土壤总规模分类机视觉应用外文翻译资料

土壤和耕作研究

土壤总规模分类机视觉应用

Fatemeh Rahimi Ajdadi^a, Yousef Abbaspour Gilandeh^a,*, Kaveh Mollazade^b,

Reza PR Hasanzadeh^c

摘要

耕作作业占机械化农业总能耗的一半以上。同时测量耕作质量，在操作过程中，将真实存在的可能性 耕作机具参数的时间调整。这种方法的发展将导致一个理想的犁与尽可能少的运行成本。在此基础上，本研究的目的是 开发利用图像处理提供耕作质量实时测量潜力的算法。摄影是在三相机的高度和覆盖九个不同的S 土壤团聚体表面。从耕种土壤图像的纹理信息提取的四种方法，包括图像的直方图的一阶统计，灰度共生矩阵；灰度钌 n长度矩阵与局部二元模式。一个数据挖掘的过程被CfsSubsetEval用于特征选择。随着19-19-1，14-22-1拓扑网络，并17-20-1神经元所代表的最 摄影高度为60，80，和100厘米，分别分类性能。最好的整体精度的人工神经网络分类器获得的图像的高度为60厘米（72.04%）。 结果表明，目前的方法估计平均重量直径高达约35毫米的最好的性能，精度超过80%。本研究中提出的技术是可行的 变速二次耕作机具的实施。

1. 介绍

土壤是农业生产的主要来源。为植物的建立、种子萌发、根系生长发育提供了培养基。土壤的物理和结构特性 生根和种子萌发的直接影响。从根本上，土壤的团粒结构是最不可取的因为它允许水渗透好，保持适当的水，增加空气帽 一个城市，有利于土壤改良，降低抗生根。

耕作操作的目的是提高土壤的耕性。Tilth是在有关其骨料粒径土的物理状态。集料尺寸合适造成良好的空气湿度比 O，因此，产生更好的产率。最理想的耕作条件是指在苗床骨料的大小是根据要求改变的种子。小创作 R聚集导致能量损失由于不必要的耕作以及额外的耕作，又增加了土壤压实的潜力。在另一方面，在较大的团聚体的情况下，将需要重新耕作操作。其结果是，如果操作员被通知在耕作过程中的聚集体的大小，他可以实现理想的TIL 通过调整如拖拉机前进速度和耕作深度参数大质量。认识到耕作作业消耗了农业生产能源消耗的一半以上 他的服务使生产成本低。

这是为了保持生产成本低。布朗尼克和Dexter（1989年，B）说明不同骨料粒径的效果的重要性，对植物的出苗和生长的苗床。评估问 一个耕作质量是由一定程度的土壤粉碎完成，在粗骨料粒径的定义（痕迹et al.，1976）。研究人员通常使用mwd1骨料为最 确定土壤粉碎程度的重要标准。目前，通过一组标准多筛筛分土壤是测量MWD指数的方法。在该方法中，筛 S排列在顶部，它们的大小从上到下逐渐减小。显然，这种方法的应用需要大量的采样大规模的耕作质量和耕。此外，一些因素，如在采样和运输到实验室，空气干燥和筛分的总故障可以产生的结果，偏离 从实际读数。静态测量是这种方法的另一个缺点，阻碍了“GO”应用程序。事实上，精确的农业方法和空间变异是不CON 考虑。然而，使用一个动态的方法，可能会导致使用的同时测量的“GO”机制，以改善土壤粉碎。此外，选择最佳播种条件 在土壤团聚体的最佳粒度分布。

一些研究小组试图开发新的方法，不限于筛分析的过程中。例如，奥尔森（1992）用直径为5毫米，采用卧式微型贯入仪 只有在探针尖端的力灵敏度。结果表明，直接检测单个骨料的大小是不可能的，通过这种方法。然而，它能够从中获得参数 确定骨料床整体粗糙度的渗透力信号。一些研究者已经提出的图像分析作为一种替代的费力的筛选方法对苗床 粗糙度。近年来，由于技术的进步，如数码相机，更高的分辨率，更快的处理器，数字图像采集和图像分析的应用迅速增加 改进的存储容量（阿特金森，2008）。

这种进步，有在农业研究的其他领域的图像处理的应用很多，但技术已在土块分析小程序，主要是因为 由于底物与土壤基质间存在极低的颜色变化，难以准确测定。此外，土壤的性质和重叠的聚集体使得它D 难以区分的聚集体和确定直径。图像处理的研究分为两大组：一组，在实验室中进行成像，和个人聚集 散布在whitebackground（坎贝尔，1979；sandrietal。，1998）。在另一组的研究的研究，成像在该领域中，而不消除重叠之间的聚集体。（Stafford和 mbler、1988、1990；bogrekci和戈德温，2007）。后一种方法突出了潜在的应用机器视觉变量变速耕作机.bogrekci和戈德温（2007）图像分析应用形态学方法估计土块尺寸分布。报告的结论是对比度增强技术有更高的精确度 与其他技术相比。此外，他们的方法获得的MWD的值是21%大于标准筛分方法。形态特征的基础上的方法的缺点之一是 突变导致MWD值高于实际由于小团聚体的遗漏。Itoh等人。（2008）开发了一种以岩石碎块为实验材料测量骨料粒径的算法，用多元函数表示骨料粒度与纹理特征之间的关系。 回归方程。应该注意的是，测量岩石碎片的大小不会产生诸如重叠和重叠这样的问题。

