皮棉中地膜的高光谱图像分割方法

混入棉花中的地膜大部分是透明的或者颜色与棉花相近,使用传统的视觉检测方法很难对其进行检测。针对此问题,采集了地膜的高光谱图像,结合光谱分析与图像处理技术,提出一种地膜的高光谱图像分割方法。首先提取地膜的平均光谱数据,经过去除噪声波段、多项式卷积平滑(Savitzky-Golay,SG)、标准正态变量(standard normal variate,SNV)变换等操作后,使用偏最小二乘回归(partial least squares regression,PLSR)分析方法优选出4个最优波段,分别为560.3、673.9、716.9和798.8 nm;然后提取出4个波段对应的图像,分别进行两次图像融合,并对融合后的图像进行阈值分割、中值滤波操作;最后对处理后的图像再次进行图像融合,并移除小目标得到最终结果。为验证该方法,采用面积交迭度(area overlap measure,AOM)、误分率(misclassified error,ME)和识别率(recognition accuracy)对分割结果进行客观评价分析,结果表明该方法能较好地完成对地膜图像的分割,可为后续的地膜特征提取和自动识别打下良好的基础。     

基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算

叶绿素含量是影响作物生长及产量的主要因素。该研究以2017年6月小型试验田获取的抽穗期春小麦叶绿素含量及其对应的光谱反射率为数据源,对红边(627~780 nm)、黄边(566~589 nm)、蓝边(436~495 nm)、绿边(495~566 nm)、吸收谷和反射峰的最大反射率及反射率总和等16个高光谱特征参数与叶绿素含量之间的相关性进行了分析,并结合偏最小二乘回归法(partial least-squares regression,PLSR)对叶绿素含量进行高光谱建模及验证。结果表明:1)对特定的16个光谱特征参数而言,光谱特征参数绿边最大反射率与春小麦叶绿素质量分数之间的决定系数最低(R~20.5);决定系数较高(R~2≥0.5)的光谱特征参数包括蓝边最大反射率、蓝边反射率总和、黄边最大反射率、黄边反射率总和、红边最大反射率、红边反射率总和、绿边反射率总和、820~940 nm反射率总和及最大反射率、500~670 nm归一化吸收深度和560~760 nm归一化吸收深度,其中820~940 nm反射率总和决定系数达到最高(R~2为0.8);2)利用16个特征参量进行PLSR建模后,发现波段范围在820~940 nm的最大反射率及反射率总和所建立的PLSR估算模型为最优模型,其精度参数R~2p=0.8、RMSEp=2.0 mg/g、RPD=3.2。因此,该模型具有极好的预测能力。该研究为相关研究及当地精准农业提供科学支持和应用参考。     

柑橘叶片叶绿素含量高光谱无损检测模型

针对柑橘叶片叶绿素含量的传统化学检测,不仅耗时长且损伤柑橘叶片,还依赖检测者实操技术,无法集成于精细农业中变量喷施农机具的诸多弊端,该文探讨快速无损检测柑橘叶片叶绿素含量方法。以117棵园栽萝岗甜橙树为研究对象,选用ASD Field Spec 3光谱仪对萌芽期、稳果期、壮果促梢期、采果期共4个生长时期的柑橘叶片进行高光谱反射率采集,并同步采用分光光度法测得叶片的叶绿素含量;以原始光谱及其变换形式作为模型输入矢量,分别在主成分分析(principle component analysis,PCA)降维的基础上利用支持向量机回归(support vector regression,SVR)算法和在小波去噪的基础上利用偏最小二乘回归(partial least square regression,PLSR)算法对柑橘叶片叶绿素含量进行建模预测,全生长期整体建模的校正集和验证集最佳模型决定系数R2分别为0.8713和0.8670,均方根误差RMSE(root-mean-square error)分别为0.1517和0.1544,试验结果表明,高光谱可快速无损地对柑橘叶片叶绿素含量进行精确的定量检测,为柑橘不同生长期的营养监测提供理论依据。     

基于高光谱成像技术的猪肉新鲜度评价

该文研究利用高光谱成像技术预测猪肉新鲜度参数,挥发性盐基氮(TVB-N)和pH值。在470～1000nm波长范围内,从高光谱图像中提取的反射光谱,分别经过2次Savitzky-Golay(S-G)平滑、多元散射校正(MSC)处理后,建立PLSR(偏最小二乘法)的预测模型。对TVB-N的预测,使用2次S-G平滑处理、MSC光谱建立的PLSR预测模型相关系数分别为0.90和0.89,预测模型标准差分别为7.80和8.05。对pH值的预测,经过MSC处理比2次S-G平滑处理的结果好,相关系数为0.79,预测模型标准差为0.37。同时综合2个参数利用MSC处理后的预测模型对猪肉新鲜度进行评定,准确率达91%。研究结果表明,高光谱成像技术可以用于猪肉新鲜度快速无损检测。     

