土壤磷素是植物最重要养分之一。 磷素在土壤中动态性强, 检测困难, 在可见-近红外光谱范围没有明显吸收波段, 因此研究基于其他光谱手段的磷素快速检测方法对于发展精细农业和智慧农业具有重要意义。 拉曼光谱具有受水分干扰小, 样本预处理小、 与红外光谱信息互补等特点, 国内外很多学者尝试了应用拉曼光谱对土壤磷素的检测。 但是, 拉曼信号弱, 稳定性差, 制约了拉曼光谱在土壤检测方面的应用。 为进一步弄清拉曼光谱与磷素的定量关系, 采用水溶性磷（KH2PO4）为研究对象, 研究了不同磷浓度的KH2PO4溶液对拉曼光谱产生的影响。 采用移动平均（MA）、 MA+基线校正（BL）、 MA+标准正态变量（SNV）、 MA+多元散射校正（MSC）对原始光谱（RS）进行预处理, 分析了低浓度（0.02~5 g·L-1）与高浓度（5.21~93.87 g·L-1）区间KH2PO4拉曼光谱的变异特性及其与磷浓度之间的关系, 建立了磷浓度含量的预测模型。 结果表明: （1）低浓度区间与高浓度区间光谱的变异系数具有显著差异, 高浓度区间光谱的离散程度较大; （2）低浓度区间的拉曼光谱未检测到明显的拉曼波峰, 浓度变化展现了明显的基线变化。 偏最小二乘（PLSR）模型决定系数R2=0.28~0.36; （3）高浓度区间的拉曼光谱在863与1 070 cm-1处检测到明显的拉曼波峰, PLSR建模结果为R2=0.65~0.7。 MA+SNV、 MA+MSC处理比MA单独处理模型预测精度高, 说明磷酸根的拉曼特征峰为模型主要贡献因子; （4）使用全浓度区间PLSR建模可增加PLSR模型精度（R2=0.73~0.89）。 使用RS建模的精度最高, 说明基线漂移对PLSR结果具有积极作用; （5）通过PLSR回归系数, 选取645、 863、 1 070和1 412 cm-1四点波段建立多元线性回归（MLR）模型, 决定系数R2接近1。 说明特征峰选取可以滤除背景光干扰, 抽取有效磷酸根浓度信号。 （6）由以上结果可知, 利用拉曼光谱定量检测水溶性磷的含量是可行的, 降低背景光干扰、 提高拉曼信号的稳定性的同时, 开发特征波段选择方法、 提高模型可重复性及抗干扰能力是高分辨率拉曼光谱检测技术的关键。

为了快速感知并分析田间作物生长状况, 采用先进的半导体镀膜工艺的光谱成像传感器, 研究镀膜型光谱成像数据的提取与叶绿素含量分布式检测的方法。 实验采用基于镀膜原理的IMEC 5×5成像单元式多光谱相机, 对47株苗期玉米植株的冠层进行拍摄, 获取673～951 nm范围内的25个波长的光谱图像。 利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量指标, 每株玉米冠层叶片设置2～3个采样点, 每点测量3次取平均, 共计251个样本数据; 同时使用ASD Handheld2型光谱仪采集相应位置区域的反射率曲线, 以对比分析镀膜型光谱成像传感器提取玉米植株冠层叶片反射率曲线的特性。 首先, 在分析镀膜型光谱成像传感器的成像原理的基础上, 通过对原始图像的拆分和重组分别提取成像单元中相同波段的像素灰度值, 并利用相同波段的像素灰度值重构单波段光谱图像, 获取各波段光谱图像。 其次, 利用4灰度级标准板建立图像灰度值和灰度板反射率之间的线性反演公式, 对提取的反射率进行校准。 然后, 为了准确分割出玉米植株冠层, 提出了大津算法(OTSU)和霍夫圆变换组合的玉米植株冠层图像二次分割方法, 分别剔除图像中土壤和培养盆背景的干扰。 最后, 利用马氏距离算法剔除异常样本数据, 利用SPXY (sample set partitioning based on joint X-Y distance)算法划分建模集和验证集, 采用偏最小二乘回归法(PLSR)建立玉米植株叶绿素含量指标诊断模型, 并绘制其分布伪彩色图用于分析叶绿素含量空间分布特征。 研究结果表明, ①对25波段多光谱图像提取和反射率线性校准拟合模型决定系数均达到0.99以上。 分析校准前和校准后与ASD光谱仪测量反射率曲线, 镀膜型成像传感器获取玉米冠层反射光谱总体与ASD采集反射率体现的光谱特征一致, 且校正后数据比校正前与ASD光谱反射率的一致性得到了提升。 ②建立初次OTSU分割算法和基于霍夫圆变换识别的二次分割算法, 可以有效剔除玉米植株光谱图像中的土壤和培养盆背景噪声的干扰。 ③叶绿素含量指标PLSR诊断模型建模集R2c为0.545 1, 验证集R2v为0.472 6。 玉米作物冠层叶绿素分布可视化图可以直观反映叶绿素含量分布与生长动态情况。 通过对镀膜型光谱成像传感器应用方法的研究, 为后续玉米植株叶绿素动态快速检测奠定基础和提供技术支持。

