学位论文 > 优秀研究生学位论文题录展示

基于近红外光谱和机器视觉的土壤含水率快速检测方法研究

作　者: 肖武
导　师: 李小昱；李培武
学　校: 华中农业大学
专　业: 农业机械化工程
关键词: 土壤含水率近红外光谱机器视觉傅里叶变换特征提取数据融合人工神经网络
分类号: S152.7
类　型: 硕士论文
年　份: 2009年
下　载: 96次
引　用: 0次
阅　读: 论文下载

内容摘要

土壤含水率直接影响着作物生长、农业小气候以及土壤的机械性能。在农业、水土保持、土壤侵蚀研究等方面,土壤含水率是一个重要参数。土壤含水率的准确测定对于有效水资源管理、灌溉措施、作物生长、旱地农业节水、产量预测以及化学物质监测等方面非常重要,也是精准农业极为关键的重要参数。同时,土壤含水率对于地球表面有效能量的分配、入渗和径流的分配,土壤侵蚀动力学过程、土壤侵蚀预测预报等方面起着重要的作用。因此土壤含水率的实时、快速和精确测定具有重要的意义。研究了近红外光谱分析技术和机器视觉技术检测土壤含水率的方法。用近红外光谱分析技术对湖北地区的3种主要土壤及陕西地区的黄绵土进行了分析,比较了10种光谱数据预处理方法对于建模结果的影响；研究了近红外光谱的傅里叶特征提取方法用于优化土壤含水率检测模型；构建了土壤的机器视觉检测系统的软、硬件系统,研究了基于机器视觉技术的土壤含水率检测模型。为了提高检测精度,提出了近红外光谱和机器视觉数据融合技术的土壤含水率检测新方法,建立了土壤含水率的定量分析模型。主要研究结果如下：1.建立了湖北地区的黄棕壤、潮土与稻田土样品集和陕西地区黄绵土样品集。2.以湖北地区的黄棕壤、潮土与稻田土为研究对象,建立了基于近红外光谱分析技术的土壤含水率定性与定量分析模型。采用的主成分定性分析模型能将不同含水率土壤样品进行精确分级；土壤含水率定量分析模型决定系数R2为0.9946,交叉验证预测均方差RMSECV为0.801%,模型预测决定系数R2为0.9919,预测均方差RMSEP为0.912%。3.采用Kennard-Stone算法筛选标样建立了PLS土壤含水率预测模型,并用该模型对随机选取未处理样品的含水率进行预测,预测平均绝对值误差从0.78%降低到0.42%,结果表明,扩展土壤样品空间的方法可以较好提高模型的预测精度。4.采用斜率／截距校正的方法修正了随机选取的未处理样品的模型预测值,预测平均绝对值误差从0.78%降低到0.38%,结果表明,斜率／截距校正法能较好的提高近红外光谱土壤含水率定量分析模型的适应性。5.采用小波分析方法对土壤光谱数据进行消噪后建模,结果表明小波消噪的方法可以有效去除光谱中的干扰信息。6.近红外光谱的傅里叶特征提取参数用于建立土壤含水率分析模型。以湖北地区的黄棕壤、潮土与稻田土为研究对象,提取土壤样品光谱数据傅里叶变换的特征点数为15,用偏最小二乘法(PLS)建立的土壤含水率与光谱特征参数定量预测模型最优,模型决定系数R2为0.9881,交叉验证预测均方差RMSECV为1.106%,验证集模型决定系数R2为0.9811,模型预测均方误差RMSEP为1.185%。使用该模型对不在样品集中的陕西地区黄绵土样品进行预测,模型的预测误差从直接建立模型的4%降低到2%左右,结果表明,傅里叶变换提取光谱特征参数方法建立的土壤含水率分析模型的稳定性优于直接建立的分析模型。7.构建了基于机器视觉技术的土壤表层图像获取硬件系统,开发了基于MatlabGUI的土壤图像特征参数提取系统。8.采用机器视觉技术进行了土壤含水率检测方法的试验研究。建立了土壤图像灰度值与土壤含水率之间的线性回归模型,模型的相关系数R为0.784,表明土壤灰度值与土壤含水率之间有线性相关关系；建立了图像特征参数的土壤含水率多元线性预测模型与BP神经网络非线性预测模型,可知以H,S和V所建立的神经网络非线性预测模型最优,且最优的隐含层为10时,此时预测值和测量值的决定系数R2为0.9849。9.将近红外光谱技术和机器视觉两种信息进行数据融合用于检测土壤含水率,建立了近红外光谱特征波长与图像特征参数HSV的数据融合模型。利用人工神经网络方法进行数据融合,建立了BP和RBF人工神经网络数据融合模型,其中BP数据融合模型决定系数R2为0.9961,且该模型稳定性和适用范围优于建立的近红外光谱和机器视觉数据模型。此外BP数据融合模型的精度要高于RBF模型,而RBF模型的训练速度要快于BP模型。

