番茄叶片叶绿素含量光谱估算模型

以番茄品种“金粉2号”为试验材料,在玻璃温室内设置3种土壤水分胁迫水平,以正常灌溉为对照,于2013年3—7月和8—12月两个生长季对番茄进行全生育期持续处理。采用便携式地物光谱仪测定各生育期番茄冠层的光谱反射率,同步测定叶片总叶绿素和叶绿素a含量,并基于3—7月数据计算常见高光谱植被指数,分别建立番茄叶片叶绿素总量和叶绿素a估算模型,用8一12月生长季的试验数据对模拟精度进行检验。结果表明：（1）水分胁迫对番茄叶片总叶绿素、叶绿素a含量和番茄冠层光谱反射率产生明显影响,水分胁迫越严重,叶绿素总量和叶绿素a含量均越低,番茄冠层光谱反射率也越低;（2）随着生育期的推进,番茄总叶绿素和叶绿素a含量均持续增加,而冠层光谱反射率在红光和蓝光波段的反射率逐渐减少;（3）4种估算模型中R670模型的决定系数（R。）最高,效果最佳（P〈0．01）,番茄叶片总叶绿素和叶绿素a最佳估算模型分别为：C_chl（a＋b）=44．83R670＋_670＋7.36,C_chl=39．92R_670＋5．12,均根方误差分别为0．45、0．42mg·g^-1,表明利用高光谱数据估算番茄叶片的叶绿素含量可行。     

基于太赫兹时域光谱技术的烟草组分识别

为了准确识别不同烟草配方组分,利用太赫兹时域光谱技术,针对烟草工业常用的叶丝、梗丝和再造烟叶丝3种烟草配方组分开展太赫兹光谱特性分析和分类识别方法研究。对0.35～1.50 THz范围内3种烟丝的吸收系数谱和折射率谱进行分析,通过低方差滤波结合主成分分析（Principal Component Analysis,PCA）进行光谱特征提取和降维,分别建立针对吸收谱和折射谱的支持向量机（Support Vector Machine,SVM）分类模型、最邻近分类（K-Nearest Neighbor,KNN）模型和袋装树（Bagged trees）分类模型。结果表明,基于吸收系数谱的分类模型准确率最高,低方差滤波结合PCA的特征提取算法能显著提高分类效果,其中KNN模型准确率达到98.3%。对频域光谱使用连续投影算法（Successive Projections Algorithm,SPA）特征提取并结合SVM模型,分类准确率也在90%左右。研究表明太赫兹时域光谱技术可应用于不同烟草组分的分类判别,为太赫兹技术在烟草物料无损检测的应用提供参考。     

基于高光谱的油麦菜叶片水分CARS-ABC-SVR预测模型

为了实现油麦菜生长期间更合理的灌水管理,研究一种基于高光谱技术的精确、快速、有效检测油麦菜叶片水分的新方法。以5种不同水分胁迫水平的油麦菜为研究对象,通过高光谱成像系统获取高光谱图像并利用干燥法测量叶片含水率。采用多项式平滑(Savitzky-Golay,SG)结合标准变量变换(standard normalized variable,SNV)对高光谱数据去噪平滑。利用竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)进行特征波长选择,并与逐步回归分析(stepwise regression,SR)及连续投影算法(successive projections algorithm,SPA)进行比较,利用支持向量回归机(support vector regression,SVR)分别建立油麦菜叶片全光谱数据、3种特征光谱数据与干基含水率的关系模型。结果表明,基于竞争性自适应加权算法波长选择的支持向量回归模型(CARS-SVR)效果最佳,但预测精度尚不够理想,故引入人工蜂群算法(artificial bee colony,ABC)优化模型的参数惩罚因子和核参数。最终,经人工蜂群算法优化后的模型(CARS-ABC-SVR)的预测集决定系数R2和均方根误差RMSE分别为0.9214和2.95%。因此,利用高光谱技术结合CARS-ABC-SVR模型预测油麦菜叶片水分含量是可行的。     

