基于高光谱的猕猴桃叶片含氮量快速检测方法研究

发布时间：2020-07-18 21:16

【摘要】：猕猴桃树矿质元素的含量能够精准反映果树的生长状况,对后续实施精细化、智能化的果园管理具有重要的作用。而传统的化学实验检测方法耗时费力、过程繁琐、对样本有损、时效性也差,难以满足大范围、快速、无损的现代化管理需求。本文以猕猴桃叶片为研究对象,基于高光谱技术在865.11-1715.03nm近红外波段范围中建立了全生长过程中猕猴桃叶片氮素含量的预测回归模型,实现了对生长过程中猕猴桃叶片含氮量的快速、无损检测。主要研究内容如下:(1)研究了猕猴桃叶片光谱数据的预处理方法。受制于叶片样本采集与光谱实验误差的影响,原始光谱数据存在多种噪声干扰问题,因此采用在一阶导数(First derivative,F-D),二阶导数(Second derivative,S-D),多元散射校正(Multiplicative scatter correction,MSC)和变量标准化(Standard normalized variate,SNV)等方法对原始光谱数据进行预处理,结合预测分析模型的实验结果发现,SNV方法对猕猴桃叶片光谱数据的处理效果更好,对光谱数据的校正能力更强。(2)基于预处理的光谱数据,采用主成分分析(Princeple component analysis,PCA)和竞争性自适应加权算法(Competitive adaptive reweighted sampling,CARS)对全光谱数据进行特征提取分析,以期剔除干扰波段,降低数据维度。分别基于特征提取结果和全光谱数据建立偏最小二乘回归(Partial least squares regression,PLSR)与支持向量回归(Support vector regression,SVR)多种预测回归模型,其中SNV-CARS-SVR对猕猴桃叶片含氮量的预测效果较好,相关系数Rp为0.8329,均方根误差RMSEp为0.1777。结果表明SNV-CARS-SVR的方式能够较好的预测整个生长过程中猕猴桃叶片的含氮量。(3)实现了对全生长期猕猴桃叶片氮素含量的建模预测,其中包括5-7月与7-9月两个部分,分别比较了全光谱数据基于PCA,CARS方式特征提取后的光谱数据建立的PLSR与SVR模型,其中5-7月的猕猴桃叶片数据采用SNV-CARS-PLSR方式相关系数Rp为0.8507,均方根误差RMSEp为0.1289,表明SNV-CARS-SVR的方式能够较好的预测5-7月中猕猴桃叶片的含氮量;而7-9月的猕猴桃叶片数据采用CARS-PLSR的方式相关系数Rp为0.7478,均方根误差RMSEp为0.1839,表明CARS-PLSR的方式能够较好的预测7-9月中猕猴桃叶片的含氮量。研究表明,基于高光谱技术实现了对生长过程中猕猴桃叶片含氮量的快速检测研究,为猕猴桃叶片中氮含量的检测提供了一种新的方式,在猕猴桃产业领域的应用具有广阔的开发前景。
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S663.4;TP391.41
【图文】：

第二章 实验数据采集与高光谱图像处理 段下的光谱图像特征值相除，从而得到相对波段反射强度的图猕猴桃叶片表面不平造成的光线反射不匀引起的干扰，加强光，得到能够反映单一波段不具有的光谱信息（蔡健荣等 2009ijlijkijrBVBVBV,,,,,,=表示第k 波段坐标为( i ,j)的特征值。 ENVI 软件分析研究发现图 2-2（a）中，基于近红外波段的高样本叶片的波段部分重叠，难以分割，需要进行波段比处理。95.51nm/1446.11nm 近红外光谱图像的波段比处理效果较好，

（a） （b）59.79nm 原始近红外高光谱图像 (b) 1595.51/1446.11nm 波段比处理高 Original Near-infrared hyperspectral image (b) The band ratio hyperspectra1595.51/1446.11nm建立掩膜并应用割中，阈值对分割效果有着重要作用，阈值偏大或偏小会使样为样本。在近红外高光谱图像中，由于猕猴桃叶片的光谱反值设置为 0.64 以分割样本和背景，并应用圆盘结构，进行开闭率值为 1，背景为 0 的二值掩膜图像，如图 2-3（a）。将原始高运算，去掉背景信息，只留下感兴趣区域，结果如图 2-3（b）平均值以便进行后续数据分析。

基于高光谱的猕猴桃叶片含氮量快速检测方法研究线波段范围 865.11-1715.03nm 作为横坐标，通过应用掩膜后得标，绘制出所有叶片样本的近红外高光谱曲线。由图 2-4 可的过程中，存在着各种物理及随机因素造成的噪声，比如光及样本背景对样本的影响等，导致在1300nm附近与150线不平滑。

【参考文献】

相关期刊论文 前10条

1 王丽凤;张长利;赵越;宋玉柱;王润涛;苏中滨;王树文;;高光谱成像技术的玉米叶片氮含量检测模型[J];农机化研究;2017年11期

2 刘燕德;邓清;张光伟;;高光谱技术的赣南脐橙叶片含氮量分析[J];中国农机化学报;2016年09期

3 安静;姚国清;朱西存;;苹果叶片氮素含量高光谱检测研究[J];国土资源遥感;2016年02期

4 魏丽红;翟秋喜;;猕猴桃缺素症叶片诊断[J];北方园艺;2015年02期

5 刘红玉;毛罕平;朱文静;张晓东;高洪燕;;基于高光谱的番茄氮磷钾营养水平快速诊断[J];农业工程学报;2015年S1期

6 高扬;郭彤;郝留根;胡银岗;;反射光谱法估计小麦叶片表皮蜡质含量的初步研究[J];麦类作物学报;2014年04期

7 张美芳;何玲;张美丽;郭宇欢;;猕猴桃鲜果贮藏保鲜研究进展[J];食品科学;2014年11期

8 朱西存;赵庚星;董芳;王凌;雷彤;战兵;;基于高光谱的苹果花磷素含量监测模型[J];应用生态学报;2009年10期

9 蔡健荣;王建黑;陈全胜;赵杰文;;波段比算法结合高光谱图像技术检测柑橘果锈[J];农业工程学报;2009年01期

10 李涛;;猕猴桃产销形势[J];农产品市场周刊;2007年30期

相关硕士学位论文 前1条

1 李春梅;陕西猕猴桃果品质量安全生产现状与对策研究[D];西北农林科技大学;2015年

本文编号：2761436