基于机器视觉的猕猴桃膨果期营养液预测
发布时间：2021-10-23 21:12
针对目前陕西省猕猴桃膨果期存在水肥一体化营养液配比失调的问题,以陕西省眉县"秦美"猕猴桃为研究对象,首先基于超像素和模糊聚类算法完成复杂背景情况下的猕猴桃图像分割,通过对目标区域的像素值统计完成对猕猴桃膨果期生长速率的在线无损检测;其次通过提取的果实图像面积特征参数并结合环境信息参数,利用基于小波分析的多尺度信息融合算法建立营养液电导率（electrical conductivity,EC）和pH预测模型。模型将水肥调配与人为经验施肥对比,预测出该方法可有效节省肥水,并使果实膨大期的猕猴桃膨果率增加5.43%。利用机器视觉及施肥预测模型可以无损、准确地检测猕猴桃的果实膨大生长参数,并使营养液配比精度得到提高,为进一步的水肥一体化精准施肥提供参考依据。
【文章来源】：中国科技论文. 2020,15(11)北大核心
【文章页数】：7 页
【部分图文】：
模糊聚类算法流程
本文研究对象为猕猴桃,品种为“秦美”。该品种猕猴桃的果实膨大期处于每年的6—7月,时长约为40 d。前期试验于2016年6月10日开始进行,使用的是陕西科技大学自主研制的M2型水肥一体化施肥机;采用滴灌方式进行灌溉,在每列猕猴桃树下铺设滴灌管路,滴箭插入至猕猴桃树根部[9]。灌水时间结合眉县猕猴桃种植专家经验,选择在每天16:00—17:00进行,以避免强光直射,影响猕猴桃果树对养分的吸收。在猕猴桃试验棚内采集猕猴桃膨大期的果茎周长数据及每2天所施用的营养液达到最佳EC和pH值时所对应的棚内温湿度、二氧化碳浓度、光照强度数据,以2016年6月10日试验期开始时3 a来的数据作为历史数据。其2016—2018年果实膨大期的果茎数据和传感器采集数据见表1。表1 2016—2018年果实膨大期采集数据Table 1 Data of fruit expansion period in different years 时间/d 2016年 2017年 2018年 EC(mS·cm-1) pH R ˉ / cm t/℃ H/% I/klx C/(μmol·mol-1) EC/(mS·cm-1) pH R ˉ / cm t/℃ H/% I/klx C/(μmol·mol-1) EC/(mS·cm-1) pH R ˉ / cm t/℃ H/% I/klx C/(μmol·mol-1) 1 1.72 5.87 12.3 24.8 72.3 31 671 1.63 5.48 11.9 23.2 68.5 35 424 1.62 6.11 11.9 23.2 68.7 29 386 3 1.67 5.67 12.9 24.3 55.9 24 723 1.77 5.68 12.8 26.4 61.7 35 432 1.68 5.66 12.6 22.3 50.6 23 365 5 1.83 5.58 13.4 23.7 54.8 32 562 1.68 5.78 13.4 22.3 50.7 28 317 1.72 5.50 13.2 23.3 52.2 31 391 7 1.54 5.73 13.8 25.3 72.2 31 894 1.62 6.09 13.6 23.2 70.5 29 357 1.67 6.41 13.5 24.7 70.6 23 287 9 1.72 5.91 14.5 22.2 67.2 27 652 1.69 5.55 14.3 26.1 56.4 33 374 1.89 6.08 14.1 24.2 52.9 31 437 11 1.78 6.23 15.1 25.6 63.7 25 790 1.84 6.39 14.9 23.6 69.4 30 362 1.69 5.77 14.7 23.9 50.8 34 319 13 1.65 6.14 15.7 23.3 66.6 32 704 1.63 5.88 15.4 25.1 61.1 32 316 1.77 6.21 15.3 25.3 68.1 27 314 15 1.63 6.32 16.3 24.2 61.2 24 570 1.64 5.56 16.0 26.3 69.0 32 314 1.83 5.54 15.9 26.7 70.7 34 349 17 1.72 6.28 17.0 24.2 72.9 34 879 1.86 5.57 16.7 25.3 66.3 29 331 1.68 5.62 16.3 26.8 66.9 31 395 19 1.82 6.42 