温室黄瓜病虫害的叶绿素荧光光谱分析

基于叶绿素荧光光谱分析技术,从光谱形态角度出发确定了波长685 nm作为健康与病虫害叶片分析的第一特征点,采用简单波段自相关选择与主成分分析方法相结合实现对光谱的降维处理,并在保持光谱信息达到99.999%的前提下将主成分因子个数由10降为5。对比分析了偏最小二乘回归、BP神经网络和最小二乘支持向量机回归三种建模方法,以真实值与模型预测值的相关系数作为评价标准,最终确定最小二乘支持向量机为温室黄瓜病虫害叶绿素荧光光谱分析的一种较为适宜的建模方法。     

基于叶绿素荧光光谱分析的黄瓜霜霉病害预测模型

为了实现对黄瓜病害的快速无损准确预测,基于激光诱导叶绿素荧光光谱分析技术,建立了温室黄瓜霜霉病害的预测模型.通过测定健康叶片、病菌接种3d叶片和接种6d叶片的光谱曲线,采用一阶导数光谱预处理方法,结合主成分分析数据降维方法对三组光谱数据进行特征信息提取后,建立主成分得分散点图,依据累积贡献率选取10个主成分代替导数光谱...     

温室黄瓜蚜虫害的荧光光谱监测与预警

利用叶绿素荧光光谱分析技术研究温室黄瓜蚜虫害的侵染及发生等级。从光谱形态的角度建立监测特征点,确定F632波段强度值作为健康与蚜虫害叶片的第一特征点,F512～F632光谱曲线的变化速率K值作为第二特征点,对于符合特征点的植株进行及早预警。采用最小二乘支持向量机数据挖掘方法的径向基核函数建立蚜虫害的侵染及发生等级模型,通过对比不同峰谷值所在波段对于蚜虫害的分类准确率和预测准确率,确定采用F632波段建立模型,它的预测能力达到96.34%。     

叶绿素荧光PCA-SVM分析的黄瓜病虫害诊断研究

为了对植物病虫害进行快速准确检测,采用荧光光谱技术并结合支持向量机分析方法建立了黄瓜病虫害诊断模型。通过Savitzky-Golay平滑法(SG),SG平滑法+快速傅里叶变换(FFT)和SG平滑法+一阶导数变换(FDT)三种方法对原始光谱进行降噪处理,并利用主成分分析法(PCA)对降噪后的光谱进行降维,根据累积贡献率选取7个主成分进行分析。将样本数据随机分为训练集和预测集,利用四种核函数条件下的支持向量机算法建立了预测模型,并进行预测。以训练集交叉验证的分类准确率最大值为指标,对四种核函数模型进行参数优化,并对比其分类性能,结果表明,经SG+FDT+PCA预处理后,具有多项式核函数的支持向量机对黄瓜病虫害的鉴别准确率达到98.3%,具有很好的分类和鉴别效果。     

基于荧光光谱的苹果汁品种产地分类研究

苹果的品种对于苹果汁的质量是极其重要的,因此检测苹果汁的品种产地对于打击假冒伪劣产品,维护消费者的合法权益是十分有必要的。本文采集了云南和陕西两个区域的不同品种的苹果所榨的89份苹果汁的荧光光谱,其中62个样品作为建模集利用支持向量机进行了建模并进行交叉验证,识别准确率为100%。剩余的27个样品作为验证集对模型进行验证,识别准确率为96.3%。实验结果证明荧光光谱结合支持向量机技术是一种可靠的检测果汁品种产地的技术手段。     

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。     

基于支持向量机的水稻叶面积指数高光谱估算模型研究

为了研究支持向量机(SVM)对于作物农学参数高光谱估算的能力,通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻在不同生长期的冠层高光谱反射率(350～2 500 nm)。依据Ladsat-5的TM传感器波段宽度,将高光谱反射率转换为10种不同的植被指数。利用所有样本的植被指数和水稻叶面积指数(LAI),通过不同统计模型的模拟分析,依据模型的R2选取了三种相关性较高的统计关系(包括NDVI_green的指数关系、TCARI/OSAVI的乘幂关系和RVI₂的乘幂关系)。对这三种关系,通过具有不同核函数的SVM模型和相应统计模型对LAI进行估算。结果表明：所有的SVM模型都具有较低的均方根误差值,估算精度都高于相应的统计模型;基于TCARI/OSAVI的POLY核SVM具有最高的估算精度,其RMSE比相应的统计模型降低近11个百分点。因此,SVM方法用于水稻LAI高光谱估算具有良好的学习能力和鲁棒性。     

