近紅外光譜和機(jī)器視覺(jué)信息融合的土壤含水率檢測(cè)

1、第 25卷 第 8期 農(nóng) 業(yè) 工 程 學(xué) 報(bào) V ol.25 No.8 14 2009年 8月 Transactions of the CSAE Aug. 2009 近紅外光譜和機(jī)器視覺(jué)信息融合的土壤含水率檢測(cè)肖 武 1,李小昱 1 ,李培武 2,馮耀澤 1,王 為 1,張 軍 1(1.華中農(nóng)業(yè)大學(xué)工程技術(shù)學(xué)院,武漢 430070; 2.中國(guó)農(nóng)業(yè)科學(xué)院武漢油料作物研究所,武漢 430062摘 要:為了精確、快速和穩(wěn)定測(cè)定土壤含水率以及擴(kuò)大所建模型的適應(yīng)性,該文提出了機(jī)器視覺(jué)與近紅外光譜技術(shù)融 合的土壤含水率分析方法。通過(guò)試驗(yàn)建立了湖北地區(qū)主要土壤基于近紅外光譜的土壤含水率分析模型、基于土壤表層

2、圖 像特征參數(shù)的含水率分析模型和機(jī)器視覺(jué)與近紅外光譜信息融合的土壤含水率分析模型。結(jié)果表明,基于近紅外光譜含 水率分析模型雖然具有較高的精度,但該模型預(yù)測(cè)非建模樣品黃綿土誤差均大于 4%;以圖像特征參數(shù) H , S 和 V 所建 BP 人工神經(jīng)網(wǎng)絡(luò)非線性預(yù)測(cè)模型最優(yōu),模型的決定系數(shù) R 2為 0.9849,但當(dāng)土壤水分飽和(達(dá)到 20%以上時(shí)存在分析 誤差;而所建立的土壤的近紅外光譜與機(jī)器視覺(jué) BP 神經(jīng)網(wǎng)絡(luò)信息融合模型可預(yù)測(cè)非建模樣品黃綿土與水分飽和達(dá) 20%以上土壤,決定系數(shù) R 2可達(dá)到 0.9961,融合模型分析精度均高于單獨(dú)使用近紅外光譜或機(jī)器視覺(jué)分析模型。關(guān)鍵詞:土壤含水率,信息融

3、合,近紅外光譜,機(jī)器視覺(jué), BP 神經(jīng)網(wǎng)絡(luò)doi :10.3969/j.issn.1002-6819.2009.08.003中圖分類(lèi)號(hào):S151.9 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1002-6819(2009-8-0014-04肖 武,李小昱,李培武,等. 近紅外光譜和機(jī)器視覺(jué)信息融合的土壤含水率檢測(cè)J. 農(nóng)業(yè)工程學(xué)報(bào),2009,25(8: 14-17.Xiao Wu, Li Xiaoyu, Li Peiwu, et al. Soil moisture detection based on data fusion between near-infrared spectroscopy and mac

4、hine visionJ. Transactions of the CSAE, 2009,25(8:14-17.(in Chinese with English abstract0 引 言土壤含水率是土壤的最重要的參數(shù)之一,也是反映 土地質(zhì)量的一個(gè)重要指標(biāo) 1-2?；诠庾V技術(shù)的土壤含水 率測(cè)量有著良好的發(fā)展 3-10。 Abdul Mouazen Mouazen等 在實(shí)驗(yàn)室用 306.51 710.9 nm范圍內(nèi)的波長(zhǎng)測(cè)量土壤含 水率為 0.5%26%的土壤,發(fā)現(xiàn)光譜在波長(zhǎng)為 1 450 nm時(shí)有較強(qiáng)的吸收,在 1 3661 670 nm采用偏最小二乘法 (PLS 建立的光譜土壤含水率的定量

