用近红外透射光谱快速检测内燃机润滑油性能

通过对内燃机曲轴箱润滑油近红外吸收光谱的分析，研究了润滑油近红外吸收光谱随发动机工作时间变化的规律，为快速分析发动机润滑油的性能提供了一种新颖、可靠的分析方法，试验使用8个不同工作时间间隔的发动机润滑油样本，建立了润滑油的使用时间与近红外光谱之间的数学关系，为确定润滑油的换油时间提供了理论依据。     

基于反射光谱的苹果叶片叶绿素和含水率预测模型

为探索苹果叶片叶绿素含量(质量比)、叶片含水率与反射光谱之间的关系,以华北地区苹果树为研究对象,分别测定了各个关键生长期苹果叶片的光谱反射率、叶绿素含量和叶片含水率。分析光谱反射率与叶绿素含量以及叶片含水率之间相关性发现,在不同生长时期,苹果叶片叶绿素a含量与反射光谱在515~590 nm和688~715 nm两组波段内具有较高的相关性,且果实成熟期数据显示相关度最高(R2=0.6)。在420~500 nm、640~680 nm、740~860 nm 3个波段叶片含水率与反射光谱有较高的相关性,且果实膨大期的叶片含水率在可见光波段的相关系数最大。根据所选敏感波段,分别利用多元线性回归、主成分分析和人工神经元网络建立基于反射光谱的苹果叶片不同生长时期叶绿素和含水率的预测模型。通过对所建立的预测模型进行校验,结果显示,利用主成分分析方法所建立的苹果叶片叶绿素含量预测模型的决定系数最高(R2=0.885 2),校验系数为0.828 9。该模型可以较为准确地预测苹果叶片叶绿素含量。而采用神经元网络所建立苹果叶片含水率预测模型的决定系数R2=0.862,校验系数为0.8375,预测效果最好。     

生菜叶片含水率光谱特征模型研究

利用便携式光谱分析仪测量生菜叶片的光谱反射率,并对其进行对数变换.通过变量筛选得到725、1 075、1 272、1 450、1 640和1 958 nm波长处的光谱反射率与生菜干基含水率呈极显著相关.为克服多重共线性影响,分别采用多元线性回归分析、主成分回归分析、偏最小二乘回归分析及偏最小二乘-人工神经网络回归分析4种方法建立了叶片干基含水率的定量分析模型.结果表明4种算法预测值与实测值相关系数分别为0.485 0、0.899 2、0.917 4和0.947 0,偏最小二乘-人工神经网络模型的预测能力优于其他模型.     

基于无人机多光谱遥感的玉米根域土壤含水率研究

及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期(Vegetative stage,V期)、生殖期(Reproductive stage,R期)和成熟期(Maturation stage,M期)获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率(Soil moisture content,SMC);然后,采用灰色关联法对提取的多种植被指数(Vegetation index,VI)进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归(Cubist)、反向传播神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验证集R~2分别为0. 851和0. 875,均方根误差(Root mean square error,RMSE)均为0. 7%,标准均方根误差(Normalized root mean square error,nRMSE)分别为8. 17%和8. 32%,R期效果最差,其建模集和验证集R~2分别为0. 619和0. 517。     

基于电容特性的植物叶片含水率无损检测仪

为实现植物叶片含水率的无损和准确检测,利用圆形平行板电容传感器检测植物叶片电容,利用直径为12.7 mm的圆形FSR402型压力传感器测量平行极板对植物叶片的压力,以MSP430型单片机为微控制器,设计了一种基于植物叶片电容检测其含水率的仪器。以玉米叶片为对象,研究了玉米叶片含水率和极板对叶片的压力对电容的影响规律,选取了极板对玉米叶片的最佳压力,建立了最佳压力下玉米叶片的电容与含水率之间的关系模型,并对模型的可靠性进行了检验。结果表明,玉米叶片的电容随含水率和极板对叶片压力的增大而增大,检测玉米叶片电容的最佳压力为4 N。玉米叶片湿基含水率为55%~80%时,所设计检测仪的含水率绝对测量误差为-1.2%~1.7%;在晶振频率为8 MHz下检测含水率的响应时间小于3 s。     

