竹叶片氮含量高光谱估测方法对比研究

为实现快速无损检测竹叶片氮含量,采用波长范围为350~2500nm的地物光谱仪获取竹叶片光谱数据,以金镶玉竹叶片为样本,对其进行高光谱分析。将高光谱原始反射率及其一阶微分、对数一阶微分和二阶微分值,与化学法测量的竹叶片氮含量值进行了相关性分析,分别获得了不同微分变化下的特征波段;基于微分变换后的高光谱反射率数据,分别采用二元线性回归、多元逐步回归、偏最小二乘回归和基于主成分分析的BP神经网络方法,建立了4种金镶玉竹叶片的氮含量高光谱估测模型。对比4种估测模型的校验结果表明,在光谱反射率的对数一阶微分变换下,采用拓扑结构为6-10-1的基于主成分分析的BP神经网络估测模型,校验环节决定系数为0.838,均方根误差RMSE为0.0452,具备较好的竹叶片氮含量估测效果。     

基于无人机高光谱影像的水稻叶片磷素含量估算

为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量（质量分数）（Leaf phosphorus content, LPC）。分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,基于特征波长反射率和光谱指数建立水稻LPC的估算模型,利用最佳模型对高光谱影像进行反演填图,得到LPC空间分布信息。结果表明：全生育期内LPC与462~718 nm范围内光谱反射率显著负相关,负相关最大处相关系数达到-0.902;LPC的特征波长为670、706、722、846 nm,基于特征波长、使用偏最小二乘回归建立的LPC估算模型精度最高,验证R2达到0.925,RMSE为0.027%;在任意波段组合构建的3种类型的光谱指数中,NDSI(R498,R606)、RSI(R498,R606)和DSI(R498,R586)与LPC的相关性最高,相关系数分别为0.913、0.915和0.938;基于3个光谱指数、使用神经网络构建的LPC估算模型精度较高,验证R2为0.885,RMSE为0.029%;对各生育期水稻LPC空间分布的反演结果与实测数据相一致,说明利用无人机高光谱遥感可以实现田间水稻LPC的快速无损监测。     

基于高光谱成像技术的小麦籽粒赤霉病识别

利用高光谱成像技术通过光谱分析和图像处理进行小麦赤霉病的识别。采用标准正态变量变换(SNV)和多元散射校正(MSC)方法对光谱进行预处理,分别利用连续投影算法(SPA)和正自适应加权算法(CARS)进行变量筛选提取特征波段,结果表明采用MSC-SPA和SNV-SPA算法时决定系数分别为0.901 9和0.900 6,均方根误差分别为0.223 8和0.223 2,筛选波长个数分别为7个和5个。利用SVM和BP神经网络算法建立的交叉验证模型及验证模型的准确率均达到90%以上。其中,MSC-SPA-SVM和SNV-SPA-SVM方法的建模集准确率分别为97.08%和94.17%;验证集准确率分别为98.33%和97.50%,均优于MSC-SPA-BP和SNV-SPA-BP模型。为了研究染病小麦的高光谱图像信息,利用主成分分析方法,根据权重系数选择最佳特征波长为627.698 nm。利用图像处理方法对特征波长下的特征图像进行预处理、特征提取。分别提取特征波长图像的形态参数特征和纹理特征参数等,根据特征参数相关性分析选择最优的建模特征参数。分别利用10折交叉验证方法建立线性判别分析、支持向量机和BP神经网络识别模型,结果表明3种识别算法识别准确率均在90%以上,具有较好的识别效果。     

基于人工神经网络的苹果可溶性固形物无损检测

采集了60个苹果在400～1 100nm范围内的可见-近红外漫反射光谱,然后使用连续投影算法将光谱变量进行压缩,最后采用BP神经网络建立了苹果糖度的预测模型。实验表明,连续投影算法从400～1 100nm范围提取出25个优选波长参与建模,有效简化了模型结构。BP神经网络模型对苹果糖度的预测相关系数达到0.853,预测均方根误差为1.303 0。结果表明,基于近红外光谱的苹果糖度无损检测是可行的。     

