基于分数阶微分和最优光谱指数的大豆叶面积指数估算

高光谱遥感技术可对作物生长状况进行无损、高效地监测，是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象，对原始开花期大豆高光谱反射率数据进行0～2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明：0～2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率，分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性；相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为：TVI(687 nm, 754 nm)、DI(687 n...     

基于RED-NIR的主动光源叶绿素含量检测装置设计与试验

为了无损和高效地检测作物叶绿素含量,设计了一种采用主动光源的双波长便携式叶绿素含量检测装置,获取作物在红色范围660 nm附近的光谱深吸收和近红外850 nm附近的光谱强反射特征。采集作物叶片的反射光信号,经转换、调制和放大后,利用灰度标准板拟合反射率,660 nm和850 nm拟合的校正模型R~2分别为0. 993、0. 979。光源稳定性与抗干扰性测试结果显示,660 nm和850 nm光源的稳定性均方差分别为0. 007 9和0. 004 4,误差率分别为2. 378%和1. 223%;抗干扰性的均方差分别为0. 009 9和0. 018 7,误差率分别为2. 000%和4. 360%。通过叶绿素浸提溶液配比,设计了叶绿素梯度与双波长反射率的相关性试验,结果显示,660 nm和850 nm与叶绿素浓度相关系数分别为-0. 919和0. 272。660 nm附近叶绿素对光谱有深吸收的特征,将其作为主要测试波长;850 nm附近是叶片结构和以环境光学响应为主,反射光与叶绿素相关性不强,将其作为检测的参比波长。以田间玉米苗期植株为试验对象,利用双波长采集作物反射率,计算归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)和土壤调整型植被指数(SAVI),其与SPAD仪器测量值的相关系数r分别为0. 892、0. 846、0. 867、0. 883。基于NDVI、DVI、RVI和SAVI建立SPAD多元线性回归模型,其决定系数R~2为0. 831。利用该装置提供的模型嵌入功能导入诊断模型可直接输出叶绿素诊断结果,为作物叶绿素含量快速检测提供支持。     

小麦氮素无损监测仪敏感波长的最佳波段宽度研究

为研究不同核心波长时波段宽度对小麦冠层叶片氮素营养监测精度的影响,以作物氮素营养无损监测仪的最佳光谱指数NDSI(R860,R720)和RSI(R990,R720)为例,分析核心波长的反射率、光谱指数及基于光谱指数的冠层叶片氮积累量监测模型随波段宽度的变化规律.结果显示,随波段宽度的增加,核心波长为720 nm时反射率...     

大豆叶片氮素含量检测装置的研究

根据大豆叶片氮素含量光谱检测技术研究结果,设计了具有4个通道、两种检测模式的便携式检测装置,分别采用540nm波段冠层反射率和比值植被指数RVI检测大豆开花前期和结荚前期叶片氮素含量.该装置由敏感波段光电传感器、信号放大电路、A/D转换器和单片机系统构成.单片机系统内建立了敏感波段冠层反射率及相关植被指数与大豆氮素含量的反演模型,可直接根据冠层反射率反演出大豆叶片氮素含量,也可通过串口通讯将反射率数据传给上位机进行进一步的处理.经田间试验验证,该仪器具有质量轻、价格低、操作简便和检测精度可行等优点,可以为大豆氮肥合理施用提供指导.     

基于特征波长优化的便携式作物叶绿素检测仪研究

为了满足田间作物长势快速检测与指导变量管理的需求,基于作物叶绿素光谱响应特征波长筛选与优化,开发了一款便携式作物叶绿素检测仪。首先,采用高光谱仪采集玉米冠层325～1 075 nm反射光谱,并采样萃取叶片叶绿素含量真值,开展叶绿素敏感响应波长筛选。经蒙特卡洛无信息变量消除(MC-UVE)算法在10～100个特征波长范围内进行变量筛选,表明采用50个特征波长时具有最优的叶绿素含量检测能力。其次,选择AS7265x型光谱传感器,以半峰宽20 nm的12个区间覆盖筛选的50个波长,设计的叶绿素检测仪包括传感器、主控制器、显示和控制等模块,实现作物冠层反射光数据采集、处理、显示和存储功能。开展传感器反射率标定与田间应用测试,基于传感器获取的反射率构建叶绿素含量偏最小二乘检测模型验证集决定系数为0.628;进一步组合归一化红边植被指数(NDRE:730、900 nm)和绿光归一化差值植被指数(GNDVI:535、900 nm),检测模型精度提高到0.69,模型嵌入系统最终实现了田间叶绿素含量快速检测,为作物长势高效分析提供了技术支持。     

