基于熱成像處理技術(shù)的生菜水分脅迫檢測模型研究

摘要：

在生菜生長階段對生菜植株進行受水分脅迫檢測，在不影響品質(zhì)的同時，可以有效節(jié)約水資源。以140棵生菜1901和耶羅為試驗對象，在生菜生長階段進行不同灌水量處理。采用熱成像技術(shù)獲取生菜冠層溫度信息，以植株冠層溫度信息為基礎(chǔ)，提取其最大值、最小值、均值、方差、標準差、熵值、變異系數(shù)和不同溫度寬度頻率值作為特征值，建立支持向量機（SVM）、隨機森林（RF）、鯨魚算法優(yōu)化支持向量機（WOA-SVM）和基于主成分分析的WOA-SVM的生菜受水分脅迫程度檢測模型，進行識別準確性比較。試驗結(jié)果，RF對耶羅和1901檢測準確率為94.76%、92.37%；SVM對耶羅和1901檢測準確率為91.64%、85.35%，WOA-SVM對耶羅和1901檢測準確率為98.77%、94.76%，PCA-WOA-SVM模型對耶羅和1901檢測準確率為98.94%、95.71%，PCA-WOA-SVM識別準確率高且穩(wěn)定。

關(guān)鍵詞：生菜；支持向量機；機器學習；熱成像技術(shù)；水分脅迫檢測

中圖分類號：S636.2; TP393

文獻標識碼：A

文章編號：2095-5553 （2025） 01-0131-07

Study on water stress detection model of lettuce based on thermal imaging technology

Yang Yuchao¹， Ji Ying¹， Li Jingrui²， Gong Binbin²， Gao Hongbo²

（1. College of Information Science and Technology， Hebei Agricultural University， Baoding， 071000， China;

2. College of Horticulture， Hebei Agricultural University， Baoding， 071000， China）

Abstract：

During the growth stage of lettuce， water stress detection on lettuce plants can effectively save water resources without affecting the quality. In this study， 140 lettuces 1901 and Yeluo were used as experimental subjects， and different irrigation amounts were applied during the growth stage of lettuce. Thermal imaging technology was used to obtain lettuce canopy temperature information， and the maximum value， minimum value， mean value， variance， standard deviation， entropy value， coefficient of variation and frequency values of different temperature widths based on the plant canopy temperature information were used as characteristic values. Support vector machine （SVM）， Random Forest （RF）， Whale Algorithm Optimized Support Vector Machine （WOA-SVM） and WOA-SVM based on principal component analysis were established to detect the water stress degree of lettuce， and the accuracy was compared. Experimental results show that RF has an accuracy of 94.76% and 92.37% for Yeluo and 1901. SVM has an accuracy of 91.64% and 85.35% for Yeluo and 1901. WOA-SVM has an accuracy of 98.77% and 94.76% for Yeluo and 1901. The PCA-WOA-SVM model has an accuracy of 98.94% and 95.71% for Yeluo and 1901. The PCA-WOA-SVM recognition accuracy is high and stable.

Keywords：

lettuce; support vector machine; machine learning; thermal imaging technique; water stress detection

0"引言

生菜在生長過程中，充足的水分至關(guān)重要。通過檢測生菜受水分虧缺程度，從而采取適量高效的水分灌溉既可保障生菜健康成長，也可以達到節(jié)約水資源、提高水資源利用率的目的^［1］。利用遠紅外熱成像技術(shù)獲取冠層溫度，再和土壤含水量或者其他生理指標結(jié)合的方法監(jiān)測作物水分虧缺狀況^［2］，在現(xiàn)代化農(nóng)業(yè)灌溉領(lǐng)域中有非常重要的實踐價值，而且此方法的創(chuàng)新發(fā)展，更是接近了科學灌溉高效用水的目的。

