基于红外光谱技术的蜂蜜理化性质快速检测

该论文以116个蜂蜜样品为对象，考察蜂蜜理化指标间的相关性，并采用红外光谱技术结合偏最小二乘回归法建立快速定量模型，探讨模型对蜂蜜理化性质指标的定量能力，比较近、中红外光谱在定量检测中的能力，从数据层融合角度考究光谱融合对定量精度的提升。主要研究结论如下：蜂蜜的部分理化性质间具相互关联性，色差、电导率和pH两两呈正相关，pH和可滴定酸，水分与黏度之间彼此呈负相关；近红外光谱技术（near-infrared spectrum，NIR）和中红外光谱技术（mid-infrared spectrum，MIR）对果糖、葡萄糖、还原糖、果糖/葡萄糖、水分、黏度、pH和色差具有良好的定量分析能力（R²＞0.9），对电导率、蔗糖、麦芽糖和可滴定酸的精度和模型相关系数尚可接受；二者单独对淀粉酶值、脯氨酸的定量结果较差，通过数据融合后，脯氨酸精度有所提升（Rc 0.825，Rp 0.664，RMSEC 38.68，RMSEP 49.57），淀粉酶值无优化（Rc 0.799，Rp 0.695，RMSEC 2.57，RMSEP 3.02）。MIR对糖的定量分析精度略优于NIR。研究证明将近、中红外光谱用于蜂蜜部分理化指标的快速定量是可行的，数据融合对模型产生积极影响，但仍存在很多理论和算法问题需要解决。     

斑潜蝇虫害叶片受害程度对其近红外反射光谱的影响

为探索实现作物虫害自动监测的方法，采用图像处理和光谱分析技术，测定了斑潜蝇虫害叶片的近红外反射光谱，计算了虫害叶片的破损率，对其破损率和干鲜比与近红外分光反射率的关系分别进行了回归分析。结果表明：在某些波段，叶片的破损率和干鲜比均与近红外分光反射率有较好的相关性。叶片的干鲜比与近红外分光反射率关系的决定系数：黄瓜为R²=0.79(在1452 nm)，番茄为R²=0.70(在1450 nm)。叶片的破损率与近红外分光反射率关系的决定系数，黄瓜为R²>0.81(在1436～1468 nm)，番茄为R²>0.69(在1436～1466 nm)。试验和分析结果证明斑潜蝇虫害叶片的虫害程度能很好地被近红外光谱信息反映。     

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关,直接影响植株生长发育,而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关,直接影响茎秆质量及植株的抗倒伏能力。然而,有关对冬小麦茎秆氮含量估算研究较为有限,限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官（叶片、茎秆）氮含量,该研究通过2年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期、灌浆期）和3种施氮水平条件下（N1、N2和N3）的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD (soil and plant analyzer development, SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性,并结合5种常用的机器学习算法：随机森林回归（random forest regression,RFR）、支持向量回归（support vector regression,SVR）、偏最小二乘回归（partial least squares regression,PLSR）、高斯过程回归（gaussian process regression,GPR）、深度神经网络回归（deep neural networks,DNN）构建冬小麦叶片和茎秆氮含量估算模型。结果表明：高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期,最佳植被指数双峰冠层植被指数 DCNI（double-peak canopy nitrogen index）对叶片氮含量的敏感性最高,R²为0.866。对茎秆氮含量,在抽穗期的敏感性最高,最佳植被指数归一化叶绿素比值指数 NPQI（normalized phaeophytinization index）与氮含量相关系数R²＝0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度,对叶片氮含量,在不同生育期和施氮水平条件下估算精度提升了1%～7%,其中在全生育期的归一化均方根误差NRMSE从0.254提升到0.214,抽穗期的NRMSE提升最大,从0.201提升到0.128。对茎秆氮含量,全生育期的NRMSE从0.443提升到0.400,抽穗期的NRMSE提升最大,从0.323提升到0.268。在全生育期,结合SPAD值的DNN模型对叶片（R²=0.782、NRMSE=0.214）和茎秆（R²=0.802、NRMSE=0.400）氮含量的估算精度最佳。研究说明,SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。     

