基于光谱分析技术的作物中杂草识别研究

除草剂的精确喷施、物理方法精确除草皆依赖于杂草的自动识别.光合色素和结构差异导致作物、杂草的光谱反射率不同,因此不同植物可以利用光谱特性来区分.利用ASD光谱仪在室内分别测量了棉花、刺儿菜、水稻、稗草等四种植物在350～2 500nm波段范围内的光谱反射率.运用SAS统计软件的STEPDISC过程筛选能够区分作物和杂草的波长;判别模型中加入筛选所得特征波长,利用Discrim蚰过程进行判别分析.实验结果表明,利用3个特征波长385,415和435 nm有效地从双子叶植物棉花中识别出双子叶杂草刺儿菜,其识别率为100%,波长415和435nm的组合对识别模型的贡献最大;利用5个特征波长375,465,585,705和1 035 nm可有效地从单子叶植物水稻中识别出单子叶杂草稗草,其识别率也为100%,黄色到橙色的过渡波长585nm和"红边"内的波长705nm的组合对识别模型的贡献最大.     

基于成像光谱技术的作物杂草识别研究

杂草识别是变量喷雾和物理方法精确除草的前提。利用自主设计的地面成像光谱系统在自然环境下获取了胡萝卜幼苗以及马齿苋、牛筋草和地锦等杂草在380～760 nm波长区间的高光谱数据,通过对数据归一化消除光照条件的影响之后,运用逐步法进行波段选择,采用Fisher线性判别方法对杂草与胡萝卜幼苗进行了识别。结果表明,当把每种杂草都作为一类加以精细区分时,运用选择的8个波段建立模型对杂草和胡萝卜幼苗的识别率达85%左右;当把杂草整体作为一类与胡萝卜幼苗进行区分时,运用选择的7个波段识别率高于91%。同时为了设计低成本的杂草识别系统,通过穷举法选择最优的2和3波段组合,其中最优3波段组合对杂草胡萝卜幼苗的识别能力与逐步法选择的5个波段相当,整体识别率达89%。此外发现,红边波段对杂草有着显著的识别能力。     

基于高光谱成像和判别分析的黄瓜病害识别

利用光谱成像技术(400～720nm)识别黄瓜白粉病、角斑病、霜霉病、褐斑病和无病区域。构建高光谱图像采集系统进行样本图像的采集,预处理和光谱信息的提取。由于获得的原始光谱数据量很大,为了减少后续运算量,提高准确率,采用逐步判别分析和典型判别分析两种方法进行降维。逐步判别从55个波段中选择12个波段,典型判别从55个波段中提取2个典型变量。利用选择的光谱特征参数建立病害识别模型。逐步判别构建的模型对训练样本和测试样本的判别准确率分别为100%和94%,典型判别构建的模型对训练样本和测试样本的判别准确率均为100%。说明利用高光谱成像技术可以进行黄瓜病害的快速、准确识别,并为实现可见光谱范围内黄瓜病害的田间实时在线检测提供了可能。     

基于支持向量机的玉米苗期田间杂草光谱识别

田间全面积均匀喷施除草剂不经济,还污染环境,精准喷施除草剂意义重大,其关键是正确识别杂草。用便携式野外光谱仪,在田间测量了玉米、马唐和稗草植株冠层在350～2 500 nm波长范围内的光谱数据,经过数据预处理,数据分析波长选为350～1 300和1 400～1 800 nm。数据处理采用支持向量机（SVM）模式识别方法。SVM具有可实现对小样本建模结构风险最小化、结果最优化、泛化能力强的优点。用线性、多项式、径向基和多层感知核函数对玉米和杂草建立二分类模型,结果表明,三阶多项式核函数SVM分类模型的正确识别率最高,达到80%以上,且支持向量比例较小。以二分类模型为基础,利用投票机制,建立了玉米、马唐和稗草的一对一多分类SVM模型,正确识别率达80%。田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中应用潜力很大,此研究为田间杂草识别及传感器的建立提供了一种研究思路和应用基础。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法，实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象，对其进行纹枯病病菌侵染，获得染病植株，采集358～1 021 nm波段范围的高光谱图像，三次实验共240个样本，包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维，对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI），利用感兴趣区域的光谱数据，对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理，建立线性判别分析（LDA）和支持向量机（SVM）分类模型，结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能，正确识别率在建模集达98.3%，在预测集达95%；利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取，然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型，其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能，其正确识别率在建模集达97.8%，在预测集达95%，而且基于载荷系数法建立的模型性能与全波段相当，可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别；根据高光谱图像的图像维，研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法，利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型，其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能，建模集准确识别率达90.6%，预测集的准确识别率达83.3%；根据高光谱图像光谱维和图像维的最优模型，特将叶绿素含量作为建模的另一个特征，分别与光谱特征、图像特征组合，建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型，提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式，其中，光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升，而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能，其准确识别率在建模集达100%，在预测集达96.7%。以上研究表明，基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的，为水稻病害的早期识别提供了一种新方法。     