張智韜等^［3］采用Ostu算法和Canny邊緣檢測算法對熱紅外圖像進行預處理，實現(xiàn)對土壤背景的剔除；楊明欣等^［4］基于冠層溫度研究油青菜心生長過程中的水分脅迫變化規(guī)律，采用最鄰近節(jié)點算法、支持向量回歸、極端梯度提升法和隨機森林法預測光合作用速率。毛罕平等^［5］利用色調(diào)域平均百分率直方圖提取出顏色特征值，將數(shù)字圖像處理技術(shù)和人工神經(jīng)網(wǎng)絡技術(shù)有效地結(jié)合在一起，綜合使用實現(xiàn)顏色的提??；章云等^［6］研究了自然環(huán)境下識別成熟山核桃的方法。首先以B/R和R/G的比值作為顏色特征，然后計算了基于顏色特征的均值、標準差等參數(shù)，最后建立了基于LS-SVM算法的果實識別模型；Karimi等^［7］用支持向量機方法技術(shù)完成了玉米高光譜圖像的分類，進而完成了玉米雜草和氮素脅迫檢測應用；田有文等^［8］利用支持向量機在樣本訓練時較高的分類能力和泛化能力，完成了植物復雜形狀的病斑分類問題；楊永民等^［9］利用可見光熱紅外的方法得出了微波土壤水分降尺度方法，此方法的主要部分是構(gòu)造土壤蒸發(fā)比和土壤水分的關(guān)系，進而得出在不同尺度間的土壤水分變換；Aubrecht等^［10］研究了暖溫帶落葉林和高山針葉林的冠層溫度，并探討了影響冠層溫度的環(huán)境因子以及熱紅外相機的系統(tǒng)誤差，并認為冠層溫度普遍高于空氣溫度；Kim等^［11］比較了利用熱電偶和熱成像相機所測量的冠層溫度差異，并利用熱電偶對冠層溫度提取進行校準，構(gòu)建了經(jīng)驗校準公式，以提高冠層溫度的提取精度；孫圣等^［12］利用熱紅外成像對核桃冠層進行了兩個生長季節(jié)的觀測，構(gòu)建了精準的土壤水分預測模型，并利用該模型實現(xiàn)了區(qū)域水平的土壤水分狀況監(jiān)測。作物冠層溫度可以反映土壤含水量和作物水分虧缺情況。紅外熱成像技術(shù)對植物冠層溫度的無損監(jiān)測，具有耗時少、成本低、使用方便等優(yōu)點，對于傳統(tǒng)作物水分虧缺檢測方法的復雜性和延遲性有了極大提升^［13］。用紅外熱成像技術(shù)對作物水分受脅迫程度的檢測已成為熱門研究，對作物生長時期精準灌溉和節(jié)水生產(chǎn)具有重要意義^［14］。

本文通過培養(yǎng)不同水分脅迫的生菜，并采用紅外熱成像技術(shù)對生菜冠層溫度進行提取，結(jié)合日蒸騰量進行研究分析，通過鯨魚優(yōu)化算法對支持向量機進行優(yōu)化，并對原始數(shù)據(jù)進行降維處理，構(gòu)建生菜的受水分脅迫程度檢測模型。

1"材料與方法

1.1"試驗材料

試驗地點為保定市河北農(nóng)業(yè)大學試驗基地溫室大棚，試驗材料為生菜，品種分別是生菜1901和耶羅，這兩個品種冠層拍攝分析較為容易，拍攝時間為9：30—10：30和14：30—15：30。育苗于穴盤中，穴盤的規(guī)格是72孔穴，長、寬、高尺寸為510cm、280cm、50cm，基質(zhì)為草炭和蛭石混合物。幼苗三葉一心后開始定植，定植在盆口直徑為13cm、高為15cm塑料盆中，基質(zhì)為椰糠。水分設置分為5個處理：T1（100%）、T2（100%～80%）、T3（80%～60%）、T4（60%～40%）、T5（40%～20%）。通過土壤水分傳感器監(jiān)測水分含量，每天澆水、營養(yǎng)液各1次，每天每棵植株澆水10mL，澆營養(yǎng)液10mL。澆水量通過量筒控制。生菜生長所需的營養(yǎng)液配方為霍格蘭營養(yǎng)液，濃度隨生長時間逐漸增大，范圍為1～1.5。