基于多信息融合的番茄冠层水分诊断

为精确、快速、稳定地测定番茄植株含水率并能全面检测其水分胁迫程度,该文通过将番茄冠层的反射光谱、多光谱图像、冠层温度特征及环境温湿度进行多信息融合,评判其水分胁迫状况。通过去除冠层光谱噪声波长,并进行相关性分析,确定950～1080nm、1170～1300nm、1370～1500nm、1600～1730nm和1860～1980nm为5个相关性较高的波段,并利用逐步回归,进一步筛选出1026、1247、1431、1640、1910nm为特征波长。对获取的中心波长为810nm近红外图像和560nm可见光图像进行3×3窗口的中值滤波,采用最大类间方差法进行图像分割,计算图像的平均灰度。获取番茄冠层温度,并结合环境温湿度信息,建立番茄的冠气温差模型和水分胁迫指数模型。将5个特征波长、单通道的近红外和可见光图像的灰度均值和CWSI作为多信息融合的输入,利用偏最小二乘-神经网络回归分析并进行了验证,最终得到实测值与预测值的相关系数为0.9364,验证均方根误差为10.6713,平均误差为7.6714%,拟合方程斜率为0.9615。多信息融合模型的各项评价指标均好于单一信息模型。     

基于近红外光谱的板栗水分检测方法

含水率是影响板栗贮藏、加工的关键指标之一,该文应用近红外光谱技术对板栗含水率进行快速无损检测。试验对240个板栗样本的带壳光谱和栗仁板栗光谱采用SPXY算法进行样本集划分,利用偏最小二乘法建立含水率定量检测模型,并对微分、多元散射校正、变量标准化等多种预处理方法对建模结果的影响进行比较。结果表明：栗仁和带壳板栗的光谱经一阶微分预处理后所建模型性能最佳,其中栗仁的水分检测模型校正集和验证集的相关系数分别为0.9359和0.8473,校正均方根误差为1.44%,验证均方根误差为1.83%;带壳板栗光谱所建模型校正集和验证集的相关系数分别为0.8270和0.7655,校正均方根误差为2.27%,验证均方根误差为2.35%。受栗壳的影响,带壳板栗光谱模型对含水率的预测精度低于栗仁光谱模型的预测精度。研究表明,近红外光谱分析技术可用于板栗含水率的快速无损检测。     

基于介电特性与IRIV-GWO-SVR算法的番茄叶片含水率检测

为了探究利用介电特性检测作物水分状况的可行性,研究了一种基于介电特性的有效、快速、精确检测番茄叶片含水率的方法。以300片不同含水率的番茄叶片为研究对象,通过LCR测量仪测定叶片在0.05~200 k Hz下的相对介电常数ε′和介质损耗因数ε″,并采用干燥法测量叶片含水率。利用迭代保留信息变量法(iteratively retains informative variables,IRIV)对介电参数进行特征变量选取,并与连续投影算法(successive projections algorithm,SPA)进行比较,利用支持向量回归机(support vector regression,SVR)分别建立叶片全变量、2种特征变量与叶片含水率的关系模型。结果表明,基于迭代保留信息变量法选取特征变量的支持向量回归模型(IRIV-SVR)具有良好的预测能力,但预测精度仍需提高,故引入灰狼优化算法(grey wolf optimizer,GWO)优化模型的参数c(惩罚因子)和g(核函数参数)。最终,经GWO优化后的模型(IRIV-GWO-SVR)的预测集决定系数R2与均方根误差RMSE分别为0.963 8,0.020 7。因此,利用介电特性结合IRIV-GWO-SVR算法预测番茄叶片含水率是可行的,同时为其他叶片含水率检测提供了一种新的方法和思路。     

被动荧光探测水分胁迫对玉米叶片影响的初步研究

利用叶绿素荧光被动探测方法初步探讨了水分胁迫对玉米叶片生理机能的影响。水分胁迫梯度通过将离体叶片放在干燥器时间不同而获得。室内采用积分球耦合ASD光谱仪，结合加/不加滤光片照明的方法得到反射率差值光谱，即代表叶绿素荧光光谱。结果表明随着叶片含水率的降低，叶绿素荧光发射峰的位置几乎没有变化，峰高在686 nm处有先上升后逐渐降低的趋势，在740 nm处则缓慢下降。双峰比值Dif₆₈₆/Dif₇₄₀与叶片含水率呈负相关关系(R²=0.3850，n=21)，不同水分胁迫程度下利用调制式荧光仪测定的荧光参数Fv/Fm与740 nm荧光光谱峰值线性正相关，与双峰比值有负相关趋势。表明该被动方法可以探测水分胁迫引起的叶片光系统受胁状况，为田间被动遥感探测植物叶绿素荧光和生理状态提供参考。     