基于高光谱的冬油菜叶片磷含量诊断模型

为快捷、无损和精准表征冬油菜磷素营养与冠层光谱间的定量关系,该文以连续3a田间试验为基础,探究叶片磷含量的敏感波段范围及光谱变换方式,明确基于高光谱快速诊断的叶片磷含量有效波段,降低光谱分析维度,提高磷素诊断时效性。以2013-2016年田间试验为基础,测定不同生育期油菜叶片磷含量和冠层光谱反射率。此后,对原初光谱(raw hyperspectral reflectance,R)分别进行倒数之对数(inverse-log reflectance,log(1/R))、连续统去除(continuum removal,CR)和一阶微分(first derivative reflectance,FDR)光谱变换,采用Pearson相关分析确定叶片磷含量的敏感波段区域。在此基础上,利用偏最小二乘回归(partial least square,PLS)构建最优预测模型并筛选有效波段。结果表明,油菜叶片磷含量的敏感波段范围为730~1300 nm的近红外区域;基于敏感波段的FDR-PLS模型预测效果显著优于其他光谱变换方式,建模集和验证集决定系数(coefficient of determination,R2)分别为0.822和0.769,均方根误差(root mean square error,RMSE)分别为0.039%和0.048%,相对分析误差(relative percent deviation,RPD)为2.091。根据各波段变量重要性投影(variable importance in projection,VIP)值大小,确定油菜叶片磷含量有效波段分别为753、826、878、995、1 187和1 272 nm。此后,再次构建基于有效波段的油菜叶片磷含量估算模型,R2和RMSE分别为0.678和0.064%,预测精度较为理想。研究结果为无损和精确评估冬油菜磷素营养提供了新的研究思路。     

利用近红外漫反射光谱技术进行苹果糖度无损检测的研究

利用近红外漫反射光谱技术,研究了1300～2100 nm波长范围内无损检测苹果糖度的可行性。采集了每个苹果去皮前、后最大横径上四个点的近红外平均光谱和整个苹果的糖度值。采用主成分回归(PCR)和偏最小二乘法(PLS)对试验数据进行了多元统计分析。结果表明：在1300～2100 nm波长范围内无损检测(即带皮检测)苹果的糖度是可靠的,并且PLS模型的性能更优于PCR模型。本文还对用单测点光谱和多测点平均光谱建立的糖度模型进行了研究,结果表明用单测点光谱预测整个苹果的糖度,其精度明显低于多测点平均光谱。这说明用苹果上一个点的光谱来预测整个苹果的糖度,其精度是不够的。因此,在利用近红外漫反射光谱在线检测苹果糖度时,作者建议采用多个光纤探头来采集多点光谱,然后取其平均值预测。     

基于高光谱图像技术的雪花梨品质无损检测

为探讨基于高光谱图像技术对雪花梨品质进行无损检测的可行性,研究了利用高光谱图像系统提取雪花梨中糖和水的光谱响应和形态特征参数,获取样品含糖量和含水率的敏感水分吸收光谱带,利用人工神经网络建立雪花梨含糖量和含水率预测模型及利用投影图像面积预测雪花梨鲜重。结果表明,基于高光谱图像技术对雪花梨品质进行无损检测是可行的。雪花梨含糖量预测值和实际值间相关系数R为0.996,误差平均值为0.5°Brix;含水率预测值和实际值间相关系数R为0.94,相对误差平均值为0.62%;鲜重预测值和实际值间相关系数R为0.93。     

土壤盐渍化高光谱特征分析与建模

基于高光谱遥感技术快速、无损的检测优势,以新疆渭干河-库车河三角洲绿洲为例,探讨利用反射光谱来预测土壤含盐量的可行性。利用野外采集的土壤样本,在实验室内测得了土壤含盐量及原始光谱反射率。利用光谱分析技术计算高光谱指数,与土壤样本含盐量进行相关性分析,筛选出土壤含盐量的光谱特征波段,基于逐步多元线性回归和偏最小二乘回归建立土壤盐分动态监测模型。通过精度检验,结果表明:基于偏最小二乘回归方法,以对数二阶微分光谱特征波段所构建的盐渍化遥感监测模型最优,模型的稳定性和预测精度最高。利用反射光谱来预测土壤含盐量可实现区域尺度上的土壤盐渍化实时监测和评价。     

