基于光谱的春季育苗移栽期番茄苗健壮度量化检测

为了筛选影响春季育苗移栽期番茄穴盘苗健壮程度的关键指标,并实现其快速无损检测,测定了5项秧苗指标,经向量归一化预处理并采用独立性权系数法确定各指标权重,并根据权重结果挑选出包含信息较全面,影响较大的两个指标：叶绿素和干质量。两项指标所组成的简化秧苗评价值可以近似表示综合评价值,相关系数r为0.92,大大减少了品质检测所需的指标量,并可以很好的表征春季育苗移栽期番茄苗的健壮度。提取了各穴盘苗的可见-近红外光谱数据,经去噪和多元散射矫正（MSC）预处理,消除了由光散射等带来的光谱干扰信息,相较原始光谱信息更具可利用性。随后采用光谱-理化值共生距离（SPXY）算法对样本集进行划分,利用波段值和评价值两种变量同时计算样本间距离,以最大化表征样本分布,提高样本差异性和代表性。采用竞争性自适应重加权算法（CARS）和无信息变量消除连续投影算法（UVE-SPA）优选光谱特征波数,降低光谱数据维度,得到了更能体现光谱特征的简化光谱信息,减少了冗余信息对建立模型精准度和分析速度的影响。最后应用偏最小二乘支持向量机（LS-SVM）和基于U-Net模型改造的卷积神经网络(CNN),以预处理后的光谱数据和提取特征波长后的光谱数据分别作为模型的输入,建立了光谱数据与综合评价值的非线性映射模型,并进行对比选优。结果显示：应用UVE-SPA预处理方法筛选出的波段,光谱信息更加丰富有效;两种预处理后的优选波段所建模型回归效果整体优于全波段建立的模型;CNN模型的建模效果整体优于LS-SVM模型,且UVE-SPA-CNN模型对光谱数据和秧苗评价值的回归分析效果最好,其建模集和预测集的相关系数r分别为0.988和0.946,均方根误差RMSE分别为0.085和0.025,为直接利用光谱数据获取融合了多种因素的番茄秧苗评价值,从而判别秧苗健壮度提供了理论依据。     

基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest, ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396～1 010 nm。样品光谱分别经过主成分分析(PCA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。     

基于Vis-NIR光谱的柑橘叶片黄龙病检测及其光谱特性研究

黄龙病作为柑橘类水果最具毁灭性的疾病之一,目前尚无有效的治愈手段,因此疾病预防成为已知的唯一有效方法。基于四种柑橘叶片(健康叶片、黄龙病叶片、铁缺乏叶片及氮缺乏叶片)VIS-NIR的反射光谱详细讨论了黄龙病的辨别方法以及在判别模型中光谱特征值的提取方法。在两类判别分析的特征值提取方法中,判别值(discriminability)运算的引入,为特征值提取提供了一个可靠依据,判别值越大表明光谱差异性越大。以被选特征值建立的Fisher线性判别分析模型,黄龙病与健康、铁缺乏、氮缺乏叶片的分类判别预测准确率分别都超过了90%,分类效果符合预期。最后,又讨论了分类树(classificationTree)在多类判别中的应用。通过对柑橘叶片原始反射谱,一阶导数谱及被选特征值分别建立分类模型,四种柑橘叶片平均预测准确度都超过88%,尤其是基于特征值的分类结果更是超过94%,验证了在多类判别中检测柑橘黄龙病的可行性及特征值提取的重要性。结合传统分类方法(k-NN, Bayesian)的结果分析,特征值作为输入变量的分类结果明显要优于原始光谱,证实了特征值选取的正确性,并为将来基于光谱特征值开发多光谱成像技术检测黄龙病打下坚实的基础。