基于光谱与纹理特征融合的绿萝叶绿素含量检测

[目的]本文旨在快速测定植物体内叶绿素含量,以提高无损测定叶绿素的准确性。[方法]以绿萝叶片为研究对象,提出一种串联融合高光谱特征与纹理特征的叶绿素SPAD值的无损检测方法。采集320片绿萝叶片样本在400～900 nm波段的光谱信息,使用Savitzky-Golay卷积平滑对原始高光谱图像进行预处理,利用连续投影算法(successive projections algorithm, SPA)选取出10个特征波段,对绿萝叶片高光谱图像中的RGB图像采用灰度共生矩阵算法(gray-level co-occurrence matrix, GLCM)提取其纹理特征,采用串联方法融合高光谱特征与纹理特征得到融合特征,分别建立单一特征和融合特征的误差反向传输人工神经网络(back propagation artificial neural network, BPANN)和支持向量机回归(support vector machine regression, SVR)模型。[结果]单一使用特征光谱数据或图像纹理数据作为特征值建立的预测模型,综合性能不稳定;基于串联融合特征的预测模型准确率有明显提升。基于串联融合特征的SVR模型具有最佳的预测结果,校正集决定系数R~2为0.961 2,预测集决定系数R~2为0.957 1。[结论]高光谱特征与纹理特征的融合特征可以提高叶绿素回归预测模型的准确性,为叶绿素含量无损检测提供了重要参考。     

基于分数阶微分的橡胶树割胶期氮素含量定量检测

[目的]检测橡胶树割胶期叶片的实际氮素含量,建立橡胶树叶片光谱诊断模型,为实现橡胶树叶片氮素含量的快速无损检测提供参考依据.[方法]使用FieldSpec 3光谱仪采集割胶期橡胶树叶片的光谱反射率,分别以其原始光谱(R)、倒数光谱(1/R)、对数光谱(logR)和对数倒数光谱(1/logR)作为光谱信息,采用分数阶微分进行处理,获得不同分数阶阶次下的光谱数据,并通过竞争性自适应重加权算法(CARS)选择变量及偏最小二乘回归法(PLSR)建立橡胶树氮素光谱诊断模型.[结果]采用分数阶对橡胶树叶片R、1/R、logR和1/logR建立模型的最优均方根误差(RMSE)分别为0.1376、0.1175、0.1263和0.1505,且使用1/R数据建立的0.6阶模型表现最优,相关系数为0.9273,RMSE为0.1175,决定系数为0.8551.与整数阶算法相比,分数阶模型具有更强的预测能力,表明分数阶能充分挖掘光谱信息的有效信息,有效提高橡胶叶片氮含量光谱诊断模型的预测精度,实现橡胶树叶片氮素含量快速无损检测.[结论]应用近红外光谱技术并结合分数阶微分算法可快速无损检测橡胶树叶片氮素含量,为生产上橡胶树的精准可变量施肥提供技术支持.     

高光谱和图像特征相融合的生菜病害识别

为精准识别生菜的病害类型及所处病害时期,提出了一种结合高光谱技术和图像特征提取技术融合的生菜病害诊断方法。利用高光谱套件分别采集炭疽病、菌核病、白粉病的发病早期、中期和晚期以及健康状态下生菜叶片样本的高光谱信息,利用多项式平滑(Savitzky-Golay,SG)算法对原始光谱数据进行降噪平滑处理,采用连续投影算法(Successive projections algorithm,SPA)对预处理后的数据进行特征波长的优选,使用一阶到三阶矩和纹理LBP算子分别提取样本图像的颜色特征和纹理特征,最后通过SVR预测模型对颜色、纹理及光谱特征值数据进行训练并对预测集样本进行分类研究。结果表明,基于高光谱和图像融合特征的SVR预测模型性能良好,预测集决定系数为0.895 6,均方根误差为3. 75%。由于决定系数不够理想,通过引入松弛变量的方式降低间隔阈值,最终模型预测集决定系数为0.928 6,均方根误差为0. 034 2,决定系数提高了3. 68%,均方根误差降低了8. 8%,病害时期判断准确率为92. 23%。说明该方法能够较有效地诊断生菜的病害类型及所处病害时期,可为农业精准化管理中病害的自动防治提供参考。     