用偏最小二乘法及傅立叶变换近红外光谱快速检测白酒酒精度

为了得到白酒工业中酒精度的快速检测技术,将偏最小二乘法与傅立叶变换近红外光谱相结合,通过解析白酒样品的近红外光谱图和对光谱进行不同的预处理,结果表明：用最大最小归一化法预处理光谱,光谱范围选择9747.1～7498.3 cm^-1和6102～5446.3 cm^-1,采用内部交叉验证建立模型,决定系数(R²)为99.99%,交互验证均方根差(RMSECV)为0.165%,主成分数为4,此条件下建模效果较好;模型进行验证结果表明预测集相关系数(R²)为99.80%,预测标准偏差(RMSEP)为0.264%,模型的预测效果很好,具有较高的精密度和良好的稳定性,能满足生产中白酒酒精度的快速检测要求。     

基于色味指标光谱特性的贺兰山东麓干红葡萄酒产地细分

贺兰山东麓被认为是全球最适宜种植葡萄和生产优质葡萄酒的区域之一。贺兰山东麓葡萄酒产区自北向南已形成石嘴山、银川、永宁、青铜峡和红寺堡等5个产地的区划格局,但因产地风土各异,尚未建立科学规范的葡萄酒产地细分管理方法。为了协助宁夏贺兰山东麓产区强化干红葡萄酒产品区划管理,该研究以贺兰山东麓干红葡萄酒为研究对象,分析葡萄酒色味理化指标的相关性和产地差异性,并依据随机森林的节点权值确定了可反映产地信息的关键色味理化指标。然后,基于近红外光谱和化学计量学方法构建了各项指标的定量分析模型,并以光谱预测结果为输入量,训练了以ReLU为最佳激活函数的人工神经网络产地判别模型,实现了贺兰山东麓干红葡萄酒的产地细分。结果表明,酒石酸酯和pH值的产地差异性最为显著,多项色味理化指标之间存在较强的相关性,通过去低权值指标分析确定了酒石酸酯、多聚体花色苷、pH值、红/绿通道$ {a^*} $、黄/蓝通道$ {b^*} $、总单宁、单体花色苷、明度$ {L^*} $、黄酮醇、滴定酸、离子化指数、乙醇指数、色度$ C_{ab}^* $、总花色苷等14项关键色味理化指标。每项指标的光谱定量模型决定系数（r²）均高于0.90,相对分析误差（RPD）高于2.5,具有准确的定量分析能力;人工神经网络模型对石嘴山酒样判别的灵敏度（sensitivity,SEN）为100%,准确率（accuracy,CCR）为100%;对银川酒样判别的SEN为100%,CCR为90%;对永宁酒样判别的SEN为87.5%,CCR为93.33%;对青铜峡酒样判别的SEN为94.74%,CCR为100%;对红寺堡酒样判别的SEN为92.31%,CCR为92.31%,具有可靠的产地判别能力。该方法可为贺兰山东麓干红葡萄酒的产品区划管理提供技术支撑,有助于中国葡萄酒原产地保护制度的建立与发展。     

大豆叶绿素含量高光谱反演模型研究

叶绿素是植物体进行光合作用、进行第一性生产的重要物质,能够间接反映植被的健康状况与光合能力,同时也能反映植被受环境胁迫后的生理状态。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。该研究实测了不同水肥耦合作用下,大豆冠层的高光谱反射率与叶绿素含量数据,对二者进行了相关分析;采用特定叶绿素敏感波段建立了植被指数叶绿素估算模型;最后采用相关系数较大的波段作为神经网络模型的输入变量进行了叶绿素含量的估算。经对比发现叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致,在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度(R²>0.736),但是人工神经网络模型可以大大提高大豆叶绿素含量的估算水平,当隐藏层节点数为4时,R²大于0.94,随着隐藏层节点数的增加,R²可高达0.99,表明神经网络模型可以大大提升高光谱反演大豆叶绿素含量的能力。     

基于光谱指数与机器学习算法的土壤电导率估算研究

土壤盐分是干旱区土壤盐渍化评价的重要指标。以新疆维吾尔自治区渭干河-库车河三角洲绿洲为例,基于土壤电导率 (Electrical conductivity,EC) 及可见光-近红外 (Visible and near infrared, VIS-NIR) 光谱数据,通过蒙特卡洛交叉验证 (Monte Carlo cross validation, MCCV) 确定364个有效样本。采用原始光谱 (Raw reflectance, R) 及其经过微分、吸光度 (Absorbance, Abs)、连续统去除 (Continuum removal, CR) 等6种预处理后的数据构建光谱指数。基于遴选出的21个最优指数,采用BP神经网络 (Back propagation neural network, BPNN)、支持向量机 (Support vector machine, SVM)、极限学习机 (Extreme learning machine, ELM) 三种算法对EC进行估算,并引入偏最小二乘回归 (Partial least squares regression, PLSR) 进行比较。结果表明：在基于R与6种光谱预处理数据构建的21个最优光谱指数之中,R_FD_RSI (R₁₉₁₃,R₂₁₄₂) 表现最佳 (r = 0.649) ;与PLSR相比,机器学习算法能够显著提高模型的估算精度,R²提高了34.55%。三种机器学习算法模型中,ELM表现最优 (R² = 0.884, RMSE = 3.071 mS?cm^-1, RPIQ = 2.535) 。本研究中所构建的光谱指数在兼顾遥感机理的同时能深度挖掘更多的隐含信息,并且基于机器学习算法的土壤EC估算模型精度显著提高,为干旱区土壤盐分定量估算提供了科学参考。     