黄绵土风干过程中土壤含水率的光谱预测

以2014年两次在陕西省乾县田间采集的129个黄绵土土壤样本为研究对象,建立土壤含水率定量反演模型。在土壤风干过程中测量光谱反射率及含水率,分析土壤含水率与光谱反射率之间的关系,并利用一元线性及指数回归建立土壤含水率光谱预测模型。结果表明在400~1 340、1 460~1 790、1 960~2 390 nm波长范围内,与含水率相关性最大的反射率对应的波长分别为570、1 460、1 960 nm;吸收深度最大的波长位于490、1 460、1 960 nm。土壤光谱特征指标与含水率之间的线性相关关系优于指数相关关系。以特征波长1 980 nm(C1980)、1 980 nm的吸收深度(D1980)和1 480 nm的吸收深度(D1480)为自变量建立的线性模型为土壤含水率预测的最优模型,校正和验证的决定系数R2大于0.92,相对预测偏差(RPD)大于2.5,均方根误差(RMSE)小于2.5%。研究表明利用自然土样,在风干过程中进行土壤含水率光谱快速预测是完全可行的,从而为遥感实时、快速监测土壤水分含量及大面积土壤水分反演提供了参考。     

用紫外线自动检测柑橘损伤果的研究

提出了检测柑橘损伤果的方法,通过分析选择了激起波长３５２ｎｍ,确定了ＣＣＤ摄像机用紫外线光源,叙述了各种条件和参数与荧光辉度差的关系,根据分析结果,设计了一套损伤果自动检测系统,该系统检测速度达到了５个／ｓ。     

基于地面高光谱遥感的大豆产量估算模型研究

为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数：比值指数（Ratio index,RI）、差值指数（Difference index,DI）、归一化光谱指数（Normalized difference vegetation index,NDVI）、土壤调整光谱指数（Soil-adjusted iegetation index,SAVI）、三角光谱指数（Triangular vegetation index,TVI）、改进红边归一光谱指数（Modified normalized difference index,mNDI）和改进红边比值光谱指数（Modified simple ratio,mSR）,使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）和反向神经网络（Back propagation neural network,BPNN）构建大豆产量估算模型并进行验证。结果表明,各生育期（全花期（R2）、全荚期（R4）和鼓粒期（R6））计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。     

基于无人机高光谱遥感的水稻氮营养诊断方法

氮亏缺量能够直接反映作物氮营养缺失程度,快速、大面积获取水稻氮亏缺量信息对实现水稻精准施肥具有重要意义。而现有的研究大都集中于利用无人机遥感监测水稻氮营养情况,对氮亏缺量本身的研究较少。本研究基于无人机高光谱遥感获取冠层光谱数据、通过田间采样获取水稻农学数据,研究东北地区水稻临界氮浓度曲线构建方法,在此基础上确定水稻氮亏缺量;以氮亏缺量约等于0状态下光谱为标准光谱,分别对光谱反射率进行比值、差值、归一化差值变换,通过竞争性自适应重加权采样法对原始光谱反射率与变换后光谱反射率进行特征波长提取,并以二者提取的特征波长为输入变量,氮亏缺量为输出变量,分别构建基于多元线性回归、极限学习机与蝙蝠算法优化极限学习机3种算法的水稻氮亏缺量反演模型。结果表明：基于田间数据构建东北地区水稻临界氮浓度曲线方程系数a、b分别为2.026与-0.460 3,和以往研究基本一致;相比其余变换方法,对水稻冠层光谱进行归一化差值变换与特征波长提取显著提高了冠层光谱反射率与水稻氮亏缺量的相关性,也提高了后续反演模型的反演结果;以归一化差值光谱为输入的蝙蝠算法优化极限学习机反演模型预测效果显著优于其余模型,验证集R     

冠层反射光谱测量中主动光源光谱稳定性控制

结合自主研发的冠层反射光谱测量装置,对装置主动光源采用的波长730 nm和810 nm两种窄带LED的光谱稳定性进行了研究。实验结果表明:两种LED在未加特殊控制、按照测量要求高频脉动点亮时,结温均显著升高,造成光源光谱峰值波长的线性红移和发光强度的线性降低,严重影响测量装置测量结果的稳定性和可靠性。提出了一种间歇式脉动驱动LED的方法,该驱动方法使LED工作时结温的升高幅度保持在2℃以内,峰值波长的波动小于1 nm。最后该驱动方法被嵌入到反射光谱测量装置中,进行了室内及田间稳定性测试实验,反射光谱响应值最大相对波动率小于5%。     