1.2"試驗儀器及原理

紅外成像技術(shù)的基本工作原理是利用紅外探測器、光學成像物鏡和光機掃描系統(tǒng)接收被測目標的紅外輻射能量分布圖形反映到紅外探測器的光敏元上^［15］，在光學系統(tǒng)和紅外探測器之間，有一個光機掃描機構(gòu)對被測物體的紅外熱像進行掃描，并聚焦在單元或分光探測器上，由探測器將紅外輻射能轉(zhuǎn)換成電信號，經(jīng)放大處理、轉(zhuǎn)換或標準視頻信號，通過電視屏或監(jiān)測器顯示紅外熱像圖^［16］。最后，利用紅外熱圖像軟件獲取感興趣區(qū)域的溫度分布圖或平均溫度等信息。紅外熱成像技術(shù)具有不干擾原始溫度分布的巨大優(yōu)點。

1.3"日蒸騰量

使用智能稱重對植株整體重量進行監(jiān)測，根據(jù)稱重數(shù)值變化得出日蒸騰量

ET=Wa-Wb

（1）

式中：

ET——植株日蒸騰量，g；

Wa——12：00測得植株重量，g；

Wb——

次日12：00測得植株重量，g。

為減小誤差，所有植株進行覆膜處理。

1.4"圖像采集

采用高分辨率的手持式紅外成像相機FLIR Ti300（圖1）用于獲得不同水分處理下的生菜熱成像圖像（圖2），熱敏度可達到≤0.05℃，其波長范圍為7.5～14μm，測量精度為±2℃。拍攝時，使植株冠層位于圖像中心區(qū)域，發(fā)射率為0.95，透光率100%，手動調(diào)焦、光圈，調(diào)節(jié)鏡頭垂直于植物冠層距離為60cm，設置圖像分辨率為640像素×480像素。通過SmartView軟件將熱紅外圖像對應的可見光圖像和溫度信息（.csv）導出。

2"圖像預處理

2.1"目標區(qū)域分割

為了提取出植株冠層圖像，消除背景干擾，對可見光圖像轉(zhuǎn)換到Y(jié)CbCr顏色空間，YCbCr由Y、C_b和C_r組成，C_b表示顏色的藍色濃度偏移量；C_r表示紅色濃度偏移量；Y表示顏色的明亮度和濃度。相比于RGB信號傳輸，優(yōu)點在于只需占用極少的頻寬，而RGB要求三個獨立的信號同時傳輸。

RGB轉(zhuǎn)換到Y(jié)CbCr顏色空間公式為

Y=0.257×R+0.564×G+0.098×B+16

Cb=－0.148×R－0.291×G+0.439×B+128

Cr=0.439×R－0.368×G－0.071×B+128

（2）

再對Y、C_b、C_r進行范圍設定，其中Y取值為［50，200］，C_b取值為［30，118］，C_r取值為［10，150］。經(jīng)過反復取值測試，此時的取值分割出來的圖像冠層效果最好。再對其進行二值化處理、形態(tài)學腐蝕和膨脹。如圖3所示。

處理后發(fā)現(xiàn)有背景干擾或者其他植株葉片干擾，在對其進行消除小面積連通區(qū)域處理，得到最終冠層圖像，如圖4所示。

2.2"特征提取

以生菜冠層溫度信息為基礎(chǔ)，提取11個特征：最大值、最小值、均值、方差、標準差、熵值、變異系數(shù)和不同溫度寬度（18℃～20℃、20℃～22℃、22℃～24℃、24℃～26℃）的頻率值。首先，需要提取出冠層的溫度信息，根據(jù)SmartView軟件導出的熱紅外圖像溫度信息導出為.csv表格和分割好的植物冠層圖像進行遍歷算法，將背景處的溫度值改為0，冠層的溫度值不變，最終得出整個冠層的溫度值信息，再用MATLAB對冠層溫度值信息表格處理，提取出以植株冠層溫度信息為基礎(chǔ)的11個特征。