17.7 25.4 68.1 25 636 1.74 6.53 17.3 24.4 68.8 32 422 1.89 5.68 17.5 24.1 69.9 32 315 21 1.72 6.31 18.5 25.7 68.5 24 557 1.77 6.38 18.3 23.9 67.6 28 278 1.70 6.44 18.1 24.9 66.7 22 385 23 1.73 6.18 19.3 23.0 60.1 31 894 1.83 5.52 18.9 25.3 60.3 27 326 1.67 5.92 18.8 25.8 54.2 36 318 25 1.83 5.98 20.1 23.7 56.2 22 738 1.83 5.87 20.4 24.1 59.2 22 285 1.68 5.97 20.3 25.9 67.6 30 390 27 1.88 5.63 20.8 22.6 55.5 29 602 1.76 5.83 20.8 23.2 52.1 30 390 1.56 6.32 20.7 25.3 52.2 31 289 29 1.76 5.82 21.7 22.9 67.3 23 894 1.72 5.77 21.3 26.1 69.2 22 395 1.64 5.84 21.2 25.8 52.7 31 418 31 1.62 5.66 22.6 25.8 51.3 35 875 1.75 6.12 22.9 22.9 65.9 27 398 1.74 5.73 22.5 22.9 72.5 35 423 33 1.69 5.58 23.8 24.2 67.9 32 754 1.81 5.57 23.2 22.4 54.1 29 423 1.82 6.23 23.2 24.6 60.6 30 321 35 1.81 5.37 24.3 26.3 58.8 25 618 1.68 5.67 23.8 24.3 71.8 30 431 1.76 6.36 23.7 23.9 52.9 34 306 37 1.70 5.87 24.6 26.5 67.8 32 757 1.88 5.64 24.4 23.3 63.2 24 313 1.84 5.21 24.2 22.5 59.7 31 292 39 1.74 6.11 25.1 25.1 58.4 27 708 1.81 6.17 25.0 26.4 71.1 32 374 1.69 5.62 24.5 26.3 64.9 29 398 41 1.83 6.31 25.5 24.8 55.6 28 559 1.67 6.07 25.4 26.2 58.4 24 347 1.74 5.85 24.9 22.5 62.8 32 350 注:EC为电导率;pH为酸碱度; R ˉ 为取3个猕猴桃计算的果实平均最大周长;t为温度;H为湿度;I为光照强度;C为二氧化碳浓度。
猕猴桃的历史环境数据和自身生长数据对肥水EC和pH值的影响是不确定的,而不确定性是由多种因素在温度、湿度、CO2浓度、光照强度和果实膨胀尺度上产生的叠加效果。历史环境数据和自身生长数据变化过程中包含“多时间尺度”的特征,且这种变化是连续的。因此,本文利用连续WT对不同的环境信息和生长信息的时间序列进行分析。本文利用历史数据的多尺度分析设计了一个基于WT和支持向量机(support vector machine,SVM)回归的EC和pH预测模型,以达到对猕猴桃果实膨大期肥水EC和pH值的准确预测。EC和pH值预测模型结构如图5所示。图4 二元线性回归分析
【参考文献】：
期刊论文
[1]基于小麦养分快速诊断的施肥决策与控制系统设计[J]. 李新伟,田敏,肖新. 东北农业科学. 2019(02)
[2]风电场短期功率预测[J]. 岳有军,赵岩,赵辉,王红君. 中国科技论文. 2018(11)
[3]猕猴桃产业现状与发展对策分析[J]. 杨红,伍小雨,唐江云. 中国果业信息. 2018(03)
[4]基于小波变换的钢筋混凝土框架-剪力墙结构地震损伤分析[J]. 施利洋,孙敦本. 中国科技论文. 2017(01)
[5]基于支持向量机回归的鲜烟叶含水量预测模型[J]. 詹攀,谢守勇,刘军,黄河,李佩原. 西南大学学报(自然科学版). 2016(04)
[6]冬小麦变量施肥机控制系统的设计与试验[J]. 汪小旵,陈满,孙国祥,张瑜,章永年. 农业工程学报. 2015(S2)
[7]基于机器视觉的植物群体生长参数反演方法[J]. 孙国祥,汪小旵,闫婷婷,李雪,陈满,施印炎,陈景波. 农业工程学报. 2014(20)