5、模型相關(guān)系數(shù)為 0.98211。但由于土壤樣品的表面質(zhì)地等會(huì)因?yàn)橥寥李?lèi)型 不同而變化,光譜分析過(guò)程中,土壤樣品的質(zhì)地、顏色、 堅(jiān)實(shí)度以及采樣狀態(tài)等都會(huì)影響反射光譜,從而造成原 有模型對(duì)新樣品不適應(yīng) 12。機(jī)器視覺(jué)獲取土壤表層顏色信息可以進(jìn)行土壤含水 率的預(yù)測(cè) 13,張榮標(biāo)建立了土壤表層圖像的灰度值與土 壤含水率之間的近似線性關(guān)系,模型分析精度<5%14。 Persson 利用機(jī)器視覺(jué)技術(shù)對(duì)土壤含水率進(jìn)行分析,得出 一種基于圖像 HSV 空間的精度較高土壤含水率分析模 型,但分析其他類(lèi)型土壤時(shí)精度不高 15。多傳感器信息融合是充分利用多種傳感器信息資源收稿日期:2008-04-24 修訂日

6、期:2009-06-30項(xiàng)目基金:黃土高原土壤侵蝕與旱地農(nóng)業(yè)國(guó)家重點(diǎn)實(shí)驗(yàn)室基金 (10501-166 作者簡(jiǎn)介:肖 武(1984- ,男,湖北孝感人,研究方向:智能化檢測(cè)技 術(shù)。 武漢 華中農(nóng)業(yè)大學(xué)工程技術(shù)學(xué)院, 430070。 Email: john1984cn 通信作者:李小昱,女,教授,博士生導(dǎo)師,中國(guó)農(nóng)業(yè)工程學(xué)會(huì)高級(jí)會(huì)員 (E041200068S ,研究方向:智能化檢測(cè)技術(shù)。武漢 華中農(nóng)業(yè)大學(xué)工程 技術(shù)學(xué)院, 430070。 Email: lixiaoyu王 為,中國(guó)農(nóng)業(yè)工程學(xué)會(huì)高級(jí)會(huì)員(E041200139S 描述同一對(duì)象不同品質(zhì)特征的技術(shù) 16-17。本文以湖北地 區(qū)稻田土、黃棕壤

7、以及潮土和黃土高原的黃綿土為研究 對(duì)象,分別建立了基于機(jī)器視覺(jué)的土壤含水率分析模型 和基于近紅外光譜土壤含水率的分析模型。不同類(lèi)型土壤近紅外光譜的較大差異影響分析結(jié)果 的精度,而表征土壤顏色信息的圖像特征參數(shù)與含水率 之間具有較好的相關(guān)性,但其適應(yīng)性較差,存在局限性。 故可建立基于近紅外光譜和機(jī)器視覺(jué)信息融合的土壤含 水率分析模型,以解決因土壤類(lèi)型和土壤樣品狀態(tài)不同 而造成的模型適應(yīng)性差的問(wèn)題。1 材料與方法1.1 材料試驗(yàn)土壤樣品為湖北地區(qū)主要土壤稻田土、黃棕壤 以及潮土和黃土高原的黃綿土。樣品經(jīng)風(fēng)干、去雜、粉 碎、過(guò)篩(2 mm等處理后進(jìn)行土壤含水率配比(根據(jù) 不同土壤田間持水量的最大限值

8、,將土壤含水率配比為 5%、 10%、 15%、 25%、 35%等 5個(gè)水平 。1.2 試驗(yàn)裝置樣品圖像采集選用德國(guó) Baseler scA1390-17fc真彩攝 像頭和 M1214-MP 百萬(wàn)像素固定焦距鏡頭,通過(guò)采集卡 Meteor2-1394將圖像傳輸?shù)接?jì)算機(jī)。光譜采集采用德國(guó) BRUKER FT-2 NIR近紅外光譜儀(VECTOR33型 ,掃描 范圍為 10 0004 000 cm-1,鍍金漫反射體作背景,分辨 率為 8 cm-1,掃描次數(shù)為 64。樣品采用上海蘇進(jìn)儀器設(shè)備 廠的 HN101-2A 數(shù)顯電熱鼓風(fēng)干燥箱烘干水分。1.3 方法樣品圖像采集由自行研制的圖像采集系統(tǒng)完成,

