基于计算机视觉技术的温室黄瓜叶片营养信息检测(精)

计算机视觉技术在农业影像监测中的应用近年来，随着计算机视觉技术的飞速发展，其在农业影像监测中的应用也越来越广泛。

计算机视觉技术可以通过图像识别、目标检测以及图像分析等方法，帮助农业领域进行精细化管理、实时监测和智能化决策。

下面就来具体了解下计算机视觉技术在农业影像监测中的应用。

一、图像识别技术在灾害监测中的应用自然灾害对农业生产的影响非常大，而图像识别技术可以在一定程度上帮助农民及时了解地理园区的洪水、旱情及病虫害情况。

例如，通过识别卫星图像中反映的水泥厂房、公路、河流、竹林等地物特征，可以对灾害及时做出应对措施，避免大面积损失。

二、目标检测技术在大棚及果园管理中的应用通过目标检测技术，农民可以及时了解大棚及果园内各种作物的生长情况，如生长情况、枝干茂密程度、叶片初始大小等。

同时，可以通过摄像头拍摄的照片，利用目标检测技术识别出幼嫩植物苗头，可快速而精准地给植物施肥、浇水等操作，提高作物的产量和质量。

三、图像分析技术在农作物产量预测中的应用农业专家可以通过图像分析技术，分析空中无人机拍摄的农田图像，判断各地块土地的肥力或产量，以及灌溉、浇水等的比例和作物生长周期。

此外，在作物生长过程中，也可以通过图像分析技术预测可能出现的问题，提前采取措施，保障农田的健康和生长。

四、计算机视觉技术在果树病虫害监测中的应用计算机视觉技术在果树病虫害监测中的应用非常广泛。

它可以帮助农民发现果树叶片发黄、枝条断裂、干瘪蔫曲等病虫害现象，提高果树生长的质量和产量。

另外，计算机视觉技术也可以帮助农业工作者识别果树害虫及食叶害虫，及时采取措施避免虫害影响果树的生长和产量。

五、总结随着计算机视觉技术的发展，其在农业影像监测中的应用范围越来越广泛。

利用计算机视觉技术，可以及时分析果树和农田的生长情况，提高农产品的质量和产量，同时也可以降低农业生产成本，提高农业企业的生产效益。

因此，未来计算机视觉技术在农业影像监测中的应用前景非常广阔。

计算机视觉技术在智能农业中的创新探索随着科技的不断发展，计算机视觉技术在诸多领域都取得了显著的进展和应用。

其中，智能农业是一个值得关注的领域，计算机视觉技术在智能农业中的应用正逐渐得到广泛探索和应用。

本文将探讨计算机视觉技术在智能农业中的创新探索，并介绍其在农业生产、病虫害监测和农产品品质检测等方面的应用。

首先，计算机视觉技术在智能农业的农业生产方面发挥了重要作用。

通过计算机视觉系统，可以实时监测作物的生长情况和土壤的营养状况。

例如，利用计算机视觉技术，可以对作物的生长高度、叶子颜色和数量进行监测和分析，从而及时调整灌溉和施肥的方案，提高农田的利用效率和产量。

此外，计算机视觉技术还可以用于农田的植被覆盖度监测，通过自动识别并计算农田植被的覆盖率，进而提供农田的肥力情况和农作物健康状况的评估，为农业生产决策提供科学依据。