[8]叶片病斑数量与面积自动化测量系统设计与实现[J]. 程荣花,马飞,梁亚红,马丽,赵晶茹. 山东农业科学. 2014(08)
硕士论文
[1]基于Android的猕猴桃施肥系统设计与实现[D]. 杨煜岑.西北大学 2018
本文编号：3453924
【文章来源】：中国科技论文. 2020,15(11)北大核心
【文章页数】：7 页
【部分图文】：
模糊聚类算法流程
本文研究对象为猕猴桃,品种为“秦美”。该品种猕猴桃的果实膨大期处于每年的6—7月,时长约为40 d。前期试验于2016年6月10日开始进行,使用的是陕西科技大学自主研制的M2型水肥一体化施肥机;采用滴灌方式进行灌溉,在每列猕猴桃树下铺设滴灌管路,滴箭插入至猕猴桃树根部[9]。灌水时间结合眉县猕猴桃种植专家经验,选择在每天16:00—17:00进行,以避免强光直射,影响猕猴桃果树对养分的吸收。在猕猴桃试验棚内采集猕猴桃膨大期的果茎周长数据及每2天所施用的营养液达到最佳EC和pH值时所对应的棚内温湿度、二氧化碳浓度、光照强度数据,以2016年6月10日试验期开始时3 a来的数据作为历史数据。其2016—2018年果实膨大期的果茎数据和传感器采集数据见表1。表1 2016—2018年果实膨大期采集数据Table 1 Data of fruit expansion period in different years 时间/d 2016年 2017年 2018年 EC(mS·cm-1) pH R ˉ / cm t/℃ H/% I/klx C/(μmol·mol-1) EC/(mS·cm-1) pH R ˉ / cm t/℃ H/% I/klx C/(μmol·mol-1) EC/(mS·cm-1) pH R ˉ / cm t/℃ H/% I/klx C/(μmol·mol-1) 1 1.72 5.87 12.3 24.8 72.3 31 671 1.63 5.48 11.9 23.2 68.5 35 424 1.62 6.11 11.9 23.2 68.7 29 386 3 1.67 5.67 12.9 24.3 55.9 24 723 1.77 5.68 12.8 26.4 61.7 35 432 1.68 5.66 12.6 22.3 50.6 23 365 5 1.83 5.58 13.4 23.7 54.8 32 562 1.68 5.78 13.4 22.3 50.7 28 317 1.72 5.50 13.2 23.3 52.2 31 391 7 1.54 5.73 13.8 25.3 72.2 31 894 1.62 6.09 13.6 23.2 70.5 29 357 1.67 6.41 13.5 24.7 70.6 23 287 9 1.72 5.91 14.5 22.2 67.2 27 652 1.69 5.55 14.3 26.1 56.4 33 374 1.89 6.08 14.1 24.2 52.9 31 437 11 1.78 6.23 15.1 25.6 63.7 25 790 1.84 6.39 14.9 23.6 69.4 30 362 1.69 5.77 14.7 23.9 50.8 34 319 13 1.65 6.14 15.7 23.3 66.6 32 704 1.63 5.88 15.4 25.1 61.1 32 316 1.77 6.21 15.3 25.3 68.1 27 314 15 1.63 6.32 16.3 24.2 61.2 24 570 1.64 5.56 16.0 26.3 69.0 32 314 1.83 5.54 15.9 26.7 70.7 34 349 17 1.72 6.28 17.0 24.2 72.9 34 879 1.86 5.57 16.7 25.3 66.3 29 331 1.68 5.62 16.3 26.8 66.9 31 395 19 1.82 6.42 17.7 25.4 68.1 25 636 1.74 6.53 17.3 24.4 68.8 32 422 1.89 5.68 17.5 24.1 69.9 32 315 21 1.72 6.31 18.5 25.7 68.5 24 557 1.77 6.38 18.3 23.9 67.6 28 278 1.70 6.44 18.1 24.9 66.7 22 385 23 1.73 6.18 19.3 23.0 60.1 31 