基于高光谱成像的枇杷果实品质检测

采用高光谱成像技术(HSI)在可见/近红外(363～1 026 nm)区域检测枇杷果实的可溶性固形物(SSC)和硬度,并判断其成熟度,以实现枇杷果实品质的无损检测和分级分选.利用蒙特卡洛法(MC)剔除异常样本,基于联合X-Y距离(SPXY)进行建模集和预测集样本的划分,再采用竞争性自适应权重采样算法(CARS)和连续投影算法(SPA)选取特征波长,与全波段光谱(FS)比较,分别建立偏最小二乘回归(PLSR)模型.结果显示,CARS-PLSR模型更优,CARS提取的SSC特征波长和硬度特征波长分别占总波长的8.52%和5.36%,枇杷果实中SSC和硬度的建模集相关系数R_c分别为0.981 7,0.970 7,预测集相关系数R_p分别为0.918 5,0.742 3,说明CARS能有效地对光谱进行降维,简化了数据处理过程.枇杷果实SSC和硬度的变化与果实成熟度显著相关,建立判别偏最小二乘法(DPLS)成熟度预测模型,预测集总识别准确率为89.29%.由此说明,高光谱成像技术可对枇杷品质进行有效检测,为枇杷果实的无损检测和分级分选提供了理论依据.     

基于NIR高光谱成像技术的番茄叶片叶绿素含量检测

利用近红外高光谱成像技术对番茄叶片叶绿素含量的无损检测进行初步探讨。通过高光谱成像系统(900～1 700 nm)采集了192个番茄叶片图像,基于偏最小二乘回归模型(PLSR)对光谱进行样本集划分,对原始光谱与Kubelka-Munk函数曲线及多种光谱预处理的偏最小二乘回归模型进行对比分析,优选出多元散射校正(MSC)为预处理方法。采用5种方法提取特征波长,并根据特征波长建立偏最小二乘回归、多元线性回归(MLR)、主成分回归(PCR)3种模型的叶片叶绿素含量预测模型。结果表明,建立无信息变量消除法(UVE)挑选特征波长的偏最小二乘回归模型最优,其预测集的相关系数(R_P)为0.8495,均方根误差(RMSEP)为4.3375。因此,利用近红外高光谱成像技术提取特征波长进行叶绿素含量检测是可行的,同时也为今后番茄品质在线检测提供了理论依据。     

基于近红外光谱与随机青蛙算法的褐变板栗识别

为了实现板栗Castanea mollissima的快速自动分选,研究了基于近红外光谱技术的褐变板栗无损检测方法。首先采用Antaris Ⅱ傅里叶变换近红外光谱仪获取70个正常板栗和110个褐变板栗的近红外光谱（1 000.00～2 500.00 nm）,比较了不同光谱预处理方法对褐变板栗识别的影响,随后采用一种新的变量选择方法即随机青蛙算法（random frog）提取与板栗褐变相关的特征波长变量,最后基于特征波长建立和比较了褐变板栗识别的偏最小二乘?鄄线性判别分析模型（PLS-LDA）和最小二乘-支持向量机（LS-SVM）模型。结果显示:经标准正态变量变换（SNV）预处理和随机青蛙算法优选的23个特征波长所建LS-SVM模型的性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为0.92,1.00和95.00%。随机青蛙算法可以有效筛选重要的特征变量,不仅能简化模型,而且可以提高识别准确率和识别速度。图4表3参22     

基于高光谱成像检测猕猴桃冷害的研究

[目的]本文旨在建立基于高光谱成像技术检测猕猴桃冷害的方法,实现猕猴桃冷害的无损甄别.[方法]以'红阳'猕猴桃为材料,通过分析其400～1000 nm和1000～2000 nm波段下的光谱,比较不同预处理下的偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型,选出正确率较高的模型,对该方法构建全波段和特征波段...     