其次，计算机视觉技术在智能农业的病虫害监测方面具有广阔的应用前景。

传统的病虫害监测通常需要人工进行，费时费力且效率低下。

而计算机视觉技术可以提供自动化病虫害检测与预警的解决方案。

通过对植物病害的图像进行分析和识别，计算机视觉系统可以及时发现和报警，从而减少农作物收成的损失。

相关研究表明，计算机视觉技术辅助下的病虫害监测能够更准确地识别和预测病虫害的扩散情况，提前采取相应的防治措施，大大降低了农作物的病虫害危害。

此外，计算机视觉技术还在智能农业中的农产品品质检测中发挥了重要作用。

传统的人工检测方式存在主观性和不稳定性的问题，而计算机视觉技术可以提供更客观、快速而准确的农产品品质检测方案。

通过对农产品的图像进行处理和分析，计算机视觉系统可以自动识别并评估农产品的质量、大小、颜色和瑕疵等特征，从而提高农产品的品质控制和市场竞争力。

例如，在水果和蔬菜领域，计算机视觉技术可以检测和判断果实的成熟度、糖度和外观等指标，有助于提高农产品的营养价值和市场价值。

然而，尽管计算机视觉技术在智能农业中的应用前景广阔，但仍然面临一些挑战。

计算机视觉算法在农作物生长监测中的应用研究随着现代科技的快速发展和人工智能技术的迅猛发展，越来越多的新技术得到了广泛的应用，其中计算机视觉算法在农作物生长监测中的应用也引起了广泛关注。

农作物生长监测可以实现对农作物的快速监测和分析，帮助农业科学研究人员更好地发现农作物生长的规律和变化趋势，更好的制定农业生产策略和决策，提高农业生产的效率和质量。

一、计算机视觉算法在农作物生长监测中的基本原理计算机视觉算法是通过对农作物影像的处理和分析，实现对农作物生长形态和生长速度的监测，包括对农作物的生长状态、叶片覆盖面积、果实大小等方面的监测。

在计算机视觉算法中，需要使用一定的图像处理和分析技术，对获得的农作物图像进行处理和分析。

例如可以通过色彩分析和图形分析来计算叶面积、果实大小等信息，也可以通过纹理分析等技术，对不同阶段的农作物生长状态进行识别和监测。

二、计算机视觉算法在农作物生长监测中的应用场景在农作物生长监测中，计算机视觉算法可以应用在许多场景中，如农作物品种判别、农作物叶片检测、农作物拐点识别等方面。

例如，在农作物品种判别中，可以通过计算叶面积、叶片数量等指标，来实现不同品种农作物的区分。

或者在农作物拐点识别中，可以通过计算某一时刻的叶片数量和叶面积，来判断农作物生长的变化趋势，以便更好的进行农业生产决策。

三、计算机视觉算法在农业生产中的价值计算机视觉算法在农业生产中的应用，可以减少人力和时间成本，提高农业生产效率和质量。

特别是在大规模农业生产中，农作物生长的监测十分繁琐且精度难以保障，而计算机视觉算法可以通过高精度和高效率的方式，实现对大范围农作物生长的监测和分析。

另外，在现代农业生产中，精准农业较为重要，而计算机视觉算法则可以满足精准农业中对各种农业作物的监测和管理的需求，例如农作物病虫害的预测、症状分析等。

四、计算机视觉算法在农业生产中存在的问题和挑战计算机视觉算法的应用和发展，也面临着许多问题和挑战。

中国瓜菜2023，36（11）：1-9收稿日期：2023-02-17；修回日期：2023-06-29基金项目：国家自然科学基金项目（71272047）；高校哲学社会科学基金项目（2018SJA1926）；江苏省青蓝工程优秀教学团队项目（202111）作者简介：戴军，男，教授，主要从事智能管理及供应链研究。

E-mail ：******************机器视觉技术主要通过算法模型计算目标图像三维信息特征，自动对目标图像信息进行智能化决策判断，模拟学习人类视觉处理图像信息的一门科学技术[1-3]。

它融合了计算机科学、应用数学、统计学和运筹决策学等众多交叉学科知识，成为当前人工智能应用领域的研究热点，已经在无人驾驶、人脸识别、临床医学、航天军工、化工纺织、材料工程、行政治理与农业监测等众多领域实现了较为丰富的场景应用[4-10]。