结合光谱图像技术和SAM分类法的甘蓝中杂草识别研究

杂草自动识别技术是实现变量喷洒、精准施药的关键,更是制约其实现的瓶颈,因此,准确、快速、无损地实现杂草自动识别已成为精准农业的一个重要研究方向。利用高光谱成像系统采集甘蓝幼苗及小藜、稗草、牛筋草、马唐和狗尾草等五种杂草在1000～2500 nm波长区间的高光谱图像数据,在ENVI中经过MNF变换对数据降噪、去相关,并将波段维数从256维降到11维,通过提取感兴趣区域获得标准光谱,最后利用SAM分类法识别甘蓝与杂草,光谱角弧度阈值为0．1弧度时,分类效果良好。在 HSI Analyzer中选择训练像元获得标准光谱后,利用SAM分类法识别甘蓝与杂草,并利用人工分类图与SAM分类图比较定量度量杂草的识别正确率,结果表明,当参数设置为5点平滑、0阶导数和7度光谱角度时,分类效果最佳,杂草识别率为80．0％,非杂草类识别率为97．3％,总体识别率为96．8％。应用光谱图像技术与SAM分类法相结合的方法进行杂草检测,充分利用了光谱和图像的融合信息,该方法应用空间的分类算法来建立光谱判别方法的训练集,在像素级别上考察光谱矢量之间的相似性,融合了光谱和图像两者的优势,同时兼顾了准确性和快速性,并且在整场范围内（行间和行内）改善杂草检测范围,为农业精确管理中需要植物精准信息的应用领域提供了相关的分析手段和方法。     

利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

小麦是制作馒头的主要原料之一，小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同，进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法，对比感官评定，光谱分析可以识别样品中的分子结构等信息。基于此，尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦，再利用微波干燥法对两个不同产地的小麦做烘干预处理，使烘干的小麦水含量为12%±0.5%，原麦水含量为18%±0.5%。分别标记为原麦A，烘干A，原麦B，烘干B，再将小麦研磨成粉末，过100目筛网筛选后，置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息，在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理，利用主成分分析对预处理后的数据进行降维处理，再结合线性判别分析（linear discriminant analysis，LDA）和支持向量机（support vector machine, SVM）分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法（synergy interval partial least square, SiPLS）筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间，将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析（LDA）和支持向量机（SVM）建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析（LDA）和支持向量机（SVM）建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明，同种光谱分析方法，利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法，近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下，利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高，光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%，预测集识别率为97.50%；而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率，光谱数据融合之后建立的小麦识别模型识别率得到显著提高，该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率，结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。     

短波近红外光谱在现场安检中的应用研究

快速、准确、高效的现场检测方法对于控制液态危险物的非法输运、使用,进而保证公共安全具有行重要的意义.文章利用短波段近红外光对包装物和液体的很强穿透能力,测量了无水乙醇、无水甲醇、氨水、松节油、汽油、柴油、煤油等易燃液态危险物和部分白酒、饮料在近红外短波段范围内(667～1 000 nm)的吸收光谱;对测得的原始光谱数据进行标准化和压缩预处理后,采用SPSS统计软件进行判别分析寻求特征点波长,并以选定的特征波长建立了预测模型.基于该模型采用3个波长(881,935和981 nm)就可以对易燃液体准确判别,据此可以构建廉价光谱装置实现对易燃液体的无损、快速现场安全检查.     