基于高光谱的酿酒葡萄果皮花色苷含量多元回归分析

以酿酒葡萄赤霞珠果实为研究对象,利用高光谱成像技术检测葡萄果皮中的花色苷含量。采集60组样本的900~1700nm近红外波段高光谱图像,并用pH示差法测量样本果皮中花色苷含量。选取高光谱图像中葡萄果实区域作为感兴趣区域（ROI）,计算其平均光谱,并采用SG平滑、归一化、多元散射校正等预处理方法提高光谱的信噪比。然后采用偏最小二乘回归（PLSR）、支持向量回归（SVR）和BP神经网络算法建立花色苷含量预测模型。研究表明：基于PLSR模型推荐的13个隐含变量建立的BP神经网络模型的预测决定系数和预测均方根误差分别为0.9102和0.3795。     

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...     

基于近红外光谱的核桃仁蛋白质含量检测分析

为了实现核桃仁蛋白质的快速无损检测,采用近红外光谱技术,建立了核桃仁蛋白质含量预测模型,并对近红外光谱波段筛选方法进行了研究。首先针对3种不同粒度核桃仁样本,采集了1040~2560nm范围全波段信息,采用多元散射校正法和标准正态化方法对原始光谱进行了预处理。然后,采用间隔偏最小二乘算法筛选了光谱特征波段,并建立了全波段和特征波段下核桃仁蛋白质含量偏最小二乘算法预测模型。通过对不同粒度核桃仁样本近红外光谱分析表明,核桃仁粒度大小对核桃仁蛋白质含量预测效果并无显著影响。采用间隔偏最小二乘算法的波段筛选,核桃整仁样本验证集的均方根误差和相关系数分别为0.021和0.913, 表明该方法能够优化模型质量并降低模型复杂度。     

基于Sentinel-2超分辨率影像的干旱区水体提取方法

针对干旱区复杂环境下水体光谱特性空间差异大、水体提取方法适用性差的问题,本研究基于Sentinel-2卫星多光谱数据,通过超分辨率算法重建10 m空间分辨率多光谱影像,将短波红外(Short-wave infrared, SWIR)重建波段、近红外(Near-infrared, NIR)重建波段作为水体识别特征波段,在此基础上采用超像素分割算法识别水体像元,基于24种光谱指数、支持向量机(Support vector machine, SVM)、神经网络(Neural network, NN)、K-means共构建60种水体提取方法,采用总体精度(Overall accuracy, OA)、准确率(Precision)、F1值、马修斯相关系数(Matthews correlation coefficient, MCC)等水体提取精度指标进行综合评价,以黑河流域为典型研究区,确定干旱区最佳水体提取方法。结果表明,基于Sentinel-2绿色波段(中心波长为560 nm)与超分辨率重建短波红外波段(中心波长为1 610 nm)构建的改进的归一化水体指数方法,显著增强水体提取时对干旱区细小水...     

南丰蜜桔可溶性固形物近红外特征波段选

探讨了在350～1800nm波段范围内不同光谱预处理方法对提高模型预测能力和稳定性的作用,但其效果不如间隔偏最小二乘法显著。通过间隔偏最小二乘特征波段选择方法,确定了南丰蜜桔可溶性固形物特征波段为：642～787nm、861～1006nm、1080～1152nm和1226～1371nm。采用30个未参与建模的南丰蜜桔样品,预测特征波段建模模型,预测模型的相关系数为0.95,预测均方根误差为0.55°Birx。结果表明：近红外光谱技术结合间隔偏最小二乘特征波段选择方法,可以提高南丰蜜桔可溶性固形物无损检测数学模型预测能力和稳健性。     

南丰蜜桔可溶性固形物近红外特征波段选择

探讨了在350～1 800 nm波段范围内不同光谱预处理方法对提高模型预测能力和稳定性的作用,但其效果不如间隔偏最小二乘法显著.通过间隔偏最小二乘特征波段选择方法,确定了南丰蜜桔可溶性固形物特征波段为:642～787 nm、861～1 006 nm、1 080～1 152 nm和1 226～1 371 nm.采用30个未参与建模的南丰蜜桔样品,预测特征波段建模模型,预测模型的相关系数为0.95,预测均方根误差为0.55°Birx.结果表明:近红外光谱技术结合间隔偏最小二乘特征波段选择方法,可以提高南丰蜜桔可溶性固形物无损检测数学模型预测能力和稳健性.     

