基于光谱和高光谱成像技术的土壤养分及类型检测与仪器开发

发布时间：2017-04-21 16:06

  本文关键词：基于光谱和高光谱成像技术的土壤养分及类型检测与仪器开发，由笔耕文化传播整理发布。

【摘要】：土壤养分如总氮、有机质、速效钾和速效磷等是农作物生长的主要养分,这些土壤养分参数的检测一直沿用常规化学检测方法,对检测人员要求高,且需要昂贵的检测设备,存在检测成本高、效率低,不能大规模同时检测等问题。近红外光谱和高光谱成像分析技术具有成本低、快速和环保等优点,近年来在土壤养分测定方面得到了越来越广泛的应用。本文主要创新性成果有： (1)提出了将遗传算法和连续投影算法相结合,用于特征波长选择,建立了土壤有机质含量快速检测模型,预测集的决定系数为0.83,预测均方根误差为0.20,残余预测偏差为2.45,介绍了两种光谱压缩方法(LVs和PCs)和有效波长(EWs)提取方法,对于土壤有机质,LVs-LS-SVM模型的预测结果优于EWs-LS-SVM、PCs-LS-SVM模型,EWs-LS-SVM优于PCs-LS-SVM模型。 (2)应用高光谱成像技术,建立了土壤有机质的光谱检测模型。系统地比较了多元散射校正,SG平滑算法和小波分析预处理方法,多元散射校正预处理效果较好,有效去除了光谱噪声,采用连续投影算法和遗传-偏最小二乘法选择特征波长,建立了偏最小二乘、BP神经网络和最小二乘支持向量机模型。最优模型为最小二乘支持向量机模型,其预测集的决定系数为0.78,预测均方根误差为0.29,残余预测偏差RPD为2.24。 (3)提出了基于图像和光谱信息融合技术鉴别土壤不同类型。提取土壤样品感兴趣区域光谱,以第一主成分图像信息和611nm图像信息为灰度共生矩阵,结合图像信息数据与光谱信息数据,作为LS-SVM分类器的输入建立分类识别模型,预测集识别率达到100%。 (4)提出了采用连续投影算法和回归系数方法提取特征波长,基于特征波长分别采用PLS、MLR和LS-SVM三种建模方法共建立了9个预测模型,预测总氮含量,最优MLR模型预测集的决定系数为0.81,残余预测偏差RPD为2.26。 (5)应用短波近红外光谱技术,建立了土壤总氮含量快速检测模型。将土壤样本分为三组,一组未经过粉碎、过筛等处理,其余两组分别过2mm筛和0.5mm筛处理,采用基于USB4000开发的便携式光谱仪器获取土壤光谱数据,结合平滑算法,波长压缩算法和小波变换进行噪声处理,采用竞争性自适应重加权算法,Random frog和SPA进行特征波长选择。采用偏最小二乘,极限学习机和LS-SVM建立了检测模型。试验结果表明,过筛处理后的样本模型结果优于未过筛的样本模型结果,过0.5mm筛处理的土壤样本模型预测结果略优于过2mm筛处理的土壤样本结果,预测集的决定系数为0.63,RPD为1.58。 (6)应用蒙特卡罗无信息变量消除算法(MC-UVE)结合遗传算法提取特征波长,建立了土壤速效钾快速检测模型。PLS模型预测集的决定系数为0.68,RMSEP为6.45,残余预测偏差(RPD)为1.70。应用竞争性自适应重加权算法选择的特征波长,建立了土壤速效磷快速检测模型。PLS模型预测集的决定系数为0.64,RMSEP为3.80,RPD为1.67。 (7)开发了一款基于USB4000光谱仪的便携式土壤养分含量测定仪器,并应用于土壤总氮含量检测研究。硬件部分由机箱外壳、光纤、电压转换模块、光源、驱动电路、集成开发板、独立电源和触摸屏等组成；软件部分由模型加载模块、光谱采集模块、光谱保存模块、结果显示模块和参数设置等模块组成。 上述研究成果实现了土壤养分和类型的无损、快速检测,为开发基于光谱和高光谱成像技术的土壤养分检测仪器奠定了理论基础,具有广阔的应用前景。
【关键词】：近红外光谱 高光谱成像 土壤养分 特征波长 便携式仪器
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：S237;S158
【目录】：