机器能模仿人阅读学习意味着机器在一定程度上已经具备了人类获取外界信息形成自己知识储备的自动化能力[11-12]。

由于采集被测目标图像的特征信息极为复杂，且存在光线强弱、背景阴影、观察角度等诸多动态因素的影响，要让机器真正达到像人类一样轻松地识别目标检测物，且能自如地感知捕捉目标物体的各种特征信息是一件极其困难的事情[13-16]。

但机器视觉技术对目标图像的数字化处理已经表现出了强大的智能化识别能力，例如在Image Net （目前世界最大的图像识别数据库）举办的世界机器视觉技术大赛上，机器视觉对目标图像的识别水平曾经一度超越了人类视觉水平，体现出了机器视觉技术对目标物体检测的极大潜能[17]。

近年来农业科学技术领域特别是瓜菜生产和种植方面也逐渐开始了机器视觉技术的应用探索研究，尤其是在一些大规模生产和种植环境或人工视觉难以达到识别要求的农业条件下，利用机器视觉技术代替人工视觉对瓜菜实施智能化检测，通过机器换人不但提升了瓜菜生产和种植的规模化效机器视觉技术在瓜菜检测应用中的研究进展戴军1，2（1.苏州工业园区服务外包职业学院智能管理学院江苏苏州215123；2.同济大学经济与管理学院上海200092）摘要：机器视觉技术是一种通过机器代替人眼来做测量和判断的技术。

2007年11月农业机械学报第38卷第11期温室黄瓜叶片图像的白平衡处理徐增辉　张彦娥 【摘要】　为了消除光源对颜色的影响,减少颜色差异,提高数据精度,提出一种利用空间域增强对原始图像进行白平衡处理的方法。

数据分析表明:采用此种方法对黄瓜叶片缺陷图像进行白平衡处理,可有效提高待处理图像的灰度级别,改善图像的视觉效果,提高后期图像处理数据的精度。

关键词:黄瓜　叶片　图像　白平衡中图分类号:T P 391141文献标识码:A收稿日期:2006-08-14徐增辉　中国农业大学信息与电气工程学院　硕士生,100083　北京市张彦娥　中国农业大学信息与电气工程学院　副教授 引言应用计算机视觉技术进行作物营养诊断研究,已经从定性逐渐向定量研究发展。

但许多研究[1～5]中对数字图像的处理都没有考虑从软件上消除色温影响。

采集到的图像可能会存在整体亮度不均,颜色效果不稳定的问题,这些因素均会降低后期图像颜色特征提取的精度,也将在一定程度上影响数据处理的可信度。

特别是在定量研究中,提取可靠的图像颜色特征信息,是图像处理的重要问题之一。

本文应用白平衡原理,对黄瓜叶片图像颜色的纠偏方法及其实现进行研究。

1　图像获取及其颜色偏差现象分析111　图像获取一般在实用系统中,应该在自然光条件下获取图像,然而自然光受天气、时间等因素的影响,图像颜色变化复杂、提取颜色信息准确性差,影响后续的数据分析[6]。

为了消除自然光不稳定所造成的误差,目前机器视觉系统一般在人工光源下采集图像。

图1　自制光源示意图1.灯罩2.相机3.载物盘4.灯泡图1所示为自制光源的示意图,为降低成本同时保持比较好的显色性,采用白炽灯泡作为照明光源。

采用8个50W 的灯泡均匀布置在载物盘周围,顶部采用半球形外壳作为漫反射装置,保证在载物盘区域获得尽量均匀的光线,而且可以避免直反射所造成的高光效应。

中心的圆形载物盘用以放置叶片。

由于反射作用,光线在载物盘上获得稳定的光照效果需要一定的时间,达到稳定的时间为20s [7]。

基于图像处理的黄瓜叶子病害识别系统的研究为了进一步提高黄瓜叶子的病害检测与其病害程度分级的速率和准确性，本文综合运用图像处理技术和人工神经网络技术，实现了黄瓜叶部病害检测与染病程度的分级，并主要对发病率高且危害严重的黄瓜霜霉病、白粉病和病毒病进行了实验研究。