基于透射光谱的玉米叶片水分含量快速检测

为实现玉米叶片水分含量快速检测,利用近红外光谱仪在300~1 700 nm采用透射法对玉米叶片水分含量进行快速检测。试验利用烘干法对叶片水分梯度进行控制,并测量玉米叶片的透射光谱曲线和含水率。对透射光谱数据采用Savitzky-Golay方法进行平滑预处理,滤除光谱波动噪声干扰。分析了叶片透射光谱与含水率之间的相关关系,通过相关性分析提取敏感波长800、932、1 423 nm;利用主成分分析法提取敏感波长478、748、1058和1 323 nm。综合二者敏感波长最终筛选出水分敏感波长800、1 323、1 058和1 423 nm。利用这4个波长的组合得到比值植被指数、差值植被指数和归一化植被指数等12种植被指数,选取了最优差值植被指数DVI(1423、800)与透射率T1 323和T1 058建立了玉米叶片含水率多元线性回归诊断模型,建模集决定系数Rc2=0.968 8,验证集决定系数Rv2=0.951 9,预测结果方根误差为0.061。结果表明,利用透射光谱技术检测的玉米叶片水分含量具有较高的精度,可为植物叶片水分快速检测仪器开发提供指导。     

番茄叶片气孔导度及渗透调节物质对快速水分胁迫的响应

本研究采用聚乙二醇(PEG-6000)溶液控制番茄的根际水势和利用光合仪控制叶面的空气湿度,监测叶片水势、气孔导度、渗透调节物质含量等指标的变化,揭示快速水分胁迫下番茄的应激性生理响应。结果显示,当Gs小于120 mmol.m 2.s 1时,水分胁迫处理番茄的叶片净光合速率(Pn)小于对照。空气饱和水汽压差(VPD)与番茄叶片Gs呈显著的负相关(R2≥0.892)。在同一空气湿度条件下,水分胁迫处理的番茄叶片Gs仅为对照的43%~51%。快速水分胁迫下番茄叶片的可溶性糖含量呈先增再降的波动,轻度和中度胁迫下可溶性糖含量比对照(0 min)分别增加61.4%~195.8%和56.0%~167.5%。可见,番茄叶片Gs为120 mmol.m 2.s 1是对Pn影响的一个重要阈值。气孔调节是适应快速干旱胁迫的重要应激性生理响应。可溶性糖对维持番茄叶片细胞膨压和适度气孔开度具有一定的渗透调节作用。     

基于太赫兹时域光谱技术的掺假川贝母检测

目前川贝母粉掺假现象层出不穷,严重影响了中药材市场的健康发展,因此对川贝母真伪进行检测意义重大。该研究以纯品川贝母粉以及5种含不同掺假物的川贝母粉样品为研究对象,探究太赫兹时域光谱技术在检测川贝母品质方面应用的可行性。先利用偏最小二乘判别（Partial Least Squares Discriminant Analysis, PLS-DA）对纯品川贝母粉以及掺假川贝母粉建立原始光谱的二分类模型。为了同时对多种含不同掺假物的川贝母样品进行鉴别,先对原始光谱采用多种单一预处理方法以及多种复合预处理方法进行处理,再利用主成分分析（Principal Component Analysis, PCA）对数据进行降维,最后建立支持向量机（Support Vector Machine, SVM）多分类模型。建立SVM多分类模型时,采用网格搜索（Grid Search）与粒子群（Particle Swarm Optimization, PSO）算法两种参数优化方式,对SVM的惩罚参数（c）与核参数（g）进行优化。结果显示：6个二分类模型的鉴别正确率均为100%,表明纯品川贝母粉与掺假样品的太赫兹时域光谱存在差异,归一化-MSC-PSO-SVM多分类模型效果较为理想,预测正确为95.67%,均方根误差为0.432。该研究可为检测分析川贝母品质提供一种理论经验借鉴。     