9、采第 8期 肖 武等:近紅外光譜和機(jī)器視覺(jué)信息融合的土壤含水率檢測(cè) 15集系統(tǒng)由攝像頭、光箱、光源和采集程序組成。樣品近 紅外光譜采集在儀器預(yù)熱 20 min后進(jìn)行。 掃描時(shí) (室溫 , 使用旋轉(zhuǎn)樣品器以保證樣品掃描漫反射光譜均勻性。土 壤含水率按國(guó)標(biāo) GB7172-1987烘干法測(cè)定 。 1.4 試驗(yàn)設(shè)計(jì) 試驗(yàn)分為兩部分。第 1部分中分別建立土壤的近紅 外和機(jī)器視覺(jué)含水率預(yù)測(cè)模型。 (1梯度安排 3種粉碎 過(guò)篩稻田土、黃棕壤以及潮土樣品的含水率,其范圍為 2.85%34.85%, 3種土壤各取 51個(gè)樣品, 該組樣品用于 建立近紅外光譜土壤含水率預(yù)測(cè)模型。 (2對(duì)粉碎過(guò)篩 的黃棕壤、稻田土、

10、潮土和黃綿土 4種土壤配水,含水 率范圍 3.14%29.6%,然后進(jìn)行土壤樣品圖像采集,試 驗(yàn)共收集樣品 80個(gè),該組試驗(yàn)用于土壤水分與圖像參數(shù) 的相關(guān)性研究并建立預(yù)測(cè)模型。第 2部分研究基于近紅 外光譜與圖像參數(shù)融合的土壤含水率預(yù)測(cè)方法。選取粉 碎過(guò)篩后的黃綿土樣品 50個(gè),對(duì)樣品圖像信息和近紅外 光譜信息進(jìn)行平行采集試驗(yàn)。2 結(jié)果與分析 2.1 基于近紅外光譜的土壤含水率定量分析剔除 10個(gè)異常樣品后, 確定建模集樣品 92個(gè), 驗(yàn)證 集樣品 53個(gè)。采用儀器配備的 OPUS10.0分析軟件分析 不同預(yù)處理方法所建立分析模型的結(jié)果。試驗(yàn)結(jié)果表明,采用一階導(dǎo) +矢量歸一化預(yù)處理后建立的 P

11、LS 定量校正模 型 最 優(yōu) , 建 立 模 型 的 光 譜 波 數(shù) 范 圍 為 5 777.7 5 449.8 cm-1和 4 601.34 246.5 cm-1。模型預(yù)測(cè)值與標(biāo)準(zhǔn) 值的決定系數(shù)以及模型預(yù)測(cè)決定系數(shù) R 2分別為 0.9946和 0.9919,交叉驗(yàn)證預(yù)測(cè)均方差為 0.801%,預(yù)測(cè)均方差為 0.912%,測(cè)量值與預(yù)測(cè)值相關(guān)圖如圖 1所示。 圖 1 土壤含水率定量分析模型標(biāo)準(zhǔn)值與預(yù)測(cè)值關(guān)系圖 Fig.1 Calibration and prediction values of soil water content為驗(yàn)證近紅外光譜模型的適應(yīng)性, 使用模型對(duì)非建模 樣品黃綿土樣品