近红外透射光谱无损检测赣南脐橙糖度的研究

探讨了近红外透射光谱无损检测赣南脐橙内部糖度指标的可行性,并建立近红外透射光谱与赣南脐橙内部糖度指标之间的关系.以80个赣南脐橙为研究对象,利用透射光谱测定法获取完整赣南脐橙的近红外光谱(200～1100nm),选取不同的光谱波段范围对水果样本的透射光谱进行有效信息的提取,并结合多元线性回归(MLR)、主成分回归(PCR)和偏最小二乘法(PLS)3种不同的数学校正方法对赣南脐橙的糖度(SC)进行定量分析.实验结果为:在550～900nm波段范围内,PLS校正模型的预测精度最好,其相关系数为0.9032,预测样本均方根误差为0.2421.实验结果表明,近红外透射光谱可以作为一种准确、可靠、无损的检测方法,用于检测赣南脐橙内部的糖度指标.     

基于高光谱技术的基质含水率快速测定方法

为了寻找一种基质含水率的快速检测方法,应用高光谱技术获得不同含水率基质样品光谱信息,阐释基质含水率光谱规律,对基质含水率进行定量分析,为设施基质栽培水分快速测定提供参考。以稻壳基质为研究对象,对基质光谱信息进行基线校正和平滑处理后,利用逐步回归分析法提取稻壳基质光谱反射率一阶微分变换的敏感波段,建立基于敏感波段组合的基质含水率预测模型,并对模型进行了检验。结果表明,在敏感波段527、796和959 nm处,采用反射率一阶微分建立的稻壳基质含水率三波段指数预测模型的预测效果较好,模型预测相关系数(RP)为0.91,预测均方根误差(RMSEP)为5.55%,可以实现对稻壳基质含水率的快速准确检测。     

干旱区绿洲植被高光谱与浅层土壤含水率拟合研究

水资源一直是制约我国西北干旱区农业发展的关键因素。以新疆渭库绿洲为研究区域,选取41个土壤含水率与干旱区绿洲植被实测高光谱样本,以植被指数为桥梁,采用支持向量机回归(SVR)方法,建立干旱区绿洲土壤含水率与植被指数之间的拟合方程模型,并与多元回归(MLSR)、偏最小二乘回归(PLS)2种模型进行对比。实验结果表明:不同模型的精度各异,拟合效果由优到劣为:改进的SVR模型、PLS模型、MLSR模型,其中基于干旱区绿洲实测的植被光谱数据改进的SVR模型对土壤含水率具有较好的拟合效果,通过最优参数的定值与最优测试集的抽取,R2高达0.891 6,RMSE仅为2.004,在干旱区绿洲的土壤含水率拟合中获得比较高的预测精度。而MLSR模型与PLS模型,R~2分别为0.630 0、0.654 9,RMSE分别为3.001与2.749。研究结果表明,因地制宜开展合理的土壤含水率反演模型规则制定是提高干旱区绿洲土壤浅层含水率监测精度的有效手段,也可为干旱区农业作物生长提供更精准的数据积累。     

无人机多光谱遥感反演冬小麦植株含水率

为了建立一种高效监测冬小麦植株含水率的无损方法,用于反映作物水分状况、指导精准灌溉。以北京大兴的冬小麦为研究对象,利用无人机搭载多光谱相机采集冬小麦5个波段的光谱信息,构造了光谱反射率模型和光谱植被指数模型,筛选了典型地区冬小麦植株含水率解译模型。结果表明:冬小麦植株含水率与反射光谱在0.05水平上显著相关,优选的两种模型的预测精度较高,相对误差均小于10%,决定系数均大于0.75;从模型复杂程度和物理含义考虑,估算植株含水率的最优模型为基于逐步回归法的光谱指数模型,该模型的率定及验证的决定系数为0.78和0.83,均方根误差为6.79%和5.47%,相对误差为9.73%和6.91%。该研究为采用无人机多光谱遥感技术实现对作物水分的快速高效监测提供了有效方法。     