基于光谱技术的土壤快速分类方法研究

针对浙江省4种典型土壤,研究应用可见-近红外光谱、近红外光谱和中红外光谱3个波段范围进行土壤快速分类的方法.在获取光谱信息的基础上,采用不同光谱建模方法以提高检测精度,简化分析计算;并分别采用主成分分析结合人工神经网络(PCA-ANN/BP)、偏最小二乘法(PLS)和偏最小二乘法结合人工神经网络(PLS-ANN)3种方法进行建模.结果表明:中红外光谱波段对土壤分类的效果不理想,而可见-近红外光谱、近红外光谱波段均能较好地进行土壤分类;在可见-近红外波段,PLS-ANN模型对土壤的分类效果优于PCA-ANN/BP和PLS模型,为土壤快速准确分类提供了一种简便可行的方法.     

基于近红外光谱的腐皮镰孢菌侵染香蕉过程表征研究

香蕉在采后贮运过程极易受致病菌侵染腐烂,实现香蕉果实(以下简称蕉果)致病菌侵染程度的判别有利于潜在染病果实的及时检出和采取科学的防控措施.以腐皮镰孢菌(Fusarium solani)侵染的蕉果为对象,通过采集致病菌侵染不同阶段的蕉果的近红外光谱(930～1 650 nm)数据,基于全波段数据,对比不同光谱预处理方法对模型的影响后,分别建立了基于原始光谱的主成分-支持向量机判别模型(Principal component analysis-support vector machine classification, PCA-SVM)与偏最小二乘判别(Partial least squares discriminant analysis, PLSDA)模型,均取得了较好的判别效果,其验证集的判别准确率分别为83.33%和76.67%.利用竞争自适应重加权采样(Competitive adaptive reweighted sampling, CARS)算法进一步筛选出10个特征波长变量(1 117.5、1 140.7、1 146.4、1 255.5、1 284.0、1 312.5、1 4...     

基于偏最小二乘回归的玉米蛋白质含量鉴定

以10 000～4 000 cm-1波段的近红外光谱响应数据和常规生化方法检测的玉米蛋白质含量为样本数据,先对光谱响应数据进行小波去噪处理,并利用平滑技术对其降维,构建基于以光谱响应数据为输入、蛋白质含量为输出的偏最小二乘回归模型.仿真计算结果表明,利用偏最小二乘回归模型,可以较准确地预测玉米蛋白质含量,结合预测表达式回归系数和变量投影重要性指标VIP得到与蛋白质含量相关性较大的若干波段对应的光谱响应数据,模型在一定程度上揭示了蛋白质含量和光谱响应数据之间的数量关系.     

近红外光谱技术结合PLS和SPA检测鲜冬枣表面农药残留量的方法

以喷洒不同浓度毒死蜱的鲜冬枣为研究对象,研究近红外光谱技术结合偏最小二乘法(PLS)和连续投影算法(SPA)检测鲜冬枣表面农药残留的方法。运用AntarisⅡ近红外光谱仪对喷洒不同浓度的毒死蜱的鲜冬枣样品进行扫描,首先建立全波段PLS模型,然后应用SPA提取特征波长,作为PLS的输入变量,建立SPA-PLS模型,将全波段PLS模型和SPA-PLS模型进行比较。经SPA提取5个特征波长建立的模型,使用变量数仅占全波段的0.32%,但建立的冬枣表面农药残留模型的准确度和精度优于全波段所建立的模型。近红外光谱技术结合SPA和PLS建立鲜冬枣表面不同浓度毒死蜱农药残留的模型是可行的,同时SPA算法简化模型复杂度,提高模型精度及稳定性。     

稻叶瘟对水稻光谱特性的影响研究

本文通过对4个感染不同等级稻叶瘟的水稻冠层反射光谱进行测试，并对光谱反射曲线进行微分分析，研究了绿光区、红光区和近红外区反射光谱的变异特征。结果表明：绿光区、红光区和近外区的水稻冠层光谱反射率随病情程度的加重分别呈现下降、上升和下降的趋势；绿光吸收边缘的特征波长值发生红移，红光吸收边缘和近红外吸收边缘的特征波长值发生蓝移。受害轻时近红外区反射率变化幅度大，受害重时绿光区和红光区反射率变化幅度大。本研究为应用遥感技术早期探测稻叶瘟的发生提供了实验依据。     

