zhuǎn)傷害的災害之一。為避免產(chǎn)量損失，可利用高通量表型選擇耐寒脅迫的作物品種。如今，無損光譜圖像分析已成為一種有效方法，并已廣泛應用于高通量表型分析中，反映出植物結(jié)構(gòu)組成，生長發(fā)育過程中的生理，生化特性和特征。本研究利用卷積神經(jīng)網(wǎng)絡（CNN）模型提取可見-近紅外范圍的特征光譜估計玉米幼苗的冷害。文中以五個品種的冷處理玉米幼苗的高光譜圖像為研究對象。光譜范圍為450-885 nm。高斯低通濾波和Savitzky-Golay平滑方法結(jié)合一階導數(shù)進行光譜數(shù)據(jù)的預處理。從每種玉米幼苗選定的感興趣區(qū)域獲取3600個像素樣本用于CNN建模。CNN模型建立后，從高光譜圖像中提取400個像素樣本作為每個品種的測試集。最后，通過分析分類準確度和計算效率確定一個CNN模型。CNN檢測到的不同類型的玉米幼苗的冷害水平分別為W22 (41.8 %)，BxM (35%)， B73 (25.6%)，PH207 (20%)， Mo17 (14%)，與化學方法的結(jié)果高度相關(guān)。兩種方法檢測結(jié)果的相關(guān)系數(shù)為0.8219。因此，研究證明基于CNN建模的光譜分析可以為玉米幼苗冷害監(jiān)測提供參考。
高光譜成像采集
利用推掃式高光譜相機（PIKA II，Resonon）
成像系統(tǒng)的整個結(jié)構(gòu)
感興趣區(qū)域樣本數(shù)據(jù)選擇程序
樣本的3D光譜分布
CNN和化學方法結(jié)果的比較
結(jié)論
自卷積神經(jīng)網(wǎng)絡發(fā)展以來，算法的高性能引起了學者的廣泛關(guān)注。同時，有效識別作物病害是智能農(nóng)業(yè)發(fā)展的需要，但是基于人工設計特征的識別模型準確度較低且穩(wěn)定。基于這些問題，該研究利用CNN設計了5個玉米幼苗品種的冷害識別模型，詳細的高光譜圖像預處理方法，樣本提取方法，以及深度卷積網(wǎng)絡。在整個過程中，針對不同的輸入數(shù)據(jù)建立不同的網(wǎng)絡結(jié)構(gòu)，獲得圖像分割結(jié)果。對于少量玉米幼苗冷害的情況，將卷積神經(jīng)網(wǎng)絡應用于玉米冷害監(jiān)測模型，并構(gòu)建CNN模型。分析了CNN的權(quán)重分布特性，激活函數(shù)以及不同初始化方法的影響。結(jié)合Dropout策略解決了過度擬合問題以及網(wǎng)絡深度對預處理效果的負面影響。該模型解決了隨機初始化權(quán)重的缺陷。最后，在少量玉米幼苗病害的情況下，驗證了預處理方法的有效性，且CNN檢測到不同類型的玉米幼苗的冷害水平分別為W22 (41.8 %)，BxM (35%)， B73 (25.6%)，PH207 (20%)， Mo17 (14%)，與化學方法檢測的冷害結(jié)果高度相關(guān)。下一步的工作將引入高光譜成像的維度特征，提取作物病害組織結(jié)構(gòu)的紋理特征，結(jié)合光譜維度信息建立模型，以進一步改善模型的分類性能。
智慧城市網(wǎng) 設計制作，未經(jīng)允許翻錄必究 .? ? ?
請輸入賬號
請輸入密碼
請輸驗證碼