简介:摘要 : 准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤,本研究通过对深度残差网络 ResNet进行改进得到一种新型的西兰花花球分割模型,并通过花球部位黄绿颜色占比判断其新鲜度,实现低成本高效准确地西兰花表型信息提取。主要技术流程包括:( 1)基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集;( 2)对训练图像进行预处理并输入模型进行分割;( 3)基于颜色信息用粒子群结构 PSO和大津法 Otsu对分割结果进一步进行阈值分割,获取其新鲜度指标。试验结果表明:本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型, 4个评价指标结构相似性指数 (SSIM)、平均精度 (Precision)、平均召回率 (Recall)、 F-度量 (F-measure)结果分别为 0.911、 0.897、 0.908和 0.907,相比于传统方法提升了 10%-15%,且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时,在分割结果的基础上采用 PSO-Otsu法可以实现花球新鲜度快速分析,其精度超过了 0.8。本研究结果实现了西兰花田间多表型参数的高通量获取,可以为作物田间长势监测研究提供重要参考。
简介:为适应快速分析烟草中植物色素含量的需要,应用傅立叶变换近红外(FT-NIR)光谱法测定了77个具有代表性的烟草样品的光谱数据,利用偏最小二乘法,以样品的光谱数据和对应的化学测定值为基础,建立了预测烟草中叶黄素、β-胡萝卜素和其它类胡萝卜素含量的数学模型。结果表明:模型优化后,模型的相关系数(R)分别为0.9802、0.9962和0.9751,预测标准偏差(RMSEP)分别为0.00947、0.0607和0.0446。该方法简便、快速、不破坏样品,可用于大批量烟草样品中叶黄素、β-胡萝卜素和其它类胡萝卜素的快速测定。