12、的含水率進(jìn)行預(yù)測(cè),預(yù)測(cè)值與測(cè)量值之 間誤差均大于 4%, 表明該模型對(duì)于黃綿土含水率預(yù)測(cè)的 適應(yīng)性較差,需要進(jìn)一步研究。2.2 基于機(jī)器視覺(jué)的土壤含水率定量分析 2.2.1 土壤圖像信息的特征提取表層光照下, 土壤表層圖像的特征有 RGB 空間、 HSV 空間以及 La*b*空間。對(duì)土壤圖像進(jìn)行中值濾波 10,用 Matlab 編寫(xiě)程序提取所有圖像的 R 、 G 、 B 均值,然后進(jìn)行空間轉(zhuǎn)換,計(jì)算出 H 、 S 、 V 、 L 、 a *以及 b *。2.2.2 土壤圖像特征參數(shù) BP 神經(jīng)網(wǎng)絡(luò)含水率分析模型以稻田土、黃棕壤、潮土以及黃綿土為研究對(duì)象, 每種土壤選取不同含水率樣品 20個(gè),共

13、收集樣品 80個(gè)。 提取 80個(gè)土壤樣品的圖像特征參數(shù),以 RGB 、 HSV 、 La*b* 3種空間下各自的 3個(gè)特征參數(shù)為 BP 神經(jīng)網(wǎng)絡(luò)輸 入,以烘干法測(cè)量的含水率作為網(wǎng)絡(luò)輸出,建立了土壤 含水率的預(yù)測(cè)模型。試驗(yàn)結(jié)果表明,采用圖像特征參數(shù) 的土壤含水率 BP 神經(jīng)網(wǎng)絡(luò)非線性預(yù)測(cè)模型的決定系數(shù) R 2都在 0.9以上,其中以 H , S 和 V 所建預(yù)測(cè)模型最優(yōu),最優(yōu)的隱含層為 10時(shí), 模型的決定系數(shù) R 2為 0.9848,回 歸曲線如圖 2所示。模型應(yīng)用結(jié)果表明,運(yùn)用機(jī)器視覺(jué)技術(shù)能較精確分析一定范圍內(nèi)的土壤含水率。圖 2 輸入為 HSV 的 BP 神經(jīng)網(wǎng)絡(luò)含水率預(yù)測(cè)圖 Fig.2

14、Soil moisture forecast using back propagation-artificialneural network(BP-ANN with input of hue-saturation-value(HSV但模型對(duì)土壤含水率的適應(yīng)度有限, 當(dāng)土壤含水率增加到一定程度后,圖像參數(shù)變化規(guī)律將會(huì)改變 11。 由試驗(yàn)可知,當(dāng)黃棕壤、稻田土和潮土含水率>30%, 黃綿土含水率>20%時(shí),將產(chǎn)生不同程度的表面光反射, 從而影響采集圖像的精度。 以黃綿土為例, 水分低時(shí),當(dāng)含水率增加土壤圖像會(huì)變暗(R 、 G 、 B 值減小 , 但是含水率>20%時(shí)會(huì)產(chǎn)生光線反射

15、造成圖像特征參 數(shù) R 、 G 、 B 變化規(guī)律的改變,使之產(chǎn)生一定的誤差。 2.3 基于近紅外光譜與機(jī)器視覺(jué)信息融合的土壤含水 率定量分析不同土壤的顏色差異影響近紅外光譜分析結(jié)果,運(yùn) 用機(jī)器視覺(jué)檢測(cè)土壤飽和含水率存在誤差。因此,可以 采用多傳感器信息融合方法,將機(jī)器視覺(jué)技術(shù)和近紅外 光譜技術(shù)融合,以解決因土壤類(lèi)型和樣品狀態(tài)差異而造 成的模型適應(yīng)性差的問(wèn)題。信息融合是將數(shù)據(jù)空間在一定的約束條件下以非 線性的形式映射到命令空間, 而神經(jīng)網(wǎng)絡(luò)固有的并行結(jié) 構(gòu)和學(xué)習(xí)方式非常適用于多傳感器信息融合。 鑒于圖像 數(shù)據(jù)與近紅外數(shù)據(jù)的結(jié)構(gòu)特點(diǎn), 選擇在特征層進(jìn)行信息 融合。 而所謂特征層融合是對(duì)各傳感器原始