基于IRIV算法优选大豆叶片高光谱特征波长变量估测SPAD值

在植物叶绿素特征波长变量筛选过程中,与叶绿素关系较弱的波长变量极易被忽略,导致这些弱信息变量包含叶绿素的有效信息丢失,因此,确定叶片光谱中弱信息变量对揭示叶绿素高光谱响应规律具有重要意义。该研究以江汉平原大豆鼓粒期的叶片为研究对象,采集80组大豆叶片高光谱和SPAD(soil and plant analyzer development)值,分析SPAD值与大豆叶片反射率相关关系和光谱波长变量自相关关系,基于迭代和保留信息变量法(iteratively retains informative variables,IRIV)筛选大豆叶片的特征波长变量,建立偏最小二乘回归(partial least squares regression,PLSR)和支持向量机(support vector machine,SVM)模型估测SPAD值。结果表明,大豆叶片SPAD值与光谱反射率在可见光波段具有极显著负相关,在近红外波段存在不显著的正相关性(P0.01);可见光、近红外2波段的波长变量之间相关性较弱,但2波段内变量之间的相关性较强;基于IRIV算法确定了大豆叶绿素的特征波长变量,利用特征波长变量建立的估测模型的估测能力高于仅利用强信息波长变量建立的估测模型,表明弱信息变量对估测叶片SPAD值具有重要意义;IRIV-SVM模型估测能力最优,验证集R2和相对分析误差(RPD)分别为0.73、1.82。该文尝试证明了光谱中弱信息变量的重要性,为揭示叶片高光谱响应机理提供了理论依据。     

支持向量机在苹果分类的近红外光谱模型中的应用

建立了一套苹果近红外光谱采集装置来减少因苹果的部位差异性而造成的试验误差。采用一种新的机器学习算法——支持向量机(SVM)建立不同产地、不同品种苹果的近红外光谱分类模型。通过选定RBF函数作为核函数，并确定合适的光谱预处理方法和核函数中惩罚系数C、正则化系数γ，使得所建立的不同品种苹果分类模型的回判识别率和预测识别率均达到100%，不同产地苹果分类模型的回判识别率为87%，预测识别率为100%，与传统的判别分析法相比其预测识别精度提高5%左右。结果表明，支持向量机可以建立高精度的苹果近红外光谱分类模型。     

棉花地上鲜生物量的高光谱估算模型研究

通过测试棉花6个生育时期350～2500 nm波段的冠层高光谱数据,采用连续统去除和波段深度归一化的分析方法,计算出棉花反射光谱550～750 nm波段深度参数(Dc);同时,将冠层反射光谱数据与棉花鲜生物量进行逐步回归分析,确定了近红外波段763 nm及红光波段670 nm是棉花鲜生物量的2个敏感波段,并组成了高光谱归一化植被指数(NDVI)和比值植被指数(RVI);基于Dc参数和NDVI、RVI植被指数,建立了棉花地上鲜生物量的5种单变量线性与非线性函数模型,分析表明,RVI的指数函数模型反演的棉花地上鲜生物量的估计值与实测值的相关系数最大(R=0.7289^**,RMSE=0.8776);5种函数模型方程,经检验均达到1%的极显著水平,其中,以指数函数、幂函数和双曲线函数构建的棉花鲜生物量估算模型精度相对较高;该研究采用高光谱植被参数和指数,实时、无损、动态、定量提取了棉花地上鲜生物量,为分析、模拟、评价、预测棉花群体大小,设计理想棉花群体及棉花高光谱遥感估产提供了科学的依据。     