基于紫外‐可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

为了对鸡种蛋胚胎进行雌雄识别，探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性，搭建了鸡种蛋透射光谱检测系统，采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱，光谱范围为360~1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型，通过比较不同放置方式和孵化天数下模型的识别准确率，发现竖向放置且孵化第7 d的识别效果最好；将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、可见光（380~780 nm）、近红外（780~1 000 nm）、紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析，预测集准确率分别为82.86%，77.14%，75.71%，84.29%和81.43%，筛选出360~780 nm的紫外-可见光波段为有效波段；在紫外-可见光（360~780 nm）波段，采用多元散射校正（MSC）去噪，并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维，建立不经筛选特征波长、CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好，但输入变量最多，隐含层神经元为680且激活函数为sig时，预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之，输入变量有9个，隐含层神经元为840且激活函数为hardlim时，预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差，输入变量有27个，隐含层神经元为100且激活函数为sig时，预测集准确率为78.57%；用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值，不经筛选特征波长建立的GA-ELM模型，预测集准确率为87.14%，SPA筛选特征波长建立的GA-ELM模型，预测集准确率为87.14%，CARS筛选特征波长建立的GA-ELM模型，预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同，表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息，SPA使用的变量数仅占紫外-可见光波段的2.14%，因此，雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型，预测集准确率为87.14%，其中，雌性识别率为88.57%，雄性识别率为85.71%，单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

同色异谱破坏特性及其在相似异物检测中的应用

由于相似异物与所处背景的外观特征极其相近,现有的光谱成像检测技术遇到新的挑战。针对复杂背景中相似异物检测难题,提出了利用同色异谱破坏特性的透反射光谱图像检测方法。在分析同色异谱破坏过程中异物与背景光谱特性差异基础上,建立了波长优选函数筛选最优波长的透反射光源构建成像检测系统。以棉花中的白色丝状异物作为实验对象,利用最佳波长透反射成像系统获取异物特征,采用图像决策层融合增强异物图像特征,最后利用二值化处理提取异物目标。实验结果表明,在利用390 nm反射波长与580 nm透射波长的双波长图像检测中,成像系统获取的相似异物图像特征明显,异物提取后检测结果与实际相符。此方法可有效检测棉花中多种白色丝状异物,为相似异物检测提供了一种新思路。     

基于光谱结构特性的马铃薯干腐和疮痂病识别方法研究

马铃薯干腐病和疮痂病的检测通过人工目测,结果存在主观性,该工作研究正常、干腐和疮痂病马铃薯的光谱分类识别方法。试验获取116个样本,光谱采集范围860~1 745 nm。经过一阶导数(first derivative, FD)处理后的光谱数据,主成分（PCA）分类识别效果较好,FD作为光谱预处理方法。光谱曲线上的极值点、极值点间的中点和极值点间连线的斜率决定光谱曲线的形状和变化,是曲线上的关键点,光谱曲线形状变化代表着内部物质的变化,具有指纹特性,利用极值点和中点对应的光谱或极值点间连线的斜率组成模式特征向量。分别用3种样本关键点的平均光谱形成标准模式特征向量,通过计算待测样本关键点组成的特征向量和标准模式特征向量之间的马氏距离,以最小马氏距离判定样本的归属,通过错误识别率检验模型识别性能。正常、干腐、疮痂样本分别有13,12,15个关键点,由各自关键点对应的反射率组成的模式特征向量,3类样本的错误识别率为0。去掉冗余关键点整合成一个标准模式特征向量,正常和疮痂样本的错误识别率为0,干腐样本的错误识别率为14.3%,全部错误识别为疮痂样本,特征向量数据点的增多,增加了病害样本之间的贴合度,降低了两类病害样本之间的区分度。利用波长911, 1 269和1 455 nm处两点间的斜率形成模式特征向量,正常和疮痂样本的错误识别率为0,干腐样本的错误识别率为2.4%。利用前2个主成分得分作为参数,采用线性判别分析(LDA)和贝叶斯分类器（BC）建模,提供不同角度的分类模型,对比检验基于模式特征向量建立的分类模型的有效性,2种识别方法的错误识别率均为0。实验结果表明,可以利用表征光谱曲线结构特征的模式特征向量作为分类参数,结合距离法建模,与常见识别方法具有同等识别精度。     