生菜冠層溫度的最大值作為特征指標A₁，計算如式（3）所示。

A₁=max（x_i）"1≤i≤n

（3）

式中：

i——第i個像素點；

n——所有冠層溫度像素點數(shù)。

將植物冠層溫度最小值作為特征指標A₂，計算如式（4）所示。

A₂=min（x_i）"1≤i≤n

（4）

將植株冠層溫度值得平均值作為體現(xiàn)冠層溫度集中趨勢的特征指標A₃，計算如式（5）所示。

A₃=1n∑ni=1（X_i－X-）²"1≤i≤n

（5）

冠層溫度的方差可以用作表征作物冠層溫度的離散程度，作為特征指標A₄，計算如式（6）所示。

A₄=1n∑ni=1（X_i－X-）²"1≤i≤n

（6）

將冠層溫度的標準差，作為反映其數(shù)據(jù)離散程度的另一特征指標A₅，計算如式（7）所示。

A₅=∑ni=1（X_i－X-）²n"1≤i≤n

（7）

將作物冠層溫度的信息熵，作為衡量冠層溫度分布規(guī)則程度的特征指標A₆，其計算如式（8）所示。

A₆=H（x_i）"1≤i≤n

（8）

將冠層溫度的變異系數(shù)，作為衡量冠層溫度變異程度的一個歸一化的特征指標A₇，其計算如式（9）所示。

A₇=∑ni=1（X_i－X-）²n³

∑ni=1X_i

1≤i≤n

（9）

將冠層溫度寬度為18℃～20℃的頻率值作為特征指標A₈，其計算如式（10）所示。

A₈=a₁n

（10）

式中：

a1——

冠層溫度在18℃～20℃范圍內(nèi)的像素點數(shù)。

同理可得冠層溫度寬度為20℃～22℃、22℃～24℃、24℃～26℃的特征指標A₉、A10、A11。

2.3"建立生菜受水分脅迫程度檢測模型

使用常用的支持向量機（SVM）和隨機森林（RF）算法構(gòu)造模型，其中，支持向量機的性能受參數(shù)影響較大，針對此問題提出基于鯨魚優(yōu)化算法（WOA）的支持向量機受水分脅迫程度診斷方法。

2.3.1"基于隨機森林的受水分脅迫程度模型

隨機森林的方法是采用Bagging方法將單棵決策樹聚集成一片森林，也就是模型構(gòu)建的過程。它集成了多種弱分類器，形成新的分類器模型，決策樹決定輸出分類。無需特征篩選即可獲得較高的準確率，并且對特征具有良好的魯棒性。隨機森林有其獨特的特點，可以處理高維度（多特征）的數(shù)據(jù)，不需要降維，訓練速度快。由于引入了隨機性，很少出現(xiàn)過擬合的現(xiàn)象^［17］。隨機森林算法流程如圖5所示。

當新樣本進入該模型中，模型中的每棵決策樹都會相應地產(chǎn)生一個分類結(jié)果，最后采用眾數(shù)投票決定最終的分類結(jié)果，即模型預測的過程^［18］。

根據(jù)經(jīng)驗每天對生菜進行受脅迫程度觀察并記錄，對采集的數(shù)據(jù)集進行受脅迫等級分類標注后輸入到隨機森林模型中，其中生菜1901和耶羅分別將490和1330份數(shù)據(jù)作為訓練集，210和570份數(shù)據(jù)作為測試集，訓練集測試集比例為7∶3。預測結(jié)果：生菜1901預測準確率為92.37%、耶羅預測準確率為94.76%。輸出結(jié)果如圖6所示。

2.3.2"基于WOA-SVM的受水分脅迫程度模型

支持向量機（SVM）是一種將數(shù)據(jù)進行分類后的算法，數(shù)據(jù)的分類主要有線性可分、非線性可分兩類^［19］。

在SVM模型訓練中核函數(shù)的選擇至關(guān)重要，徑向基核函數(shù)（RBF）的作用是將模型訓練時提取的數(shù)據(jù)分類和識別，徑向基核函數(shù)有一個優(yōu)點是具有較好的靈活性和較少的參數(shù)^［20］。大部分情況下，計算時RBF核函數(shù)會比其他核函數(shù)的效率更高、速度更快、性能更好。徑向基RBF核函數(shù)如式（11）所示。

