基于高光譜圖像技術(shù)的生菜葉片氮素含量檢測(cè)與可視化研究.pdf

1、氮素是作物生理代謝和生長(zhǎng)發(fā)育的一種非常重要的營(yíng)養(yǎng)元素，與作物的長(zhǎng)勢(shì)、品質(zhì)和產(chǎn)量息息相關(guān)。因此，實(shí)現(xiàn)對(duì)作物氮素的快速、精確、無(wú)損檢測(cè)具有非常重要的意義。長(zhǎng)期以來(lái)，作物的氮素檢測(cè)都是以化學(xué)檢測(cè)方法為主，但化學(xué)檢測(cè)方法破壞性強(qiáng)、時(shí)效性差，影響作物生長(zhǎng)而不利于大范圍推廣應(yīng)用。近年來(lái)，基于光譜或計(jì)算機(jī)視覺(jué)的無(wú)損檢測(cè)方法在作物氮素檢測(cè)中得到了廣泛關(guān)注。然而光譜技術(shù)由于采用點(diǎn)采樣方式無(wú)法充分獲取作物的完整信息，導(dǎo)致檢測(cè)結(jié)果的隨機(jī)性強(qiáng);計(jì)算機(jī)視覺(jué)技術(shù)由

2、于利用作物外部的顏色、紋理、形態(tài)等特征進(jìn)行診斷，很難涉及到內(nèi)部的組織結(jié)構(gòu)和化學(xué)成分，導(dǎo)致檢測(cè)精度不高。因此，本文以生菜為研究對(duì)象，提出了基于高光譜圖像技術(shù)的生菜葉片氮素快速檢測(cè)方法，主要研究?jī)?nèi)容及結(jié)論如下:
　　(1)以無(wú)土栽培的方法來(lái)培育生菜樣本，以日本山崎營(yíng)養(yǎng)液配方為基礎(chǔ)，配置不同含氮濃度營(yíng)養(yǎng)液，栽培出呈現(xiàn)一定的氮素梯度水平的生菜葉片，這為后續(xù)研究奠定基礎(chǔ)。
　　(2)根據(jù)生菜葉片高光譜圖像各區(qū)域的光譜反射率特性，采用圖

3、像比值的方法來(lái)加大圖像各區(qū)域間的差異性，并結(jié)合圖像閾值分割的方法，實(shí)現(xiàn)對(duì)生菜葉片高光譜圖像感興趣區(qū)域（Region of interest，ROI）的有效選取。
　　(3)建立了生菜葉片氮素含量的OSC_SPA_SVR最優(yōu)預(yù)測(cè)模型。從Savitzky-Golay平滑(SG_smoothing)、多元散射校正（Mutiplicative ScatterCorrection，MSC）、標(biāo)準(zhǔn)正態(tài)變量結(jié)合去趨勢(shì)(SNV_detrendin

4、g)、一階導(dǎo)數(shù)(1stderivative)、二階導(dǎo)數(shù)(2nd derivative)、正交信號(hào)校正(Orthogonal SignalCorrection，OSC)這些光譜預(yù)處理算法中篩選出OSC為最優(yōu)預(yù)處理方法。并采用連續(xù)投影算法(Successive Projections Algorithm，SPA)對(duì)OSC預(yù)處理后的光譜提取特征波長(zhǎng)，基于特征波長(zhǎng)數(shù)據(jù)建立多元線性回歸(Multivariable LinearRegression

5、，MLR)、偏最小二乘回歸(Partial Least Squares Regression，PLSR)和支持向量回歸（Support Vector Regression，SVR）3個(gè)預(yù)測(cè)模型。發(fā)現(xiàn)得到的OSC_SPA_SVR模型性能最優(yōu)，R2c為0.855，RMSEC為0.385，R2p為0.841，RMSEP為0.414。
　　(4)研究了利用生菜葉片高光譜圖像紋理特征對(duì)其氮素含量進(jìn)行檢測(cè)的方法。利用主成分分析法提取了葉片高光

6、譜圖像的前3幅主成分圖像PC1、PC2、PC3，并對(duì)3幅主成分圖像提取了基于灰度直方圖統(tǒng)計(jì)矩和基于灰度共生矩的紋理數(shù)據(jù)。然后利用SPA對(duì)紋理數(shù)據(jù)進(jìn)行特征優(yōu)選，基于優(yōu)選出的紋理特征建立MLR、PLSR和SVR3個(gè)模型，發(fā)現(xiàn)建立的SPA SVR模型性能最優(yōu)，R2c為0.745，RMSEC為0.509，R2為0.499，RMSEP為0.734。
　　(5)利用高光譜圖像技術(shù)來(lái)可視化顯示生菜葉片中的氮素含量，采用SPA優(yōu)選出特征波長(zhǎng)，建立

7、了特征波長(zhǎng)數(shù)據(jù)與氮含量間的多元線性關(guān)系模型ypre=133.14x494-158.84x580+100.93 x719-61.71x736-16.80x761+24.94x876+9.04,最后將生菜葉片高光譜圖像中每個(gè)像素點(diǎn)的特征光譜數(shù)據(jù)代入到建立的模型中，實(shí)現(xiàn)了生菜葉片氮素含量的可視化顯示。這種方法可以克服光譜技術(shù)重現(xiàn)性差、計(jì)算機(jī)視覺(jué)技術(shù)精確度低的缺點(diǎn)，使得信息獲取更加全面，檢測(cè)結(jié)果更加準(zhǔn)確。
　　本文提出的基于高光譜圖像技術(shù)