光调制解调技术在田间杂草光谱识别中的应用

为了实现快速、无损地从作物中识别杂草,研究了基于光谱分析技术的光谱传感器.以苗期冬油菜为研究对象,根据已提取的4个特征波长(590,710,750,940 nm),设计了一套光谱传感器原型试验系统.该试验系统在传统光谱传感器的基础上,运用光调制解调技术剔除检测结果中环境杂散光的干扰,包括试验设备(光信号调制设备和光电信号采集设备)和试验数据处理LabVIEW程序.用冬油菜菜叶对试验系统4个不同波段进行了验证试验,当外界环境杂散光对应直流分量变化幅度分别为10.00%,6.40%,1.17%,1.34%,22.60%,38.90%,56.00%,59.50%时,反射率表征值一直保持稳定,表明在外界环境杂散光缓慢变化和剧烈变化时,系统可以稳定测量被测样品的反射率.该系统验证了光调制解调技术能有效提高被测样品光谱信号的测量信噪比.     

基于光环境校正的便携作物叶绿素检测仪设计

为快速获取作物的生长状态信息及时指导农业生产,基于作物生理生化光谱学响应机理,设计了基于光环境校正的便携作物叶绿素检测装置。装置测量以610、680、730、760、810、860nm为中心,20nm带宽的反射光谱以及环境光照光谱数据,计算植被指数并预测植物叶绿素含量,在环境光照强度较差时使用主动补光灯进行补光,并对补光条件下环境光照强度进行校正。实验表明GPS定位在纬度最大漂移为6.2m、经度最大漂移为4.9m;光谱传感器6个波段的光强响应与照度计测量值之间的决定系数均超过0.99;标定的2块光谱传感器的匹配系数在610nm和860nm波段分别为0.743、1.035。建立了610nm和860nm波段补光强度与测量距离间的拟合模型用于光环境校正;使用无纺布进行了叶绿素梯度实验,建立了植被指数NDVI与植物叶绿素含量的数学模型,在较差光环境条件下不进行补光的模型决定系数为0.685,补光并进行校正情况下模型决定系数为0.965。     

基于VIS-NIR的播种沟内土壤水分测量传感器研究

基于土壤水分的播深调整技术,需要对播种沟土壤水分进行测量,以便根据落种点处的土壤水分信息进行播种调节,改变播种策略。本文设计了一种可见光近红外(Visible and near-infrared,VIS NIR)式土壤水分传感器。使用高分辨率光谱仪采集不同水分梯度的土壤光谱数据,采用偏最小二乘回归法(Partial least squares regression,PLSR)进行建模分析,并结合多种数据降维方法进行变量筛选,得出不同土壤含水率的敏感波段分别在410、540、780、970 nm附近;通过对这4种波长进行组合建模分析,选择得出预测最优的VIS和NIR波长组合为410 nm和970 nm。采用这两种波长设计传感器,并进行实验室试验,结果表明:当传感器与被测土壤表面距离d较近时(0~3 mm),测量精度和稳定性最好;当d为0~3 mm、土壤质量含水率处于0.69%~28.45%时,真实值与预测值之间决定系数R²达到0.81,均方根误差(RMSE)为2.90%;当土壤质量含水率处于0.69%~22%时,真实值与预测值之间R 2提高至0.93,此时均方根误差降低为1.72%。通过析因试验得出,在显著性水平为0.05时,温度与光照强度对传感器正常工作没有明显影响。土槽试验表明,真实值与预测值之间R²为0.82,RMSE为1.23%,满足玉米等作物播种环节土壤水分的测量要求。     

苹果采摘机器人三维视觉传感器设计

以红富士苹果为研究对象,设计了用于苹果采摘机器人的三维视觉传感器.根据苹果树的反射光谱特性,选择敏感波长的激光作为主动光源,在步进电动机的驱动下进行扫描,利用果树对激光的反射差异实现果实识别,利用三角测量原理实现果实定位.该传感器以ARM7芯片LPC2114为处理器,PSD为信号接收传感器,在电路和机械方面进行了优化设计,有效消除了外界各种干扰.实验结果表明,系统信号输出稳定,在150～750 mm距离范围内,最大偏差13 mm.     