k（x_i，y_i）=e^－‖x_i^－y_i^‖2σ²

（11）

式中：

σ——核函數(shù)參數(shù)；

y_i——核函數(shù)中心。

此研究需要在SVM基礎(chǔ)上進行多分類，選用一對多法（OVR SVMs）進行多分類。在訓練過程中，首先，將某一特定類樣本分為一類，其余樣本分為另一類，之后，再將其余樣本劃分為某一特定類和其他類，多次重復后，就構(gòu)建出了多個SVM，在分類中，未知樣本被分類到具有最大分類函數(shù)值的類別中。該方法訓練多個分類器，數(shù)量較少，分類速度比較快。

支持向量機可以以交叉驗證法的準確率作為適應度函數(shù)。交叉驗證是消除取樣隨機性造成訓練偏差的方法，使用交叉驗證能夠有效評價訓練模型性能，提升模型穩(wěn)定性與泛化能力。本模型將采用五折交叉驗證方法，核函數(shù)選擇徑向基核函數(shù)。

在SVM模型中，懲罰因子C、核函數(shù)參數(shù)σ的確定起著至關(guān)重要的作用，C越大，復雜度越高，訓練結(jié)果越要滿足要求，當樣本分類不準確或數(shù)據(jù)本身存在誤差時，會降低模型測試結(jié)果的準確率。懲罰因子C越小，復雜度越低，模型對訓練時錯誤結(jié)果懲罰越小，結(jié)果越不準確?；诖藛栴}，提出了鯨魚算法優(yōu)化支持向量機中的參數(shù)C和σ，找到最優(yōu)解best C和best σ，再以最優(yōu)參數(shù)構(gòu)建SVM模型。鯨魚算法優(yōu)化支持向量機具體流程：（1）設置種群數(shù)量N、最大迭代次數(shù)Tmax、設定C和σ的取值范圍。（2）初始化種群位置，計算每個鯨魚個體的適應度值，記錄當前個體及種群最優(yōu)值。（3）對適應度的值進行排序，選擇值最小的作為最優(yōu)解。（4）更新下一代種群個體位置。（5）判斷算法是否滿足終止條件，如果滿足精度或者達到最大迭代次數(shù)，則轉(zhuǎn)到步驟（6），否則，轉(zhuǎn)到步驟（4）。（6）獲取最優(yōu)參數(shù)（C，σ）。（7）采用最優(yōu)懲罰參數(shù)C和核函數(shù)參數(shù)σ建立WOA-SVM模型。（8）采用建好的模型對預處理后的測試集進行分類。（9）輸出最優(yōu)參數(shù)（C，σ）及分類準確率。

WOA算法首先隨機初始化一組解，在每次迭代中，搜索代理根據(jù)隨機選擇的搜索代理或到目前為止獲得的最優(yōu)解更新它們的位置。

根據(jù)經(jīng)驗每天對生菜進行受脅迫程度觀察并記錄，對采集的數(shù)據(jù)集進行受脅迫等級分類標注，受脅迫等級共分為5級，級別越高代表受脅迫程度越嚴重。將11個特征值作為WOA-SVM的輸入變量，分類標簽作為輸出變量。SVM核函數(shù)為徑向基核函數(shù)，采用五折交叉驗證，種群規(guī)模選擇為50，迭代次數(shù)為150。其中，生菜1901和耶羅分別將490和1330份數(shù)據(jù)作為訓練集，210和570份數(shù)據(jù)作為測試集，訓練集測試集比例為7∶3。預測結(jié)果如圖7、圖8所示。

從圖9可知，鯨魚優(yōu)化算法適應度隨著迭代次數(shù)增加而增加，當?shù)降?5代時收斂至穩(wěn)定，此時可得到最優(yōu)參數(shù)best C=27.6541，best σ=1.6832。