16、信息的特征 信息進(jìn)行分析與綜合并得出相應(yīng)結(jié)論。該研究選用具有 3層結(jié)構(gòu)的 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行特 征 層 數(shù) 據(jù) 融 合 。 以 近 紅 外 光 譜 土 壤 水 分 特 征 波 長(zhǎng) 1 940 nm和 2 210 nm處吸光度以及圖像特征參數(shù) H 、 S 、 V 作為網(wǎng)絡(luò)的 5個(gè)輸入,以實(shí)測(cè)含水率作為輸出,16農(nóng)業(yè)工程學(xué)報(bào) 2009年隱含層節(jié)點(diǎn)數(shù)為 10, 傳遞函數(shù)選擇雙曲正切 S 型傳遞函數(shù) tansig , 期望誤差小于 0.001。 50個(gè)黃綿土樣品中隨機(jī)選取 37個(gè)作為建模集, 其余樣本組成驗(yàn)證集。 結(jié)果如圖 3所示,建立的信息融合模型的決定系數(shù) R 2達(dá)到 0.9961,較單獨(dú)用機(jī)器視

17、覺(jué)和近紅外光譜都有明 顯提高。 圖 3 融合模型含水率實(shí)測(cè)值與預(yù)測(cè)值之間的相關(guān)曲線Fig.3 Correlation curve between measured values and predictedvalues by fusion analysis model表 1 信息融合法與近紅外光譜及機(jī)器視覺(jué)分析結(jié)果對(duì)比Table 1 Result comparison of data fusion method and nearinfrared spectroscopy and machine vision analysis融合算法測(cè)量 含水率 /% 土壤機(jī)器視覺(jué)含水率 /%土壤近紅外光譜 含水

18、率 /%樣品 編號(hào) 測(cè)量值/%分析值 誤差 分析值 誤差 分析值 誤差1 4.14 4.27 -0.14 4.5 -0.36 5.56 -1.422 11.33 11.85 -0.52 11.51 -0.18 15.97 -4.643 11.75 11.92 -0.17 13.38 -1.63 14.46 -2.714 12.44 11.80 0.64 11.50 0.94 15.20 -2.765 13.13 13.51 -0.37 11.03 2.10 18.50 -5.376 14.04 13.42 0.62 14.65 -0.61 16.88 -2.847 16.15 16.28 -0

19、.13 17.30 -1.15 19.35 -3.208 17.27 17.62 -0.35 16.50 0.77 20.87 -3.609 17.79 18.54 -0.75 17.10 0.69 23.09 -5.30 10 18.39 18.57 -0.17 19.61 -1.22 21.85 -3.46 11 20.16 19.66 0.50 20.56 -0.40 23.52 -3.36 12 20.83 20.07 0.76 19.24 1.59 22.86 -2.03 13 21.38 21.12 0.26 22.30 -0.92 24.03 -2.65使用融合模型對(duì) 13個(gè)驗(yàn)證

20、樣品進(jìn)行分析,得出模型 分析含水率值如表 1, 可知融合模型的分析誤差較單獨(dú)運(yùn) 用近紅外光譜與機(jī)器視覺(jué)小。其中,近紅外光譜分析模 型的誤差為 1.42%5.37%,機(jī)器視覺(jué)分析的誤差為 0.18%2.10%,而融合模型的絕對(duì)誤差僅為 0.13% 0.76%,大大提高了利用模型的測(cè)量精度。3 結(jié) 論該文在分析了單獨(dú)的近紅外光譜與機(jī)器視覺(jué)的土壤 含水率分析模型缺陷的基礎(chǔ)上,提出近紅外光譜與機(jī)器 視覺(jué)信息融合的土壤含水率分析模型。1以稻田土、黃棕壤以及潮土土壤樣品吸收光譜建 立的含水率定量分析模型具有較高的精度。但模型對(duì)非 建模的黃綿土樣品進(jìn)行預(yù)測(cè),預(yù)測(cè)值與測(cè)量值之間有較 大誤差,表明其對(duì)土壤種類(lèi)的