近红外光谱法无损检测番茄可溶性固形物含量的研究

应用近红外漫反射光谱技术对番茄可溶性固形物含量进行了非破坏性检测分析,比较了10种不同的光谱预处理方法对偏最小二乘法(PLS)模型的影响.结果表明,常数偏移消除是适合建立近红外光谱法无损检测番茄可溶性固形物含量PLS模型的最优光谱预处理方法,最能反映番茄可溶性固形物含量信息的光谱波段为11998.9-5449.8cm-1和4601.3～4246.5 cm-1.用偏最小二乘法建立的定量分析模型,其预测值和实测值的相关系数为0.954,校正标准差为0.321%,预测标准差为0.475%.近红外漫反射光谱法可非破坏性分析番茄中可溶性固形物的含量.     

基于可见-近红外光谱预处理建模的土壤速效氮含量预测

以皖南地区采集的188份黄红壤样本为研究对象,利用地物非成像光谱仪获取原始光谱数据。首先,分析样本在350~1 657 nm波段经过预处理变换的平均光谱反射率曲线特征,再基于原始光谱,以及经29种预处理变换后的光谱,分别结合偏最小二乘回归(PLSR)和径向基核函数(RBF)-PLSR算法,建立60个针对土壤速效氮含量的预测模型,并进行模型优化;然后,以模型的决定系数(R²)和相对分析误差(RPD)来评价模型性能。结果显示,基于Savitaky-Golay卷积平滑和对数变换预处理的光谱,用PLSR建立的模型最适用于土壤速效氮含量的校正预测,其在建模集中R²=0.94、RPD=3.88,预测集中R²=0.91、RPD=3.38。该模型达到A类预测精度,可实现对土壤速效氮含量的定量估测。     

基于成像高光谱的小麦冠层白粉病早期监测方法

[目的]本研究利用近地面成像高光谱仪,获取接种白粉病菌后的小麦田间冠层时序影像,探索光谱信息与纹理信息的结合在冠层尺度上早期监测小麦白粉病的能力和表现.[方法]本试验以不同年份、不同抗病性小麦品种的田间试验为基础,利用连续小波(continuous wavelet transform,CWT)方法提取对小麦白粉病敏感的...     

基于正交信号校正的Vis-NIR光谱土壤质地预测

为提高基于VIS-NIR光谱的土壤质地预测精度,引入了正交信号校正(OSC)光谱预处理算法。分别用原始光谱、微分处理、OSC处理光谱,建立偏最小二乘回归(PLSR)模型。结果表明,OSC-PLSR模型验证精度高于其他两种方法所建模型,砂粒含量OSC-PLSR模型的RMSEp为5.94,粘粒含量OSC-PLSR模型RMSEp为1.25,相比PLSR模型,分别降低22.22%和9.42%。OSC算法在土壤质地的VIS-NIR反演中能有效消除不相关因素的影响,提高模型预测精度。     

基于图像的水稻纹枯病智能测报方法

[目的]目前水稻纹枯病测报依赖人工调查水稻发病丛数、株数和每株严重度来计算其病情指数,操作专业性强,费时费力且数据难以追溯.本研究提出基于图像的水稻纹枯病病斑检测模型和发生危害分级模型,为水稻纹枯病智能测报提供理论依据.[方法]利用便携式图像采集仪采集田间水稻纹枯病图像,研究不同目标检测模型(Cascade R-CNN...     

