基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。     

近红外光谱的河蟹新鲜度快速检测研究

河蟹的新鲜度是大多数消费者在购买时所考虑的最重要的因素,挥发性盐基氮(TVB-N)是当前国际通用的评价肉类新鲜度的指标,但其检测工序繁琐、耗费时间长,无法满足当前市场对河蟹新鲜度评价的迫切需求。因此,建立一种快速检测河蟹新鲜度的方法是当前急需解决的一大难题。将购于水产市场的河蟹,采用聚乙烯充氧袋快速运至实验室,样本数共126只。在洁净的工作台上处理后,将螃蟹分为42个实验样品,每个样品3只鲜活螃蟹;42个实验样品放在低温4℃的恒温生化培养箱中贮藏,每天从培养箱中按时取出6个螃蟹样品进行光谱数据采集及新鲜度指标TVB-N的测定,历时7 d。采用近红外光谱(NIRS)对贮藏在不同时间下的河蟹新鲜度进行评价,使用挥发性盐基氮(TVB-N)作为评价河蟹新鲜度的指标,首先通过比较经五折交叉验证(5-fold CrossValidation)算法、 kennard-stone(KS)算法、光谱-理化值共生距离(SPXY)算法三种样本划分方法处理后所建模型的预测效果确定最优样本划分方法,最终采用五折交叉验证(5-fold CrossValidation)算法对样本进行划分。其中的32个样品被划分为训练集进行模型构建,其余的10个样品被划分为测试集用于模型检验。然后在经过五折交叉验证法对样本进行划分的基础上,分别采用小波变换(WT)、 Savitzky-Golay平滑、一阶导数法(Db1)、二阶导数法(Db2)这4种单一算法以及小波变换(WT)与Savitzky-Golay平滑相结合的算法进行预处理,通过比较预处理后所建模型的预测效果,确定了小波变换(WT)预处理为最优光谱预处理方法,从而消除了光谱中的无用信息并提高了信噪比。再次,在WT预处理的基础上,分别采用主成分分析(PCA)法和连续投影(SPA)算法提取光谱特征波段,通过建模比较确定主成分分析(PCA)法为最优波长选择方法,以所选的16个特征波长作为模型的输入,不仅提高了模型的运行速度还可以提高模型的稳定性。最后,在经过PCA特征提取后,分别采用偏最小二乘回归(PLSR)算法和多元线性回归(MLR)算法构建TVB-N定量预测模型,通过比较两种模型的预测效果,确定了偏最小二乘回归(PLSR)模型为最优建模方法,最终确定的最优模型为基于WT-PCA-PLSR建立的模型,模型预测决定系数R^2为0.89,预测均方根误差RMSEP为3.00。综上所述,所建立的预测模型具有较高的精度,可以实现对河蟹新鲜度的快速检测,具有较好的市场应用前景。     

基于无人机可见光谱遥感的玉米长势监测

玉米是我国重要的粮食作物之一,在我国种植规模最大、发展最快。玉米的长势会直接影响到其产量和品质,因此通过对玉米的长势进行有效监测,可以为田间管理、早期产量估算提供宏观的参考信息,为国家和相关部门决策提供重要的参考依据。以无人机为遥感平台,搭载影像传感器构建遥感系统,获取玉米可见光谱遥感影像。利用ENVI软件对获取的玉米冠层可见光谱彩色图像进行几何校正和辐射校正,然后对图像进行彩色图像灰度化和增强处理。利用对农田复杂背景适应能力较好以及具有较强光照适应性的AP-HI算法完成作物分割来提取玉米覆盖度信息。在计算玉米覆盖度时,首先利用AP-HI算法将图像进行分割,并转换为二值图,来去除图像中的土地、水管、道路、作物残渣等背景,以保留玉米的二值图像。图像中的农田存在道路区域,计算实际作物覆盖度时需将其排除。道路区域出现在图像的四个边界以及相对正中的位置处,对这些位置分别进行处理,统计其中黑色像素点的个数,根据像素点个数确定道路宽度,并将道路部分从二值图中去除。去除后的二值图中,白色像素为无作物区域,黑色像素为玉米种植区域,统计黑色像素占总像素的比例,以此确定作物的多少。选取80×80像素值作为单位面积,对处理图像进行分块标记,得到区块数为720,对单位面积的分块进行全区域扫描,每当扫描到一个黑色像素值就将总的统计面积加1,直至扫描到6 400个像素点,计算其中含有的总的黑色像素值数目与6 400的比值,直至将720个区块黑色像素点占总像素比例统计完全,即可计算图像中黑色像素数与总像素数之比,即为玉米覆盖度。在此基础上,根据实际情况计算玉米冠层孔隙率,并建立覆盖度与叶面积指数模型,完成玉米叶面积指数反演,为玉米长势监测提供理论依据。     