基于高光谱成像技术的柑橘缺陷无损检测

应用高光谱成像技术无损检测柑橘的缺陷。选取蒂腐、黑斑、褐腐、结痂缺陷果和正常果各30个,提取并分析了5类果皮感兴趣区域光谱曲线并结合主成分分析法确定2个最佳波长(615nm和680nm),然后基于特征波长作主成分分析,选取第2主成分作为分类识别图像,提出采用特征波长主成分分析法与波段比算法相结合的方法,识别率达到94%。试验结果表明,高光谱成像技术可以有效地对带有蒂腐、黑斑、褐腐、结痂缺陷的柑橘进行分类识别。     

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...     

猕猴桃膨大果的近红外漫反射光谱无损识别

在833~2500 nm光谱范围内采集了120个猕猴桃膨大果和120个正常果的近红外漫反射光谱,采用变量标准化方法对光谱进行了预处理,基于Kennard-Stone方法对样本进行了划分,分别建立了基于全光谱(FS)、主成分分析法(PCA)提取的11个主成分和连续投影算法(SPA)提取的6个特征波长的偏最小二乘(PLS)、支持向量机(SVM)和误差反向传播(BP)神经网络识别模型。结果说明,所建立的9个模型对校正集和测试集中猕猴桃膨大果和正常果的正确识别率均分别大于96.7%和93.3%。PCA提取的主成分数和SPA提取的特征波长数仅是FS中波长数的0.53%和0.29%,建立的模型更加简单,且识别效率较高。PLS和SVM模型的识别率普遍高于BP神经网络模型。9种模型中PCA-PLS识别率最高,其对校正集和测试集中膨大果和正常果的正确识别率均达到100%。该研究结果表明,近红外漫反射光谱技术可作为一种准确、高效的方法应用于猕猴桃膨大果的无损识别中。     

苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术

为了快速检测苹果的可溶性固形物(SSC)含量,采用可见光近红外光谱技术,结合主成分分析(PCA)和BP神经网络技术,来建立苹果SSC的预测模型.获取苹果样本在345～1039 nm波段的漫反射光谱,采用DPS数据处理系统对其进行主成分分析,并提取出累计可信度大于95 %的5个新主成分.建立一个3层的BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98 %以上预测样本的预测相对误差在5 %以下.该研究表明,采用近红外光谱技术来建立苹果可溶性固形物的预测模型是可行的.     

基于近红外漫反射光谱的损伤猕猴桃早期识别

以贮藏1d的碰撞损伤猕猴桃、挤压损伤猕猴桃和无损猕猴桃为对象,分别建立了猕猴桃的Fisher判别模型、BP神经网络判别模型与最小二乘支持向量机(LSSVM)判别模型,综合比较了采用全光谱波长(FS)、主成分分析(PCA)提取特征变量与连续投影算法(SPA)优选特征波长作为各模型输入变量时,对各模型判别效果的影响.研究结果表明,SPA优选特征波长相比于PCA和FS有较明显的优势;3种判别模型均能基本满足实际要求,且LSSVM模型的识别性能最佳,其中SPA-LSSVM模型对预测集碰撞损伤样品、挤压损伤样品与无损样品的正确识别率分别达到100％、95％和100％,总的正确识别率为98.2％.     