2.3.3"基于主成分分析的WOA-SVM的受水分脅迫程度模型

WOA-SVM的時間復雜度和樣本數(shù)量、核函數(shù)的選擇、K折交叉驗證的選擇、特征參數(shù)個數(shù)有關(guān)，其中樣本數(shù)量是已經(jīng)確定的，核函數(shù)的選擇和K折交叉驗證的選擇經(jīng)過多次測試后已經(jīng)選取了最優(yōu)值，也不可輕易改變，所以可以選擇用減少特征參數(shù)的個數(shù)的方法進而縮短運行時間，達到提升分類模型效率的效果。針對WOA-SVM模型在核心算法運行時間較長的缺點，提出基于PCA-WOA-SVM的受水分脅迫程度檢測，在WOA-SVM模型基礎(chǔ)上通過主成分分析法進行降維，將11個特征值通過貢獻率的高低進行排序，選取貢獻率高于90%的主成分作為分類模型輸入向量，進而提高分類模型運行效率。記錄下來累積貢獻率大于90%時的特征值的序號。最后得到的結(jié)果是選取了3個主成分，分別為PC1、PC2和PC3，根據(jù)PC1、PC2和PC3的特征向量得到主成分數(shù)學模型。

PC1=

0.346 9×A₁+0.298 7×A₂+0.289 2×

A₃+0.317 4×A₄+0.343 6A₅+

0.353 3A₆+0.305 2A₇+0.229 3A₈+

0.153 1A₉+0.306 8A10+0.316 1A11

PC2=

0.106 7×A₁+0.219 8×A₂+0.244 4×A₃+0.255 8×A₄-0.237 0×A₅-0.154 4×A₆-0.297 4×A₇-0.519 6×A₈-0.485 2×A₉+0.263 1×A10+0.268 3×A11

PC3=

-0.121 7×A₁-0.471 9×A₂-0.463 2×A₃+0.136 1×A₄+0.139 3×A₅+0.042 4×A₆+0.328 9×A₇+0.092 6×A₈-0.493 9×A₉+0.321 2×A10+0.210 6×A11

F=

7.179 8×PC1+1.986 7×PC2+1.154 5×PC3+0.391 3×PC4+0.202 6×PC5+0.051 0×PC6+0.016 9×PC7+0.010 7×PC8+0.005 0×PC9+0.001 3×PC10+0.000 2×PC11

將PC1、PC2和PC3這三個特征指標作為輸入，受水分脅迫等級分類作為輸出，核函數(shù)選擇徑向基核函數(shù)，進行五折交叉驗證，設置初始種群規(guī)模為50，迭代次數(shù)為150，構(gòu)建PCA-WOA-SVM分類模型，分類結(jié)果如圖10、圖11所示。

將4種模型、2個生菜品種平均分類準確率進行比較，得到表1。

2.3.4"ET與受水分脅迫等級之間的關(guān)系

表2為不同受水分脅迫程度下的ET值，可以看出，生菜受水分脅迫程度與ET呈負相關(guān)。當生菜在T4、T5狀態(tài)時，處于萎蔫狀態(tài)，蒸騰作用小，光合作用變?nèi)酰趄v量變低；在T1狀態(tài)下，生菜水分充足蒸騰作用強，光合作用增強，蒸騰量變大。

3"結(jié)論

1） 鯨魚算法優(yōu)化支持向量機參數(shù)懲罰因子C、核函數(shù)參數(shù)σ，找到最優(yōu)解best C、best σ，使用徑向基RBF核函數(shù)和五折交叉驗證，使得檢測結(jié)果更為準確。從預測準確率上看，隨機森林模型對生菜耶羅和1901檢測準確率分別為94.76%、92.37%；支持向量機模型對生菜耶羅和1901檢測準確率分別為91.64%和85.35%，WOA-SVM模型對生菜耶羅和1901檢測準確率分別為98.77%和94.76%，PCA-WOA-SVM模型對生菜耶羅和1901檢測準確率分別為98.94%和95.71%，PCA-WOA-SVM準確率普遍高于SVM和RF模型，且對耶羅的檢測準確率高達98.94%，PCA-WOA-SVM更為精準、穩(wěn)定地檢測出生菜受水分脅迫程度。