实验最终证明：检测系统的黄瓜叶部病害平均识别精度为94.06%，并能够快速准确地对黄瓜叶片病害的染病程度进行分级。

标签：黄瓜病害叶片；图像处理；特征提取；BP神经网络1 黄瓜叶子病害识别系统研究的必要性在全球范围内，黄瓜的种植面积大，又是人们喜欢食用的蔬菜之一。

但是，黄瓜十分容易染病。

各种环境的污染，使得黄瓜的种植遭到极其严重的病害侵蚀，导致黄瓜出现各种各样的病变症状。

然而，人们难以对各种病变进行明确的诊断并加以治疗。

结果不仅阻碍了黄瓜种植技术的进步和发展，而且会导致农民对各种病变滥用药、乱用药，引发一系列的污染问题。

黄瓜叶子病害识别系统就是利用科学技术的自动化和智能化来研究如何识别、诊断以及治疗黄瓜叶片的病害，并且对其病害程度进行分类。

这个系统的创建为农作物的诊断与治疗带来了福音，不仅能够对其进行极其准确地判断，还可以提供正确的预防和治疗方法；另外，可以减少由于人为主观判断的失误所带来的损失，降低了种植成本。

2 研究采用的科学技术本次研究采用两种先进的科学技术进行探索，一种是计算机视觉，也称为机器视觉，是研究如何用计算机来模拟和再现人类视觉功能的科学，也被称为图像理解和图像分析。

另一种是计算机图像分析技术，此技术应用于植物病害的识别研究已经有几十年的历史。

随着相关技术的不断成熟和发展，在农业各个领域上，计算机图像处理技术也得到了广泛的应用，并积极推动了农业的发展。

3 研究的环境及流程3.1 系统设计环境Matlab是一种简单，高效、功能强大的高级语言，在科学与工程计算领域有着广泛的应用前途。

由于植物病害数据较为庞大，同时要求数据处理速度较快，那么就只能选取一种处理速率较快，存储空间较大并且功能强大的图像处理软件平台，Matlab软件刚好符合所有要求，是许多专业人士的首选。

基于计算机视觉的农作物病害检测系统的研究基于计算机视觉的农作物病害检测系统的研究摘要：农业是国民经济的重要支柱，而农作物病害严重影响了农作物的生长和产量。

随着计算机技术的快速发展，基于计算机视觉的农作物病害检测系统成为了一种有潜力的解决方案。

本文通过研究目前的技术，探索了基于计算机视觉的农作物病害检测系统的原理与优势，并分析了面临的挑战和未来的发展方向。

通过这项研究，我们可以为实现精确农业提供有力的支持，提高农作物的产量和质量。

关键词：计算机视觉；农作物病害；检测系统；原理；挑战；发展方向；精确农业一、引言农业是国民经济的重要支柱，农作物的产量和质量直接关系到国家的粮食安全和经济发展。

然而，农作物病害一直是农业生产的一大隐患，导致了大量的农作物减产和质量下降。

传统的农作物病害检测方式主要依靠人工目视观察，这种方式存在着检测效率低、成本高和不精确等问题。

随着计算机视觉技术的发展，基于计算机视觉的农作物病害检测系统成为了一种有潜力的解决方案。

二、基于计算机视觉的农作物病害检测系统的原理基于计算机视觉的农作物病害检测系统主要分为图像获取、图像预处理、特征提取与分类识别等步骤。

首先，通过摄像机等设备获取作物叶片或果实的图像。

然后，对图像进行预处理，包括去噪、灰度化、二值化等，以提高后续处理的准确性和效果。

接着，利用特征提取算法，从图像中提取出有效的特征信息，如形状、纹理、颜色等。

最后，通过分类器对提取的特征进行识别和分类，判断作物是否患上病害。

三、基于计算机视觉的农作物病害检测系统的优势相比传统的人工目视观察方式，基于计算机视觉的农作物病害检测系统具有以下优势：1. 自动化：系统能够实现自动识别和分类，省去了人工耗时耗力的过程。

