潘家志
- 作品数：4 被引量：62H指数：4
- 供职机构：浙江大学生物系统工程与食品科学学院更多>>
- 发文基金：国家自然科学基金国家科技支撑计划国家高技术研究发展计划更多>>
- 相关领域：农业科学机械工程自动化与计算机技术电子电信更多>>
- 基于光谱和神经网络模型的作物与杂草识别方法研究被引量：19
- 2008年
- 利用光谱技术来识别作物与杂草是精细农业中一个非常重要的研究内容，但光谱数据中含有大量冗余数据，如何预处理以及建立识别模型，是决定识别准确率的关键。利用在325-1075nm波段的光谱识别了三种杂草（牛筋草、凹头苋、空心莲子草）与大豆幼苗。在幼苗生长的第三周与第六周分别采集杂草与作物的光谱，共378个样本。用其中的250个光谱样本，包括第一期和第二期采集的光谱样本，在采用db12小波经过三层分解后，将其小波系数作为输入数据建模，构造了一个径向基函数神经网络。然后，利用余下的光谱样本检验该模型的识别能力。结果表明，该模型对作物与杂草光谱具有极强的识别能力，只有3个第二期的牛筋草样本被判断为空心莲子草，其余的样本全部正确识别。这个结果表明，采用可见／近红外光谱识别大豆幼苗与三种伴随生长的杂草是可行的，同时也说明，随着作物的生长阶段的不同，其光谱的变化不会影响到种类识别。
- 朱登胜潘家志何勇
- 关键词：近红外光谱RBF人工神经网络杂草豆苗
- 基于光谱技术的桔子汁品种鉴别方法的研究被引量：14
- 2007年
- 为了实现桔子汁不同品种的快速光谱鉴别,首先采用主成分分析法对光谱数据进行聚类分析,从定性分析的角度得到四种不同品种桔子汁的特征差异。同时将小波变换用于对大量光谱数据的压缩,并结合RBF神经网络建立桔子汁品种鉴别的定量分析模型。该模型将小波压缩后的数据作为神经网络的输入向量,建立径向基函数RBF神经网络。4个品种共240个样本用来建立RBF神经网络的训练模型,剩余的60个样本用于预测。预测结果表明,小波变换结合RBF神经网络的桔子汁品种鉴别的准确率达到100%。说明文章提出的基于光谱技术的鉴别方法具有很好的分类能力,它为桔子汁品种的快速鉴别提供了一种新方法。
- 邵咏妮何勇潘家志裘正军
- 关键词：近红外光谱桔子汁主成分分析小波变换RBF神经网络
- 应用多光谱数字图像识别苗期作物与杂草被引量：14
- 2008年
- 通过对多光谱成像仪获得的数字图片,采用一定的目标分割与形态学处理,对豆苗和杂草进行识别判断.为解决识别速度与正确率的矛盾,以豆苗和杂草图像的识别为例,提出一种基于多光谱图像算法的杂草识别新方法.应用3CCD多光谱成像仪获取豆苗与杂草图像,以多光谱图像的近红外IR通道图像为基础,利用图像分割和形态学方法,将所有豆苗叶子影像提取出来.对于剩下的2种杂草(牛筋草,空心莲子草)图像,先利用图像分析工具统计出图像块的长度、宽度、面积等基本特征参数,并根据它们形状的不同,总结出两条简单的判别规则,进行进一步的识别.本试验对147个目标进行判断,其中误判14个,正确率为90.5%,表明该方法算法简单、计算量小、速度快,能够有效识别这2种杂草,为田间杂草的快速识别提供了一种新方法.
- 朱登胜邵咏妮潘家志何勇
- 关键词：作物杂草多光谱成像
- 作物和杂草叶片的可见-近红外反射光谱特性被引量：20
- 2008年
- 为了进行快速实时的杂草识别，研究了作物和杂草叶片的可见一近红外反射光谱特性。选择了两种常见的田间作物大豆（Glycine max）和玉米（Zea mays），以及铁苋菜（Acalypha australis L．）和田字草（Marsilea quadrifolia L．）两种杂草作为研究对象，每种各30个样本，共120个样本。采用ASD Fieldspec便携式光谱仪进行光谱采集。在对400～1000nm的光谱数据进行平滑和一阶求导预处理、。通过主成份分析，去除了一个奇异样本。最后用79个样本组成的建模集进行偏最小二乘法建模，对剩余的40个样本进行预测。预测模型结果的相关性达到0．986，识别率达到100％。说明研究中选用的作物和杂草叶片的可见一近红外反射光谱特性之间有较大的区别，可以用于进行杂草和作物的区分。
- 吴迪黄凌霞何勇潘家志张赟
- 关键词：光谱学杂草识别偏最小二乘法
