基于高光谱成像技术的番茄叶片叶绿素含量检测

叶绿素是植物生长发育必不可少的色素，可用来衡量植物生长状况，为实现番茄叶片叶绿素含量快速、无损检测，以番茄为试验材料，通过高光谱无损检测方法，对番茄叶片叶绿素含量进行监测。提取出82个叶片样本的平均光谱反射率数据(400～1 000 nm),对原始光谱数据分别进行7种预处理(平均平滑、高斯滤波、中值滤波、卷积平滑、归一化、基线校准(baseline)、标准正态化(standard normal variation, SNV),建立PLSR模型，建模结果显示：SNV预处理光谱的建模效果最优。用β权重系数、无信息变量消除变换法(uninformation variable elimination, UVE)、竞争自适应重加权法(compet-itive adaptive weighted sampling, CARS)及连续投影算法(successive project-ion algorithm, SPA)等提取特征波长，并建立了PLSR模型，建模结果表明：CARS法提取特征波长所建立的模型最优，CARS法提取了8个特征波长(732、796、946、953、957、968、983、994...     

土壤有机质高光谱特征与波长变量优选方法

【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R~2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg~(-1)、2.02、1.04 g·kg~(-1)、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径。     

基于高光谱成像技术的泾源黄牛肉色度PLSR预测模型构建

利用高光谱成像技术对泾源黄牛肉色度的PLSR预测模型进行构建。通过可见近红外高光谱成像系统获取牛肉样本的高光谱图像,提取感兴趣区域(ROI)的光谱信息并计算平均光谱,采用蒙特卡洛法剔除异常样本后进行样本集划分,并对划分后的样本数据进行预处理。其中,亮度(L^*)经Deresolve法预处理的模型结果最好,其$R_{C}^{2}$为0.979 0,预测集相关系数$R_{P}^{2}$为0.976 6;红度(a^*)经卷积平滑法预处理的模型结果最好,其$R_{C}^{2}$和$R_{P}^{2}$分别为0.807 0、0.915 5;黄度(b^*)经卷积平滑法预处理的模型结果最好,其$R_{C}^{2}$和$R_{P}^{2}$分别为0.931 1、0.950 6。分别利用竞争性自适应重加权法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)进行特征波长提取,建立基于特征波段的偏最小二乘回归(PLSR)模型,进而优选出最佳预测模型,结合视觉的空间深度、立体程度,对样本的形态和色觉感知进行提取与辨别。结果表明,利用高光谱成像技术所构建的色度PLSR模型均是可行的,研究结果为牛肉品质在线快速检测提供了理论依据。     

基于无人机高光谱的马铃薯冠层叶片全氮含量反演

为实现大田马铃薯冠层叶片全氮含量(LNC)的快速反演,利用低空无人机平台搭载成像光谱仪获取马铃薯冠层光谱数据,在综合比较原始反射率(R)、倒数变换反射率(1/R)、一阶微分变换反射率[D(R)]、二阶微分变换反射率[D(2R)]、倒数之对数变换反射率[lg(1/R)]的基础上,选择[D(2R)]用于后续试验。分别使用相关性分析(CA)、竞争性自适应重加权(CARS)、无信息变量消除(UVE)3种算法筛选特征光谱波段,使用偏最小二乘回归(PLSR)、支持向量机(SVM)构建马铃薯冠层LNC估测模型。结果表明：CA、CARS、UVE算法分别筛选出26、12、19个特征波段。在构建的PLSR模型中,用UVE筛选的特征波段建立的预测模型[UVE-D(2R)-PLSR]效果最好,在验证集上的决定系数(R²)和均方根误差(RMSE)分别为0.806 8和0.193 2;在构建的SVM模型中,用CARS筛选的特征波段建立的预测模型[CARS-D(2R)-SVM]效果最好,在验证集上的R²和RMSE分别为0.831 6和0.183 0。两模型对比,CARS-...     

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.     