近红外光谱法快速检测藜麦蛋白含量

[目的]建立一种藜麦粗蛋白含量快速、无损、简便的测定方法,为藜麦的资源评价和品质育种提供技术支持.[方法]以100份藜麦种质资源为材料,其中80％为校正集,20％为验证集,扫描得到藜麦近红外原始光谱,利用OPUS/QUAN T5.5光谱定量分析软件建立藜麦蛋白质含量的快速检测模型.[结果]采用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法测定数据建立藜麦粗蛋白近红外定量模型,校正和预测效果最好,藜麦粗蛋白近红外定量模型的交叉验证决定系数为0.9182,外部验证决定系数为0.9151.[结论]基于近红外光谱法(NIRS)测定藜麦籽粒的蛋白含量是完全可行的.     

基于近红外光谱法快速检测藜麦纤维含量

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法.[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测.[结果]在10 000～4 000cm-1波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数(R2cv)为0.884 8,外部验证决定系数(R2val)为0.876 1.[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测.     

基于RF-VR的紫丁香叶片叶绿素含量高光谱反演

利用高光谱技术精确估测植物叶片叶绿素含量,对植物生长趋势和营养状况的监测和管理具有重要意义。本文以紫丁香为研究对象,针对高光谱所含波段数量大、波段间相关性强导致数据中冗余信息增多的现象,通过卷积平滑和二阶微分(SG-SD)处理光谱数据,应用随机蛙跳(RF)算法筛选特征波段,最后结合偏最小二乘(PLSR)和投票回归器(VR)建立了植物叶片叶绿素含量反演模型,并与全波段光谱法和5种经典变量提取方法进行了比较。结果显示,相比于原始光谱数据,SG-SD是一种有效的提高建模精度的光谱预处理方法;相比于全波段光谱和经典变量提取方法,RF算法筛选出的敏感波段建模效果最佳;相比于PLSR模型,VR模型的预测精度和预测稳定性能更优。本文对原始光谱数据进行SG-SD预处理后,对经RF算法筛选出的特征波段建立VR模型,变量数由全波段数204个减少为35个,建模集决定系数0.944 2,验证集决定系数0.951 4,最后利用RF-VR模型结合伪彩图技术得到紫丁香叶片叶绿素分布反演图,为紫丁香叶片养分分布提供更直观的信息表达。结果表明,该方法可为紫丁香叶片营养含量诊断和长势监测提供技术支持。     

外源硫化氢对干旱胁迫下萌发水稻种子抗氧化代谢的影响

[目的]探讨外源硫化氢(H2S)对干旱胁迫下萌发水稻种子抗氧化代谢的影响及水稻抗旱性内在机制,为提高水稻抗旱能力提供参考依据.[方法]以0.75 mmol/L硫氢化钠(NaHS)为外源H2S供体,用聚乙二醇(PEG)为干旱胁迫模拟剂,以羟胺(HA)为H2S合成抑制剂,检测干旱胁迫下外源H2S处理后水稻种子的发芽率、发芽势、相对电导率和丙二醛(MDA)、可溶性蛋白、过氧化氢(H2O2)含量及超氧化物歧化酶(SOD)、过氧化氢酶(CAT)、过氧化物酶(POD)和抗坏血酸过氧化物酶(APX)活性.[结果]干旱胁迫下,经NaHS处理的水稻种子发芽率为82.30%、发芽势为43.10%,均显著高于未经NaHS处理的种子(P<0.05);可有效阻止水稻种子可溶性蛋白含量减少,降低渗透势,缓解干旱胁迫引起的伤害;可有效缓解水稻种子中H2O2的累积,有利于减缓细胞衰老和解体;可较好地维持水稻种子萌发过程中质膜的稳定性,有利于减轻干旱引起的伤害;可有效降低水稻种子的MDA含量,降低质膜透性;可促进水稻种子萌发过程中SOD、POD、CAT和APX活性的增加,提高萌发水稻种子应对干旱的能力.[结论]经外源H2S供体NaHS处理可显著提高水稻种子的抗氧化酶活性,有效清除活性氧,降低质膜透性,缓解氧化伤害,提高水稻种子的抗旱性,最终有效促进干旱胁迫下水稻种子萌发.     

