番茄叶片早疫病近红外高光谱成像检测技术

提出了基于格拉姆斯密特(MGS)模型和贝叶斯罗蒂斯克回归(BlogReg)的近红外高光谱成像技术检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取波长874~1 734 nm范围内70个染病和80个健康番茄叶片的高光谱图像,选取染病和健康叶片30像素×30像素感兴趣区域的光谱反射率。建立了番茄叶片早疫病的最小二乘-支持向量机(LS-SVM)识别模型,再通过MGS和BlogReg提取特征波长(EW),分别得到5个(911、1 409、1 511、1609、1 656 nm)和9个(901、905、908、915、918、1 123、1 305、1 460、1 680 nm)特征波长,并建立EW-LS-SVM和EWLDA模型。在所有模型中,建模集的正确识别率为93%~98%,预测集的正确识别率为96%~100%。结果表明,近红外高光谱成像技术检测番茄叶片早疫病是可行的,MGS和BlogReg都是有效的特征波长提取方法。     

基于高光谱成像技术的鲜食核桃仁水分检测研究

为实现对货架期内青皮核桃仁水分的快速预测,利用高光谱成像技术采集货架期核桃青皮光谱数据,测定核桃仁含水量,利用连续投影法(SPA)提取11 个特征波长,建立了偏最小二乘法(PLS)、多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)模型.结果表明,LS-SVM建模效果最好,预测集的相关系数Rp= 0.800 7...     

马铃薯晚疫病叶片SPAD值的高光谱研究

对晚疫病害胁迫下马铃薯叶片中叶绿素含量(SPAD)及植被指数与高光谱特性进行了关联研究。首先,对接种晚疫病菌的马铃薯叶片进行连续观测7天,获取375~1 018nm波段范围内叶片的高光谱信息和SPAD信息;然后,应用ENVI软件提取高光谱数据中感兴趣区域的平均光谱信息,选择预处理效果最好的方法建立不同的预测模型,包括基于全光谱和连续投影算法(Successive Projection Algorithm,SPA)选择特征波长的偏最小二乘回归(Partial Least Squares Regression,PLSR)模型与最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)模型,以及4种植被指数RENDVI、VOG1、VOG2、VOG3建立的简单经验估测模型。建模结果表示:全光谱的PLSR模型预测效果最好,而基于特征波长的LS-SVM模型和植被指数的二次多项式模型预测效果稍差,但大大简化了模型,为后续开发便携式仪器提供理论依据。研究表明:应用高光谱技术检测遭受晚疫病害的马铃薯叶片的SPAD及植被指数是可行的,为病害胁迫下作物的其他化学指标实时监测提供了新的路径。     

壶瓶枣自然损伤的高光谱成像检测

采用高光谱成像技术(450~1 000 nm)对壶瓶枣的5种自然损伤(缩果病、裂纹、虫害、黑斑病、鸟啄伤)进行识别研究。利用高光谱成像系统采集了5种自然损伤及完好枣一共663个壶瓶枣样本的高光谱图像,并提取相应的感兴趣区域(ROI),得到了样本的光谱数据。应用偏最小二乘回归(PLSR)、连续投影算法(SPA)从全波段中分别提取了9条、10条特征波长,利用Kennard-Stone算法将各类样本按照3∶1的比例随机分成训练集(500个)和测试集(163个),并对其建立最小二乘支持向量机(LS-SVM)判别模型,结果表明使用SPA-LS-SVM建立的壶瓶枣自然损伤模型的整体判别正确识别率为93.2%。运用主成分分析(PCA)对由SPA提取出的10条特征波长(535、595、657、672、685、749、826、898、964、999 nm)所对应的单波段图像进行数据压缩,分别采用Sobel算子、区域生长算法Regiongrow并结合主成分图像识别出163个壶瓶枣样本的边缘与自然损伤特征区域,得出平均正确识别率达到90.8%。研究结果表明:采用高光谱成像技术可以对壶瓶枣的自然损伤进行光谱判别和图像识别。     

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。     

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％.     