柑桔叶片黄龙病光谱特征选择及检测模型

为探索高光谱技术诊断黄龙病及分类的可行性,通过变量筛选方法组合为高维数据实用化提供参考。采集柑桔叶片高光谱图像并进行普通(polymerase chain reaction,PCR)鉴别分为轻度、中度、重度、缺锌和正常5类样品。用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,组合遗传算法(genetic algorithm,GA)和连续投影算法(successive projections algorithm,SPA)筛选变量,对数据进行降维。结合极限学习机(extreme learning machine,ELM)和最小二乘支持向量机(least squares support vector machine,LS-SVM)构建柑桔黄龙病判别模型。对预测样品进行诊断分类,来评价模型判别能力。经对比发现,UVE组合SPA筛选变量后的LS-SVM模型效果最好,该模型以Link_kernel函数为核函数,惩罚因子(γ)最小为1.07,误判率最低为0。用全谱作输入变量时LS-SVM模型复杂程度最高且预测能力最差,误判率最高为11.9%,可能是包含无用信息和冗余信息变量造成的。研究显示,UVE组合SPA筛选变量,结合LS-SVM对柑桔黄龙病诊断并分类具有一定可行性,为高维度数据实用化提供一定参考价值。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

温州蜜柑叶片黄化果园土壤及叶片的养分含量特征

弄清叶片黄化柑橘园土壤与叶片的养分含量特征,为改善柑橘园营养状况,提高柑橘产量和品质提供理论与技术支撑。通过对黄化和无黄化温州蜜柑园土壤、叶片的养分含量进行分析,研究影响温州蜜柑叶片黄化的关键因子。结果表明,温州蜜柑叶片的钙、镁、硼含量与SPAD值呈显著或极显著正相关,叶片黄化是由叶片中钙、镁、硼含量不足所造成的,属于综合缺素型,同时叶片中钾、铁、锰含量较高,叶片对钙、镁、硼的吸收与对钾、铁、锰的吸收之间存在相互拮抗的关系;土壤酸化是叶片黄化的主要驱动因子,pH值较低一方面降低了土壤中钙、镁、硼的有效性,另一方面,土壤中较高的铁、锰含量抑制了柑橘对钙、镁、硼的吸收,最终导致叶片因缺钙、缺镁、缺硼而出现黄化。喷施含钙、镁、硼的叶面肥料,防止土壤酸化是改善温州蜜柑叶片黄化的有效措施。     

用高光谱成像技术检测柑橘红蜘蛛为害叶片的色素含量

为解决传统理化法检测柑橘树叶片受红蜘蛛为害后色素含量变化时存在的工作量大、效率低等问题,该文研究应用高光谱成像技术检测柑橘红蜘蛛为害叶片色素含量的方法。研究中对比了正常叶片与受害叶片的原始光谱以及原始光谱一阶微分曲线的差异,寻找反映叶片色素含量变化的特征波段;分析了特征波段反射率比值与叶片色素间相关性;采用单变量线性回归法分析了常用植被指数预测叶片色素含量的效果;采用逐步回归分析法建立了叶片色素含量预测模型,并对模型预测效果进行了F检验。结果表明:常用植被指数预测叶片色素含量结果不理想;选取的667/522、667/647和522/647 nm等3个特征波段反射率比值与叶片3种色素含量间具有较高的相关性;用于建立叶片色素含量预测模型的最佳特征波段反射率比值为667/522和667/647 nm,所建立的模型可较好地预测健康及受害叶片的叶绿素a、叶绿素b和类胡萝卜素含量。     

基于彩色信息的树上柑橘识别研究

为正确识别自然环境中的树上水果,从而为机械手的运动提供参数并完成水果的自动采摘,研究了基于彩色信息的树上柑橘识别方法。在对53幅含有各种背景情况的可见光彩色图像进行颜色特征提取和理解的基础上,建立了利用柑橘、树叶、树枝在R-B颜色指标上的差异进行树上柑橘识别的颜色模型,并利用动态阈值法,根据图像特征动态产生阈值T,将柑橘从背景中分割出来。分别在顺光条件和逆光条件下进行了试验分析,试验结果表明该识别模型可以实现对树上可见的柑橘的识别,并适用于单个和多个果实的识别,正确识别率较高。     

柑橘成熟度机器视觉无损检测方法研究

水果内部品质无损检测技术是确定水果最佳采收期和按成熟度进行准确分级的关键。本研究以表面色泽与固酸比为柑橘成熟度指标，建立了用于柑橘成熟度检测的机器视觉系统，确定了适宜的背景颜色，进行了柑橘的分光反射试验，发现绿色柑橘表面与桔黄色表面的反射率在700 nm时反射率相差最大，约达53%，且各自的反射率都较大，700 nm是获得高质量的柑橘图像的较佳中心波长。建立了利用协方差矩阵和样本属于桔黄色和绿色的概率来判断柑橘成熟度的判别分析法，并以实测的固酸比值作为对照，对72枚柑橘样本进行了试验，柑橘成熟度的判别准确率达到91.67%。这表明柑橘果实的表皮颜色与成熟度之间具有相关性。     