2. 准确性：基于计算机视觉的算法能够精确地提取特征信息，判断病害的程度和类型。

3. 效率高：系统能够实现快速的图像处理和分析，大大提高了检测的效率。

4. 成本低：相比人工检测，基于计算机视觉的系统具有更低的成本，并且能够长时间稳定运行。

第30卷第13期农业工程学报 V ol.30 No.132014年7月Transactions of the Chinese Society of Agricultural Engineering Jul. 2014 169 基于高光谱图像的黄瓜叶片叶绿素含量分布检测邹小波，张小磊，石吉勇，李志华，申婷婷（江苏大学食品与生物工程学院，镇江 212013）摘要：植物叶片叶绿素含量及分布是植物营养信息表达的重要指标。

为了给大棚黄瓜营养元素的控制提供理论依据，该研究利用高光谱图像建立简单实用的光谱值和叶绿素含量关系的模型，从而实时、无损地检测叶片的叶绿素分布。

选取黄瓜叶片的高光谱图像数据块中450～850 nm波段作为研究波段。

选取8个具有代表性的植被指数，建立特征波长λ下相应的光谱反射值Rλ与黄瓜叶片叶绿素含量之间的关系模型。

结果显示，基于最优指数(R695–705)−1−(R750–800)−1的模型可以很好地预测黄瓜叶片叶绿素的含量，校正集和预测集相关系数r分别为0.8410和0.8286，最小均方根误差RMSE分别为0.2045和0.2190 mg/g。

最后根据最优模型预测叶片上任意位置叶绿素的含量，并通过伪彩手段描述叶绿素含量的分布。

研究结果表明，利用高光谱图像技术分析黄瓜叶片叶绿素含量及其在叶面上的分布是可行的。

另外，该研究确定的最优植被指数所包含的695～705和750～800 nm 2个波段可用于搭建更加简便实用的快速检测叶片叶绿素的便携式多光谱设备。

关键词：叶绿素；光谱图像；线性回归；植被指数；叶绿素分布doi：10.3969/j.issn.1002-6819.2014.13.021中图分类号：S203；Q94-3 文献标志码：A 文章编号：1002-6819(2014)-13-0169-07邹小波，张小磊，石吉勇，等. 基于高光谱图像的黄瓜叶片叶绿素含量分布检测[J]. 农业工程学报，2014，30(13)：169－175.Zou Xiaobo, Zhang Xiaolei, Shi Jiyong, et al. Detection of chlorophyll content distribution in cucumber leaves based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(13): 169－175. (in Chinese with English abstract)0 引 言叶绿素是最常见的有机化学组分之一，是植物叶片的天然成色物质，在光合作用中起着重要作用，叶绿素的含量分布与果蔬的营养状况息息相关。

设施农业2023-1024虫害进行比对，从而得出诊断结果。

基于图像识别技术的病虫害诊断，帮助种植者及时采取相应的防治措施，减少病虫害对黄瓜的影响。

1.3 智能化决策支持系统在防治措施中的应用智能化决策支持系统是基于传感器数据和图像识别结果，为种植者提供防治决策支持的系统。

分析温室环境监测数据和病虫害诊断结果，智能化决策支持系统可以推荐合适的防治方案。

系统根据温室的实际情况和病虫害的类型，提供针对性的防治建议，包括使用何种农药、施肥量、灌溉方式等。

种植者可以根据系统的建议，制定出最佳的防治措施，提高黄瓜种植的效果。

智能化决策支持系统的应用可以帮助种植者做出科学合理的决策[2]。

2 温室黄瓜种植病虫害智能诊断与防治系统的设计2.1 系统总体架构智能化决策支持系统的总体架构包括传感器数据采集模块、图像识别模块、防治决策模块和用户交互界面模块。