基于叶绿素荧光光谱和反射光谱的甜瓜种子品种鉴别

甜瓜的品种多样,富含多种营养成分,甜瓜种子品种不纯将对甜瓜生产造成一定危害,研究采用种子的叶绿素荧光光谱结合反射光谱的分析方法鉴别甜瓜种子品种,以甜瓜品种“一特白”、“一特金”、“京蜜7号”、“京蜜11号”、“伊丽莎白”为研究对象。构建了甜瓜种子品种鉴别光谱系统,包括激发光源单元、光谱数据采集单元和数据处理单元,使用该系统获取不同品种甜瓜种子的光谱数据。对光谱数据分别进行一阶导数(first derivative, FD),Savitzky-Golay(SG) 平滑,FD结合SG平滑预处理。采用主成分分析(principal component analysis, PCA)方法降低光谱数据的维数,提取主成分。使用两种不同分组方法将样品按照3∶1的比例分为训练集和验证集,并分别采用Fisher判别和Bayes判别分析方法建立甜瓜种子品种的判别模型。本文比较了仅使用叶绿素荧光光谱与使用叶绿素荧光光谱结合反射光谱建立判别模型的判别结果,结果显示,使用叶绿素荧光光谱结合反射光谱建模的判别结果优于仅使用叶绿素荧光光谱建模的判别结果,Fisher判别分析和Bayes判别分析的验证集样品品种的判别正确率均达到98.0%。研究结果表明,采用叶绿素荧光光谱结合反射光谱鉴别甜瓜种子品种具有可行性。     

基于多光谱荧光成像技术和SVM的葡萄霜霉病早期检测研究

葡萄霜霉病是全球危害最严重的葡萄病害,对该病进行早期检测和防治,可提高葡萄品质和产量,提出一种基于多光谱荧光成像技术(M FI)和支持向量机模型(SVM)的霜霉病早期检测方法.对人工接种霜霉病的葡萄叶片(145个)和健康对照叶片(145个)从叶背面连续6天进行多光谱荧光成像,获得试验叶片16个荧光参数(4个单独波段F4...     

