212013, Чжэньцзян
212013, Чжэньцзян
Zhenjiang 212013
212013, Чжэньцзян
Zhenjiang 212013
212013, Чжэньцзян
Zhenjiang 212013
212013, Чжэньцзян
Zhenjiang 212013
Предложен и экспериментально протестирован метод неразрушающего контроля содержания воды в листьях салата латук, основанный на использовании комбинации спектров, RGB-изображений и температуры растительного покрова. Для сбора данных отобрано 130 образцов салата, выращенных при четырех различных уровнях содержания воды в субстрате. Для спектроскопических измерений с помощью метода частичных наименьших квадратов, использующего алгоритм обратных интервалов, выбраны пять спектральных интервалов, включающих в себя 380 точек, число которых далее уменьшено до 48 с использованием генетического алгоритма, основанного на сглаживании Савицкого–Голея и логарифмическом (1/R) преобразовании. С помощью метода последовательных проекций выбраны оптимальные для измерения длины волн 967, 1170, 1221, 1406, 1484, 1942 и 1985 нм. Тринадцать морфологических, цветовых и текстурных особенностей растений выявлены из RGB-изображений – фронтального и вида сверху. На основе сопоставления тепловых изображений исследуемых образцов с таковыми для сухих и влажных эталонных поверхностей эмпирически установлен индекс водного стресса. К спектральным данным и характеристикам изображения применен анализ главных компонент, причем для построения моделей с несколькими и одним сенсорами использован метод экстремального машинного обучения. Результаты показывают, что модель с несколькими сенсорами имеет коэффициент корреляции 0.9018, который на ~9.4 и 15.7% лучше, чем у спектральной модели и модели изображений.
Experiments were conducted to develop and assess a method by which the water content of a lettuce canopy can be nondestructively detected and estimated using a combination of spectra, RGB images, and canopy temperature. To this end, 130 lettuce samples grown in four different substrate water content levels were collected for data acquisition. In the spectroscopy procedure, five spectral intervals (380 variables) were selected by backward interval partial least squares and were further reduced to 48 wavelength variables, chosen using a genetic algorithm based on Savitzky–Golay smoothing and log (1/R) transformation. Then, 967, 1170, 1221, 1406, 1484, 1942, and 1985 nm optimum spectral variables were selected by the successive projection algorithm. Thirteen plant features were extracted from top- and front-view RGB images. These features comprised morphological, color, and textural features. An empirical crop water stress index was established based on dry and wet reference surfaces via thermal imagery. Subsequently, a principal component analysis was applied to the spectral variables and the image features, and an extreme learning machine was used to construct the multisensor and single-sensor models. The results show that the multisensor model had a correlation coefficient of prediction of 0.9018, which was found to be approximately 9.4 and 15.7% better than that of the spectral and image models. This work demonstrates that integrating spectra, RGB images, and canopy temperature with suitable algorithms offers a high potential for use in the nondestructive measurement of water content in lettuce, considerably improving accuracy over that using a single-sensor modality.
The authors declare that there are no conflicts of interest present.