21、適應(yīng)性較差。2以稻田土、黃棕壤、潮土以及黃綿土土壤樣品為 對(duì)象, 以土壤的表層圖像特征參數(shù)建立了 BP 神經(jīng)網(wǎng)絡(luò)含 水率非線性分析模型, 結(jié)果表明以 H , S 和 V 為特征參數(shù) 的網(wǎng)絡(luò)模型較好,預(yù)測(cè)值與測(cè)量值的決定系數(shù) R 2為 0.9848,但含水率較高(>20%時(shí),誤差較大。3融合二者的技術(shù)優(yōu)勢(shì),利用 2種信息融合所建立 的 BP 融合模型分析值與標(biāo)準(zhǔn)值之間的決定系數(shù) R 2達(dá)到 0.9961, 其測(cè)量精度較單獨(dú)的機(jī)器視覺(jué)和近紅外光譜建立 的檢測(cè)模型有明顯提高。參 考 文 獻(xiàn)1肖武,李小昱,李培武,等.基于近紅外光譜土壤水分檢 測(cè)模型的適應(yīng)性 J. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 2

22、5(3:33-36. Xiao Wu, Li Xiaoyu, Li Peiwu, et al. Adaptability of the model for soil moisture measurement based on near-infrared spectroscopyJ. Transactions of the CSAE, 2009, 25(3: 33-36. (in Chinese with English abstract2何緒生. 近紅外反射光譜分析在土壤肥料學(xué)的應(yīng)用及發(fā)展 方向 J.土壤通報(bào), 2004, 35(4:487-492.He Xusheng. Applicatio

23、n of near infrared reflectance spectroscopy to soil and fertilizer and its directionsJ. Chinese Journal of Soil Science, 2004, 35(4:487-492. (in Chinese with English abstract3宋韜, 鮑一丹,何勇.利用光譜數(shù)據(jù)快速檢測(cè)土壤含水 量的方法研究 J.光譜學(xué)與光譜分析, 2009, 29(3:675 -677.Song Tao, Bao Yidan, He Yong. Research on the Method for Rap

24、id Detection of soil moisture content using spectral dataJ. Spectroscopy and Spectral Analysis, 2009, 29(3: 675-677. (in Chinese with English abstract4趙鎖勞,彭玉魁.我國(guó)黃土區(qū)土壤水分、有機(jī)質(zhì)和總氮的 近紅外光譜分析 J.分析化學(xué), 2002, 30(8:978-980. Zhao Suolao, Peng Yukui. Analysis of soil moisture, organic matter and total nitrogen i

25、n Loess in China with near infrared spectroscopyJ. Chinese Journal of Analytical Chemistry, 2002, 30(8:978-980. (in Chinese with English abstract 5Whiting M L, Li L, Ustin S L. Predicting water content using Gaussian model on soil spectraJ. Remote Sensing of Environment , 2004, 89(4:535-552.6Bullock

26、 P R, Li X, Leonardi L. Near-infrared spectroscopy for soil water determination in small soil volumesJ. Canadian Journal of Soil Science, 2004, 84(3:333-338. 7Slaughter D C, Pelletier M G, Upadhyaya S K. Sensing soil moisture using NIR spectroscopy J. Applied Engineering in Agriculture , 2001, 17(2:

27、241-247.8孫建英,李民贊,鄭立華,等.基于近紅外光譜的北方潮 土土壤參數(shù)實(shí)時(shí)分析 J. 光譜學(xué)與光譜分析, 2006, 26(3: 426-429.Sun Jianying, Li Minzan, Zheng Lihua, et al.Real-time analysis of soil moisture, soil organic matter, and soil total nitrogen with NIR spectraJ. Spectroscopy and Spectral Analysis , 2006, 26(3:426-429. (in Chinese with Eng