基于高光谱遥感土壤有机质含量预测研究

高光谱遥感技术是土壤养分含量监测的一种先进手段,能及时、准确地监测滨海滩涂土壤养分的动态变化,对滨海湿地生态环境保护具有重要意义。以辽河三角洲滨海湿地滩涂为研究对象,在对地面高光谱数据与实验室样本理化性质分析的基础上,经过微分以及连续统去除法相关分析,分别建立了多元线性回归模型和偏最小二乘法(PLSR)模型,并对模型结果进行分析、比较。结果显示,连续统去除法能有效的提高有机质含量与光谱反射率之间相关性,基于此变换所建立的多元线性回归模型R2达到了0.7545,RMSE为1.2216;偏最小二乘模型R2达到了0.8792,RMSE为1.2299。所建模型具有预测土壤有机质含量的潜力,其中偏最小二乘法优于多元线性回归法。     

基于高光谱图像的鸡种蛋孵化早期胚胎性别鉴定

为了对鸡种蛋孵化早期胚胎进行性别鉴定,构建了高光谱图像采集系统,在400~1 000 nm范围内获取94枚种蛋孵化0~12 d的高光谱透射图像。分别在胚胎的圆头、中间、尖头3个部位选择感兴趣区域(region of interest,ROI),获取400~1 000 nm波段的响应信号,构建了支持向量机(support vector machine,SVM)、偏最小二乘判别分析(partial least squares discriminant analysis,PLSDA)和人工神经网络(artificial neural network,ANN)的鸡胚胎性别鉴定模型,并比较了不同孵化时间雌雄胚胎的鉴别准确率。试验结果表明,SVM模型、PLSDA模型和ANN模型均对孵化第10天种蛋中间部位检测效果最好。随后通过分析第10天种蛋中间部位光谱响应的差异,选取600~900 nm的光谱值构建胚胎性别鉴定模型,结果发现,3种模型的判别准确率均有上升,SVM模型和PLSDA模型预测集样本判别准确率均为75.00%,ANN模型预测集样本判别准确率达到82.86%。其中,ANN构建的种蛋孵化胚胎性别检测模型的整体效果优于SVM模型和PLSDA模型。结果表明高光谱图像技术在检测鸡种蛋孵化早期胚胎性别方面有一定效果,但种蛋蛋壳的个体差异会对鉴定准确率造成一定影响。     

利用高光谱成像技术和多变量校正方法检测苹果的硬度（英）

高光谱图像集图像信息与光谱信息于一身,应用于农产品品质无损检测领域。该研究尝试利用高光谱图像技术结合多变量校正方法检测苹果硬度的可行性。试验通过获取的高光谱图像中提取有效的光谱信息来建立预测苹果硬度的预测模型。在建立模型过程中,偏最小二乘（PLS）和支持向量回归（SVR）两种多变量校正方法被比较,结果表明在785.11～872.45 nm范围内,SVR模型的性能优于PLS模型,模型对硬度预测结果的相关系数为0.6808。试验结果表明高光谱图像技术可以被用来检测苹果的硬度。     

基于近红外高光谱成像技术鉴别杂交稻品系

种子的筛选和鉴别是农业育种过程中的关键环节。该文基于近红外高光谱成像技术(874~1 734 nm)结合化学计量学方法以及图像处理技术实现杂交稻种的品系鉴别及可视化预测。采集了3类不同品系共2 700粒杂交水稻的高光谱图像,用SPXY算法,按照2∶1的比例划分建模集和预测集。基于水稻样本的光谱特征,采用主成分分析(PCA)方法初步探究3类样本的可分性。采用连续投影算法(SPA),提取出7个特征波长:985.08、1 106、1 203.55、1 399.04、1 463.19、1 601.81、1 645.82 nm。基于特征波长和全波段光谱,建立了偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。试验结果表明,所建模型判别效果较好,识别正确率均达到了90%以上,其中,SVM模型的判别效果优于PLS-DA模型,基于全谱的判别分析模型结果优于基于特征波长的判别模型。结合SPA-SVM校正模型和图像处理技术,生成样本预测伪彩图,可以直观的鉴别不同品系的水稻种子。结果表明,近红外高光谱成像技术可以实现杂交稻的品系识别及可视化预测,为农业育种过程中种子的快速筛选及鉴定提供了新思路。     