近年来，通过dem2图像块检测等领域的研究已进行了,这些图像采用立体摄影测量系统和每个像素的值代表的高度或者高度（Z坐标）（Chimi Chiadjeu等人，2014）。在立体摄影测量技术中，发展3 土块的三维仿真，同一地点的两摄影图像结合两相机寻找垂直于土壤（Taconet和ciarletti，2007）。每个像素点的高程计算 通过对图像分辨率的信息，摄影高度和控制点。DEM方法的主要缺点是，它不能被用于实时应用，如可变利率，直到 时代的机器。

根据文献，大多数的研究在确定土块大小用图像处理已经做了三年从1970到2000。随后，一直没有足够的稀土 搜索评估耕作质量，有潜力的实时应用。此外，文献回顾表明，在大多数以前的研究中，形态特征有 只用于土块尺寸分布的测定。然而，唯一识别的土块被卷入MWD计算小或重叠的聚集体被忽视。之间的重叠 EN相邻的聚集体造成较低的MWD值比实际值。

在本研究中，从土壤图像提取的统计纹理特征与土壤团聚体大小。这种方法是有利的，在土壤中的所有组件参与AG 总尺寸的确定。因此，本研究的目的之一是开发一种方法，使土壤耕作质量评估图像处理的基础上提取的纹理特征 土壤图像加上人工神经网络（ANN）分类器。另一个目标是找到最佳距离的相机从地面进行图像分析。

1. 材料与方法

2.1.场地土的制备

现场实验是在职业技术培训中心、教育领域做了桂兰省，拉什特市。该场地气候温和，年降雨量1359毫米。土壤 试验田的质地为粉质粘土。土壤质地分析结果见表1。准备测试现场的目的是实现九个不同的骨料粒度分布 高达约100毫米（MWD lt; 100毫米）。这一范围的总粒径分布是常见的农业应用，包括小学和中学耕作。为了达到这个目标，首先是谁 LE地区准备使用模具板犁的深度为35厘米。然后分为九个情节。图耕种以获得不同粒径rotivator九类 。九种不同的总大小提供了三种不同类型的参数相关的耕作操作，这些前进速度，覆盖位置和频率的耕作操作。四 前进速度，通过改变四前进齿轮从1到4在重型齿轮。电机转速设定为1500转。封面定位包括两个层次的封面定位（包括 向下和顶部）。所有类的耕作的土壤耕作频率曾经除了1类，其中由旋耕机进行耕作的两倍。

Table 1

Soil properties of the test site.

Table 2

Combination of different parameters used to obtain nine different clod sizes.

不同参数的组合，以获得九个不同的骨料尺寸表示表2。等级1和等9表示最好和粗骨料，分别。图1显示不同类型的耕作质量的样本图像。

九地块的准备后，他们离开两天让土壤土块干了。这种准备工作是为了方便筛选，以减少可能造成的错误 土块粘在一起。此后，每个地块的十个样品随机抽取筛分分析与平面筛的大小：1.58，3.18，6.35，19.05，38.1，88.9，44.45，63.5，和114 ，3毫米。往复运动的筛所提供的电动振动筛的振幅为2.2毫米为15分钟。MWD的土壤样品的计算如下：

当：

D:在一块直径毫米

x_i :各粒径的平均直径为毫米

图1。试验场地不同类别骨料粒度分布的观点。

Table 3

由标准筛（毫米）获得的每一类骨料尺寸的MWD。

您可能感兴趣的文章

• 一种改进的CANNY边缘检测算法外文翻译资料
• 基于强盜的蒙特卡罗规划外文翻译资料
• 第七章 时空索引外文翻译资料
• C#编程语言 第四版外文翻译资料
• 在非洲蓬勃发展的市场中与营销渠道和物流的竞争:一个在加纳的新外文翻译资料
• 使真正的用户浏览网站建设演变外文翻译资料
• 对于网店网站业务流程的内容管理系统的组件设计外文翻译资料
• 用于从生理信号识别情绪的机器学习模型外文翻译资料
• 基于卷积神经网络的手写数字识别的高效改进方案外文翻译资料
• 在线及离线手写汉字识别： 一个全面研究和新基准外文翻译资料