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。     

基于分焦平面偏振成像的冬青卫矛含水率快速无损检测

针对目前在植物含水率检测中存在的使用场景受限、含水率检测不及时等问题,该研究搭建了一套基于分焦平面偏振相机的偏振成像系统,通过对偏振成像信息的解析建立了线偏振度这一物理量与含水率的依赖关系,揭示了偏振光与植物内水分间的相互作用机理,实现了对冬青叶片含水率的快速、无损检测。结果表明：1）针对于不同月份、晴雨天气条件以及不同部位这3种不同影响因素下的冬青卫矛叶片,都可以通过线偏振度来反映其含水率情况,其统一表现为随着含水率的梯度降低,线偏振度逐渐增大;2）该研究通过采集大量的植物叶片建立预测模型,含水率与线偏振度存在较强的负相关关系,决定系数达到0.85,均方误差仅为0.45%;3）另取叶片对含水率检测模型进行验证,结果表明该模型在含水率检测的验证中均方根误差为4.53%,即可以通过线偏振度表征叶片的真实含水率。该研究成果在推动光学手段在植物健康状态检测的进程中具有应用价值。     

便携式双档位柑橘多品质无损检测装置设计与试验

为了解决普通检测装置难以覆盖不同果径（25～95mm）柑橘的检测需求问题,研发了覆盖多果径柑橘的便携式双档位多品质无损检测装置。以砂糖橘（果径25.35～48.61mm）和武鸣沃柑（果径53.24～94.71mm）为研究对象,基于研发的双档位探头,在赤道部位每隔120°采集一次光谱,平均光谱作为该柑橘的原始光谱。经标准正态变量变换（standard normal variable,SNV）、多元散射校正（multiplicative scatter correction,MSC）预处理,再利用竞争性自适应加权抽样算法（competitive adaptive reweighted sampling, CARS）筛选特征波长,分别建立了沃柑和砂糖橘的可溶性固形物含量（soluble solids content,SSC）和水分的偏最小二乘预测模型。沃柑的SSC和水分预测模型验证集相关系数分别为0.937、0.951,均方根误差分别为0.382°Brix、0.491%;砂糖橘的SSC和水分预测模型验证集相关系数分别为0.921、0.935,均方根误差分别为0.460°Brix、0.673%...     

基于多光谱图像技术的番茄营养素诊断模型

为了快速、准确估测番茄营养水平和生长状态,利用多光谱图像分析技术研究了温室番茄营养素含量和图像特征的相关性。在日光条件下采集了温室番茄叶片多光谱图像,并采用多尺度Retinex算法有效地解决了叶片平整度差异造成的图像质量退化问题。从颜色模型、比值植被指数和归一化差值植被指数出发,自定义了49个多光谱图像特征参数。结合相关性分析和系统聚类分析消除了多光谱图像特征参数的多重共线性,并提取了4个能反映叶绿素含量(SPAD指数)和全氮含量预测模型,其中SPAD指数模型的决定系数(R2)为0.8668,均方根误差(RMSE)为3.997;全氮模型的R2为0.7284,RMSE为0.5130。     

便携式番茄多品质参数可见/近红外检测装置研发

该文针对番茄独特的囊室结构及整体成熟度不均等问题,基于可见/近红外全透射光谱,研发了便携式番茄内外品质快速无损实时检测装置.该装置的硬件系统主要包括光源模块、信号采集模块、信号处理模块、电源模块、散热模块和打印模块,基于该硬件系统,采集了番茄630~1100 nm范围内可见/近红外透射光谱,选取650~1100 nm范围的光谱进行SG卷积平滑(savitzky-Golay smooth,SG-smooth)、标准正态变量变换(standard normal variable transformation,SNV)和多元散射校正(muliplication scattering correction,MSC)等预处理,建立了番茄颜色、硬度、总酸、总糖含量的偏最小二乘预测模型.基于QT开发框架编写了番茄多品质无损检测实时分析控制软件,植入番茄多品质参数预测模型,实现了番茄多品质参数检测一键式操作.为了测试该装置的检测精度和稳定性,选取与建模无关的20个同品种样品对每个样品的内外品质重复检测8次,结果表明:番茄颜色预测值与实测值相关系数为0.9528,均方根误差为2.7038,硬度预测值与实测值相关系数为0.9405,均方根误差为0.4486 kg/cm2,总酸含量的预测值与实测值相关系数为0.9537,均方根误差为0.3263%,总糖含量预测值与实测值相关系数为0.9610,均方根误差为0.1974%.番茄样品颜色、硬度、总酸和总糖重复检测最大相对误差分别为2.9%、1.9%、2.0%和1.6%.该便携式检测装置基于可见近红外全透射光谱,实现了番茄颜色、硬度、总酸、总糖含量的同时快速无损实时检测,预测精度及稳定性较好,可以满足实时评价番茄品质的市场需求.     