• 致谢5-6
• 摘要6-8
• Abstract8-13
• 目录13-18
• 图目录18-21
• 表目录21-22
• 缩略词表22-24
• 1 绪论24-37
• 1.1 研究目的和意义24-26
• 1.2 国内外研究现状26-31
• 1.2.1 国外研究现状26-29
• 1.2.2 国内研究现状29-31
• 1.3 光谱分析基础31-33
• 1.4 研究目标、研究内容和技术路线33-36
• 1.4.1 研究目标33
• 1.4.2 研究内容33-35
• 1.4.3 技术路线35-36
• 1.5 本章小结36-37
• 2 实验仪器与方法37-46
• 2.1 试验仪器设备37-42
• 2.1.1 可见近红外光谱仪器37-40
• 2.1.2 高光谱成像检测仪器40-42
• 2.2 试验材料42-44
• 2.3 土壤有机质含量测定44
• 2.4 土壤氮、磷和钾测定44-45
• 2.4.1 土壤总氮的测量44-45
• 2.4.2 土壤速效钾的测量45
• 2.4.3 土壤速效磷的测量45
• 2.5 本章小结45-46
• 3 光谱预处理和多元校正计量学方法46-60
• 提要46
• 3.1 光谱预处理方法概述46-51
• 3.1.1 Savitzky-Golay卷积平滑算法46-47
• 3.1.2 多元散射校正47
• 3.1.3 标准正态变量变换47-48
• 3.1.4 微分算法48
• 3.1.5 小波变换48-49
• 3.1.6 归一化49
• 3.1.7 去趋势算法49
• 3.1.8 正交信号校正49-50
• 3.1.9 均值中心化50
• 3.1.10 标准化50-51
• 3.2 多元校正计量学方法51-55
• 3.2.1 主成分回归51-52
• 3.2.2 偏最小二乘回归52
• 3.2.3 多元线性回归52-53
• 3.2.4 最小二乘支持向量机53-54
• 3.2.5 BP神经网络54-55
• 3.2.6 极限学习机55
• 3.3 特征变量提取方法55-58
• 3.3.1 连续投影算法56
• 3.3.2 无信息变量消除算法56-57
• 3.3.3 遗传算法57
• 3.3.4 竞争性自适应重加权算法57
• 3.3.5 随机青蛙57-58
• 3.4 模型评价标准58-59
• 3.4.1 决定系数58
• 3.4.2 校正预测均方根误差58
• 3.4.3 预测均方根误差58-59
• 3.4.4 残余预测偏差59
• 3.5 化学计量学算法实现软件59
• 3.6 本章小结59-60
• 4 土壤有机质及土壤类型测定研究60-94
• 提要60
• 4.1 引言60
• 4.2 统计化学方法测定样本有机质含量60-61
• 4.3 采集土壤样本光谱61
• 4.4 遗传算法结合连续投影算法近红外光谱检测土壤有机质61-65
• 4.4.1 遗传算法选取特征波长62-63
• 4.4.2 遗传算法结合连续投影算法选取特征波长63-65
• 4.4.3 小结65
• 4.5 基于近红外光谱的不同波段检测土壤有机质研究65-68
• 4.5.1 建模集和预测集的划分65
• 4.5.2 PLS潜在变量和主成分因子的获取65-66
• 4.5.3 不同波段建模研究66-67
• 4.5.4 小结67-68
• 4.6 基于高光谱成像技术检测土壤有机质含量研究68-78
• 4.6.1 试验样本和方法68
• 4.6.2 高光谱成像系统68-71
• 4.6.3 光谱噪声去除71