2） "通過試驗得出的生菜受水分脅迫等級與ET之間的關(guān)系呈負相關(guān)，受水分脅迫程度越嚴重，ET值越小，說明試驗得出的生菜受水分脅迫等級可以用于生菜缺水程度檢測，能夠很好地反應土壤水分含量情況。

提出的PCA-WOA-SVM可以作為生菜受水分脅迫程度檢測模型。在此研究的基礎(chǔ)上通過對生菜生長階段受水分脅迫程度的檢測，根據(jù)受脅迫程度補充定量的水，可以及時、有效和精準地灌溉水，做到提高生菜品質(zhì)和節(jié)水的作用。

參"考"文"獻

［1］

張明宇， 楊晶， 安帥霖. 不同土壤水分含量對生菜生長特性的影響［J］. 安徽農(nóng)業(yè)科學， 2021， 49（5）： 59-61.

Zhang Mingyu， Yang Jing， An Suailin. Effects of different soil water content on lettuce growth characteristics ［J］. Journal of Anhui Agricultural Sciences， 2021， 49（5）： 59-61.

［2］

Franzoni G， Cocetta G， Ferrante A. Effect of glutamic acid foliar applications on lettuce under water stress ［J］. Physiology and Molecular Biology of Plants， 2021， 27（5）：1059-1072.

［3］

張智韜， 邊江， 韓文霆， 等. 剔除土壤背景的棉花水分脅迫無人機熱紅外遙感診斷［J］. 農(nóng)業(yè)機械學報， 2018， 49（10）： 250-260.

Zhang Zhitao， Bian Jiang， Han Wenting， et al. Diagnosis of cotton water stress using unmanned aerial vehicle thermal infrared remote sensing after removing soil background ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（10）： 250-260.

［4］

楊明欣， 高鵬， 陳文彬， 等. 基于機器學習的油青菜心水分脅迫研究［J］. 華南農(nóng)業(yè)大學學報， 2021， 42（5）： 117-126.

Yang Mingxin， Gao Peng， Chen Wenbin， et al. Research of brassica chinensis var. parachinensis under water stress based on machine learning ［J］. Journal of South China Agricultural University， 2021， 42（5）： 117-126.

［5］

毛罕平， 徐貴力， 李萍萍. 番茄缺素葉片的圖像特征提取和優(yōu)化選擇研究閉［J］. 農(nóng)業(yè)工程學報， 2003， 19（2）： 133-136.

Mao Hanping， Xu Guili， Li Pingping. Study on image feature extraction and optimization selection of tomato leaf lacking element ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2003， 19（2）： 133-136.

［6］

章云， 周竹， 周素茵. 基于混合特征與最小二乘支持向量機的山核桃鮮果識別［J］. 中南林業(yè)科技大學學報， 2016， 36（11）： 137-143.

Zhang Yun， Zhou Zhu， Zhou Suyin. Segmentation method for fresh hickory nut recognition based on mixed features and LS-SVM classifier ［J］. Journal of Central South University of Forestry amp; Technology， 2016， 36（11）： 137-143.

［7］

Karimi Y， Prasher S O， Patel R M， et al. Application of support vector machine technology for weed andnitrogen stress detection in corn ［J］. Computers and Electronics in Agriculture， 2006， 51（1-2）： 99-109.

［8］

田有文， 張長水， 李成華. 支持向量機在植物病斑形狀識別中的應用研究［J］. 農(nóng)業(yè)工程學報， 2004（3）： 134-136.

Tian Youwen， Zhang Changshui， Li Chenghua. Research on the application of SVM in the shape recognition of plant disease spot ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2004（3）： 134-136.

［9］

楊永民， 邱建秀， 蘇紅波， 等. 基于熱紅外的四種土壤含水量估算方法對比［J］. 紅外與毫米波學報， 2018， 37（4）： 459-467， 476.

Yang Yongmin， Qiu Jianxiu， Su Hongbo， et al. Estimation of surface soil moisture based on thermal remote sensing： Intercomparison of four methods ［J］. Journal of Infrared and Millimeter Waves， 2018， 37（4）： 459-467， 476.