为了探究马铃薯作物叶绿素吸收特征, 充分解析光谱特征波长变量, 建立高精度叶绿素含量检测模型。 在马铃薯发棵期(M1)、 块茎形成期(M2)、 块茎膨大期(M3)和淀粉积累期(M4)4 个关键生长期, 利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据, 并同步采集叶片测定叶绿素含量。 在光谱数据预处理之后, 分析了马铃薯不同生长期的光谱反射率变化特征。 利用基于模型集群思想的蒙特卡洛无信息变量消除(MC-UVE)、 随机蛙跳(RF)、 竞争自适应重加权采样(CARS)三种算法筛选叶绿素特征波长, 建立叶绿素含量检测PLS模型。 对4个生长期的314个样本, 采用SPXY算法分别按照3∶1的比例划分, 得到建模集240个样本、 验证集74个样本。 利用MC-UVE, RF, CARS三种算法筛选叶绿素特征波长, 讨论迭代次数(N)和特征变量个数(LV)对MC-UVE和RF算法、 迭代次数(N)对CARS算法筛选特征波长结果的影响, 对迭代次数设置6个梯度, 分别为N=50, 100, 500, 1 000, 5 000和10 000； 对特征变量数设置4个梯度, 分别为LV=15, 20, 25和30。 以PLSR模型的验证集结果为评价指标, 分析迭代次数(N)和特征变量数(LV)的最优参数组合。 最后基于MC-UVE, RF和CARS算法筛选得到的最佳特征波长建立叶绿素检测PLSR模型, 分别记为MC-UVE-PLSR, RF-PLSR, CARS-PLSR。 结果表明, CARS, RF和MC-UVE三种算法的迭代次数(N)、 特征变量数(LV)参数最佳组合分别为: (1)MC-UVE: 迭代次数N=50 特征变量数LV=30； (2)RF: 迭代次数N=500、 特征变量数LV=30； (3)CARS: 迭代次数N=100。 对比在最佳特征波长建立的MC-UVE-PLSR, RF-PLSR, CARS-PLSR叶绿素含量检测, 发现RF-PLSRRR模型的性能最优, R2v为0.786, RMSEV为3.415 mg·L-1； MC-UVE-PLS模型性能次之, R2v为0.696, RMSEV为4.072 mg·L-1； CARS-PLS模型的性能最差, R2v为0.689, RMSEV为4.183 mg·L-1。 以上结果说明: 在筛选马铃薯叶绿素特征波长方面RF算法优于MC-UVE和CARS, 得到的特征波长能够较全面地反映与马铃薯叶绿素相关的物质信息。