传感器数据采集模块负责采集温室环境的数据，包括温度、湿度、光照等参数。

图像识别模块通过分析黄瓜叶片的图像，识别病虫害的类型和程度。

用户交互界面模块为种植者提供友好的界面，使其能够方便地查看传感器数据、图像识别结果和防治建议。

系统总体架构的设计使得各个模块能够协同工作。

2.2 防治决策模块防治决策模块是智能化决策支持系统的核心部分，负责根据传感器数据和图像识别结果，提供防治建议。

通过图像识别技术对黄瓜叶片的图像进行分析，识别病虫害的类型和程度。

基于这些分析结果，防治决策模块可以推荐合适的防治方案，包括使用何种农药、施肥量、灌溉方式等。

防治决策模块的设计使得系统能够根据温室的实际情况和病虫害的类型，为种植者提供个性化的防治建议，提高防治效果[3]。

2.3 用户交互界面模块用户交互界面模块为种植者提供友好的界面，使其能够方便地查看传感器数据、图像识别结果和防治。

该模块设计了直观清温室黄瓜病虫害智能诊断与防治技术摘要:温室黄瓜种植是一种重要的农业生产方式，但病虫害的影响常常导致产量下降和品质下降。

农业信息化毕业论文选题基于用户信任值和属性的农田环境数据访问控制系统的研究基于中高分遥感的作物种类识别及长势监测技术应用研究基于移动互联网的农村医药问诊服务平台的研究基于农艺性状信息的石阡县优质稻品种筛选研究联合Sentinel-1与Sentinel-2的草地灌丛化监测研究——以锡林郭勒盟草原为例基于遥感的桐乡水系时空变化研究基于物联网的泰山茶环境控制系统设计与实现基于智能身份识别的生猪养殖管理系统研究与设计漳州市花卉产业电子商务应用现状与发展对策基于物联网的温室空中草莓种植环境智能控制系统设计基于智慧农业的新型职业农民教育培训模式及体系架构区域种植业资源管理系统的设计与实现基于物联网的鱼菜共生水质环境测控系统设计与应用移动生鲜电商顾客忠诚度影响因素研究——以广东省广州市为例基于WebGIS的土壤污染评价与三维可视化系统研究基于可见-近红外光谱技术的田间土壤属性快速检测方法与设备研究基于SLAM技术的高秆环境下小型植保车自主行驶系统研究遗传优化RBF-PID的电动变量施肥控制系统研究基于卷积神经网络的水稻病害识别方法研究与应用好氧发酵自动控制系统的研究温室水肥一体化灌溉控制系统的设计与应用寒地水稻节水灌溉控制系统的设计与应用北方封闭奶牛舍环境监测系统及氨气浓度预测模型研究植物电信号在线检测装备的研究与应用农业统计数据关联挖掘与可视化研究基于深度学习的贝母分类算法研究与实现基于PHP技术的农业科技学习推广平台的设计与实现内蒙古绒山羊舍信息化资源平台的设计与实现基于数据架构的农用地档案数据注册引擎的研究与实现基于认知无线电的农业物联网频谱感知策略研究基于无人机成像高光谱遥感数据的水稻估产方法研究基于Hadoop的农业种植信息推荐系统的构建与研究基于云计算的农产品全产业链追溯系统关键技术研究智慧河长信息化管理平台的研究和实现基于芒果流水线的智能化检测分级系统研究某水源地供水监控系统的设计与实现基于光纤接入网络的农业信息化承载网络研究气象雷达故障诊断与健康管理关键技术研究基于光伏能源的智慧农业监管平台研发基于图像识别的作物种子自动计数方法研究基于计算机视觉的农作物病害叶片识别方法研究基于无人机的林分郁闭度和树高估测研究基于Android的灭火资源调度系统南疆盐渍化地区的棉花水分迁移模型的研究南疆节水高效自动化灌溉系统设计与实现清流县“三农”补贴管理的研究及系统实现基于HTML5和Node.js技术的农产品销售平台设计基于Capsule神经网络的农民工尘肺病CT图像识别大数据背景下农业地区交通警务管理模式探究基于光学成像和光谱分析的香蕉成熟度鉴别方法研究基于机器学习的气象因素对小麦产量影响的分析预测小粒咖啡烘焙工艺优化及理化指标检