土壤pH值和全钾含量高光谱反演方法比较

为了预测土壤pH值和全钾含量,采集111个土壤样本的高光谱信息,采用小波变换后去包络的方法对原始光谱信息进行预处理,利用相关性分析法选择土壤光谱特征波段,进行偏最小二乘法回归(PLSR)、主成分分析回归(PCR)、支持向量回归(SVR)3种方法的土壤pH值和全钾含量高光谱反演精度的比较研究。结果显示,在水稻土和紫色土全钾含量和水稻土pH值的反演中,SVR方法都取得了比PLSR方法和PCR方法更好的反演效果。在紫色土pH值反演中,PLSR方法和PCR方法反演效果均优于SVR方法。比较不同类型土壤和不同土壤参数的反演效果发现,水稻土土壤pH值和全钾含量的反演效果均强于紫色土,全钾含量的反演效果优于pH值。本研究结果说明高光谱快速反演土壤pH值和全钾含量具有可行性。     

基于特征波长选择和建模的高光谱土壤总氮含量估测方法研究

以皖北地区采集的115个砂姜黑土样本为研究对象,获取土壤样本光谱数据,采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、随机森林特征选择算法(RFFS)对土壤总氮含量特征波长进行选择,并分别应用偏最小二乘回归(PLSR)、支持向量机回归(SVR)、最小绝对值收缩和选择算子回归(LASSO)建立土壤总氮含量估算模型。结果表明,除CARS-PLSR方法模型精度低于相应的全波长模型外,其他基于选定的特征波长进行建模的效果都优于全波长。综合比较各变量筛选与回归建模组合发现,RFFS方法从全波长(224个波长)中筛选出20个特征波长建立土壤总氮含量的LASSO模型效果最好,该模型在预测集上的决定系数(R²)和相对分析误差(RPD)值分别为0.787 1和2.130 1。RFFS-LASSO模型简单,预测效果好,对土壤总氮含量近地传感器设备开发具有一定的指导意义。     

基于高光谱成像的烟田土壤pH估测

【目的】为实现区域尺度上烟田土壤pH的快速估测。【方法】以四川省296份烟田土壤为研究对象,利用高光谱成像获取土壤390～2500 nm波段的光谱反射率,系统研究12种光谱预处理方法、2种特征波段选择方法和4种建模方法对烟田土壤pH高光谱估测模型精度的影响。【结果】在600～2500 nm范围内,不同pH的光谱反射率曲线差异明显;原始光谱经单一预处理或组合预处理方法处理后,建立的估测模型精度均有所提高;其中一阶导数(First derivative, D1)组合标准正态分布(Standard normal variate, SNV)为最佳光谱预处理方法。竞争自适应重加权采样算法(Competitive adaptive reweighted sampling, CARS)筛选出93个土壤pH特征波段,主要集中在近红外波段800～2500 nm。无论使用光谱全波段还是主成分分析降维得到的光谱特征,核岭回归(Kernel ridge regression, KRR)和支持向量机(Support vector machine, SVM)两种建模方法都取得了比偏最小二乘回归(Partial l...     

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。     

基于无信息变量消除法的水稻种子发芽率测定

为了解决常规的水稻种子发芽率测定方法存在的试验周期长且操作繁琐等问题,实现水稻种子发芽率的快速检测。本研究以黑龙江省五常市五优稻四号粳稻种子为研究对象,首先将7组种子样本(每组60个样本,共计420个样本)置于温度为45℃,湿度为90%的环境中分别进行为期0 d、1 d、2 d、3 d、4 d、5 d、6 d的不同时段的人工老化,然后采集每个水稻种子样本的光谱数据后进行发芽试验。对光谱数据使用蒙特卡洛交叉验证法进行异常样本剔除,并应用UVE法对全光谱数据进行特征波长选择,使光谱数据由全光谱的1 845个数据点缩减为524个数据点,最后建立PLSR预测模型。所建模型的预测集决定系数R~2为0.817 0、RMSEP为2.183 0。试验结果表明,经UVE法降维后建立PLSR模型的各项参数均优于全光谱模型,因此,UVE特征波长选择算法为提高水稻种子发芽率测定模型的预测能力提供了一种新的途径。