基于高光谱特征参数优选的土壤盐分含量建模及其验证

目的 研究不同维度光谱变换下土壤盐分反演模型及其验证。方法 以博斯腾湖西岸湖滨绿洲为研究区,面向ASD高光谱数据,利用17种一维数学变换光谱和3种二维变换光谱指数,分别与实测土壤盐分进行相关分析,得到0.01显著性检验水平下初步优选的光谱特征参数,基于VIP准则选入最佳自变量实现PLSR模型构建,进行精度验证。结果 研究区干季土壤平均反射率随含盐量的增加而高于湿季土壤平均反射率,尤其体现在590、800、1 810、2 150 nm处;17种一维单波段光谱变换中,对数倒数的一阶微分(1/lgR)变换与土壤盐分含量相关性最好,峰值敏感波段为1 083 nm,相关系数绝对值|r|最高达0.63;3种二维两波段光谱变换中,归一化光谱指数NDSI(R_{1 780},R_{1 742})与土壤盐分含量相关性最好,相关分析决定系数R ²最大值为0.57;基于特征归一化光谱指数结合VIP准则进行自变量筛选的PLSR估算模型效果最佳,土壤盐分建模集和验证集的决定系数 {R_{\mathrm{V}}}^2 达0.77,均方根误差RMSEV为0.64 g/kg,相对分析误差RPD为2.11。 结论 利用归一化光谱指数NDSI建立PLSR高光谱模型可有效地对研究区土壤盐分进行定量估算。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

基于高光谱的水稻叶片氮素营养诊断研究

为快速、准确地实现水稻氮素营养诊断,以中嘉早17水稻为试验对象,设置4种施氮水平的水稻栽培试验,利用便携式地物波谱仪获取240组水稻分蘖期顶三叶在350~2 500 nm的光谱数据。随机将样本划分为训练集(160个样本)和测试集(80个样本)。首先,通过多元散射校正(MSC)、变量标准化校正(SNV)、平滑算法(SG)3种方法分别对原始光谱进行预处理;然后,采用主成分分析(PCA)和连续投影算法(SPA)对预处理后的光谱进行特征降维,选取累积贡献率超过99.98%的前24个主成分作为模型的输入变量,对于经过MSC、SNV和SG处理后的光谱数据,还分别筛选出12、15、19个特征波长;最后,应用支持向量机(SVM)基于上述处理分别建立水稻氮素营养诊断模型。结果表明,采用MSC-PCA-SVM模型进行水稻氮素营养诊断的识别准确率最高,其在训练集和预测集上的准确率分别达99.38%和97.50%。     

Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements

Powdery mildew (Blumeria graminis) is one of the most destructive diseases, which has a significant impact on the production of winter wheat. Detecting powdery mildew via spectral measurement and analysis is a possible alternative to traditional methods in obtaining the spatial distribution information of the disease. In this study, hyperspectral reflectances of normal and powdery mildew infected leaves were measured with a spectroradiometer in a laboratory. A total of 32 spectral features (SFs) were extracted from the lab spectra and examined through a correlation analysis and an independent t-test associated with the disease severity. Two regression models: multivariate linear regression (MLR) and partial least square regression (PLSR) were developed for estimating the disease severity of powdery mildew. In addition, the fisher linear discriminant analysis (FLDA) was also adopted for discriminating the three healthy levels (normal, slightly-damaged and heavily-damaged) of powdery mildew with the extracted SFs. The experimental results indicated that (1) most SFs showed a clear response to powdery mildew; (2) for estimating the disease severity with SFs, the PLSR model outperformed the MLR model, with a relative root mean square error (RMSE) of 0.23 and a coefficient of determination (R²) of 0.80 when using seven components; (3) for discrimination analysis, a higher accuracy was produced for the heavily-damaged leaves by FLDA with both producer’s and user’s accuracies over 90%; (4) the selected broad-band SFs revealed a great potential in estimating the disease severity and discriminating severity levels. The results imply that multispectral remote sensing is a cost effective method in the detection and mapping of powdery mildew.     

基于可见-近红外光谱变量选择的土壤全氮含量估测研究

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析（PCA）、无信息变量消除（UVE）和无信息变量消除后结合连续投影（UVE-SPA）3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归（PLSR）模型、最小二乘-支持向量机（LS-SVM）、反向传播神经网络（BPNN）和遗传算法优化的反向传播神经网络（GA-BPNN）模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数（R2）、均方根误差（RMSEp）和相对偏差（RPD）分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。     

基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。