基于三维荧光光谱和PSO-SVM对胭脂红含量的测定

胭脂红是一种应用广泛的食品色素，在各种食品、饮料的添加剂里都有它的身影，过量食用人工合成色素会严重危害健康。食物中色素一般都是多种联用，各种色素之间会相互产生干扰，这加大了对食品中色素检测的难度，模拟食品中多种色素共存的环境，采用荧光光谱技术，结合PSO-SVM算法，建立一种测定混合溶液中胭脂红含量的方法。从试剂公司购买胭脂红和苋菜红固体粉末，选择胭脂红为待检测色素，苋菜红为干扰色素，配成不同浓度的胭脂红单色溶液以及加入苋菜红后的混合溶液样本，其中胭脂红的浓度在0.1~30 μg·mL-1之间，干扰色素苋菜红的浓度在0.1~10 μg·mL-1之间随意添加。运用Edinburgh Instruments 公司生产的FS920稳态荧光光谱仪, 测得胭脂红单色溶液与加入苋菜红后混合溶液的荧光光谱图，分析得到胭脂红的最佳激发波长为λ_ex＝326 nm，最佳发射波长为λ_em＝430 nm。各选取6组不同浓度的单色样本以及混合色素样本，其中，胭脂红的物质浓度同为3，4，5，6，7和8 μg·mL-1，苋菜红的物质浓度都定在2 μg·mL-1。观察6组样本在激发波长λ_ex=326 nm时的发射光谱和荧光强度的关系。单色样本中，胭脂红浓度与荧光强度线性关系良好；而在混合溶液中，随着胭脂红浓度的增加，荧光强度呈现出先降后增再降的过程，光谱线型、强度与各组分浓度间存在复杂的非线性关系，得以证明混合溶液的荧光光谱并不是由各组分光谱简单的叠加，而是在吸收光谱的过程中，胭脂红溶液与苋菜红溶液存在竞争和相互影响。配取25组胭脂红、苋菜红混合溶液，从中选择7个作为预测样本，其余18组作为训练样本。7 个预测样本中胭脂红的浓度分别为 1.0，2.0，4.0，6.0，9.0，12和15 μg·mL-1，干扰物质苋菜红的物质浓度在0.1~10 μg·mL-1之间。选择各组样本在最佳激发波长λ_ex＝326 nm 下对应的荧光强度，作为检测模型的输入，以胭脂红的预测浓度作为输出。对PSO参数初始化设置后，训练输出SVM的最佳参数c和g，将所得的最佳参数输入PSO-SVM模型, 得到7组预测样本的浓度预测结果分别为：1.146 9，1.860 6，3.854 4，6.146 9，9.133 8，11.857 6和14.859 8 μg·mL-1。分析PSO-SVM的预测结果，得到胭脂红平均回收率为100.84%，预测均方根误差(RMSEP)为1.03×10-4，模型输出与真实值之间的相关系数是0.999。在同等条件下，采用误差逆向传播算法(BP)预测得到的7组样本浓度分别为：1.140 1，2.139 8，3.188 2，6.436 2，8.882 7，11.860 1和12.664 3 μg·mL-1，其平均回收率为98.56%，均方根误差为4.65×10-3，输出值与真实值之间的相关系数为0.972。与误差逆向传播算法(BP)的预测结果相比较，PSO-SVM 相关系数高出2.7%，平均回收率高出0.6%，均方根误差降低了将近一个数量级。分析结果表明，通过荧光光谱技术与PSO-SVM相结合的方法，能够有效的避开干扰色素的影响，准确的测定混合溶液中胭脂红的含量，并且效果相比较于BP更加理想。     

基于叶绿素荧光光谱分析的稻瘟病害预测模型

为了实现稻瘟病的快速、准确和无损检测,力求构建稻瘟病害预测模型。根据水稻叶片相对病害面积将稻瘟病划分为3个等级,通过激光诱导法采集不同病害等级的活体水稻叶片叶绿素荧光光谱。选取502～830 nm波段激光诱导叶绿素荧光光谱(LICF)作为研究对象,利用Savitzky-Golay平滑法(SG)和一阶导数变换(FDT)对光谱信息进行预处理,通过主成分分析(PCA)方法获取经SG-FDT预处理后光谱的特征向量,根据累积贡献率和方差选取前3个主成分进行分析。将试验样本分为建模样本和检验样本,以稻瘟病害等级为预测指标,利用建模样本的133片叶片的光谱和病害信息分别结合判别分析(DA)、多类逻辑回归分析(MLRA)和多层感知器(MLP)建立稻瘟病的预测模型,利用检验样本的89片叶片的光谱和病害信息对所建模型进行预测检验,完成对PCA-DA、PCA-MLRA和PCA-MLP的对比寻优。结果表明,PCA-DA,PCA-MLRA和PCA-MLP模型均能完成对稻瘟病害的预测,但PCA-MLP模型的平均预测准确率能够达到91.7%,相比PCA-DA和PCA-MLRA模型,在稻瘟病害3个等级上均具有较好的分类和预测能力。     