不同近红外光谱预处理方法对胡杨叶片含水量检测模型的影响

近红外光谱预处理是胡杨叶片含水量光谱检测的前提,然而样本背景、电噪声和杂散射等会干扰近红外光谱的测量结果。为了避免以上因素对近红外光谱产生的影响,采用连续投影算法(successive ections algorithm,简称SPA)、数据中心化、归一化和标准正态变量变换方法(standard normal variate transformation,简称SNV)对原始光谱数据进行预处理,使用偏最小二乘法(partial least squares,简称PLS)建立胡杨叶片水分含量检测的校正集和预测集模型。结果表明,直接使用原始光谱,利用SPA算法筛选变量数为7个,模型预测精度为0. 971 44,RMSPCV为0. 046 132,相关系数r=0. 674 24,RMSEP=0. 021 434;使用原始光谱+标准正态变量变换方法,利用SPA算法筛选变量数为6个,模型预测精度为0. 976 63,RMSPCV为0. 045 642,相关系数r=0. 774 72,RMSEP=0. 018 24。SNV+SPA预处理方法能够有效地消除噪声和散射,提高模型的预测精度,相关性明显增加,降低数据维数和误差,可用于胡杨叶片水分含量的快速、无损检测,同时对其他作物叶片水分含量光谱预处理检测具有一定的参考意义。     

导数同步荧光法测定鸭蛋蛋清中金霉素残留含量

为实现鸭蛋蛋清中金霉素残留含量的快速测定与检测模型精度的提高,应用导数同步荧光法结合支持向量回归(SVR)建立鸭蛋蛋清中的金霉素含量的预测模型。首先在280～400 nm光谱范围内对三维同步荧光指纹图谱与三维同步荧光光谱进行分析,确定检测鸭蛋蛋清中的金霉素含量的最佳波长差△λ为70 nm;然后对原始的同步荧光光谱进行一阶导数预处理,并用联合区间偏最小二乘法(siPLS)结合遗传算法(GA)优选出11个特征波长;最后应用支持向量回归(SVR)建立了鸭蛋蛋清中的金霉素含量的预测模型,其模型预测集的决定系数(R2)和预测均方根误差(RMSEP)分别为0.973 mg/L和1.501 1 mg/L。试验结果表明,本研究方法能够满足鸭蛋蛋清中金霉素残留含量快速测定要求。     

基于集成学习的砂姜黑土含水量高光谱反演研究

为提高砂姜黑土土壤水分的估测精度,本研究以河南省西平县砂姜黑土为研究对象,通过配制不同含水率土壤样本并在室内进行高光谱测量,对土壤样本高光谱数据平滑(SR)、倒对数[LOG(1/R)]、一阶微分(FD)、多元散射校正(MSC)、去包络线(CR)光谱变换后,结合连续投影算法(SPA)识别最佳特征波段,采用偏最小二乘回归(PLSR)、支持向量机回归(SVR)的机器学习方法和堆叠(Stacking)集成学习方法分别构建土壤含水率反演模型。结果表明：经MSC变换后光谱中土壤含水率相关信息增强最多;SPA算法能对砂姜黑土含水率光谱数据进行降维和特征信息提取;经反射光谱MSC变换后由PLSR和SVR集成的Stacking集成模型决定系数最高(R²=0.963)、均方根误差最小(RMSE=1.7)。研究表明,Stacking集成学习模型有效提升了模型的精度和泛化能力,是砂姜黑土含水率最佳反演模型。