Gram-Schmidt算法在加工番茄病叶水分估测中的应用

Gram—Schmidt正交变换算法通过成分提取提高了非线性回归模型的精度。利用Gram—Schmidt正交变换算法,对加工番茄病叶相对水分含量进行了高光谱估测。研究结果表明,病叶相对水分含量的敏感波段为可见光波段R695以及近红外波段R761,R1446,R1940和R2490。对敏感波段进行正交变换,得到相对水分含量与R1940和R2490的非线性回归模型,相关系数为0.724,相对误差为0.52%,标准误差(RMSE)为0.13,真实值与预测值拟合的相关系数为0.623,表明该方法优于传统相对水分含量的线性模型。研究结果可为加工番茄病害胁迫下品质的精确诊断提供了技术支撑。     

基于微波空间驻波法的叶类蔬菜含水率无损检测

蔬菜含水率是影响蔬菜品质的重要指标之一。针对传统含水率检测方法测量精度低、费时费力等问题,该研究提出了一种基于微波空间驻波法的蔬菜含水率预测方法,研发了行驻波雷达测量系统。装置包括微波振荡器、微波发射及接收天线、检波器、样品夹持器、滑轨及控制器。以常温贮存的绿叶白菜、生菜为研究对象,采用X波段微波,对测量过程中形成的空间行驻波进行分析,通过线性回归分析建立蔬菜含水率预测模型。测量结果表明,白菜、生菜含水率预测方程决定系数R2分别为0.992 0和0.991 9,预测结果与直接干燥法相比,均方根误差RMSE分别为1.188%和0.803%,性能标准误差SEP分别为1.071%和1.179%。该研究方法不受微波在空间中的多重反射影响,装置结构简单,单次测量时间小于10 s,能够实现对蔬菜含水率的快速、无损、高精度检测。研究结果为农产品检测相关应用提供参考。     

金银花贮藏过程中绿原酸含量的高光谱无损检测模型研究

绿原酸(chlorogenicacid,CGA)是评价金银花品质的重要指标。为了实现金银花贮藏期间CGA含量变化的快速有效检测,该文采集了500个不同贮藏时间(0～20d)的金银花高光谱图像,构建CGA含量的高光谱检测模型。为了提高模型性能,采用savizky-golay卷积平滑(SG),移动窗口平滑(moving average),标准正态变量(standard normal variable,SNV),基线校正(baseline correction,BC),多元散射校正(multiplicative scatter correction,MSC),正交信号校正(orthogonal signal correction,OSC)6种预处理方法并建立偏最小二乘回归(partial least squares regression,PLSR)模型,确定SNV方法为最佳预处理方法,其预测集的R2为0.976 6,RMSE为0.271 1%。为了简化校准模型,利用无信息变量消除(uninformative variable elimination,UVE),连续投影算法(successive projections algorithm,SPA),竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)以及UVE-CARS、UVE-SPA等方法对SNV预处理后的光谱提取特征波长。然后,分别基于全光谱数据和所选特征变量数据,建立线性偏最小二乘回归(PLSR)和非线性BP神经网络模型。结果表明:UVE-CARS算法可以有效地减少提取变量个数(共提取26个,仅占全光谱范围的3.2%),PLSR和BP模型的预测集R2分别为0.974 6和0.978 4,RMSE分别为0.286 3%和0.250 3%。非线性BP模型预测结果整体优于线性PLSR模型,在BP模型中,UVE-CARS-BP预测精度最高,预测集的R2和RMSE的值分别为0.978 4, 0.250 3%。综上,基于高光谱成像技术建立的SNV-UVE-CARS-BP模型,可以实现金银花贮藏过程中CGA含量变化的快速无损预测。