多光谱图像的玉米叶片含水量检测

水是植物正常生长发育必不可缺的元素之一,能够快速检测并获取植物叶片水分,对田间作物灌溉生产管理和作物的生理需水特性研究等具有重要的意义。利用RedEdge-M型号多光谱相机,以不同生育期的55组玉米叶片作为试验对象,在光线充足且无阴影遮挡的环境下对试验玉米叶片样本进行拍摄,拍摄过程中通过直连下行光传感器来消除太阳高度角对光谱反射的影响,每组玉米叶片样本经过拍摄可得到蓝、绿、红、近红外和红边等5个波段的TIFF图像。借助图像处理软件ENVI5.3构建玉米叶片样本兴趣区域(ROI),以ROI范围内玉米叶片样本的平均反射光谱作为该样本的反射光谱来减小镜头边缘减光现象带来的误差。参照标准白板出厂时提供的专属标定反射率、白板ROI范围内的平均反射光谱和玉米叶片样本白板ROI范围内的平均反射光谱,比值换算得到各组玉米叶片5个波段处的光谱反射率。同时利用YLS-D型号植物营养测定仪,采用五点取样法选择玉米叶片的5个区域测取玉米叶片样本的水厚度平均值作为叶片含水量的测量指标。随机选取43组玉米叶片样本得出的光谱反射率作为训练样本,采用BP神经网络建立基于多光谱图像的玉米叶片含水量反演模型,并融合莱文贝格-马夸特理论(Levenberg-Marquardt,L-M)进行经典神经网络现有缺点的改进。输入神经元数目为5个,即蓝、绿、红、近红外和红边等5个波段图像对应的反射率,输出神经元为1个,即玉米叶片含水量。剩余12组玉米叶片作为验证样本用于模型反演数据的相关性分析,结果表明,利用多光谱图像光谱信息并结合基于Levenberg-Marquardt方法改进后BP神经网络玉米叶片含水量反演模型,模型反演的拟合相关系数能达到0.896 37, 12组验证集中玉米叶片含水量参考值和反演值的相关系数r达到0.894 8,反演结果比较理想。可以实现对玉米叶片含水量的快速准确检测,对精准农业的推广和应用提供了方法和参考依据。     

基于可见光光谱分析的黄瓜白粉病识别研究

白粉病是黄瓜常见病害之一,传播速度极快,严重时可造成黄瓜大量减产,对其进行快速准确识别,对黄瓜白粉病诊断和防治具有重要意义,应用可见光谱技术,结合主成分分析和支持向量机算法,实现对黄瓜白粉病的快速识别。配制白粉病菌孢子悬浮液,并人工接种于科研温室内的黄瓜叶片上,以诱发黄瓜白粉病,待白粉病有一定面积暴发后,利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集,利用五点取样法采集样本,在5个检查点,每点选取2株黄瓜进行调查,每株选取4枚感病叶片,每枚叶片随机选取5个感病区域进行光谱采集,共计采集200个感病叶片光谱样本,同样采集200个健康叶片样本作为对照。通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正,调节积分时间、扫描次数以及平滑度等参数来实现光谱曲线平滑处理,以有效抑制光谱噪声,对光谱特征进行分类识别,去掉首尾噪声较大的波段,保留光谱的可见光波段进行研究,最终选取450~780 nm波段范围作为研究对象。利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理,根据主成分的累计贡献率,选取前5个主成分作为分类模型的输入,以白粉病和健康叶片的判别结果作为输出,利用支持向量机算法,通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型,随机选取120个样本作为训练集用于分类模型构建,其余80个样本作为测试集用于模型检验,并通过选取不同的核函数来获得最优模型。利用混淆矩阵对分类识别模型的准确率进行评价,当选取径向基核函数时,分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高,分别为100%和96.25%,总准确率为98.125%,具有较高的准确率。结果表明,利用可见光光谱信息并结合主成分分析和支持向量机算法,可以实现对黄瓜白粉病的快速准确识别,为黄瓜病害诊断提供了方法和参考依据。     

