试析基于计算机图像处理检测温室黄瓜幼苗土壤水份含量的技术研究

《试析基于计算机图像处理检测温室黄瓜幼苗土壤水份含量的技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、华中农业大学硕士学位论文基于计算机图像处理检测温室黄瓜幼苗土壤水份含量的技术研究姓名：吴艳兵申请学位级别：硕士专业：农业机械化工程指导教师：樊啟洲20070501华中农业大学硕士学位论文摘要在工厂化农业高速发展的今天，作物栽培管理的自动化和现代化日趋重要。应用现代无损伤测量和检测手段进行作物长势诊断的技术研究，成为现代农业技术发展的热点问题之一。本研究选择温室黄瓜作为研究对象，在自然光条件下进行试验，运用计算机图像处理技术，对黄瓜的叶片图像特征进行提取，分析黄瓜植株的生长信息，进而实现对土壤水份含量

2、的检测，检测结果可作为精准灌溉的参考，为后期的灌溉提供科学的依据。基于以上目的，本研究主要进行了以下工作：(1)按照常规方法对植株的生长进行管理，试验中土壤水份含量设计5个处理水平：90％、80％、70％、60％和50％，浇水量按照土壤水份含量各处理水平的±5％控制。使用数码相机统一采集自植株项部下数第3片功能叶的图像。(2)对叶片图像进行直方图修正、平滑和锐化等预处理，再分割出叶片和背景。提出了一种适合于自然光条件下分割叶片和复杂背景的方法，采用过绿分割法对图像进行分割，并运用自动选择分类阈值的最

3、大方差比法确定分割阈值T，该方法能很好的将叶片和背景进行分割。(3)运用图像处理技术，提取出叶片图像各颜色特征值。通过分析土壤水份含量与各颜色特征的线性相关关系得出，土壤水份含量分别与颜色特征r、H之间均呈高度相关性，并且达到了显著性检验水平(p=o．05)，同时，它们的值域变化区间和土壤水份含量水平之间存在有较好的对应关系。选用颜色特征参数r分量和H分量作为检测系统的检测指标，对土壤水份含量进行检测是可行的。(4)在检测系统的检测指标和土壤水份含量之间建立三层BP神经网络，采用自适应学习速率梯度下

4、降反向传播算法对网络进行训练，训练后的网络对训练样本的正确识别率为100％，对测试样本，处理水平50％至90％的识别率分别为92．5％、97．5％、100％、97．5％和100％。以vC++为开发平台，编制出土壤水份含量的检测系统。本研究对于计算机图像处理技术应用于温室作物实际生产，并最终提高工厂化农业的智能化管理水平具有重要的意义。关键词：图像处理；叶片颜色；土壤水份含量；BP神经网络摘要AbstractAsindustrializedagriculturetechnologyprogressra

5、pidly,theautomatizationforcropraisingisbecomingmoreimportant．Thenondestructivemeasurementandtestingisaveryhotagriculturalproductiontechnology．Choosinggreenhousecucumberastheresearchobjed，cucumberleavesimagefeaturewasobtainedusingcomputerimageprocessing

6、technologyundernaturalillumination,andthegrowthinformationofcucumberwasanalyzed，thenrealizingthemoisturecontentofsoilwastested,theresultscouldbeusedasareferenogforprecisionirrigation，andprovidescientificbasisforthelatterpartoftheirrigation．Basedonabove

7、goals，thefollowingworkwasfinishedinthisstudy：(1)Managingtheplantaccordingtoconventionalmethods，thesoilmoisturecontentwassetasfivelevels：90％、∞％、70％、60％and50％．Theamountofwaterwascontrolledwiththe±5％ofsoilmoisturecontent．TheimamsoftheNo．3leafwereacquiredu

8、singdigitalcamera．(2)Theleafimageswereusedtopassthroughhistogramcorrecting,smoothingandsharpening，andthensegmentedtheywereleavesandbackground．Asuitablemethod,super-green,forsegmentingleavesandcomplexbackground,wasadvancedundernaturalill