测分析基于数据融合技术的大米产地确证模型研究大型风电场35kV集电线路防雷保护的研究——以“小箐山风电场”为例分布式小麦病虫害主题搜索系统设计与实现面向小麦可视化的沉浸式虚拟场景的研究与实现区域尺度棉花蚜虫遥感监测研究利用无人机成像高光谱监测棉蚜为害等级研究基于无人机图像的麦穗识别技术研究基于无人机图像的玉米植株识别技术研究基于颜色和纹理特征的大田麦穗识别技术研究基于Web的农业数据挖掘应用系统研究微喷灌施肥条件下调亏灌溉对三七生长生理及微生态环境的影响农业舆情监测与分析系统研究基于ARIMA-BP神经网络的河南省蔬菜价格预测研究——以马铃薯为例电子商务背景下赤壁市农产品物流体系建设庄河市农产品产销信息化发展战略研究瓦房店市蔬菜销售信息化建设研究三产融合下湖北省田园综合体发展研究郧西县乡村旅游与农村电商融合发展策略研究基于卷积神经网络的奶山羊行为识别方法研究光伏灌溉水泵系统设计水幕大棚CFD数值模拟及热效能分析基于多源信息融合的奶牛反刍行为感知及分类识别研究基于Android的生鲜农产品商城的设计与实现基于Web的长沙县农业信息共享平台研究农用商城销售管理系统的设计与实现基于信用评价的农产品电子商务平台的设计与实现基层农业推广信息化平台建设现状分析及发展策略——以瓦房店为例基于众源POI数据更新地理信息公共服务平台应用研究基于卷积神经网络提取冬小麦空间分布信息的方法研究常宁市果园智能灌溉控制系统的开发与研究中小型水库调洪演算双辅助曲线法并行化研究基于无人机视觉的油菜苗期田间杂草识别研究基于知识图谱的水稻病害防控模型构建与研究激光测量喷雾飘移量估算模型构建与系统研发基于深度学习的农作物基因剪接位点识别研究大蒜种植规模及其影响因素研究区域冬小麦籽粒蛋白含量遥感预测研究基于GIS的华北平原小麦玉米精准种植区划研究基于物联网的苹果生长环境监测与苹果冻害预警系统研究基于定量螺旋输送技术的谷物产量计量系统开发基于数据驱动的温室黄瓜霜霉病监测预警系统基于深度学习的玉米田间杂草识别技术及应用花生智能管理信息系统的研究与实现苹果品质评估与价格预测模型研究基于物联网的温室番茄生长环境智能测控系统鱼菜共生水质环境智能测控系统研发基于云计算的农村基本医疗信息系统的研究与实现农村扶贫资金成效评估模型构建及系统研发。

黄瓜幼苗生长信息的无损监测系统的应用与验证
武聪玲;滕光辉;李长缨
【期刊名称】《农业工程学报》
【年(卷),期】2005(21)4
【摘要】初步探讨了利用计算机视觉技术,在试验温室条件下,对单株黄瓜幼苗的生长实行无损监测.分别对叶面积和干鲜重的破坏性测量与计算机视觉无损测量结果相比较,通过相关性分析,计算机视觉测量的叶冠投影面积与激光叶面积仪测量的叶面积决定系数为0.976,与茎叶干、鲜重的决定系数分别为0.874和0.914.试验证实计算机视觉无损监测系统可以对植物的生长参数进行比较可靠的预测.
【总页数】4页(P109-112)
【作者】武聪玲;滕光辉;李长缨
【作者单位】中国农业大学水利与土木工程学院,北京,100083;中国农业大学水利与土木工程学院,北京,100083;中国农业大学水利与土木工程学院,北京,100083【正文语种】中文
【中图分类】TP2
【相关文献】
1.无损数据压缩在车载信息记录仪存储系统的应用 [J], 刘飞;徐鹏;张红艳
2.信息融合技术在电路板无损检测中的应用研究 [J], 罗锋华;文方
3.计算机图像处理技术在温室黄瓜幼苗生长信息检测中的应用 [J], 吴艳兵;樊啟洲;郑健;张晓龙
4.基于弱磁无损检测技术的钢丝绳在线监测系统的应用与实践 [J], 奂光润; 谢良魁;
张豪; 邓高鹏
5.无损检测信息管理系统的构建和应用 [J], 穆菁;钱伟;王石博;左世宇;赵学浩因版权原因，仅展示原文概要，查看原文内容请购买。