基于无人机平台的柑橘树冠信息提取

为了快速获取柑橘树冠信息,提升柑橘园精准管理,该研究基于无人机平台获取了柑橘数码和多光谱影像,分析了无人机影像反演柑橘树冠信息的效果。首先利用无人机数码影像及分水岭算法进行柑橘单木分割,然后构建柑橘树冠层高度模型,提取柑橘株数、株高、冠幅投影面积等结构参数信息,进而利用无人机多光谱影像获取柑橘的8种常用植被指数,采用全子集分析法筛选柑橘冠层氮素含量的敏感植被指数,构建基于多元线性回归的冠层氮素遥感反演模型,进行以冠幅为基本单元的柑橘树冠层氮素含量遥感制图。研究结果表明:柑橘的单木识别准确率在93%以上,召回率在95%以上,平均F值为96.52%;柑橘树的反演株高与实测株高具有较强的相关性,决定系数R2为0.87,均方根误差为31.9cm;单株冠幅投影面积与人工绘制的冠幅面积的决定系数,除果园A在12月的结果较低(R2为0.78)外,其余均在0.94及以上;采用全子集分析法筛选的柑橘冠层氮素敏感植被指数为归一化植被指数(NDVI)、绿色归一化植被指数和冠层结构不敏感指数,所建立的多元回归模型的决定系数R2达0.82,均方根误差为0.22%,相对误差为6.59%。综上,无人机影像在柑橘树冠参数信息提取方面具有较好的应用效果,能够快速有效地提取柑橘树冠参数信息。该研究可为使用无人机平台进行果园精准管理提供技术支撑。     

Nitrogen availability to citrus seedlings from urea and from mineralization of citrus leaf or compost

A pot experiment was conducted using a Candler fine sand (hyperthermic, uncoated, Typic Quartzipsamments) amended with either citrus leaves or compost, to measure the nitrogen (N) mineralization and its availability to two citrus rootstock seedlings. A rapid increase in NH₄‐N concentration was evident in the soil amended with citrus leaves as compared to compost during the initial 14 to 20 d. Subsequently, the concentration of NH₄‐N decreased in the citrus leaves amended soil. The extractable NO₃‐N concentration was greater in the soil amended with citrus leaves as compared to compost, throughout the 270 d duration of the study. The N concentrations and N uptake by Cleopatra mandarin (CM) and Swingle citrumelo (SC) seedlings grown in citrus leaf amended soil were very similar to those in urea amended soil. Therefore, mineralization of N from dry ground citrus leaves was quite rapid. The N concentrations in both rootstock seedlings were much lower in the compost amended and unamended soils as compared to those in either citrus leaves or urea amended soils. Rapid mineralization of N from cirrus leaves added to sandy soil, resulting in an increased availability of N, suggested that the contribution of N from shed leaf mineralization must be considered while developing N rate recommendations for improving N use efficiency.     

柑橘叶片叶绿素含量高光谱无损检测模型

针对柑橘叶片叶绿素含量的传统化学检测,不仅耗时长且损伤柑橘叶片,还依赖检测者实操技术,无法集成于精细农业中变量喷施农机具的诸多弊端,该文探讨快速无损检测柑橘叶片叶绿素含量方法。以117棵园栽萝岗甜橙树为研究对象,选用ASD Field Spec 3光谱仪对萌芽期、稳果期、壮果促梢期、采果期共4个生长时期的柑橘叶片进行高光谱反射率采集,并同步采用分光光度法测得叶片的叶绿素含量;以原始光谱及其变换形式作为模型输入矢量,分别在主成分分析(principle component analysis,PCA)降维的基础上利用支持向量机回归(support vector regression,SVR)算法和在小波去噪的基础上利用偏最小二乘回归(partial least square regression,PLSR)算法对柑橘叶片叶绿素含量进行建模预测,全生长期整体建模的校正集和验证集最佳模型决定系数R2分别为0.8713和0.8670,均方根误差RMSE(root-mean-square error)分别为0.1517和0.1544,试验结果表明,高光谱可快速无损地对柑橘叶片叶绿素含量进行精确的定量检测,为柑橘不同生长期的营养监测提供理论依据。