全文目录

摘要  6-8
ABSTRACT  8-11
第一章绪论  11-19
  1.1 研究目的和意义  11
  1.2 土壤含水率检测技术研究现状  11-16
    1.2.1 土壤含水率的传统检测方法  12-14
    1.2.2 用近红外光谱技术检测土壤含水率  14-16
    1.2.3 用机器视觉技术检测土壤含水率  16
  1.3 研究内容  16-17
  1.4 论文安排  17-19
第二章土壤含水率近红外光谱分析模型的建立  19-51
  2.1 土壤含水率近红外光谱分析原理  19-20
  2.2 近红外光谱分析方法  20-25
    2.2.1 光谱预处理方法  22
    2.2.2 近红外光谱定量分析方法  22-24
    2.2.3 近红外分析模型评价指标  24-25
  2.3 试验材料和仪器  25-29
    2.3.1 样品的采集  25-27
    2.3.2 近红外光谱仪  27-28
    2.3.3 样品的制备  28-29
  2.4 土壤近红外光谱的测量  29
    2.4.1 近红外光谱仪参数设置  29
    2.4.2 光谱的采集  29
  2.5 试验设计  29-31
  2.6 近红外光谱土壤含水率分级的定性分析  31-33
  2.7 近红外光谱土壤含水率分析模型的建立  33-40
    2.7.1 光谱预处理方法优化及最优模型的建立  33-38
    2.7.2 不同光谱预处理方法的比较  38-39
    2.7.3 最优平滑点确定  39-40
  2.8 近红外光谱土壤含水率分析模型的适应性检验  40-46
    2.8.1 模型对不同颗粒样本土壤的适应性  40-44
    2.8.2 模型对不同种类土壤的适应性  44-46
  2.9 近红外光谱小波(WT)消噪后建立的土壤含水率分析模型  46-49
    2.9.1 小波(WT)消噪原理  46-47
    2.9.2 基于LabVIEW的土壤近红外光谱小波消噪方法  47-49
  2.10 小结  49-51
第三章近红外光谱傅里叶变换特征提取方法的研究  51-58
  3.1 概述  51-52
  3.2 基于傅里叶变换特征提取的原理和方法  52-54
  3.3 基于傅里叶变换特征提取方法土壤含水率模型的建立  54-57
    3.3.1 试验设计  54
    3.3.2 傅里叶特征提取点数与回归模型参数的关系  54-55
    3.3.3 模型适应性研究  55-57
  3.4 小结  57-58
第四章机器视觉技术土壤含水率分析模型的建立  58-73
  4.1 概述  58-59
  4.2 数字图像处理技术  59
    4.2.1 数字图像滤波  59
    4.2.2 中值滤波的基本原理  59
  4.3 图像颜色模型  59-62
    4.3.1 基础颜色空间  59-60
    4.3.2 RGB颜色模型  60-61
    4.3.3 HSV颜色模型  61
    4.3.4 La*b*颜色模型  61-62
  4.4 试验装置  62-63
  4.5 图像采集与分析  63-65
  4.6 土壤图像直方图分析  65
  4.7 基于机器视觉技术的土壤含水率分析模型  65-71
    4.7.1 试验设计  65-66
    4.7.2 基于土壤图像灰度值的线性含水率分析模型  66-67
    4.7.3 基于土壤图像特征参数的多元线性含水率分析模型  67
    4.7.4 基于土壤图像特征参数的人工神经网络非线性含水率分析模型  67-71
  4.8 小结  71-73
第五章基于近红外光谱和机器视觉的数据融合土壤含水率检测方法  73-80
  5.1 数据融合技术  73
  5.2 多源数据融合的数据处理方法  73-76
    5.2.1 贝叶斯方法  73-74
    5.2.2 D-S证据推理方法  74
    5.2.3 模糊集理论  74-75
    5.2.4 基于人工神经网络的数据融合技术  75-76
  5.3 基于人工神经网络的数据融合土壤含水率定量分析  76-79
    5.3.1 基于BP人工神经网络的数据融合模型  76-78
    5.3.2 基于RBF人工神经网络的数据融合模型  78-79
  5.4 小结  79-80
第六章结论与讨论  80-82
  6.1 结论  80-81
  6.2 讨论  81-82
参考文献  82-87
致谢  87-88
硕士研究生期间科研工作  88-90
附件网络数据融合程序  90-91

基于近红外光谱和机器视觉的土壤含水率快速检测方法研究

内容摘要

全文目录

相似论文