基于机器视觉技术的小麦叶片含水量无损检测研究

发布时间：2024-02-20 14:11

　　作为主要粮食作物之一的小麦在世界范围内普遍种植,叶片含水量直接体现了田间持水量、大田墒情等重要环境因素,并通过灌溉量影响未来小麦产量,因此叶片含水量可以作为评价小麦产量的重要指标。以往大多采用湿度传感器测取土壤含水量,但在农田使用湿度传感器给耕地、灌溉作业带来诸多不便,虽然已有部分研究开始解决这类问题,但仍存在只检测单个叶片或研究算法过于陈旧等问题。该文研究并设计了基于机器视觉技术的小麦叶片含水量无损检测模型。该含水量预测模型利用机器视觉技术,对小麦叶片含水量进行准确、快速、无损预测。在自然光照条件下拍摄小麦叶片图像,为了提高预测模型的精度,首先对叶片图像进行增强处理,图像增强部分选择直方图均衡化、同态滤波、Retinex增强等算法来消除自然光照的影响,并增强图像目标与背景的对比度。在图像分割部分,因图像目标颜色与背景颜色差距较大,选择K-means聚类分割算法来分割图像,得到了较好的分割效果。对分割后的图像再进行颜色与纹理特征提取,提取的颜色特征有R、G、B、H、S、I、r、g、b等,纹理特征有灰度平均、一致性、熵、能量、相关性、惯性矩等,分析这些特征参数与含水量的相关性,选择相关性...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
1 引言
    1.1 研究背景及意义
    1.2 机器视觉概述与国内外研究现状
        1.2.1 机器视觉概述
        1.2.2 机器视觉技术国内外研究现状
    1.3 主要研究内容及技术路线
2 小麦叶片图像采集与含水量检测系统设计
    2.1 叶片图像采集系统设计
    2.2 含水量检测系统设计
        2.2.1 供试作物
        2.2.2 采集系统仪器设备
        2.2.3 实验方案
    2.3 小结
3 叶片图像处理
    3.1 图像处理技术
    3.2 图像处理的目的与主要方法
        3.2.1 图像处理的目的
        3.2.2 图像处理的主要方法
    3.3 图像灰度化
    3.4 图像增强
        3.4.1 全局直方图均衡化
        3.4.2 同态滤波
        3.4.3 Retinex增强
        3.4.4 图像增强结果分析
    3.5 图像分割
    3.6 小结
4 小麦叶片图像特征提取
    4.1 常用颜色模型
        4.1.1 RGB颜色空间模型
        4.1.2 HSI颜色空间模型
    4.2 颜色特征提取
    4.3 纹理特征值提取算法
    4.4 小结
5 小麦叶片含水量模型的建立
    5.1 主成分分析(PrincipalComponentAnalysis)
        5.1.1 基本思想
        5.1.2 主成分分析的基本原理
        5.1.3 主成分分析的基本步骤
        5.1.4 基于主成分分析特征值提取
    5.2 建立BP神经网络预测模型
        5.2.1 BP神经网络概述
        5.2.2 BP神经网络原理及结构
        5.2.3 BP神经网络的训练过程
        5.2.4 BP与PCA-BP神经网络预测模型的建立
    5.3 小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士学位期间成果



本文编号：3904263