近红外光谱指纹分析在羊肉产地溯源中的应用

为寻求低廉、快速有效地签别羊肉产地来源的方法,对来自内蒙古自治区锡林郭勒盟、呼伦贝尔市和阿拉善盟三个牧区,及重庆市和山东省菏泽市两个农区共99份羊肉样品进行近红外光谱扣描,利用主成分分析结合线性判别分析(PCA+LDA),以及偏最小二乘判别分析法(PLS-DA)对光谱数据进行了分析,建立了羊肉产地来源的定性判别模型.结...     

小麦条锈病胁迫下光合速率与光谱指数关系研究

为应用遥感技术进行小麦条锈病的实时监测以及大范围作物病害识别,明确条锈病胁迫下小麦光谱反射率和净光合速率与病情指数的关系,利用光谱植被指数预测小麦光合速率的变化,在2018年-2019年度冬小麦生长季节,以易感条锈病的济麦15号小麦品种为对照,以生产上播种面积较大的济麦22和鲁原502为供试品种,基于大田小区条锈病接种试验,从抽穗期到乳熟期,每隔7~10 d进行小麦旗叶光合速率、光谱反射率测定及病情指数调查。研究发现,随感病程度加重,小麦旗叶光合速率呈显著下降趋势,扬花期济麦22光合速率高于鲁原502。灌浆期可见光波段,病斑部位的光谱反射率始终高于正常部位,这是由于病斑部位叶片单位面积上叶绿素含量较低,对光吸收的少;而在反射平台区域,病斑部位的光谱反射率较正常叶低得多。利用与病害胁迫、生长状况以及产量相关较大的光化学反射指数（photochemical reflectance index,PRI）、植被衰减指数（plant senescence reflectance index,PSRI）和比值植被指数（ratio vegetation index,RVI）来反映病情指数变化,结果显示,病斑部位的光化学反射指数和植被衰减指数大于正常部位,且植被衰减指数变化率较大,而比值植被指数变化率小于正常部位。小麦不同生育期,光合速率与光谱反射率的相关性不同,模拟光合速率的植被指数也不同。灌浆期,鲁原502的光合速率与光谱反射率始终呈正相关关系;在可见光范围内,对照光合速率与光谱反射率呈正相关,济麦22呈负相关;在反射率平台位置,对照光合速率与光谱反射率呈负相关,济麦22呈正相关。在小麦灌浆期,可以利用植被衰减指数进行病害程度识别及光合速率估测。该研究为利用遥感手段大面积监测小麦长势及病害发生情况提供了理论依据,也为探讨利用光谱指标无损监测的方法预测小麦条锈病发生及危害程度奠定了基础。     

近红外漫反射光谱法测定整粒小麦单株蛋白质含量

应用近红外漫反射光谱技术(波长为1 100～2 498 nm,分辨率为2 nm),以整粒小麦为材料建立适合于小麦单株分析的蛋白质含量分析系统.首先选取籽粒蛋白质含量具有梯度差异的小麦样品,然后对样品扫描得到原始光谱信息,通过散射校正及数学处理来消除原始光谱噪声,最后分别采用多元线性回归、主成分分析法和偏最小二乘法法建立回归方程.结果表明,优化各项参数后,光谱经过标准乘性散射校正和一阶导数处理后,回归分析采用修正的偏最小二乘法(MPLS)得到的定标模型效果最佳.最终得到的预测方程定标相关系数(RSQ)、交叉验证标准误差(SECV)、交叉验证相关系数(1-VR)分别为0.94,0.42,0.87.数学模型经过验证样品集检验,预测相关系数达到0.88.该模型达到了快速、无损分析单株小麦的要求,非常适合于品质育种的早代选择.     

