绑定机构
扫描成功 请在APP上操作
打开万方数据APP,点击右上角"扫一扫",扫描二维码即可将您登录的个人账号与机构账号绑定,绑定后您可在APP上享有机构权限,如需更换机构账号,可到个人中心解绑。
欢迎的朋友
万方知识发现服务平台
找到 1 位学者
华中农业大学
获取范围
  • 1 / 1
  (已选择0条) 清除 结果分析
找到 9 条结果
[期刊论文] 牛智有 李晓金 高海龙
-
北大核心 CSTPCD CSCD AJ CA EI CBST
-
摘要:为了探讨生物质秸秆元素含量的快速检测方法,该文运用高光谱成像技术,结合多种数据优选方法对生物质秸秆中N、C、H、S、O元素含量快速检测的可行性进行研究。选取玉米、水稻、小麦、油菜4种类别共计188个秸秆样本,采集其反射高光谱图像,并测定元素含量。采用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)算法选取元素检测敏感变量,提取光谱维数据,结合偏最小二乘(partial least squares, PLS)算法,建立了基于高光谱光谱维数据的元素定量分析模型,N元素采用24个变量建立模型,验证集相关系数为0.923,均方根误差(root mean square error of validation set,RMSEP)为0.196%,相对分析误差(relative analysis error,RPD)为3.11;O元素仅采用10个光谱变量建立模型,验证集相关系数为0.876,均方根误差为1.015%,相对分析误差为2.32,N、O元素的模型可以用于实际应用;C、H、S元素相验证集相关系数均小于0.80,无法实际应用分析。采用独立成分分析(independent component analysis,ICA)算法结合权重系数法,提取IC1-IC5分析图像中特征光谱波段为572.09、643.69、685.14、766.79、819.55、964.01 nm,用6个特征光谱变量建立基于高光谱图像维数据的秸秆元素定量分析模型,N、C、H、S和O 5种元素无法用于实际检测。研究结果表明,采用高光谱成像技术并应用光谱维数据结合CARS-PLS算法可以实现秸秆N、O元素的有效检测。...
[期刊论文] 何微 牛智有 李晓金
-
北大核心 CSTPCD CSCD CA CBST
-
摘要:为实现番茄果实质量的预测,提出一种应用计算机视觉技术对番茄果实质量进行自动识别的方法.采用Matlab平台构建算法,利用数学形态运算及图像局部性质运算等构成的识别算法,对番茄样本图像进行预处理,提取番茄图像投影面积、轮廓周长、最大内接圆直径和最小外接圆直径外部特征参数,分别建立番茄果实质量与4个特征参数之间的一元线性、二阶多项式、幂指和多元线性预测模型.试验结果显示:采用多元线性预测模型预测结果最佳,其决定系数为0.926 7,标准差为4.32;利用检验样本对预测模型进行验证,预测果实质量与实际果实质量的绝对误差均值为3.260 g,相对误差均值为1.535%.研究结果表明,基于计算机视觉技术外部特征信息的番茄果实质量预测方法是可行的....
-
北大核心 CSTPCD CSCD CA CBST
-
摘要:为探讨利用近红外光谱技术快速检测生物质秸秆中 N、C、H、S 和 O 元素的可行性,采集并制备水稻、小麦、油菜和玉米秸秆样本199个,采用近红外光谱(NIRS)分析技术,结合偏最小二乘(PLS)化学计量学算法,在7400~5550 cm-1波段范围内,比较不同光谱预处理方法的定标效果,建立最优的生物质秸秆中 N、C、H、S 和 O 元素的定量分析模型,并用独立的验证集样本对模型进行验证。验证结果表明:所建立的 N 元素的定量分析模型可用于实际检测;O 元素的定量分析模型可进行实际估测;采用近红外技术用于 C 元素定量分析是可行的,但模型需要进一步优化;H、S 元素采用 NIRS 技术无法进行定量分析。...
[硕士论文] 李晓金
农业机械化工程 华中农业大学 2015(学位年度)
摘要:秸秆的热化学工程特性是秸秆能源化利用的重要特性,为了探讨秸秆热化工特性的快速检测方法,本课题采集不同地区不同品种的水稻、小麦、玉米、油菜共计188个秸秆样品,参照国家标准测定了样品的元素分析指标、高/低位热值和工业分析指标,应用反射和透射光谱技术,通过傅里叶近红外光谱仪、高光谱反射和透射成像系统3种方式分别获取秸秆的近红外光谱、可见/近红外反射光谱以及可见/近红外透射光谱信息,采用偏最小二乘算法(PLS)分别建立3种方式下的秸秆热化学工程特性指标的定量分析模型,比较3种光谱采集方式下光谱的不同预处理方法、变量选取算法所建模型的优劣,确定各指标的最优检测模型。本研究主要内容包括:
  ⑴通过比较高光谱反射、透射及近红外光谱检测元素的定标效果,确定了基于高光谱反射技术的元素分析指标(C、N、H、S、O)模型最优。光谱最优预处理方法分别为.:C元素为无预处理(None);N元素为去趋势变换(Detrend);H元素为多元散射校正结合标准化(MSC+Autoscale);S元素为一阶导数结合标准化(FD+Autoscale);O元素为去趋势变换结合均值中心化(Detrend+Mean Center)。确定竞争性自适应重加权采样算法(CARS)为最优变量选择算法,对各个元素定量分析模型进行优化,参与建模的变量数显著下降,且模型的稳定性和预测性能均有提升。N、O元素的模型最优,N元素采用24个变量建立模型,验证集相关系数(Rp)为0.923,均方根误差(RMSEP)为0.196%,相对分析误差(RPD)为3.11;O元素仅采用10个光谱变量建立模型,验证集相关系数(Rp)为0.876,均方根误差(RMSEP)为1.015%,相对分析误差(RPD)为2.32。N、O元素的模型可用于实际应用,C、H、S元素CARS-PLS模型预测效果不理想。
  ⑵通过比较高光谱反射、透射及近红外光谱检测热值的定标效果,确定了基于近红外光谱技术的热值分析指标(高位热值、低位热值)模型最优。最优光谱预处理方法分别为:高位热值为多元散射校正结合一阶导数及S-G平滑(MSC+FD+S-G smooth);低位热值为多元散射校正结合一阶导数(MSC+FD)。高位热值校正集相关系数(Rc)为0.904,均方根误差(RMSEC)为291 J·g-1,交互验证相关系数(Rcv)为0.859,交互验证均方根误差(RMSECV)为348 J·g-1,验证集相关系数(Rp)为0.908,均方根误差(RMSEP)为328 J·g-1,平均偏差(Bias)为34.616 J·g-1,相对分析误差(RPD)为2.22,所建立的高位热值定量分析模型可用于定量分析;低位热值校正集相关系数(Rc)为0.869,均方根误差(RMSEC)为315 J·g-1,交互验证相关系数(Rcv)为0.822,交互验证均方根误差(RMSECV)为363 J·g-1,验证集相关系数(Rp)为0.850,均方根误差(RMSEP)为365 J·g-1,平均偏差(Bias)为34.979 J·g-1,相对分析误差(RPD)为1.94。结果表明,所建立的定量分析模型可用低位热值的估测,模型精度还可进一步提高。
  ⑶比较了高光谱反射、透射及近红外光谱检测工业分析指标的模型效果,确定了基于反射高光谱成像技术的工业分析指标(灰分、水分、挥发份、固定碳)模型最优。最优光谱预处理方法分别为:灰分为多元散射校正结合标准化(MSC+Autoscale);水分为标准正态变量校正结合标准化(SNV+Autoscale);挥发份为一阶导数结合均值中心化(FD+Mean Center);固定碳为标准正态变量校正结合均值中心化(SNV+Mean Center)。最优变量选取方法均为竞争性自适应重加权采样算法(CARS)。采用CARS算法对秸秆工业分析指标定量分析模型进行优化以后,灰分所建模型的验证集相关系数(Rp)为0.931,均方根误差(RMSEP)减小为0.369%,相对分析误差(RPD)为8.86,模型表现出很好的预测能力;其它3种工业分析指标模型的预测效果不甚理想,不能用于实际定量分析。
-
北大核心 CSTPCD CSCD AJ CA EI CBST
-
摘要:  针对单一检测技术不能同时检测马铃薯内外品质的多项指标,采用透射高光谱成像技术并融合光谱和图像信息,对其内部黑心病、质量指标进行检测。通过透射高光谱成像系统获取266个样本高光谱图像(400~1000 nm),并提取光谱和图像二者信息。采用不同变量选择方法对光谱进行变量选择,用9个光谱变量建立检测马铃薯黑心病偏最小二乘判别分析(partial least squares discriminant analysis, PLS-DA)模型与质量偏最小二乘回归(partial least squares, PLS)模型;提取样本透射高光谱图像的面积信息,建立基于光谱-图像的检测马铃薯质量PLS模型。试验结果表明,黑心样本识别率为100%,识别最小黑心面积为1.88 cm2;基于光谱-图像所建立质量检测模型预测效果较好,其预测集相关系数(Rp)为0.99,预测均方根误差(RMSEP)为10.88。结果表明:采用透射高光谱成像技术并融合图像和光谱信息对马铃薯内部黑心病、质量同时进行检测是可行的。...
