农药胁迫对生菜叶片叶绿素荧光图像参数的影响

对生菜(Lactuca sativa)分别均匀喷洒浓度为70、140、280μg/L的杀虫剂氰戊菊酯,以清水为对照,以意大利全年耐抽薹生菜为试材,结果表明,随着农药浓度的增加,光系统Ⅱ的最大光化学效率、实际光化学效率、光化学淬灭系数和相对电子传递速率均下降,非光化学淬灭系数、非调节性能量耗散的量子产额和调节性能量耗散的量子产额上升,综合影响造成光系统Ⅱ的中心活性区域缩小、光合速率下降。另外生菜叶片自身的光化合保护机制能在一定程度上减轻农药的胁迫作用。与对照相比,光系统Ⅱ的实际光化学效率受农药影响最大,喷洒浓度为280μg/L的杀虫剂会对生菜光合作用过程产生持续性的、不可逆转的影响。     

高光谱图像技术在掺假大米检测中的应用

为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。     

基于高光谱图像光谱与纹理信息的生菜氮素含量检测

高光谱图像包含丰富的光谱与图像信息,该文基于此试图构建生菜氮素检测模型。利用高光谱图像采集系统获取可见-近红外(390~1 050 nm)范围内的生菜叶片高光谱图像,同时利用凯氏定氮法获取对应叶片的氮素值。将光谱反射值较大波长图像与反射值较小波长图像相除并用阈值化法构建掩膜图像,获取感兴趣区域(ROI,region of interest)。由于高光谱数据量大、且数据间冗余性强,因此如何有效的提取一些特征波长十分重要。该文采用主成分分析(PCA,principal component analysis)对原始高光谱图像进行处理,根据前3个主成分图像(PC1、PC2、PC3)在全波长下的权重系数分布图选出662.9、711.7、735.0、934.6 nm 4个特征波长及对应的光谱特征,并且分别提取4个特征波长图像、主成分图像PC1、PC2、PC3在ROI下的基于灰度共生矩阵的纹理特征,最后利用支持向量机回归(SVR,support vector machine regression)分别建立生菜叶片基于特征波长光谱特征、特征波长图像与主成分图像的纹理特征及光谱纹理融合特征与对应氮素值之间的关系模型。结果表明,在校正性能指标决定系数R2C上,基于光谱特征+特征波长图像纹理特征的模型较好,R2C=0.996,校正集均方根误差RMSEC为0.034;在预测性能指标决定系数R2P上,基于光谱特征的模型较好,R2P=0.86,预测集均方根误差RMSEP为0.22。该研究结果可为农作物氮素的快速、无损检测提供一定的参考价值。     

基于MSCPSO混合核SVM参数优化的生菜品质检测

核函数形式的选择与核函数参数值的大小是影响支持向量机的2个关键因素,传统的支持向量机分类精度低、时效性差,为了获得高精度、高时效性的支持向量机,从影响支持向量机的核函数与核函数参数值2个关键因素着手,提出了基于变尺度混沌粒子群优化（MSCPSO）混合核SVM参数的分类器。将此分类模型用于预测生菜叶片的生育期,以及预测3个生育期的生菜叶片氮素水平,预测精度分别达到91.51%、85.38%、82.59%和81.26%。与传统的粒子群优化混合核SVM的分类器和变尺度混沌粒子群优化RBF_SVM分类器相比,提出的分类器模型分类精度高、时效性好。