基于多維圖像特征的農(nóng)作物長(zhǎng)勢(shì)評(píng)價(jià)方法.pdf

1、對(duì)農(nóng)作物生長(zhǎng)態(tài)勢(shì)快速、準(zhǔn)確地監(jiān)測(cè)與評(píng)價(jià)是現(xiàn)代精準(zhǔn)農(nóng)業(yè)中的關(guān)鍵問(wèn)題之一，也是近年來(lái)推動(dòng)我國(guó)農(nóng)業(yè)信息化建設(shè)的基礎(chǔ)，越來(lái)越成為農(nóng)業(yè)生產(chǎn)領(lǐng)域的研究熱點(diǎn)。縱觀國(guó)內(nèi)外關(guān)于農(nóng)作物信息監(jiān)測(cè)與評(píng)價(jià)的相關(guān)研究，目前所提出的監(jiān)測(cè)方法在選擇作物信息和數(shù)據(jù)分析優(yōu)化方面還存在諸多不足，數(shù)據(jù)優(yōu)選和處理方法還有很大的研究空間，數(shù)據(jù)可信度需要進(jìn)一步提高。同時(shí)，對(duì)作物生長(zhǎng)態(tài)勢(shì)的評(píng)價(jià)還主要基于與作物生長(zhǎng)相關(guān)的部分參數(shù)，對(duì)作物整體信息的采集、處理和評(píng)價(jià)不能得到非常令人滿意的效

2、果。
　　針對(duì)以上問(wèn)題，本文提出了一種基于多維圖像特征的農(nóng)作物長(zhǎng)勢(shì)評(píng)價(jià)方法，旨在對(duì)大棚作物生長(zhǎng)過(guò)程中的重要信息進(jìn)行精準(zhǔn)地實(shí)時(shí)監(jiān)測(cè)，從而對(duì)作物生長(zhǎng)態(tài)勢(shì)進(jìn)行合理的評(píng)估，為現(xiàn)代化農(nóng)業(yè)生產(chǎn)管理提供決策依據(jù)。論文的主要研究?jī)?nèi)容包括:
　　1、提出了基于雙目立體視覺(jué)的作物生長(zhǎng)態(tài)勢(shì)實(shí)時(shí)監(jiān)測(cè)方法。該方法將立體視覺(jué)技術(shù)引入溫室大棚的智能檢測(cè)，監(jiān)測(cè)車?yán)靡唤M相機(jī)設(shè)備在S型軌道移動(dòng)即可實(shí)現(xiàn)遠(yuǎn)程實(shí)時(shí)信息監(jiān)控，無(wú)需進(jìn)入大棚內(nèi)進(jìn)行操作。結(jié)合圖像處理技術(shù)

3、和三維重建技術(shù)能夠全面地提取作物的圖像信息，這些信息能夠反映作物的生長(zhǎng)情況。監(jiān)測(cè)系統(tǒng)節(jié)能環(huán)保、易于操作，具有很高的應(yīng)用價(jià)值。
　　2、為解決農(nóng)作物特征指標(biāo)冗余導(dǎo)致信息處理效率不高的問(wèn)題，提出了基于改進(jìn)型LPP算法的特征優(yōu)化方法。首先將樣本數(shù)據(jù)利用2DPCA進(jìn)行降維，然后提出優(yōu)化的兩類子圖對(duì)不同類別數(shù)據(jù)間的遠(yuǎn)近關(guān)系進(jìn)行描述，最后將數(shù)據(jù)進(jìn)一步投影到低維空間，完成樣本的特征優(yōu)化。該方法能夠較好地提取作物數(shù)據(jù)中的整體空間信息，同時(shí)兼顧局部

4、流形信息。該方法能夠完成對(duì)作物多維特征信息的優(yōu)化降維，具有較高的實(shí)用性和準(zhǔn)確性。
　　3、針對(duì)農(nóng)作物長(zhǎng)勢(shì)評(píng)判問(wèn)題，提出了基于蝙蝠算法的農(nóng)作物長(zhǎng)勢(shì)評(píng)價(jià)模型。將蝙蝠群體的感知尋優(yōu)策略引入規(guī)則挖掘過(guò)程，自動(dòng)尋找各個(gè)評(píng)價(jià)特征在規(guī)則中的最優(yōu)上下界，建立具有高分類精度的規(guī)則庫(kù)，能夠涵蓋訓(xùn)練樣本的主要信息。所提取的分類規(guī)則比較符合專家對(duì)作物生長(zhǎng)態(tài)勢(shì)的評(píng)判過(guò)程，易于理解和表達(dá)。該方法比較方便和準(zhǔn)確地描述作物生長(zhǎng)特征參數(shù)與其生長(zhǎng)態(tài)勢(shì)的關(guān)聯(lián)情況，可直

5、觀、快速地對(duì)作物進(jìn)行合理的評(píng)價(jià)。
　　仿真實(shí)驗(yàn)結(jié)果表明，基于改進(jìn)型LPP的作物生長(zhǎng)特征優(yōu)選方法具有很好的適應(yīng)性，最高SVM分類準(zhǔn)確率能夠達(dá)到96％以上，算法運(yùn)行時(shí)間較低，相比其他優(yōu)化方法具有更為優(yōu)越的數(shù)據(jù)優(yōu)化性能;基于蝙蝠算法的作物生長(zhǎng)態(tài)勢(shì)評(píng)價(jià)模型的評(píng)價(jià)精度達(dá)到了95.4％。證明本文的農(nóng)作物信息監(jiān)測(cè)與評(píng)價(jià)方法能夠?qū)ψ魑锒嗑S信息進(jìn)行合理地提取、優(yōu)化和評(píng)價(jià)，具有準(zhǔn)確率高、實(shí)時(shí)性好等優(yōu)點(diǎn)，這對(duì)現(xiàn)代化農(nóng)業(yè)生產(chǎn)技術(shù)的發(fā)展具有比較重要的理論及