玻璃温室环境下番茄叶绿素含量敏感光谱波段提取及估测模型

为了快速、准确估测番茄叶片叶绿素含量,利用光谱分析技术研究了玻璃温室环境下番茄叶绿素含量敏感光谱波段提取及其估测模型。番茄以基质方式栽培,在结果期使用ASD FieldSpecTM HH型便携式光谱辐射仪采集叶片光谱,并采用752型紫外-可见分光光度计测定其叶绿素含量。从原始光谱、吸光度光谱、一阶微分光谱、去除包络线光谱出发,进行光谱预处理,分析了净化图谱信息、突出作物叶绿素含量光谱特征的有效性。其中,吸光度光谱在可见光部分增强了光谱响应特征,去除包络线光谱和一阶微分光谱均具有较强的蓝光、红光吸收谷和绿光反射峰。又结合波段间自相关分析和多重共线性诊断提取了番茄叶绿素含量敏感光谱波段,原始光谱特征波段为639,672,696,750,768 nm;吸光度光谱特征波段为638,663,750,763 nm;去包络线光谱特征波段为436,564,591,612,635,683,760 nm;一阶微分光谱特征波段为516,559,778 nm。最后,应用4种预处理下的番茄叶绿素含量敏感光谱波段分别建立多元线性回归模型,模型精度由高至低分别为去包络线、吸光度、原始、一阶微分,其中去包络线模型校正集决定系数R2_c为0.88,验证集决定系数R2_v达到0.82,具有较好的预测能力。     

水稻叶绿素浓度对荧光光谱的影响

为了加强对水稻生长状况的监测,指导水稻的田间施肥,提高施肥利用效率,以增加农作物产量、提高粮食品质,实验室搭建了基于激光诱导荧光技术的荧光探测系统,以研究水稻叶片的叶绿素含量与荧光峰值比之间的相关性。文中测量样本为水稻分蘖期和拔节期的倒二叶,栽培地区位于中国江汉平原。文中先采用凯氏定氮法和相应公式结合测得水稻叶片的叶绿素含量(mg·g-1),再用搭建的荧光探测系统采集了水稻叶片不同叶绿素含量的荧光光谱(激发波长为355 nm)。获得了水稻叶片在不同叶绿素含量下的荧光光谱数据库,定量分析了荧光峰值比F₇₄₀/F₆₈₅(荧光谱峰740 nm、685 nm处的荧光强度比)与叶绿素含量的相关性,发现叶绿素含量的变化对荧光光谱特性影响明显。由实验数据分析可知荧光参数中的峰值比(F₇₄₀/F₆₈₅)与叶绿素含量呈现很好的线性正相关,相关系数(R2)在水稻的分蘖期和拔节期分别达到了0.901 3和0.912 5。实验分析结果表明诱导荧光光谱技术具有方便、快捷、无损等优点,在农作物生长状况的遥感定量监测等方面也具有一定发展潜力。     

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。     

光谱指数的植物叶片叶绿素含量估算模型

叶片叶绿素能够有效监测植被的生长状况,利用光谱指数反演植被叶绿素含量是目前的通用方法。实测了盐生植物光谱反射率和叶片叶绿素含量。对SPAD值进行变换,对比Pearson与VIP方法探讨盐生植被叶片叶绿素含量与植被指数的相关性并进行精度验证,从中选出最佳拟合模型。研究表明,通过对Pearson与VIP相关性分析,最终选定VIP方法建立植被指数的叶片叶绿素估算模型,NDVI₇₀₅,ARVI,CI_{red edge},PRI,VARI,PSRI和NPCI的VIP值均大于0.8,因此选定这七个植被指数为最优植被指数;预测结果显示,所有模型的相关性都在0.7以上,预测值与实测值相关性最好的是经过倒数变换的SPAD值,R=0.816,RMSE=0.007。基于VIP方法的反演模型能较好地估算研究区植被叶绿素含量,该方法为植物叶绿素含量诊断的实际应用提供了重要的理论依据和技术支持。     

基于四阶导数的浮游植物叶绿素荧光激发光谱特征研究

测量了分属硅藻和甲藻两个门类的六种我国东海常见赤潮藻的叶绿素荧光激发光谱,以Matlab为操作平台,采用自编的光谱求导程序,对荧光激发光谱进行四阶导数处理。结果表明,四阶导数法能有效去除光谱中的细小杂峰,并将重叠的色素荧光峰分离,实现主要色素的定性定量分析。四阶导数光谱在350～550 nm波长范围内出现的6个极大值主要代表了活体藻液中的非色素荧光物质、叶绿素和类胡萝卜素的荧光峰。通过原始叶绿素荧光激发光谱和四阶导数光谱的对比分析,表明四阶导数光谱法能够凸显硅藻和甲藻之间的光谱差异,增强光谱识别硅藻和甲藻的能力,同时也提高了光谱的稳定性和重现性。