基于SOC710VP高光谱成像仪的冬小麦土壤含水率反演模型研究

【目的】实现小麦农田土壤含水率大面积快速监测。【方法】以冬小麦冠层高光谱数据为基础,计算得到8种植被指数,通过对关键生育时期(拔节期、抽穗期、灌浆期)不同水分处理下冬小麦不同土层(0～20、20～40、40～60 cm)土壤含水率与植被指数拟合状况进行分析和筛选,分别构建了基于植被指数的不同土层土壤含水率反演模型,并对模型进行检验。【结果】①各时期植被指数拟合效果有所差异,拔节期0～20 cm土层以植被指数VOG1拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.75,40～60 cm土层以植被指数VOG3拟合效果较好,相关系数为0.59;抽穗期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.70,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.72,40～60 cm土层以植被指数mSR705拟合效果较好,相关系数为0.57;灌浆期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数SARVI拟合效果较好,相关系数为0.68,40～60 cm土层以植被指数SARVI拟合效果较好,相关系数为0.71;②各土层土壤含水率与植被指数拟合效果有所差异,其中利用VOG1和mNDVI705组合构建的模型反演0～20 cm土层,决定系数R2为0.743,利用mNDVI705和SARVI组合构建的模型反演20～40 cm土层,决定系数R2为0.707,利用VOG3、mSR705和SARVI组合构建的模型反演40～60 cm土层,决定系数R2为0.484;③通过建立植被指数对土壤含水率的反演模型,0～20 cm土层含水率反演效果好于20～40 cm和40～60 cm。【结论】高光谱植被指数反演模型中,以0～20 cm土层的估算模型最佳,植被指数组合为VOG1和mNDVI705。综上可知,该研究方法进行土壤含水率的反演是可行的。     

基于介电特性与回归算法的玉米叶片含水率无损检测

利用0.06~200 k Hz范围内拥有36个频率点的LCR测量仪及自制夹持平行电极板,测量280片不同含水率玉米叶片的相对介电常数ε'及介电损耗因子ε″;利用干燥法测量玉米叶片的湿基含水率。利用逐步回归法(SWR)与多元线性回归(MLR)结合的线性建模方法和连续投影算法(SPA)与支持向量回归(SVR)结合的非线性建模方法,分别建立玉米叶片介电参数(ε'、ε″及两者融合信息3种参数)与湿基含水率的关系模型,并应用留一交叉验证法选取2种建模方法的最佳关系模型。分析表明,非线性模型较线性模型具有更高的预测能力,且基于ε'与ε″的融合信息运用连续投影算法(SPA)与支持向量回归(SVR)相结合的非线性建模方法使模型原72个变量精简到10个,剔除了模型中冗余度较高的变量,有效降低了模型的复杂度,得到最高的测试集决定系数R2P(0.804)和最小的测试集均方根误差RMSEP(0.017 6)。结果表明基于介电特性的玉米叶片含水率无损检测方法是可行的,为快速检测其他农作物的生理信息提供了一种可靠的方法。     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

基于Android手机平台的玉米叶片含氮量无损检测

为了提供一种玉米叶片含氮量无损快速检测方法,分析了玉米叶片的颜色特征参数与含氮量的关系,并基于Android手机平台开发了玉米叶片含氮量检测软件。首先获取包含被测玉米叶片与标定色块组的图像,利用标定色块对图像色彩进行校正,以减小外界光照等因素对图像色彩造成的失真。进而进行图像分割、图像平滑和颜色特征信息提取等处理,分析了各颜色特征参数与玉米叶片含氮量的关系,发现绿光标准化值与含氮量之间线性关系最好。应用Java语言和OpenCV计算机视觉库在Android手机平台上实现了玉米叶片的图像获取、图像处理和查看结果等功能。实验结果表明,该方法对玉米叶片含氮量的绝对测量误差为-0.40%~0.35%,均方根误差为0.20%,从采集图像到给出结果所用时间小于10 s。     