为了快速感知并分析田间作物生长状况, 采用先进的半导体镀膜工艺光谱成像传感器, 研究了玉米植株冠层叶绿素含量分布式检测方法。 试验采用IMEC 5×5成像传感器, 拍摄47株苗期玉米植株冠层, 获取673～951 nm范围内的25个波长的光谱图像。 实验中, 利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量, 每株玉米冠层叶片设置2～3个采样点, 每点测量3次取平均, 共计242个样本数据。 对光谱图像数据, 经4灰度级标准板提取并校准反射率。 为了实现玉米植株与花盆、 土壤背景的有效分离, 在分析不同对象光谱反射率与图像像素特征的基础上, 提出了一种基于谱图特征组合的植株分割方法, 即基于植被指数的图像初步分割与区域标记计算的冠层精细分割的植株提取算法。 首先, 计算各像素点归一化植被指数(NDVI), 并开展基于NDVI的植株冠层分割方法分割结果优于基于最大类间方差法的全局阈值自适应分割算法。 其次, 采用边缘保持中值滤波算法剔除初步分割后图像中存在的噪声点后, 基于区域标记算法进行精细分割, 获得掩膜并最终得到仅保留玉米植株冠层的光谱图像。 分别采用相关分析法(CA)和随机蛙跳(RF)算法选取反射光谱特征波长, 并构建750～951 nm近红外(NIR)和673～750 nm红色(R)选中波长集合, 遍历NIR和R集合组合计算比值植被指数(RVI), 差值植被指数(DVI), 归一化植被指数(NDVI)和SPAD转换指数(TSPAD)。 然后, 再次采用CA和RF算法筛选植被指数, 利用SPXY算法将样本按照7∶3比例划分为建模集和验证集, 并建立了叶绿素含量指标检测CA+RF-PLSR模型。 结果表明, 其建模集R2C为0.573 9, RMSEC为3.84%, 验证集R2V为0.420 2, RMSEC为2.3%。 利用建模结果对多光谱图像进行处理, 绘制玉米叶片SPAD值伪彩色分布图, 实现叶绿素含量分布可视化。 研究表明采用镀膜型光谱成像数据, 分析对象光谱与图像特征, 探讨玉米冠层叶绿素含量分布检测的可行性, 可为直观监测作物生长动态提供支持。

采用旋涂法研制了Ag浆SC100-ZnO混合薄膜,系统研究了不同混合比例SC100∶ZnO薄膜作为电子传输层或光散射层对聚合物太阳能电池器件性能的影响, 并讨论了其中存在的物理机制。研究发现, 采用少量SC100(1%和2.5%)混合的薄膜作为光散射层, 可以提高器件的性能参数(短路电流密度和填充因子), 器件的光电转换效率分别提高了4.4%和5%。

叶绿素含量是作物光合能力与营养评价的重要指标, 因此快速检测作物叶绿素含量与分布可为作物营养动态分析与长势评估提供支持。 基于RGB(Red, Green, Blue)和NIR(Near Infrared)多光谱图像的获取, 开展玉米作物营养状态分布光谱学成像检测。 构建了多光谱图像采集平台获取RGB和NIR图像, 研究了基于光饱和校正算法的RGB图像的光饱和校正与NIR图像去噪方法, 通过图像的匹配分割, 冠层的提取校正, 建立了基于冠层图像的作物SPAD值检测模型与分布成图。 采集15株玉米植株RGB-NIR图像, 并同步获取不同植株, 不同位置共68个叶绿素含量指标SPAD值。 首先对RGB图像进行光饱和校正, 再对NIR图像进行滤波和图像增强, 其次对RGB和NIR图像进行了SURF(speeded-up robust features)和RANSAC(random sample consensus)图像匹配, 利用RGB图像的颜色特征, 采用ExG(Extra Green)和OTSU算法生成分割掩模, 对RGB图像和NIR图像进行分割提取, 提取图像的R, G, B和NIR分量, 利用4阶灰度板进行反射率校正, 然后计算作物图像中像素级PSPAD值, 并建立图像PSPAD值与叶绿素仪SPAD值的拟合模型, 最后绘制作物SPAD分布图。 通过HSI(Hue, Saturation, Intensity)彩色模型中的I分量直方图对比去饱和前后光分布范围, 以作物SPAD值分布图验证光饱和校正算法对作物叶绿素含量分布检测提升的效果。 RGB图像光饱和校正前I分量集中在［140～180］之间, 光饱和校正后的RGB图像I分量集中在［85～130］之间, 校正了相机成像时产生模糊和RGB图像饱和。 对分割后的RGB图像和NIR图像提取R, G, B, NIR分量进行4阶灰度板校正, 相关系数分别为0.829, 0.828, 0.745和0.994, 进而生成R, G, B和NIR四波段的反射率伪彩色图像, 反射率ＲNIR＞ＲＧ＞ＲＲ＞ＲＢ。 体现了作物的在蓝光和红光区域吸收光, 在绿光区域和近红外区域反射光的光谱特性。 校正前后的R和NIR分量反射率计算图像PSPAD值拟合叶绿素含量指标SPAD值的模型结果显示, 校正前R2为0.332 6, 校正后R2为0.619 3, 绘制作物的SPAD特征分布图, 可为作物的营养动态快速分析与分布检测提供技术支持。

