Spectral technology
Спектральное оборудование 
  +7 (495) 136-73-82
пн-пт 10:00-19:00
Заказать звонок
Москва, Ратная, 8а
Оборудование
  • Беспилотные летательные аппараты
    Беспилотные летательные аппараты
  • Гиперспектральные камеры
    Гиперспектральные камеры
  • ИК спектрометры
    ИК спектрометры
  • Мультиспектральные камеры
    Мультиспектральные камеры
  • Программное обеспечение
    Программное обеспечение
  • Тепловизионное оборудование
    Тепловизионное оборудование
  • Ультрафиолетовые камеры
    Ультрафиолетовые камеры
Применение
Информация
  • Новости
  • Статьи
Компания
  • О компании
  • История
  • Партнеры
Контакты
    Spectral technology
    Оборудование
    • Беспилотные летательные аппараты
      Беспилотные летательные аппараты
    • Гиперспектральные камеры
      Гиперспектральные камеры
    • ИК спектрометры
      ИК спектрометры
    • Мультиспектральные камеры
      Мультиспектральные камеры
    • Программное обеспечение
      Программное обеспечение
    • Тепловизионное оборудование
      Тепловизионное оборудование
    • Ультрафиолетовые камеры
      Ультрафиолетовые камеры
    Применение
    Информация
    • Новости
    • Статьи
    Компания
    • О компании
    • История
    • Партнеры
    Контакты
      Spectral technology
      • Оборудование
        • Назад
        • Оборудование
        • Беспилотные летательные аппараты
        • Гиперспектральные камеры
        • ИК спектрометры
        • Мультиспектральные камеры
        • Программное обеспечение
        • Тепловизионное оборудование
        • Ультрафиолетовые камеры
      • Применение
      • Информация
        • Назад
        • Информация
        • Новости
        • Статьи
      • Компания
        • Назад
        • Компания
        • О компании
        • История
        • Партнеры
      • Контакты

      Оценка урожайности на яблонях с использованием гиперспектральных камер

      • Главная
      • Информация
      • Статьи
      • Оценка урожайности на яблонях с использованием гиперспектральных камер
      Оценка урожайности на яблонях с использованием гиперспектральных камер

      В рамках исследовательского проекта BigApple были проведены гиперспектральные измерения на тестовых деревьях в саду KOB (Kompetenzzentrum Obstbau-Bodensee).

      Исследования проводились в Бавендорфе, недалеко от Боденского озера, на юге Германии. 

      Основное внимание в измерениях было уделено двум классам, а именно яблок и листьев. Данные спектральных измерений являются основой для определения физиологических параметров роста / плодов, которые учитываются в форме индексов при моделировании и анализе и предназначены для улучшения хранения яблок.

      По оценкам экспертов, самые важные сорта яблок в Германии несут потери в размере около 13% от их урожая до потребителя. В дополнение к нехватке этих продуктов питания это приводит к большой потере природных ресурсов и неэффективному использованию рабочей силы. Другими ключевыми факторами с точки зрения затрат и воздействия на окружающую среду являются высокое потребление энергии с высокими выбросами CO2 и потеря качества при хранении фруктов.

      Гиперспектральная съёмка яблок

      Гиперспектральное измерение проводилось в лаборатории в контролируемых условиях измерения. Кроме того, были проведены измерительные кампании в саду KOB. Для этих целей использовалась гиперспектральная камера S185 с диапазоном длин волн 450 - 950 нм.

      Таким образом, желаемые объекты могут быть измерены по всему квазинепрерывному спектру с использованием 125 каналов с шириной полосы 4 нм. На рисунке 1 показан пример измерительной установки с гиперспектральной камерой S185 и мобильной системой обработки данных в саду. Сбор, обработка и хранение данных осуществлялись с помощью собственного программного обеспечения Cubert Utils во время измерения.



      Рисунок 1: Гиперспектральная камера S185 и мобильная система обработки данных для сбора и хранения измерений.

      Автоматическое количественное определение яблок

      На основании измерений был проведен анализ спектральных характеристик искомых классов (рис. 2) и индивидуальные различия между спектральными кривыми классов. Ручная количественная оценка этих различий не подходит из-за высокой плотности информации гиперспектральных измерений.

      Поэтому в рамках проекта для анализа данных были использованы несколько установленных контролируемых методов классификации (например, k-Nearest-Neighbor, Машина опорных векторов, Случайный лес, Нейронные сети) и их комбинации.

      Используя обширные данные обучения, полученные из измерений, можно было автоматически определить желаемые классы.

      Результаты классификаций показывают хорошее визуальное согласие по сравнению с панхроматическим изображением (Рисунок 3). Количественная оценка результата классификации для найденных объектов была выполнена по общей точности (OA), точности производителя (PA) и точности пользователя (UA). На рисунке 4 показана матрица путаницы и связанная с ней точность отдельных классов. Из-за путаницы между зеленым яблоком и зеленым листом UA составляет 75,2%. Точность для других классов составляет от 93,4% до 97,1%. Также общая точность показывает высокое значение 93,5%, что указывает на очень хороший результат классификации.


      Рисунок 2: Выбранные образцы для классов в примере измерения в KOB. Соответствующие спектральные / отражательные кривые для соответствующих классов. (яблоко = красный, лист = синий, фон: ствол дерева = зеленый, фон: черный материал = розовый)


      Рисунок 3: Панхроматическое изображение (слева) и пример классификации измерения на 01.08.2018. (яблоко = светло-зеленый, лист = темно-зеленый, фон: ствол дерева = фиолетовый, фон: черный материал = коричневый)


      Рисунок 4: Матрица смешения для k-ближайшего соседа с точностью производителя (PA), пользовательской точностью (UA), общей точностью (OA).

      Вывод по спектральной съёмке яблок

      На основании результатов классификации могут быть созданы различные параметры роста / плодов. В качестве примера, здесь указано соотношение листьев и плодов. Этот параметр предназначен для предоставления информации об урожае яблонь, который ранее определялся ручным или деструктивным методом. На основании этих результатов и измерений, проведенных в разное время роста, можно определить средние значения роста плодов.

      В рамках проекта можно было успешно провести классификацию яблок и листьев с помощью гиперспектральной камеры. Кроме того, различные параметры / индексы могут быть определены из классификации, которые используются для оценки оптимального хранения яблок.
      Источник: cubert-gmbh.com


      • Комментарии
      Загрузка комментариев...

      Назад к списку Следующая статья
      Широкий выбор
      Широкий выбор Больщшой ассортимент
      и оптимальные цены
      Обучение использованию
      Обучение использованию При покупке также проводится инструктаж по эксплуатации
      Компания
      О компании
      История
      Партнеры
      Каталог
      Беспилотные летательные аппараты
      Гиперспектральные камеры
      ИК спектрометры
      Мультиспектральные камеры
      Программное обеспечение
      Тепловизионное оборудование
      Ультрафиолетовые камеры
      Применение
      Сельское хозяйство
      Лесное хоязйство
      Горная промышленность
      Наши контакты

        +7 (495) 136-73-82
      пн-пт 10:00-19:00
      Москва, Ратная, 8а
      info@spectraltechnology.ru
      © 2020