基于图像处理技术的黄瓜叶部病害识别诊断系统张芳;付立思【摘要】This paper mainly studied the identification and diagnostic system of cucumber leaf disease based on the image processing technology , including the image preprocessing module , image segmentation module , image feature extraction module and image pattern recognition module , etc .Then it gave a detailed description about image segmentation under the complex background of key modules as well as the SVM pattern recognition method .The practice shows that the sys-tem could easily and quickly identify cucumbers various diseases , which ensures its better promotion and application val-ue .%主要研究了基于图像处理技术的黄瓜叶部病害识别诊断系统。

该系统主要包括图像预处理模块、图像分割模块、图像特征提取模块及图像模式识别模块等。

同时，对关键模块中的复杂背景下的图像分割及支持向量机的模式识别方式作了比较详细的介绍。

实践表明，该系统能方便、快速地识别黄瓜各类病害，具有较好地推广性和应用价值。

【期刊名称】《农机化研究》【年(卷),期】2014(000)009【总页数】4页(P213-215,225)【关键词】图像处理技术;黄瓜;病害;诊断系统【作者】张芳;付立思【作者单位】沈阳农业大学，沈阳 110866;沈阳农业大学，沈阳 110866【正文语种】中文【中图分类】TP391.410 引言我国地域辽阔，设施园艺作物的种类及其品种很多。

数字图像技术在黄瓜氮素营养诊断上的应用研究
宋述尧;王秀峰
【期刊名称】《吉林农业大学学报》
【年(卷),期】2008(030)004
【摘要】试验设计了6种氮素水平处理温室黄瓜,利用数码相机获取黄瓜冠层图像,分析了不同供氮水平下黄瓜冠层图像参数与施氮量、土壤无机氮(Nmin)和植株氮素营养指标之间的关系.结果表明:黄瓜冠层图像G/(R+G+B)为诊断黄瓜结果期氮素营养状况的适宜数字化参数.建立了评价黄瓜结果期氮素营养丰缺的冠层图像数字化指标G/(R+G+B)的量值标准和氮肥推荐标准.
【总页数】6页(P460-465)
【作者】宋述尧;王秀峰
【作者单位】吉林农业大学园艺学院,长春,130118;吉林省蔬菜花卉研究所,长春,130033
【正文语种】中文
【中图分类】TP391.41;S642.2
【相关文献】
1.不同质地潮土冬小麦SPAD值在氮素营养诊断上的应用研究 [J], 姜瑛;刘晔;张林利;张腾;茹园园;汪强;韩燕来
2.数字图像技术在草莓氮素营养诊断中的应用研究 [J], 王连君;邢宇
3.氮素营养诊断技术及其在油菜上的应用研究进展 [J], 陈魏涛;曹宏鑫;张保军;张文宇;张伟欣;冯春焕;刘芳亮;宋楚威
4.氮素营养诊断技术及其在麻类上的应用研究进展 [J], 郭婷;崔国贤;丁莎莎;白玉超;陈兵兵
5.计算机视觉技术在农作物氮素营养诊断上的应用研究进展 [J], 刘洪见;郑丽敏;廖树华;朱虹;李永宾
因版权原因，仅展示原文概要，查看原文内容请购买。