玉米叶片净光合速率快速检测方法研究

玉米叶片的净光合速率可以用来表征植物生物量的积累和营养盈亏等健康状态,为探求玉米叶片净光合速率的快速无损检测方法,利用叶绿素荧光光谱分析技术对拔节期玉米叶片净光合速率进行检测。实验选取了吉林省典型种植品种先玉335作为研究对象,通过对80组数据的无量纲化处理和标准化处理,降低光谱噪声引起的样本差异,分析不同光谱波段与叶片净光合速率的相关性,确定500~550nm、675~715nm、715~745nm等3组波段作为光谱检测样本。选择675~715nm波段作为光谱波段的典型参数预测玉米叶片的净光合速率,得出两者之间存在显著线性关系,其决定系数R^2=0.7 9 2 4,表明以6 7 5~7 1 5 nm波段预测玉米叶片的净光合速率是可行的。对回归模型进行验证,得到预测值与真实值之间的决定系数R^2=0.7 9 2 1,表明此回归模型对拔节期玉米叶片净光合速率具有良好预测能力,为植物生理信息快速无损检测提供了新的方法。     

高光谱成像技术的玉米叶片氮含量检测模型

应用高光谱成像技术,实现了玉米拔节期叶片氮含量的检测。提取出240个叶片样本的平均光谱反射率数据(400~1 000nm),对原始数据分别进行3种预处理(1stDer、2ndDer、SNV),建立了4种预测模型,包括基于幅值参数(Dλr、Dλy、Dλb)的多种回归模型、全光谱PLS模型、基于连续投影算法(SPA)的PLS模型及基于主成分分析法(PCA)的PLS模型。建模结果显示:基于PCA的PLS模型预测精度最低;全光谱的PLS模型Rc2和RP2分别为0.967、0.821;基于SPA算法的PLS模型R_c~2、R_P~2分别为0.944、0.749,与全光谱的PLS模型预测精度相当,而自变量个数减少了95.07%。基于幅值参数的多元回归模型其预测结果虽与基于全光谱的PLS模型有些许差距,但模型简单,运算量最小,适用于对精度要求不高的场合。     

水果糖度近红外光谱在线检测装置

采用短波近红外光谱仪,进行机械传送、光谱采集处理、自动控制等系统的设计和集成,研制水果糖度近红外光谱在线检测装置。在550~850nm范围,采用偏最小二乘法,建立了苹果糖度近红外光谱在线检测数学模型。经比较,标准正交校正和一阶导数处理后的光谱建立的数学模型预测效果最优,模型的相关系数为0.78,模型预测均方根误差为0.67°Brix。实验表明:水果糖度近红外光谱在线检测装置可准确地检测苹果糖度含量。     

基于双分支卷积网络的玉米叶片叶绿素含量高光谱和多光谱协同反演

针对智慧农业中叶绿素的精准预测问题,本文提出了基于双分支网络的玉米叶片叶绿素含量高光谱与多光谱协同反演的方法。使用欠完备自编码器进行数据降维,捕捉数据中最为显著的特征,使降维后的数据可以代替原始数据进行训练,从而加快训练效率,使用双分支卷积网络将多光谱数据用于填充高光谱数据信息,充分利用高光谱数据的空间细节信息,再结合1DCNN建立玉米叶片叶绿素含量预测模型。结果表明,与传统降维算法相比较,欠完备自编码器处理后预测结果最佳,决定系数R2为0.988,均方根误差（RMSE）为0.273,表明使用欠完备自编码器进行降维可以有效提高数据反演精度;与单一的高光谱数据反演模型和多光谱数据反演模型相比,双分支卷积网络预测模型均取得较优的预测结果,R2在0.932以上,RMSE均在1.765以下,表明基于双分支卷积网络的高光谱与多光谱图像协同反演模型可以有效地利用数据的特征;对于其他数据结合本文提及的双分支卷积网络模型进行反演,其R2均在0.905以上,RMSE均在2.149以下,表明该预测模型具有一定的普适性。     

基于AABB-OBB盒的玉米叶片碰撞检测

在数字植物虚拟仿真场景中,植物三维模型之间容易出现交叉穿透现象,有必要进行快速有效的碰撞检测。选择以玉米叶片为研究对象,针对叶片形态提出了一种基于AABB-OBB混合包围盒的碰撞检测方法。首先通过AABB盒相交测试剔除部分未相交对象;然后根据叶片形态特点,对可能相交对象构造OBB盒二叉树。依据玉米叶片交叉常态,改进了分离轴测试顺序,提出了基于优先权值的节点搜索方式,并优化了特殊情况的图元测试过程。实验结果表明,该方法能够准确快速地检测到玉米叶片的交叉状况。