-
北大核心 CSTPCD CSCD AJ CA EI SCIE CBST SA
-
摘要:针对马铃薯损伤部位随机放置会影响检测精度的问题,提出从正对相机、背对相机及侧对相机三个方向,应用透射和反射高光谱成像技术采集马铃薯图像,进行透射和反射高光谱成像的马铃薯损伤检测比较研究。对透射和反射高光谱图像进行独立成分(IC )分析和特征提取,利用所得特征对反射图像进行二次IC分析,对透射和反射光谱进行变量选择,最终分别建立基于反射图像、反射光谱、透射光谱的马铃薯损伤定性识别模型;对识别准确率高的模型做进一步优化,采用子窗口排列分析(SPA )算法对透射光谱的特征做二次选择得到3个光谱变量,并建立任意放置的马铃薯损伤识别最优模型。试验结果表明,基于反射图像、反射光谱建立的模型识别准确率较低,其中基于反射图像的马铃薯碰伤,侧对相机识别准确率最低为43.10%;基于透射光谱信息建立的模型识别准确率较高,损伤部位正对、背对相机的识别准确率均为100%,侧对相机为99.53%;马铃薯损伤识别最优模型对任意放置的损伤识别准确率为97.39%。应用透射高光谱成像技术可以检测任意放置方向下的马铃薯损伤,该研究可为马铃薯综合品质的在线检测提供技术支持。...
[专利] 实用新型 CN201220713491.0
华中农业大学 2013-05-29
摘要:本实用新型是一种农产品透射高光谱图像采集试验台,采集箱外的三个侧面设置有排气扇,温度传感器设置在采集箱内的底板上,采集箱门设置在采集箱的一个侧面,高精度电控移动平台设置在采集箱内底部的中心,载物台通过升降装置安装在高精度电控移动平台上,透射采集平台设置在载物台上,高光谱成像仪安装在高度调节支架上通过调节螺栓固定并设置在采集箱的顶部,可对农产品进行透射高光谱图像的采集,进而对其内部品质进行无损检测;透射高光谱图像采集箱内温度可控,实现高光谱图像的恒温采集;该装置具有结构合理,调节方便、适用性广等优点,可较好的实现农产品透射高光谱图像的采集,对农产品品质的分析与研究有重要的科学意义和广阔的应用前景。
[专利] 实用新型 CN201320694193.6
华中农业大学 2014-04-30
摘要:本实用新型是一种马铃薯漫透射高光谱图像采集装置,由采集计算机、数据线、光谱仪高度调节旋钮、光谱仪固定支架、光谱仪高度调节滑块、光谱仪移动导轨、高光谱成像仪、采集箱、光源箱、光源箱托板、电控移动平台组合、采集箱门等组成,通过漫透射高光谱成像技术对马铃薯外部品质和内部品质特征指标进行检测与分析,可以克服马铃薯由于形状大小不规则而造成马铃薯表面光线分布不均匀从而导致高光谱图像不清晰的问题,提高马铃薯品质高光谱图像无损检测精度。该装置具有检测精度高的特点,能广泛应用于农产品品质的高光谱图像无损检测,对促进我国马铃薯产业的发展具有重要现实意义与良好应用前景。
摘要:温室环境监测目前主要采用有线通信方式,随着温室面积扩大,监测点增多,电缆布线困难。本文设计开发了基于无线传感器网络的温室监测系统,系统由无线传感器节点、基站节点和数据监控端组成。分布在温室监测区域内的传感器节点采集和预处理所需环境数据,通过无线方式与基站节点通信。传感器节点和基站节点运行嵌入式操作系统TinyOS 及NesC 语言编制的应用程序。基站节点与数据监控端通过USB 接口相连,将接收到的数据实时传输到数据监控端。数据监控平台采用可视化的Moteview 界面实现动态监测。试验结果表明,系统能够实现稳定的温室环境参数实时监测,并且整个系统安装简便,易于构建和扩展。
  (已选择0条) 清除
公   告

北京万方数据股份有限公司在天猫、京东开具唯一官方授权的直营店铺:

1、天猫--万方数据教育专营店

2、京东--万方数据官方旗舰店

敬请广大用户关注、支持!查看详情

手机版

万方数据知识服务平台 扫码关注微信公众号

万方选题

学术圈
实名学术社交
订阅
收藏
快速查看收藏过的文献
客服
服务
回到
顶部