［10］

Aubrecht D M， Helliker B R， Goulden M L， et al. Continuous， long-term， high-frequency thermal imaging of vegetation： Uncertainties and recommended best practices ［J］. Agricultural and Forest Meteorology， 2016， 228： 315-326.

［11］

Kim Y， Still C J， Roberts D A， et al. Thermal infrared imaging of conifer leaf temperatures： Comparison to thermocouple measurements and assessment of environmental influences ［J］. Agricultural and Forest Meteorology， 2018， 248： 361-371.

［12］

孫圣， 張勁松， 孟平， 等. 基于無人機熱紅外圖像的核桃園土壤水分預測模型建立與應用［J］. 農(nóng)業(yè)工程學報， 2018， 34（16）： 89-95.

Sun Sheng， Zhang Jinsong， Meng Ping， et al. Establishment and application of prediction model of soil water in walnut orchard based on unmanned aerial vehicle thermal infrared imagery ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（16）： 89-95.

［13］

鄧力元， 周浩宇， 毛凌青， 等. 基于無人機熱成像的作物冠層溫度測量系統(tǒng)［J］. 現(xiàn)代計算機， 2021（19）： 85-88， 93.

Deng Liyuan， Zhou Haoyu， Mao Lingqing， et al. Crop canopy temperature measurement system based on UAV thermal imaging ［J］. Modern Computer， 2021（19）： 85-88， 93.

［14］

姚志華， 陳俊英， 張智韜， 等. 基于無人機熱紅外遙感的冬小麥水分脅迫研究［J］. 節(jié)水灌溉， 2019（3）： 12-17.

Yao Zhihua， Chen Junying， Zhang Zhitao， et al. Winter wheat water stress research based on thermal infrared remote sensing of unmanned aerial vehicle ［J］. Water Saving Irrigation， 2019（3）： 12-17.

［15］

謝慧婷. 基于紅外熱成像技術(shù)的生菜缺水指標的研究［D］. 福州： 福建農(nóng)林大學， 2016.

Xie Huiting. Identification of lettuce water indicator using infrared thermography ［D］. Fuzhou： Fujian Agriculture and Forestry University， 2016.

［16］

朱文靜， 陳華， 李林， 等. 基于紅外熱成像邊緣檢測算法的小麥葉銹病分級研究［J］. 農(nóng)業(yè)機械學報， 2019， 50（4）： 36-41， 48.

Zhu Wenjing， Chen Hua， Li Lin， et al. Grading of wheat leaf rust based on edge detection ofInfrared thermal imaging ［J］. Transactions of the Chinese Society for Agricultural Machinery， "2019， 50（4）： 36-41， 48.

［17］

萬廣， 陳忠輝， 方洪波， 等. 基于特征融合的隨機森林模型茶鮮葉分類［J］. 華南農(nóng)業(yè)大學學報， 2021， 42（4）： 125-132.

Wan Guang，Chen Zhonghui， Fang Hongbo， et al. Classification of fresh tea leaf based on random forest model by feature fusion ［J］. Journal of South China Agricultural University， 2021， 42（4）： 125-132.

［18］

劉玲， 鄭建國. 一種基于隨機森林的組合分類算法設計與應用［J］. 電子設計工程， 2020， 28（16）： 54-57.

Liu Ling， Zheng Jianguo. Design and application of a combinatorial classification algorithm based on random forest ［J］. Electronic Design Engineering， 2020， 28（16）： 54-57.

［19］

Li D， Shi R， Yao N， et al. Real-time patient-specific ECG arrhythmia detection by quantum genetic algorithm of least squares twin SVM ［J］. Journal of Beijing Institute of Technology， 2020， 29（1）： 29-37.

［20］

魏鋒濤， 盧鳳儀. 融合核函數(shù)在改進徑向基代理模型中的應用［J］. 計算機工程與應用， 2019， 55（7）： 58-65.

Wei Fengtao， Lu Fengyi. Application of hybrid kernel function in improved radial basis function metamodel ［J］. Computer Engineering and Applications， 2019， 55（7）： 58-65.