基于高光谱成像技术的面条中马铃薯全粉含量检测

为了快速检测面条中马铃薯全粉含量,研究近红外高光谱成像技术定量检测面条中马铃薯全粉含量的可能性,自制了马铃薯全粉质量分数在0~35%内随机均匀分布的120个面条样品,在900~2500nm范围采集高光谱图像,随机选取80个样品作为校正集,分别采用原始光谱和经过6种预处理方法预处理后的光谱建立了偏最小二乘回归、主成分回归、支持向量机回归模型。结果表明经标准化预处理后用偏最小二乘回归建模效果最好,校正集决定系数（R2C）为0.8653,交叉验证集决定系数（R2CV）为0.6914。用回归系数法在经过标准化预处理后的光谱数据中提取了与全粉含量相关的特征波长,建立了马铃薯全粉含量偏最小二乘回归简化模型, 校正集决定系数（R2C）为0.8685,交叉验证集决定系数（R2CV）为0.8021,基于特征波长建立的模型效果优于全波段模型,模型效果得到了一定的提高。以剩余40个未参与校正模型建立的样品作为预测集,基于特征波长建立了标准化-偏最小二乘回归简化预测模型,预测集决定系数（R2P）为0.8546,模型具有较好的预测能力。结果表明利用近红外高光谱成像技术可检测面条中马铃薯全粉含量,可为马铃薯全粉面条的快速无损检测建立新的方法。     

基于高光谱成像的柑橘黄龙病无损检测

采用高光谱成像技术,结合最小二乘支持向量机(LS-SVM)和偏最小二乘判别分析(PLS-DA)2种方法,探索柑橘黄龙病快速无损检测的可行性。在380~1 080 nm光谱范围内,采集正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种柑橘叶片的高光谱图像。采用方差分析方法,分析了正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种叶片的叶绿素、淀粉和可溶性糖含量间的差异,表明3指标可作为判别黄龙病的指示性指标。采用偏最小二乘法,建立了叶绿素、可溶性糖及淀粉3指标含量的定量分析数学模型,模型预测均方根误差分别为7.46、5.51、5.88,提供了柑橘黄龙病高光谱成像快速检测依据。提取高光谱图像感兴趣区域的平均光谱,通过分析正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种叶片的代表性光谱,在750 nm处吸光度存在差异。采用2阶导数处理样品光谱,消除了450~650 nm和800~1 000 nm波段的基线漂移,放大了有效光谱信息。采用主成分分析(PCA)和连续投影算法(SPA)筛选柑橘黄龙病LS-SVM定性判别模型的输入变量,建立了LS-SVM定性判别模型,同时与PLS-DA进行对比。采用未参与建模的预测集样品评价模型性能,结果表明PLS-DA模型判别柑橘黄龙病的准确率更高,模型误判率为5.6%。实验结果表明,高光谱成像技术结合偏最小二乘判别分析方法可实现柑橘黄龙病快速无损检测与黄龙病病情等级判别。     

基于高光谱成像技术对脐橙叶片的叶绿素、水分和氮素定量分析

用遗传算法(GA)、连续投影算法(SPA)和正适应加权算法(CARS)分别提取赣南脐橙叶片高光谱图像的有效信息,对叶绿素、水分和氮素的含量用偏最小二乘法(PLS)进行建模定量分析。高光谱图像标定后,提取感兴趣区域(ROI)的平均光谱,用GA、SPA和CARS算法分别选出特征波长建模。结果表明:叶绿素CARS—PLS模型、水分和氮素的GAPLS模型效果最优,预测集相关系数分别为0.96、0.91、0.82,可以结合高光谱技术对赣南脐橙叶绿素、水分和氮素进行快速无损的定量分析。     