• 4.6.4 特征波长选择71-72
• 4.6.5 建模分析方法72
• 4.6.6 结果与讨论72-77
• 4.6.7 小结77-78
• 4.7 基于高光谱成像技术检测土壤类型研究78-92
• 4.7.1 材料与方法79-83
• 4.7.2 试验结果与分析83-90
• 4.7.3 ROC曲线评价LS-SVM分类性能90-91
• 4.7.4 小结91-92
• 4.8 本章小结92-94
• 5 基于近红外光谱技术土壤总氮和磷钾测定研究94-119
• 提要94
• 5.1 前言94-95
• 5.2 化学测定土壤总氮统计分析95
• 5.3 采集土壤样本光谱和光谱预处理95-96
• 5.4 基于不同变量选择方法和建模方法检测土壤总氮的研究96-101
• 5.4.1 回归系数分析提取总氮关键变量97-98
• 5.4.2 连续投影算法提取总氮特征波长98
• 5.4.3 土壤总氮遗传算法提取特征波长98-100
• 5.4.4 数学模型验证及评价100
• 5.4.5 总氮含量检测结果与讨论100-101
• 5.4.6 总氮检测结论101
• 5.5 基于便携式短波近红外光谱仪器检测土壤总氮含量研究101-111
• 5.5.1 试验样本采集和划分方法102-103
• 5.5.2 土壤光谱噪声去除103-104
• 5.5.3 土壤总氮特征波长选择算法104
• 5.5.4 土壤总氮含量建模分析方法104-105
• 5.5.6 土壤总氮含量检测结果与讨论105-110
• 5.5.7 过筛和未过筛土壤样品检测总氮分析110-111
• 5.6 基于近红外光谱技术检测土壤速效磷111-114
• 5.6.1 无信息变量消除算法提取变量111-112
• 5.6.2 土壤速效磷遗传算法选取特征波长112
• 5.6.3 竞争性自适应重加权算法112-114
• 5.6.4 小结114
• 5.7 蒙特卡罗无信息变量消除算法结合遗传算法检测土壤速效钾114-117
• 5.7.1 遗传算法选取特征波长114
• 5.7.2 MC-UVE结合GA选取建模变量114-117
• 5.7.3 小结117
• 5.8 本章小结117-119
• 6 基于光谱技术检测土壤总氮含量便携式仪器开发119-134
• 提要119
• 6.1 引言119-120
• 6.2 便携式检测仪器硬件集成120-125
• 6.2.1 便携式土壤总氮含量检测仪器核心部件124
• 6.2.2 便携式土壤总氮含量检测仪器电源供电124-125
• 6.3 便携式仪器测量土壤总氮含量系统简介125-127
• 6.3.1 便携式土壤总氮含量检测仪器设计思想125-127
• 6.4 检测系统各子模块简介127-130
• 6.4.1 便携式土壤总氮含量检测仪器软件127-129
• 6.4.2 便携式土壤总氮含量检测仪器内部组成129
• 6.4.3 便携式土壤总氮含量检测仪器整机实物129-130
• 6.5 基于便携式仪器检测土壤总氮含量研究130-133
• 6.5.1 便携式土壤总氮含量检测仪器检检测结果列表130-132
• 6.5.2 便携式土壤总氮含量检测仪器和其它光谱仪比较132-133
• 6.6 本章小结133-134
• 7 结论与展望134-138
• 7.1 研究的具体内容和主要结论134-136
• 7.2 本研究的主要创新点136
• 7.3 展望和建议136-138
• 参考文献138-146
• 附录146-166
• 作者简介166-168