28、lish abstract9李民贊.基于可見(jiàn)光光譜分析的土壤參數(shù)分析 J.農(nóng)業(yè)工 程學(xué)報(bào), 2003, 19(5:36-41.第 8期 肖 武等:近紅外光譜和機(jī)器視覺(jué)信息融合的土壤含水率檢測(cè) 17Li Minzan. Evaluating soil parameters with visible spectroscopyJ. Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(5:36-41. (in Chinese with English abstract10Mouazen A M, Karou

29、i R, De Baerdemaeker J, et al. Characterization of soil water content using measured visible and near infrared spectraJ. Soil Science Society of American Journal, 2006, 70(4:1295-1302.11Mouazen A M, Malaki M R, De Baerdemaeker J, et al. Primary results on on-line measurement of some selected soil pr

30、operties using a VIS-NIR sensorJ. Soil Management for Sustainability , 2006, 38:215-222.12鮑一丹,何勇,方慧,等.土壤的光譜特征及氮含量的預(yù) 測(cè)研究 J.光譜學(xué)與光譜分析, 2007, 27(1:62-65. Bao Yidan, He Yong, Fang Hui, et al. Spectral characterization and N content prediction of soil with different particle size and moisture contentJ. Sp

31、ectroscopy and Spectral Analysis, 2007, 27(1:62-65. (in Chinese with English abstract13Zheng Lihua, Li Mingzan, Sun Jianying, et al. Estimating soil moisture based on image processing technologiesC/ Applications of Digital Image Processing XXVIII. San Diego :Proceedings of SPIE, 2005(5909:548-555. 1

32、4張榮標(biāo),何加祥,吳濤,等.基于圖像處理的土壤表層含 水率在線檢測(cè)方法研究 J. 農(nóng)業(yè)工程學(xué)報(bào), 2007, 23 (10: 57-61.Zhang Rongbiao, He Jiaxiang, Wu Tao, et al. Methods for on-line measurement of soil moisture content based on image processing techniqueJ. Transactions of the Chinese Society of Agricultural Engineering, 2007, 23(10:57-61. (in Chin

33、ese with English abstract15Persson M. Estimating surface soil moisture from soil color using image analysisJ. Vadose Zone Journal, 2005, 4(4: 1119-1122.16陳全勝,趙杰文,蔡健榮,等.基于近紅外光譜和機(jī)器視 覺(jué)的多信息融合技術(shù)評(píng)判茶葉品質(zhì) J.農(nóng)業(yè)工程學(xué)報(bào), 2008, 24(3:5-10.Chen Quansheng, Zhao Jiewen, Cai Jianrong, et al. Inspection of tea quality by

34、 using multi-sensor information fusion based on NIR spectroscopy and machine visionJ. Transactions of the Chinese Society of Agricultural Engineering , 2008, 24(3:5-10. (in Chinese with English abstract17李小昱,王為,雷廷武,等.多傳感器信息融合技術(shù)及在 農(nóng)業(yè)工程中的應(yīng)用前景 J.農(nóng)業(yè)工程學(xué)報(bào), 2003, 19(3: 10-13.Li Xiaoyu, Wang Wei, Lei Tingwu

35、, et al. Prospects of the application of multisensor information fusion techniques in agricultural engineeringJ. Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(3:10-13. (in Chinese with English abstractSoil moisture detection based on data fusion between near-infrared spec

36、troscopy and machine visionXiao Wu1, Li Xiaoyu1 , Li Peiwu2, Feng Yaoze1, Wang Wei1, Zhang Jun1(1. College of Engineering and Technology, Huazhong Agricultural University, Wuhan 430070, China ;2. Oil Crops Research Institute, Chinese Academy of Agricultural Sciences,Wuhan 430070, China Abstract: The aim was to find out a way to accurately, rapidly and stably measure soil moisture and extend the model adaptation. Data fusion technology of machine vision (MV and near-infrared spectroscopy (NIRS