归一化植被指数(NDVI)基于可见光的红色波段(630～680 nm)和近红外区(780～1 100 nm)的反射光谱进行计算, 被认为是作物营养与长势诊断的重要指标。 为了低成本、 快速、 无损的检测作物叶绿素含量, 计算植株的NDVI并呈现作物的NDVI分布情况, 并通过不同角度图像的分析, 监测作物营养分布与动态。 利用可见光和近红外波段双目成像技术获取图像, 在讨论可见光(RGB)和近红外(NIR)图像的匹配算法的基础上, 经图像分割与光照影响校正后, 针对不同测试角度建立了作物植被指数空间分布图, 并对其空间分布特征与影响因素进行了可视化分析。 试验利用可见光和近红外双目相机对51株玉米植株, 分别在90°, 54°和35°视角下同步采集RGB和NIR图像。 对RGB和NIR图像分别进行高斯滤波和拉普拉斯算子增强预处理后, 选取了SURF, SIFT和ORB共3种图像匹配算法, 并首先利用其进行RGB-NIR图像匹配对齐, 以匹配时间(Time), 峰值信噪比(PSNR), 信息熵(MI)和结构相似性(SSIM)4个参数作为匹配性能评价指标, 分别从时间、 准确性、 稳定性三个方面综合确定最优匹配方法。 其次, 研究玉米植株的分割方法包括超绿算法(ExG)和最大类间方差算法(OTSU), 分别实现图像中作物和背景的分离, 提取分割后的RGB图像R(Red), G(Green), B(Blue)分量和NIR图像分量。 基于HSI颜色模型, 提取I分量讨论了光照对图像的影响, 并利用多灰度级标准板建立了植株光谱反射率校正线性公式。 然后, 利用R(Red)和NIR图像分量计算图像中每个像素的NDVI值, 绘制作物植被指数的空间分布图, 从而对比分析了不同拍摄角度下光谱植被指数的分布特征。 通过不同角度图像的NDVI分布情况, 展示监测作物植株不同位置的叶绿素分布情况。 结果显示, RGB-NIR图像匹配时间SIFT(1.865 s)>SURF(1.412 s)>ORB(1.121 s), 匹配准确性上SURF≈SIFT>ORB, 匹配稳定性上SURF>SIFT>ORB, 综合比较选取SURF为最优匹配算法。 采用4灰度级标准板对R, G, B, NIR分量校正模型的R2分别为0.78, 0.76, 0.74, 0.77。 90°和35°视角分别展现了作物叶和茎的NDVI植被指数分布情况, 可为分析和监测作物的营养分布提供技术支持。

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题, 研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数, 用于稳健地诊断多生育期的营养。 以拔节期、 孕穗期和扬花期的冬小麦为研究对象, 采集其325～1 075 nm范围的冠层反射光谱, 测定采样样本的叶绿素含量。 采用小波去噪和多元散射校正算法对光谱数据进行预处理。 通过相关性分析, 确定生育期特征波长的迁移范围, 进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC)。 以信噪比(SNR)和平滑度指标(S)进行综合评价, 小波去噪函数的最佳参数为(“sqtwolog”, “mln”, “3”, “db5”)。 相关性分析结果表明, 生育期特征波段的迁移范围为(700 nm, 723 nm)。 在分析MNAOC指数对叶绿素含量诊断分辨率的基础上, 以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为: 拔节期R2c=0.840 1, R2v=0.823 7; 孕穗期R2c=0.865 5, R2v=0.817 4; 扬花期R2c=0.833 8, R2v=0.807 6。 与ratio vegetation index(RVI)等5种双波长植被指数对比表明, 由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征, 使得MNAOC指数在模型精度上和多个生育期的普适性上, 都优于其他双波长代数运算植被指数, 为大田环境冬小麦生育期叶绿素含量诊断提供支持。