【相似文献】

中国期刊全文数据库 前10条

1 单佳佳;彭彦昆;王伟;李永玉;吴建虎;张雷蕾;;基于高光谱成像技术的苹果内外品质同时检测[J];农业机械学报;2011年03期

2 王斌;薛建新;张淑娟;;基于高光谱成像技术的腐烂、病害梨枣检测[J];农业机械学报;2013年S1期

3 蔡健荣;韩智义;;碧螺春茶叶的真伪鉴别技术——基于漫反射式高光谱成像技术[J];农机化研究;2013年04期

4 孙梅;陈兴海;张恒;陈海霞;;高光谱成像技术的苹果品质无损检测[J];红外与激光工程;2014年04期

5 罗阳;何建国;贺晓光;王松磊;刘贵珊;;农产品无损检测中高光谱成像技术的应用研究[J];农机化研究;2013年06期

6 余克强;赵艳茹;李晓丽;张淑娟;何勇;;基于高光谱成像技术的鲜枣裂纹的识别研究[J];光谱学与光谱分析;2014年02期

7 田有文;牟鑫;程怡;;高光谱成像技术无损检测水果缺陷的研究进展[J];农机化研究;2014年06期

8 丁冬;;高光谱成像技术及其在农产品检测中的应用[J];科技信息;2013年35期

9 章海亮;高俊峰;何勇;;基于高光谱成像技术的柑橘缺陷无损检测[J];农业机械学报;2013年09期

10 张筱蕾;刘飞;聂鹏程;何勇;鲍一丹;;高光谱成像技术的油菜叶片氮含量及分布快速检测[J];光谱学与光谱分析;2014年09期

中国重要会议论文全文数据库 前7条

1 卢云龙;刘志刚;;高光谱成像技术及其在目标检测中的应用进展[A];国家安全地球物理丛书（九）——防灾减灾与国家安全[C];2013年

2 马本学;应义斌;饶秀勤;;高光谱成像在水果表面缺陷及污染检测中的研究进展[A];2007年中国农业工程学会学术年会论文摘要集[C];2007年

3 何宝琨;;使用曲面棱镜的高光谱成像系统设计[A];中国空间科学学会空间探测专业委员会第二十六届全国空间探测学术研讨会会议论文集[C];2013年

4 孙向军;刘凯龙;赵志勇;李雪涛;;高光谱成像及仿真技术途径探索[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

5 颜昌翔;;星载高光谱成像及数据应用[A];第十届全国光电技术学术交流会论文集[C];2012年

6 肖功海;舒嵘;薛永祺;;显微成像光谱技术及其应用[A];成像光谱技术与应用研讨会论文集[C];2004年

7 赖建军;陈四海;陈坦;易新建;;基于MEMS微镜阵列的高光谱成像技术研究[A];中国宇航学会深空探测技术专业委员会第三届学术会议论文集[C];2006年

中国博士学位论文全文数据库 前6条

1 王彩玲;干涉高光谱成像中的信息提取技术[D];中国科学院研究生院(西安光学精密机械研究所);2011年

2 朱逢乐;基于光谱和高光谱成像技术的海水鱼品质快速无损检测[D];浙江大学;2014年

3 张若宇;番茄可溶性固形物和硬度的高光谱成像检测[D];浙江大学;2014年

4 章海亮;基于光谱和高光谱成像技术的土壤养分及类型检测与仪器开发[D];浙江大学;2015年

5 张东彦;基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究[D];浙江大学;2012年

6 虞佳佳;基于高光谱成像技术的番茄灰霉病早期快速无损检测机理和方法研究[D];浙江大学;2012年

中国硕士学位论文全文数据库 前10条

1 李婧;基于数字滤波的高光谱成像系统研究[D];山东大学;2010年

2 曹鸿涛;高光谱成像实验及其数据处理[D];西北工业大学;2005年

3 傅楚华;脑缺血和脑胶质瘤的高光谱成像研究[D];第三军医大学;2014年

4 石慧;基于高光谱成像技术的对虾品质信息快速检测方法研究[D];浙江大学;2013年

5 李涛;基于波长可调谐的主动高光谱成像技术研究[D];中国科学院研究生院（上海技术物理研究所）;2014年

6 殷姣姣;基于可见—近红外光谱和高光谱成像的无损检测方法研究[D];太原科技大学;2014年

7 陈加伟;偏振高光谱成像建模与仿真[D];哈尔滨工业大学;2011年

8 张令标;基于高光谱成像技术的红枣表面农药残留无损检测的研究[D];宁夏大学;2014年

9 管娅娜;分子光谱成像机理及其在血细胞分析中的应用研究[D];华东师范大学;2012年

10 罗阳;基于NIR高光谱成像技术的长枣虫害及可溶性固形物无损检测研究[D];宁夏大学;2013年

  本文关键词：基于光谱和高光谱成像技术的土壤养分及类型检测与仪器开发，，由笔耕文化传播整理发布。

本文编号：320688