可见光谱图像联合区间的黄瓜白粉病分割与检测

黄瓜白粉病是黄瓜病害中爆发频率较高的一种,传播速度极快,常常导致产量降低,无法获得预期的经济效益。特别是在病害爆发严重的年份,黄瓜减产量高达20%。提出了一种基于可见光谱图像联合区间的偏最小二乘回归判别模型（SI-PLSR）,用于黄瓜白粉病无损检测。采用Canon EOS 800D和Ocean Optics USB2000+光纤光谱仪采集了200个黄瓜白粉病感病叶片的可见光谱图像和反射率曲线。首先,采用基于小波降噪和H分割的分水岭分割算法从实时采集的黄瓜白粉病感病叶片可见光谱图像中提取目标叶片;其次,通过高斯拟合优化的Otsu算法分割目标叶片的可见光谱图像,获取白粉病病斑;然后,对350~1 100 nm全波段光谱反射率曲线建立偏最小二乘回归模型并计算交叉验证均方根误差RMSE_CV,同时将全波段等分为20个子区间,分别建立偏最小二乘回归模型,选取RMSE_CV小于全波段反射率曲线建模RMSE_CV的子区间组成联合区间;最后,将光谱联合区间与白粉病病斑分割结果融合建立SI-PLSR模型。从实验结果可知,感病目标叶片的提取成功率高达94.00%,200幅感病叶片可见光谱图像中成功提取188幅,其中157幅目标叶片的完整性参数高于95%,31幅目标叶片完整性参数在90%~95%之间。188幅目标叶片的病斑分割结果显示,平均错分率为5.81%,其中平均False negative为1.55%,平均False positive为4.26%。对20个子区间分别建立偏最小二乘回归模型发现,第5,6,7,11,12,13和19子区间的RMSE_CV值小于全波段光谱反射率曲线建模的RMSE_CV值,说明这7个子区间的光谱信息对白粉病的判别有较大的贡献,这与呈现波峰的470~520,530~580和700~780 nm波段相对应,因此选取这7个子区间的光谱反射率曲线建立联合区间。对联合区间建立SI-PLSR模型,其主成分数为7,校正集和验证集的相关系数和标准误差分别是0.975 2,0.907 3和0.919 5,1.091。与全波段PLSR模型相比,SI-PLSR的相关系数更接近于1,且标准误差更小。结果表明,所提出的SI-PLSR模型有效去除了可见光谱数据中冗余信息,加强了模型的稳定性,可以实现对黄瓜白粉病的快速无损准确识别,为黄瓜病害诊断提供了方法和参考依据。     

凡纳滨对虾新鲜度的高光谱检测方法

以凡纳滨对虾为研究对象,探索一种高效快速无损的新鲜度检测方法。挥发性盐基氮(TVB-N)是判断虾新鲜度的重要化学指标,然而传统方法耗时耗力,限制了大批量的实时检测。高光谱技术是一种集成图像和光谱信息的分析技术,高光谱图像上的每个像素包含整个波段的光谱信息,近年来,该技术已经被应用于肉类新鲜度检测。连续8 d采集了样品的860～1 700 nm高光谱数据,在去除异常样本后确定150组试验样本,每组采集254维光谱数据,对原始的高光谱图像进行黑白校正,并从高光谱图像中提取光谱数据。为确保所提取的光谱数据和TVB-N指数之间有对应关系,所选择的感兴趣区域的位置保持固定在虾样本的第二和第四肢。计算了感兴趣区域的平均光谱以获得光谱数据矩阵,该矩阵被转换成ASCII码并保存。同时,通过凯氏定氮法获得TVB-N真实值含量。为减少环境和虾表面的高含水量的干扰,有效地消除不相关的信息和噪声,预处理方法是多元散射校正(MSC)算法,并选择出7个敏感波段,分别为875, 894, 919, 953, 983, 1 024和1 094 nm。最后,以120组训练集样本,建立了凡纳滨对虾TVB-N总量的定量预测...     

光谱技术在水产品异物残留检测中的研究进展

十四五期间,我国渔业总产量预计持续增长,水产品进一步成为消费者重要饮食组成,但因销售者与消费者食品安全知识和操作过程存在差距导致的食品安全事件频频发生。光谱技术因快速、无损、测试重现度高的优点,既体现物体的光谱属性,也体现了样品的空间信息,已成为水产品检测技术的热点,但多聚焦于新鲜度检测。该文综述了近10年来光谱技术在水产品异物残留检测的研究进展,分别从鱼骨检测、掺伪分析、寄生虫检测与重金属检测四方面介绍常见光谱技术应用及进展,包括X射线技术（X-Rays）、可见光成像（VIS）、近红外成像（NIR）,高光谱成像（HSI）等,介绍目前存在问题的同时,展望光谱技术在水产品异物残留检测的发展前景：传统检测算法进一步优化,多光谱技术被用于水产品异物残留检测;深度学习在特征提取的巨大优势得以应用,光谱技术在水产品异物残留检测的应用领域研究更加深入;光谱技术与多种检测技术的有机融合成为必然趋势,在线实时检测成为可能。     

基于可见光谱和支持向量机的黄瓜叶部病害识别方法研究

以黄瓜叶部病害作为研究对象,基于可见光谱反射率差异识别黄瓜叶部病害,研究基于SVM的黄瓜叶部病害识别预测模型。采用小波变换进行数据预处理;选取Otsu、边缘分割法和K均值聚类三类分割方法进行病斑分割,比较错分率和运行时间,K均值聚类方法更适合黄瓜叶部病斑分割;提取纹理、颜色和形状特征参数,共15个特征参数;通过交叉验证选择最优参数c和g,对核函数参数进行优化处理,并通过比较线性核、多项式核、RBF核等不同核函数情况下SVM的正确识别率,确定RBF核SVM模式识别方法能够更精准地识别黄瓜叶部病害。并将基于SVM与另外两种常见的黄瓜叶部病害识别方法,BP神经网络和模糊聚类进行比较,结果表明,基于SVM的识别模型对霜霉病的正确识别率为95%,白粉病和褐斑病的正确识别率均为90%,平均诊断正确率为92%;该模式识别方法识别效果最佳,运行时间最短,为基于可见光谱的黄瓜病害识别模型提供参考。