全包围光源结构的单粒小麦蛋白质含量检测装置研究

针对单粒小麦蛋白质含量等内部表型的实时检测需求,设计了基于近红外漫反射光谱的无损定量检测装置,阐述了光源结构设计、硬件系统设计和软件系统构建。选用近红外LED微型灯珠,以6行8列形式均匀分布于圆柱形铝合金灯筒壁上,形成向心全包围的物理结构,LED灯珠引脚通过16根导电铜柱并联连接,灯筒上顶部设有红外对射传感器,当检测到谷物经由灯筒内的玻璃滑道时,光谱仪通过一分二型光纤分别从灯筒上顶部和下底部收集漫反射光谱,基于C++语言的上位机软件将其转换为吸光度,再根据嵌入模型进行实时预测。获取了300粒单粒小麦900~1 700 nm范围的全包围漫反射光谱,进行归一化处理后,分别建立了基于全光谱(FS)和连续投影算法(SPA)提取特征波长的单粒蛋白质含量预测模型。试验结果表明,两个模型校正集的R2分别为0.960 4和0.844 6,验证集R2分别为0.801 6和0.819;从实用性和预测效果出发,选择基于SPA特征波长的蛋白质模型作为嵌入式预测模型;分别验证了该装置的波长重复性、吸光度重复性和预测重复性,结果表明,本装置可以用于单粒谷物内部表型的实时、无损、定量检测。     

分级评价指标优化玉米近红外光谱定性分析模型研究

验证了种间的相对距离这一评价指标优化玉米近红外光谱定性分析性能的有效性。首先，对A、B两组实验数据使用相关性、欧氏距离和熵3种常用方法计算原始光谱、预处理后的光谱和特征提取后的光谱数据的种间相对距离，并与每一步得到的正确识别率进行对照分析，得到欧氏距离是一种有效的计算方法。最后，对实验数据C采用欧氏距离方法计算数据处理每一过程的种间相对距离，经过对预处理算法的调整，种间相对距离由0.6582增大到了1.2972，正确识别率由40.86%提高到了70.08%；通过对特征提取算法的优化，种间相对距离由1.3102增大到了2.4910，正确识别率由68.32%提高到了93.27%。通过该评价指标对数据分析过程的评价结果可以看出，正确识别率显著提高，使模型得到了优化。     

冬小麦冠层高光谱特征与覆盖度相关性研究

在2010年度与2011年度冬小麦生长季大田试验小区,实测了3个播种密度、3个灌水水平下冬小麦冠层的高光谱反射率与覆盖度。分析了冬小麦冠层光谱特征以及不同生育期冬小麦冠层光谱特征参数与覆盖度的相关性,建立了基于光谱特征参数的不同生育期冬小麦覆盖度估算模型。结果表明:从返青到成熟,冬小麦冠层可见光区光谱反射率先减小后增大,近红外区先增大后减小。不同种植密度下,适宜供水冬小麦在可见光波段的反射率依次小于轻度亏水、重度亏水条件下的冬小麦;在近红外波段,规律正好相反。在相关性分析中,传统光谱特征参数和新光谱特征参数与覆盖度在不同生育期均具有较好的相关性。相比以传统光谱特征参数为自变量的冬小麦覆盖度估算模型,基于绿峰峰度的估算模型可以提高冬小麦覆盖度的估算精度。     

农畜产品安全无损检测扫描式拉曼光谱成像系统设计

构建了用于农畜产品安全检测的扫描式拉曼光谱成像检测系统,对其硬件和软件分别进行了搭建和设计,实现了拉曼光谱和图像同步获取。根据检测的实际需求和精度要求确定了检测系统中拉曼成像光谱仪、CCD相机、镜头、激光光源、移动平移台等主要元器件。开发了拉曼光谱成像检测系统实时检测与分析软件。软件以Lab View为主开发环境,实现了对CCD相机、激光光源等硬件的控制,利用Lab View与Matlab混合编程,完成数据的提取、分析计算与结果保存,通过Lab View与ENVI的混合编程,完成扫描线图像的实时合成和显示。对系统进行了安装和性能测试,光谱校正确定了CCD相机探测的拉曼光谱范围为-679.3~2 885.7 cm-1,空间校正确定了系统实际的空间分辨率为0.22 mm/像素。构建的拉曼光谱成像检测系统可快速、无损获取样品拉曼光谱和图像信息。