894 1.83 5.52 18.9 25.3 60.3 27 326 1.67 5.92 18.8 25.8 54.2 36 318 25 1.83 5.98 20.1 23.7 56.2 22 738 1.83 5.87 20.4 24.1 59.2 22 285 1.68 5.97 20.3 25.9 67.6 30 390 27 1.88 5.63 20.8 22.6 55.5 29 602 1.76 5.83 20.8 23.2 52.1 30 390 1.56 6.32 20.7 25.3 52.2 31 289 29 1.76 5.82 21.7 22.9 67.3 23 894 1.72 5.77 21.3 26.1 69.2 22 395 1.64 5.84 21.2 25.8 52.7 31 418 31 1.62 5.66 22.6 25.8 51.3 35 875 1.75 6.12 22.9 22.9 65.9 27 398 1.74 5.73 22.5 22.9 72.5 35 423 33 1.69 5.58 23.8 24.2 67.9 32 754 1.81 5.57 23.2 22.4 54.1 29 423 1.82 6.23 23.2 24.6 60.6 30 321 35 1.81 5.37 24.3 26.3 58.8 25 618 1.68 5.67 23.8 24.3 71.8 30 431 1.76 6.36 23.7 23.9 52.9 34 306 37 1.70 5.87 24.6 26.5 67.8 32 757 1.88 5.64 24.4 23.3 63.2 24 313 1.84 5.21 24.2 22.5 59.7 31 292 39 1.74 6.11 25.1 25.1 58.4 27 708 1.81 6.17 25.0 26.4 71.1 32 374 1.69 5.62 24.5 26.3 64.9 29 398 41 1.83 6.31 25.5 24.8 55.6 28 559 1.67 6.07 25.4 26.2 58.4 24 347 1.74 5.85 24.9 22.5 62.8 32 350 注:EC为电导率;pH为酸碱度; R ˉ 为取3个猕猴桃计算的果实平均最大周长;t为温度;H为湿度;I为光照强度;C为二氧化碳浓度。
猕猴桃的历史环境数据和自身生长数据对肥水EC和pH值的影响是不确定的,而不确定性是由多种因素在温度、湿度、CO2浓度、光照强度和果实膨胀尺度上产生的叠加效果。历史环境数据和自身生长数据变化过程中包含“多时间尺度”的特征,且这种变化是连续的。因此,本文利用连续WT对不同的环境信息和生长信息的时间序列进行分析。本文利用历史数据的多尺度分析设计了一个基于WT和支持向量机(support vector machine,SVM)回归的EC和pH预测模型,以达到对猕猴桃果实膨大期肥水EC和pH值的准确预测。EC和pH值预测模型结构如图5所示。图4 二元线性回归分析
【参考文献】：
期刊论文
[1]基于小麦养分快速诊断的施肥决策与控制系统设计[J]. 李新伟,田敏,肖新. 东北农业科学. 2019(02)
[2]风电场短期功率预测[J]. 岳有军,赵岩,赵辉,王红君. 中国科技论文. 2018(11)
[3]猕猴桃产业现状与发展对策分析[J]. 杨红,伍小雨,唐江云. 中国果业信息. 2018(03)
[4]基于小波变换的钢筋混凝土框架-剪力墙结构地震损伤分析[J]. 施利洋,孙敦本. 中国科技论文. 2017(01)
[5]基于支持向量机回归的鲜烟叶含水量预测模型[J]. 詹攀,谢守勇,刘军,黄河,李佩原. 西南大学学报(自然科学版). 2016(04)
[6]冬小麦变量施肥机控制系统的设计与试验[J]. 汪小旵,陈满,孙国祥,张瑜,章永年. 农业工程学报. 2015(S2)
[7]基于机器视觉的植物群体生长参数反演方法[J]. 孙国祥,汪小旵,闫婷婷,李雪,陈满,施印炎,陈景波. 农业工程学报. 2014(20)
[8]叶片病斑数量与面积自动化测量系统设计与实现[J]. 程荣花,马飞,梁亚红,马丽,赵晶茹. 山东农业科学. 2014(08)
硕士论文
[1]基于Android的猕猴桃施肥系统设计与实现[D]. 杨煜岑.西北大学 2018
本文编号：3453924
本文链接：https://www.wllwen.com/wenshubaike/xszy/3453924.html