柑橘黄龙病高光谱早期鉴别及病情分级

为实现柑橘黄龙病的早期、快速确诊,有效阻止病害蔓延,达到早期防治、保障柑橘生产的目的,该文研究基于高光谱成像的柑橘黄龙病早期无损检测及病情分级,并对多种预处理方法的建模结果进行探讨。试验获取370～1 000 nm健康、不同染病程度及缺锌共5类柑橘叶片的高光谱图像,用遥感图像处理平台(environment for visualizing images,ENVI)得到各类样本感兴趣区域的光谱反射率平均值。运用一阶微分、移动窗口拟和多项式平滑(savitzky-golay,SG)进行数据处理,结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)构建黄龙病的早期鉴别及病情分级模型。结果表明:建立的3个判别模型,验证集相关系数均不低于0.9548。其中,经SG平滑及一阶微分预处理所建立的模型分类效果最佳,总体预测准确率达96.4%,预测均方根误差0.1344。该研究为柑橘病害早期诊断和预警提供了新方法,也为黄龙病病害程度遥感监测提供了基础。     

基于高光谱图像及深度特征的大米蛋白质含量预测模型

为了充分挖掘高光谱图像的光谱信息和图像信息,实现大米中蛋白质含量的无损检测,该文提出一种堆叠自动编码器(stackedauto-encoder,SAE)提取高光谱图像深度特征的方法,在高温(45℃)高湿(95%相对湿度)条件下对市售大米进行放置处理,以6组不同放置时间(0,24,48,72,96和120h)共420个大米样本(每组70个)为对象,利用可见光/近红外高光谱成像仪采集高光谱图像(400～1 000 nm,共478个波段),采用阈值分割法获取样本高光谱图像掩膜,分别提取掩膜后高光谱图像感兴趣区域(region of interest,ROI)的平均光谱信息和图像信息。应用多项式平滑(savitzky-golay,SG)对获取的光谱曲线进行预处理,利用SAE提取光谱深度特征,采用支持向量机回归(support vector regression,SVR)建立预测模型,结果表明训练集决定系数RC2、训练集均方根误差RMSEC、预测集决定系数RP2和预测集均方根误差RMSEP分别为0.976 2、0.068 6 g/(100 g)、0.939 2和0.115 3 g/(100 g)。将图像尺寸统一为28像素?28像素的灰度图并扁平化处理,利用SAE提取图像深度特征,结果表明RC2、RMSEC、RP2和RMSEP分别为0.915 4、0.051 0 g/(100 g)、0.821 0和0.111 8 g/(100 g)。进一步融合光谱信息和图像信息,结果表明RC2、RMSEC、RP2和RMSEP分别为0.971 0、0.077 2 g/(100 g)、0.964 4和0.085 1 g/(100 g),相较于光谱信息,RP2提升幅度2.68%;相较于图像信息,RP2提升幅度17.47%。研究表明,充分挖掘大米样本高光谱图像中的光谱信息和图像信息并进行融合,利用SAE提取光谱-图像融合深度特征,可有效提高模型的预测精度,为大米蛋白质含量无损检测提供了理论依据,具有良好的应用前景。     

基于高光谱成像的苹果虫害检测特征向量的选取

利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速、准确、无损检测。本文首先对646 nm波长的特征图像进行阈值分割、膨胀与腐蚀运算获得掩膜图像,并利用掩模图像对高光谱图像进行掩模和主成分分析,对获得的PC1(the first principal component,第一主成分)图像进行最大熵阈值分割以有效提取虫害区域。然后对比分析虫害区域与正常区域图像的纹理特征,提取灰度共生矩阵的4个方向的4个纹理参数(能量、熵、惯性矩和相关性),并且采用基于高光谱图像的光谱差值获取了2个特征波长对应的光谱相对反射率作为光谱特征。优化组合纹理特征和光谱特征成4个特征向量组,采用BP(back propagation,反向传播)神经网络对正常苹果和虫害苹果进行检测。结果表明,融合0度方向的能量、熵、惯性矩和相关性的纹理特征和646、824 nm波段的相对光谱反射率的光谱特征进行检测识别效果最好,正常果的识别率为100%,虫害果的识别率为100%,并且速度快、误差小。该研究所获得的特征向量可为开发多光谱成像的苹果品质检测和分级系统提供参考。     