实用化商品玉米籽粒的近红外光谱品种判别方法研究

近年来利用近红外光谱进行农作物品种判别成为农产品检测的一个新兴方向.该文提出一种基于近红外光谱的新的实用化商品玉米品种判别系统,此系统既能对系统学习过的品种做出准确判别也能对未学习过的品种做出准确拒识.首先采用一阶导数法对原始光谱进行预处理,光谱数据经主成分分析后,根据仿生模式识别理论建立判别模型.在建市模型时文章使用了基于二维单形的Ψ-3神经元作为覆盖单元,并提出了包含指数的概念以辅助判定样品的唯一归属.测试结果表明,该系统对参与建模的品种有较强的判别能力,即使建模品种达到34个时系统平均正确判别率仍达到91.8%.同时对于未参与建模的品种也有较强的拒识能力,平均正确拒识率达到95%以上.     

典型煤的近红外反射光谱特征的方向性研究

高光谱遥感是煤矿区探测的有效方法,对于煤炭资源调查、矿区环境监测等具有重要意义,其中煤、矸石、植被、水体等被遥测物各个方向的反射光谱特征是煤矿高光谱遥感的基础,为此有必要针对典型煤的方向反射光谱特征进行研究。从我国不同矿区收集了无烟煤、烟煤、褐煤三大类煤中的4种典型煤样,4种煤样按煤阶由高到低顺序包括无烟煤一号、贫煤、气煤、褐煤二号,在实验室利用方向反射测量球坐标实验装置测定了每种煤样半球空间各反射方向的近红外波段(1 000~2 500 nm)反射光谱曲线。通过对反射光谱曲线波形分析,发现同一种煤不同反射方向的近红外反射光谱波形基本相似,但在整体反射率大小和局部波形特征上具有差异性,光谱曲线整体反射率越大,吸收谷越明显。随反射角增大,4种煤在前向反射方向(180°探测方位角)反射光谱曲线均整体上升,在后向反射方向(0°探测方位角)反射光谱曲线高度变化相对较小。在每种煤半球空间各反射方向的反射光谱曲线中,选取了1 400,1 700,1 900,2 200和2 300 nm 5个特征波长,通过分析此5个特征波长处的反射率空间分布极坐标云图,发现4种煤在5个特征波长点处均具有一定的双向反射特征,均表现出较明显的前向反射热点特征和相对较弱的后向反射热点特征,无烟煤一号后向反射热点特征比贫煤、气煤、褐煤二号更明显,贫煤、气煤、褐煤二号随煤阶降低后向反射热点特征逐渐增强。每种煤前、后向反射方向的反射光谱中,通过对5个特征波长处反射率与反射角进行相关性分析,发现前向反射特征波长反射率与反射角近似呈线性函数关系,后向反射特征波长反射率与反射角近似呈高斯函数关系,且高斯函数拟合曲线波峰随煤阶降低向较大反射角度移动。该研究为矿区煤炭高光谱遥感最优探测几何的选择提供了依据,也为矿区煤炭资源精准探测提供了参考。     

傅里叶中红外光谱结合稀疏表示分类方法鉴别小麦赤霉病感染等级

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应，并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。以感染不同等级赤霉病小麦为研究对象，在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据，利用载荷系数法（XLW）与随机森林算法（RF）分析选取小麦样本傅里叶中红外光谱中的敏感波长，利用稀疏表示分类（SRC）算法建模识别小麦感染赤霉病等级。结果表明：XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上，特征波长提取算法可以有效简化模型并提高效率。RF-SRC模型鉴别效果最好，建模集鉴别准确率达97%，测试集鉴别准确率达96%。小麦感染赤霉病等级的不同会引起小麦中水分、淀粉、纤维素、可溶性氮素、蛋白质、脂肪等物质含量的变化，采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异，结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。因此，利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的，解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。