杨树叶片叶绿素含量高光谱估算模型研究

以盆栽107号杨树为研究对象,在验证杨树叶片的SPAD值可作为衡量其叶绿素含量指标的基础上,基于最佳指数-相关系数法(OIFC),提取了杨树叶绿素特征波段(中心波长350、715、1 150 nm),建立了以该组合波段原始光谱数据为自变量的杨树叶片叶绿素含量估算模型;利用相关系数法,提取了杨树叶绿素归一化植被指数的计算波段(中心波长705、953 nm)与一阶光谱导数的叶绿素特征波段(中心波长647、691、721 nm),且分别建立了基于归一化植被指数、叶面叶绿素指数、一阶光谱导数为自变量的杨树叶片叶绿素含量估算模型;比较分析所建立的模型精度,筛选出杨树叶片的叶绿素含量最优估算模型。结果表明:化学法测得杨树叶片叶绿素含量与其对应的SPAD值之间具有显著的幂函数关系,R2可达0.902 3。利用OIFC法提取的叶绿素最佳三波段组合的高光谱数据为自变量,与叶片叶绿素含量构建的模型预测值与实测值具有显著的线性关系,决定系数为0.944 5;相比其他模型,该模型的精度最高且均方根误差最小。可见,基于OIFC法构建的杨树叶绿素高光谱模型具有较高的精度,是估算杨树叶片叶绿素含量的最优模型。     

基于近红外光谱的面粉灰分含量快速检测方法

针对目前面粉灰分含量的检测方法存在操作繁琐、耗时长、费时费力和检测效率低等问题,运用近红外光谱分析技术检测面粉的灰分含量,选择最优的光谱预处理方法和光谱范围,采用偏最小二乘法(PLS)及BP神经网络算法进行定量分析研究。结果表明:采用偏最小二乘法(PLS)所建的定量分析模型的决定系数R2为90.66,预测均方根误差RMSEP为0.055 3,总偏差为0.0279 3;用BP神经网络预测总偏差为0.036 7。研究发现,近红外光谱技术用于快速无损检测面粉灰分含量是可行的,且PLS、BP神经网络算法可进行面粉灰分含量预测。     

不同时段刺五加叶片黄酮含量的高光谱无损估测

针对野生刺五加叶片中黄酮含量的测量方法繁琐、时间较长及需破坏叶片等问题,提出了一种基于高光谱技术对不同时段的刺五加叶片中黄酮含量的估算模型。首先,分析提取地域、年龄、长势相近的20株刺五加叶片光谱特征,通过对叶片进行烘干、磨粉及利用紫外分光光度计等化学方法测得叶片中黄酮的真实含量,并选择4种预处理互相结合、比较的方式,判断出最优预处理模型;通过SPA与PCA算法的结合,选择出较明显的特征波段,通过MatLab2018a将特征波段的反射率分别与40组预测集验证相关性后,再分别选取预测值和20组实测值与BP神经网络、支持向量机进行模型建立。实验结果表明:利用BP神经网络建立的模型的校正集决定系数Rc2分别为0.8649、0.7976、0.8485,支持向量机建立的模型的校正集决定系数Rc2分别为0.7526、0.7742、0.7243,证明SNV和1 Der结合的预处理方式与BP神经网络所构建的模型效果最好。研究为高光谱技术对刺五加叶片中黄酮的反演提供了有力的支持,也会提高工业和药用采摘的效率及刺五加的利用价值。     

基于无人机多光谱图像的云南松虫害区域识别方法

针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了"同谱异物"和"同物异谱"现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。     

核桃仁脂肪含量的近红外光谱无损检测

为了实现核桃仁脂肪含量的快速无损检测,在1 040～2 560 nm光谱范围内采集了核桃仁近红外光谱。首先,通过多元散射校正和标准正态化组合方法对原始光谱信息进行预处理,采用马氏距离法剔除异常样本;然后,运用竞争性自适应重加权采样算法与相关系数法相结合,进行特征波段筛选;最后,采用偏最小二乘回归和支持向量机回归算法建立了核桃仁脂肪含量的预测模型。结果显示,以筛选出的6个特征波段为输入,采用偏最小二乘回归算法建立的核桃仁脂肪质量分数预测模型的验证集决定系数为0. 86,均方根误差为1. 584 9%;采用支持向量机回归算法建立的模型验证集决定系数为0. 88,均方根误差为1. 371 6%;表明支持向量机回归算法的建模质量优于偏最小二乘回归算法。采用特征波段建立的支持向量机回归预测模型能大幅降低建模复杂度,实现核桃仁脂肪含量的快速无损检测。