基于激光拉曼光谱的脐橙内部品质无损检测

论文初步探讨了运用激光拉曼光谱技术来检测脐橙内部品质的方法。应用激光拉曼光谱仪获取脐橙拉曼谱线,通过对拉曼谱线处理与分析得到了预测脐橙果肉糖度和硬度的谱线特征值,以四个谱线特征值为输入参数、脐橙糖度和硬度为输出建立了三层BP神经网络模型。结果表明,模型的糖度预测值与实测值之间的误差总体方差为0.0656,模型的硬度预测值与实测值之间的误差总体方差为0.0062。研究表明,采用激光拉曼光谱技术检测脐橙内部品质是可行的。     

高光谱成像技术快速检测生物质秸秆元素含量

为了探讨生物质秸秆元素含量的快速检测方法,该文运用高光谱成像技术,结合多种数据优选方法对生物质秸秆中N、C、H、S、O元素含量快速检测的可行性进行研究。选取玉米、水稻、小麦、油菜4种类别共计188个秸秆样本,采集其反射高光谱图像,并测定元素含量。采用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)算法选取元素检测敏感变量,提取光谱维数据,结合偏最小二乘(partial least squares,PLS)算法,建立了基于高光谱光谱维数据的元素定量分析模型,N元素采用24个变量建立模型,验证集相关系数为0.923,均方根误差(root mean square error of validation set,RMSEP)为0.196%,相对分析误差(relative analysis error,RPD)为3.11;O元素仅采用10个光谱变量建立模型,验证集相关系数为0.876,均方根误差为1.015%,相对分析误差为2.32,N、O元素的模型可以用于实际应用;C、H、S元素相验证集相关系数均小于0.80,无法实际应用分析。采用独立成分分析(independent component analysis,ICA)算法结合权重系数法,提取IC1-IC5分析图像中特征光谱波段为572.09、643.69、685.14、766.79、819.55、964.01 nm,用6个特征光谱变量建立基于高光谱图像维数据的秸秆元素定量分析模型,N、C、H、S和O 5种元素无法用于实际检测。研究结果表明,采用高光谱成像技术并应用光谱维数据结合CARS-PLS算法可以实现秸秆N、O元素的有效检测。     

基于高光谱信息融合和相关向量机的种蛋无损检测

为了尽可能早的检测出无精蛋和受精蛋,该文提出采用透射高光谱成像技术,融合图像和光谱信息,对其受精信息进行检测。利用高光谱图像系统采集孵化前种蛋在400~1 000 nm的高光谱图像,提取图像特征(长短轴之比、伸长度、圆度、蛋黄面积与整蛋面积之比);筛选出400~760 nm的波段,通过Normalize预处理结合相关系数法提取155个光谱特征变量;运用主成分分析法对图像和光谱的融合信息进行降维,采用相关向量机(relevance vector machine,RVM)分别建立基于图像、光谱和图像-光谱融合信息的受精蛋和无精蛋分类判别模型,并与支持向量机(support vector machine,SVM)模型进行比较,RVM模型检测正确率分别为90%,91%,96%;测试集检测时间分别为0.6619,1.0821,0.5016 s。SVM模型检测正确率分别为84%,90%,93%;测试集检测时间分别为5.9386,5.9886,5.6672 s。结果表明,基于图像-光谱融合所建立的模型优于单一信息的模型,在分类精度上,采用RVM分类精度高于SVM的分类精度;在分类时间上,RVM的分类时间比SVM短,因此,利用高光谱融合信息和相关向量机可以提高种蛋检测精度,研究结果为孵前无精蛋和受精蛋的在线实时检测提供参考。     

基于高光谱漫透射成像整体检测番茄可溶性固形物含量

为了实现番茄可溶性固形物含量（soluble solids content,SSC）的有效检测,提出高光谱漫透射成像检测方法,对比该成像方式下不同姿态（果脐端面姿态BS、赤道圆周3姿态C1、C2、C3以及组合姿态C1C2C3）的检测效果。首先对采集的不同姿态光谱图像,通过剪裁消除图像边缘噪声。针对圆周赤道面姿态C1、C2和C3,进行了拼接处理,获得组合姿态图像 C1C2C3。其后对以上5种姿态图像进行单波段背景分割,获取目标区域,并统计不同姿态下番茄漫透射平均光谱。最后利用漫透射光谱结合偏最小二乘回归（partial least squares,PLS）方法,对番茄SSC分别在450～720、720～990、450～990 nm 3个波段进行定量分析。结果表明,组合姿态C1C2C3在3个波段区域上整体检测效果优于单个姿态的检测效果,其模型验证集均方根误差（root mean squared error of prediction,RMSEP）分别为0.299%、0.133%、0.151%;相关系数rp分别为0.42,0.89,0.90。说明利用高光谱漫透射成像,获取组合姿态光谱图像,可以有效检测番茄SSC。