基于高光谱成像的绿皮马铃薯检测方法

针对任意放置姿态下的轻微绿皮马铃薯难以检测的问题,进行了半透射与反射高光谱成像方式的不同检测方法比较研究,最终确定较优高光谱成像方式的检测方法。分别以半透射与反射高光谱成像方式对图像维提取RGB、HSV和Lab空间颜色信息,并采用等距映射、最大方差展开、拉普拉斯特征映射进行图像信息降维;分别以半透射与反射高光谱成像方式对光谱维提取感兴趣区域的平均光谱数据,并采用局部保持投影、局部切空间排列、局部线性协调进行光谱信息降维;然后分别建立不同高光谱成像方式下的图像与光谱信息的深度信念网络模型;对识别率良好的模型采用多源信息融合技术进一步优化,并建立基于图像和光谱融合或不同成像方式融合的模型。结果表明,基于半透射和反射高光谱的光谱信息融合模型最优,校正集和测试集识别率均达到100%,可实现轻微绿皮马铃薯的无损检测。     

基于近红外高光谱的梨叶片炭疽病与黑斑病识别

针对梨炭疽病和黑斑病发病症状很相似,难以区分,导致实际生产中不便对症施药的问题,以砀山酥梨叶片为研究对象,探究利用高光谱技术来识别梨叶片炭疽病与黑斑病的可行性.首先,运用高光谱成像系统采集砀山酥梨正常叶片、炭疽病叶片和黑斑病叶片的高光谱图像,提取图像的平均光谱反射率.采用多元散射校正法(Multiplicative s...     

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...     

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。     

基于高光谱成像的青梅酸度检测方法

针对传统理化分析的青梅酸度检测方法破坏性大、耗时长、无法实现在线检测的不足,对基于高光谱成像技术的青梅酸度快速无损检测方法进行研究。采集了487个青梅样本在550~1 000 nm波段内的高光谱图像,经过光谱相对反射率校正和6种不同滤波后,分别利用连续投影算法(SPA)、遗传算法(GA)以及连续投影结合遗传算法(SPA+GA)3种光谱降维方法,提取了反映青梅内部酸度信息的特征波长,并建立波长与青梅p H值的偏最小二乘(PLS)预测模型,研究不同滤波和不同降维方法下的预测精度。研究结果表明:同一预测模型,Savitzky-Golay(S-G)平滑滤波预测精度最高;相比SPA或GA单一算法降维,经5点S-G平滑滤波后SPA+GA光谱降维的方法,可显著降低模型复杂度,提高模型预测精度,预测集的均方根误差为0.070 6,相关系数为0.792 5。     

基于高光谱成像技术的生菜冠层含水率检测

为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。     

基于高光谱成像技术的冬瓜种子品种鉴别

为实现冬瓜种子品种的快速无损检测,利用高光谱成像技术采集了广东黑皮、一串铃和韩育粉皮3个品种冬瓜种子的光谱图像信息。采用标准归一化（SNV）、多元散射校正（MSC）、中值滤波（MF）等方法进行预处理,利用连续投影法（SPA）、回归系数法（RC）和竞争性自适应算法（CARS）提取特征波长,建立了粒子群优化BP神经网络判别模型,预测集的决定系数与均方根误差分别为R2=0.930、RMSEP=0.047,准确率高达96.30%。研究表明,高光谱技术结合粒子群优化BP神经网络可以实现对冬瓜种子品种快速无损鉴别。     

马铃薯干物质空间分布状态可视化研究

采用可见-近红外高光谱检测系统对马铃薯中干物质进行快速检测,并最终实现其分布状态的可视化。采用9种光谱预处理方法对采集的马铃薯高光谱数据进行分析对比,得到标准正态变量(SNV)结合Savitzky-Golay平滑(SG)和一阶导数(FD)的预处理方法效果最好。经过光谱预处理后,采用正自适应加权算法-连续投影法(CARSSPA)对光谱进行特征变量提取,获得22个变量。对所选变量不同的建模方法进行了比较,以偏最小二乘回归(PLSR)模型预测效果最优,预测集决定系数为0.849,均方根误差为0.878%,相对分析误差为2.312,优于全波段模型。将SNV-SG-FD-CARS-SPA-PLSR模型与高光谱图像结合,得到马铃薯干物质主要分布在内髓与维管束环之间、在内髓位置干物质含量最低、由内髓向外干物质逐渐增加的空间分布。内髓位置干物质质量分数最低,为12.16%,外层最高可达24.62%。结果表明:可见-近红外高光谱技术可准确、快速地实现马铃薯干物质的检测和空间分布的可视化。